主要電力設(shè)備故障圖像特征及識別方法研究改

1、 摘要摘要內(nèi)容伴隨著我國電網(wǎng)規(guī)模的日益加大,各類變電設(shè)備的運作狀態(tài)是促使其安全高效運行的最為主要的因素之一。對于各類變電設(shè)備的在線狀態(tài)監(jiān)測系統(tǒng)的推廣越來越發(fā)普及。研究基于圖像特征的電力設(shè)備自動故障識別具有重要意義。本文對各類主要電力設(shè)備，研究各類變電設(shè)備故障識別分類及相應故障的圖像特征，以及基于紅外與紫外圖像特征的故障識別方法。對于紫外放電成像技術(shù)圖像的處理與特征提取，本文從紫外成像技術(shù)的基本原理出發(fā)，在講解紫外放電圖片特性的基礎(chǔ)上，對紫外放電圖像使用灰度化預處理，以及應用中值濾波等方法對圖像進行降噪。并通過canny算子邊緣檢測計算紫外光斑面積判斷是否發(fā)生放電故障。針對紅外故障圖像，本文在紅

2、外成像原理的基礎(chǔ)上，對紅外圖像進行超像素分割及HSV空間顏色提取，對應用卷積神經(jīng)網(wǎng)絡對紅外故障圖像故障區(qū)域檢測進行理論上的研究。關(guān)鍵詞： 紅外成像 紫外成像 圖像處理 ABSTRACTWith the increasing scale of Chinas power grid, the operation of various types of substation equipment is one of the most important factors to promote the safe and efficient operation. The popularization of t

3、he on-line condition monitoring system for all kinds of transformer equipment is becoming more and more popular. Research on image feature based automatic fault recognition of power equipment is of great significance. In this paper, various types of main power equipment, the study of various types o

4、f substation equipment fault identification and classification of image features, as well as infrared and ultraviolet image features based on fault identification method. For ultraviolet discharge imaging technique to image processing and feature extraction, this paper from the basic principle of UV

5、 imaging technology of on the explanation of the ultraviolet discharge picture characteristics based and discharge on the UV image using grayscale preprocessing and application of median filtering method of image in noise reduction. And through the Canny operator edge detection to determine whether

6、the area of the UV spot to determine whether the discharge fault. Aiming at the fault infrared image, this paper on the basis of the principle of infrared imaging, the infrared image were super pixel segmentation and HSV color space extraction, the convolutional neural network is applied to fault se

7、ction detection of infrared fault image of theoretical research.KEY WORDS: 目錄 第一章1.1課題背景伴隨著我國國民經(jīng)濟水平的前進與發(fā)展,全國各地對電力的需求不斷增長,推動我國電網(wǎng)規(guī)模不斷加大、同時向超高壓、大容量和智能化的路線前進。但也對各類電力設(shè)備的安全性及可靠性提出更為克刻的要求。由于一旦電力設(shè)備和部件產(chǎn)生故障或缺陷，極易導致“鏈式反應”，致使整個電力系統(tǒng)不能正常工作，從而引發(fā)重大的經(jīng)濟損失，而存在隱患的設(shè)備故障和缺陷還會造成災難性事故和人員傷亡，更是從源頭波及社會方方面面造成惡劣影響。故障識別與診斷技術(shù)給電力單位

8、帶來顯著的生產(chǎn)利益，其經(jīng)濟意義集中表現(xiàn)在減少維修消耗和避免突發(fā)事故這兩點上。 而且，研究表明，電氣設(shè)備故障產(chǎn)生最直接最重要的原因是其絕緣性能發(fā)生劣化。電氣設(shè)備尤其是高壓電氣設(shè)備長期處于高電壓、強場強運行條件下，同時承受戶外風雨侵襲，不可避免會使得絕緣性能發(fā)生劣化。伴隨時間的日益推移，當劣化產(chǎn)生一定影響時，就會發(fā)生電力設(shè)備放電這種現(xiàn)象。若沒有及時找到電氣設(shè)備放電的原因，對故障部件進行維修和更換，放任放電故障發(fā)展，結(jié)果極有可能導致設(shè)備擊穿、閃絡等現(xiàn)象，致使故障更為嚴重，波及范圍也大大增加。所以必須對電力設(shè)備的前期局部放電展開深入研究，對電力設(shè)備的絕緣能力特別是其外絕緣能力進行預先評價，保障電力設(shè)備

