【技術實現步驟摘要】
本專利技術涉及圖像增強，更具體地說，本專利技術涉及基于深度學習的圖像增強處理方法及系統。
技術介紹
1、隨著電力系統的不斷發展，配電網的覆蓋范圍日益擴大，環境日趨復雜，設備種類繁多且分布廣泛。電力設備的運行狀態直接關系到電力系統的穩定性和安全性，任何故障都可能導致大面積停電，甚至引發社會和經濟的嚴重后果。傳統的人工巡檢和維護方式已經難以滿足高效、安全、精準的運維需求。尤其在復雜的配網環境中，如山區、林區或城市密集區域，電力設備容易被樹木、建筑物等遮擋，圖像采集的質量和清晰度大幅下降，而傳統的圖像增強技術雖然在圖像增強中取得了顯著效果，但也存在一些明顯的缺點和局限性，例如直方圖均衡化等對比度增強方法在處理全局對比度時，容易導致圖像的局部細節過度增強或不足，影響圖像的自然感；銳化濾波器和高通濾波雖然能夠增強圖像的邊緣和細節，但它們對噪聲也非常敏感，會放大圖像中的噪聲，導致圖像質量下降等。
2、針對上述問題，本專利技術提出一種解決方案。
技術實現思路
1、為了克服現有技術的上述缺陷，本專利技術的實施例提供基于深度學習的圖像增強處理方法及系統，通過基于深度學習的圖像增強處理方法及系統，解決了傳統方法在電力設備圖像增強上的不足。
2、為實現上述目的，本專利技術提供如下技術方案：
3、基于深度學習的圖像增強處理方法，包括如下步驟：獲取電力設備圖像，對所述電力設備圖像進行編碼和解碼，得到若干個邊緣域和一個核心域解碼圖像；將邊緣域和核心域解碼圖像分別通過預設的特
4、在一個優選的實施方式中，所述對所述電力設備圖像進行編碼和解碼，得到邊緣域和核心域解碼圖像，具體為：將電力設備圖像分割為邊緣域圖像和核心域圖像；對所述的邊緣域圖像和核心域圖像進行編碼；將編碼后的邊緣域和核心域圖像進行解碼，得到邊緣域和核心域解碼圖像。
5、在一個優選的實施方式中，所述將電力設備圖像分割為邊緣域圖像和核心域圖像，具體為：將電力設備圖像進行灰度轉化得到電力設備灰度圖像；基于邊緣檢測算法，對所述電力設備灰度圖像進行邊緣檢測，得到邊緣檢測結果；基于邊緣檢測結果，將電力設備灰度圖像中的邊緣部分和核心部分提取出來，形成邊緣域圖像和核心域圖像。
6、在一個優選的實施方式中，所述將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取，具體為：將若干個邊緣域解碼圖像通過預設的特征提取網絡進行特征提取，得到若干個邊緣域低分辨率卷積特征圖；將所述核心域解碼圖像通過預設的特征提取網絡進行特征提取，得到核心域低分辨率卷積特征圖；
7、在一個優選的實施方式中，所述將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取，具體為：將所述邊緣域和核心域解碼圖像進行卷積塊的操作，將解碼圖像轉化為卷積特征值，所述卷積塊操作包括卷積運算、批歸一化和激活函數計算；構建殘差卷積塊依次對所述卷積特征值進行特征提取，并將特征提取的特征值進行若干次的通道加權平均融合得到融合特征值，所述殘差卷積包括卷積運算、批歸一化、激活函數計算以及跳躍連接；將所述融合特征值與所述卷積特征值進行通道加權平均融合得到低分辨率卷積特征圖。
8、在一個優選的實施方式中，所述構建殘差卷積塊依次對所述卷積特征值進行特征提取，具體為：所述預設的特征提取網絡包括若干層的卷積塊、殘差卷積塊以及卷積層；將當前層卷積塊輸出的所述卷積特征值作為同一層殘差卷積塊和同一層卷積層的輸入；將同一層的殘差卷積塊和卷積層的輸出進行線性求和，作為下一層卷積塊的輸入；將最后一層的殘差卷積塊和卷積層的輸出進行線性求和，作為低分辨率卷積特征圖；
9、在一個優選的實施方式中，所述構建邊緣域和核心域圖像增強重建網絡進行圖像增強，具體為：構建平均絕對誤差損失函數作為所述圖像增強重建網絡中的損失函數；將得到的所述邊緣域低分辨率卷積特征圖輸入至若干個串聯的引入跳躍連接的卷積塊中，得到邊緣域重建特征圖；將所述邊緣域重建特征輸入至上采樣卷積層得到邊緣域解碼增強圖像；將得到的若干個邊緣域低分辨率卷積特征圖進行融合得到邊緣域融合特征圖；將得到的邊緣域融合特征圖與核心域低分辨率特征圖沿通道維度進行串聯，得到核心域重建特征圖。
10、基于深度學習的圖像增強處理系統，包括數據獲取模塊、特征提取模塊、圖像增強模塊：數據獲取模塊，獲取電力設備圖像，對所述電力設備圖像進行編碼和解碼，得到若干個邊緣域和一個核心域解碼圖像；特征提取模塊，將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取；圖像增強模塊，構建邊緣域和核心域圖像增強重建網絡進行圖像增強。