9、安全高效運轉(zhuǎn)，從而提高整體系統(tǒng)的可靠及穩(wěn)定性。每當電力設(shè)備放電時，放電部位會放出波長240致80nm的紫外輻射，對此信號進行有效的監(jiān)測，將大大的有益于早期檢測到放電現(xiàn)象。而且電力設(shè)備，凡是其外部發(fā)生放電，均可得到其放電紫外圖像，這導致紫外放電成像技術(shù)在電力設(shè)備在線狀態(tài)監(jiān)測特別是電力設(shè)備外絕緣監(jiān)測方面的應用領(lǐng)域更加廣泛。1.2國內(nèi)外研究現(xiàn)狀1.21紅外熱像儀成像技術(shù)在電力系統(tǒng)的應用對變壓器的紅外成像在線狀態(tài)監(jiān)測系統(tǒng)在電力系統(tǒng)的普遍應用是電力企業(yè)對于追求信息化的必經(jīng)之路，它不但可以代替人為測溫，更是達到實時在線監(jiān)測變壓器的發(fā)熱情況，避免和降低故障發(fā)生，保障了變壓器的可靠運行，確保了電力系統(tǒng)的穩(wěn)定供

10、電。電力設(shè)備的發(fā)熱引發(fā)的故障是導致大面積停電等事故災難的最為重要的誘導因素，一直以來怎樣實時可靠的在線監(jiān)測電力設(shè)備都是電力行業(yè)一個極具意義的問題。變壓器作為變電系統(tǒng)中最核心的電力設(shè)備，是整個變電環(huán)節(jié)運行的中心所在，其可靠性關(guān)乎整個變電網(wǎng)絡。在變壓器的工作過程中，無論是負荷過大，還是油位出現(xiàn)了異常，其溫度都會發(fā)生變化，若不及時發(fā)現(xiàn)將會引發(fā)變壓器設(shè)備損壞等事故，直接威脅到供電安全。公司對運行中的變壓器的溫度監(jiān)測一直予以高度重視，對變壓器的紅外測溫也有明確規(guī)定。但是，隨著電網(wǎng)發(fā)展和社會科技進步，變電系統(tǒng)的自動化、信息化要求不斷嚴格，變電站大致上完成了無人值班或少人值守的階段，現(xiàn)在基本通過紅外測溫儀對

11、變電設(shè)備的檢測都是通過人為測量的方法，這些都不能達到運轉(zhuǎn)和監(jiān)控自動化的目標。從上世紀六十年代國外采用紅外測溫技術(shù)，七十年代起將紅外成像儀安裝于車輛或是直升機上對變電設(shè)備及高壓輸電系統(tǒng)產(chǎn)生的故障與缺陷做定期檢測,伴隨紅外線探測設(shè)備,特別是紅外線熱成像設(shè)備的日益進步逐漸發(fā)展為專業(yè)的紅外成像檢測技術(shù),而且更是編寫出與之配套的技術(shù)標規(guī)和紅外診斷故障判定標準,目前更是在全球各個發(fā)達國家當中普及,并得到了極佳的經(jīng)濟效果。我國探尋發(fā)展對于電力設(shè)備應用紅外測溫技術(shù)起于20世紀七十年代初,應用國內(nèi)開發(fā)的紅外測溫設(shè)備檢測高壓輸電線路接頭溫度的試驗研究工作,開創(chuàng)了我國紅外技術(shù)的應用。1從八十年代中期開始,隨著性能優(yōu)