11、本專利技術基于深度學習的圖像增強處理方法及系統的技術效果和優點：
12、1.本專利技術通過獲取電力設備圖像，對所述電力設備圖像進行編碼和解碼，得到若干個邊緣域和一個核心域解碼圖像，將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取，最后構建邊緣域和核心域圖像增強重建網絡進行圖像增強。首先，將圖像劃分為邊緣域圖像和核心域圖像，可以更好地針對不同區域的特征進行優化，邊緣域圖像通常包含更多細節和邊緣信息，通過特征提取網絡專門處理，可以有效增強圖像的清晰度和細節表現。而核心域圖像則包含更多的整體信息，專門處理核心域可以保證圖像的整體結構和一致性。此外，特征提取網絡和圖像增強重建網絡的應用，使得該方法可以充分利用深度學習技術的優勢。通過預設的特征提取網絡，可以從邊緣域和核心域圖像中提取出高層次的特征信息，為后續的圖像增強提供豐富的特征基礎。圖像增強重建網絡則能夠有效地將提取的特征信息融合并重建為高質量的圖像，保證增強效果的自然性和一致性。
13、2.本專利技術通過深度學習技術對采集的電力設備圖像進行圖像增強能夠有效提升圖像的清晰度和對比度，使得在復雜環境中拍攝的低質量圖像得到顯著改善，從而提高后續圖像識別的準確性；其次，深度學習算法能夠自適應處理不同場景和設備的圖像，具備較強的泛化能力，有效應對多樣化的電力設備和復雜環境；同時，圖像增強技術還能減少因光照不足、遮擋等因素導致的識別困難，提升電力巡檢的整體效率和安全性。
本文檔來自技高網...【技術保護點】
1.基于深度學習的圖像增強處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的圖像增強處理方法，其特征在于，對所述電力設備圖像進行編碼和解碼，得到若干個邊緣域和一個核心域解碼圖像，具體為：
3.根據權利要求2所述的基于深度學習的圖像增強處理方法，其特征在于，所述將電力設備圖像分割為邊緣域圖像和核心域圖像，具體為：
4.根據權利要求3所述的基于深度學習的圖像增強處理方法，其特征在于，所述將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取，具體為：
5.根據權利要求4所述的基于深度學習的圖像增強處理方法，其特征在于，所述將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取，具體為：
6.根據權利要求5所述的基于深度學習的圖像增強處理方法，其特征在于，所述構建殘差卷積塊依次對所述卷積特征值進行特征提取，具體為：
7.根據權利要求6所述的基于深度學習的圖像增強處理方法，其特征在于，所述構建邊緣域和核心域圖像增強重建網絡進行圖像增強，具體為：
8.根據權利要求7
9.根據權利要求8所述的基于深度學習的圖像增強處理方法，其特征在于，所述構建平均絕對誤差損失函數作為所述圖像增強重建網絡中的損失函數，具體公式如下：
10.一種使用如權利要求1-9中任意一項所述的基于深度學習的圖像增強處理方法的系統，其特征在于，包括數據獲取模塊、特征提取模塊、圖像增強模塊：
...【技術特征摘要】
1.基于深度學習的圖像增強處理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的圖像增強處理方法，其特征在于，對所述電力設備圖像進行編碼和解碼，得到若干個邊緣域和一個核心域解碼圖像，具體為：
3.根據權利要求2所述的基于深度學習的圖像增強處理方法，其特征在于，所述將電力設備圖像分割為邊緣域圖像和核心域圖像，具體為：
4.根據權利要求3所述的基于深度學習的圖像增強處理方法，其特征在于，所述將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取，具體為：
5.根據權利要求4所述的基于深度學習的圖像增強處理方法，其特征在于，所述將邊緣域和核心域解碼圖像分別通過預設的特征提取網絡進行特征提取，具體為：
6.根據權利要求5所述的基于深度學...
【專利技術屬性】
技術研發人員：鄧楓林，孫長翔，葛細武，陳曉東，呂冰，
申請(專利權)人：國網安徽省電力有限公司宣城供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。