12、良可靠的紅外診斷儀器的發(fā)展及主管部門的重視,通過一些電力科研單位的大量室內(nèi)模擬試驗和現(xiàn)場試驗,取得了不少實踐經(jīng)驗。不但在現(xiàn)場試驗中檢測出了大量的缺陷與問題,通過立即的修理,避免了部分嚴重的災難性的事故的出現(xiàn),受到了極佳的反響,更是從中積攢了大量實踐知識,慢慢完善了故障的評判準則。1.2.2紫外成像技術(shù)在電力系統(tǒng)中的應用2早在1984年，前蘇聯(lián)西伯利亞電力科學研究院就將紫外成像技術(shù)運用于電力系統(tǒng)設(shè)備監(jiān)測中，開發(fā)了紫外電子光學探傷儀，并用該探傷儀實現(xiàn)了電氣設(shè)備外絕緣的監(jiān)測。然而，該設(shè)備難以避免日光對紫外圖像的影響，因此只能夜間監(jiān)測，且受天氣因素影響較大。為了實現(xiàn)采用紫外成像法對放電設(shè)備的實時監(jiān)測，

13、上世紀90年代，西方少數(shù)國家開始研制日盲型紫外成像儀，所謂日盲型紫外成像儀，就是紫外監(jiān)測的結(jié)果不受日光的影響，即紫外成像是不吸收太陽光中紫外譜段。至此，電力系統(tǒng)開始普遍采用日盲型紫外成像儀實現(xiàn)電氣設(shè)備放電圖像的實時監(jiān)測。現(xiàn)在電力行業(yè)中主要普及的是紅外熱成像檢測技術(shù)，然而應用紫外成像技術(shù)在放電監(jiān)測方面還在剛剛發(fā)展的階段。通過低通濾波手段對紫外成像圖像處理降低紫外線放電圖像中各類噪聲；通過中值濾波理論，對紫外成像圖像增強信噪比。對于紫外放電光斑提取問題：通過改進的candy算法對紫外放電圖像實施邊緣提取, 從而有效獲得故障區(qū)域的放電光斑。采用形態(tài)學分析理論，對放電光斑進行了自適應提取，同時該方法也

14、能有效抑制噪聲對紫外放電光斑提取的影響.第二章 電力設(shè)備紅外線故障圖像2.1紅外成像法檢測原理紅外輻射測溫儀 紅外線輻射測溫儀也叫紅外測溫儀，是一種對物體放射的紅外線的溫度檢測儀器，它只能檢測對象表面上某點四周確定面積的平均溫度。在不追求精準測量對象表面二維溫度分布時，與別的設(shè)備相比較，具有簡化結(jié)構(gòu)、價格便宜、操作便攜等優(yōu)點。 3紅外測溫儀的基本原理是以被測目標的紅外輻射能量與溫度成一定函數(shù)關(guān)系而制成的儀器。其工作時，被測目標的紅外輻射能量經(jīng)儀器透鏡會聚，并通過紅外濾光片進入探測器，探測器將輻射能轉(zhuǎn)換為電能的信號，經(jīng)放大器放大、電子電路處理，最終由顯示器顯示出被測物體的表面溫度。圖2-2所示的

15、是一個裝有有目視對準系統(tǒng)的紅外測溫儀，通過45的分光鏡，可見光反射到分劃板上，其刻有一圓環(huán)，圓環(huán)的面積應與光闌孔面積相同，分劃板后安裝有一組目視透鏡，以使人確認測量對象的準確情況以及目標是否填充滿小環(huán)。 1紅外測溫儀的基本結(jié)構(gòu)必須包括光學系統(tǒng)、紅外探測器、電信號放大及處理系統(tǒng)、結(jié)果顯示系統(tǒng)和其它附屬部分(包括目標瞄準器、供電電源與整體機械結(jié)構(gòu))等幾個主要功能部分。根據(jù)測溫要求可分為單波段中低溫測溫儀(8-12m)、高溫測溫儀(2-2.5m)和高溫比色測溫儀?，F(xiàn)在，各類的紅外測溫設(shè)備都安裝有可視瞄準或激光瞄準裝置，使人更精準地檢測對象的溫度而采取了便攜的手段。 紅外熱成像儀不但可以非接觸式測溫，

16、而且能實現(xiàn)實時反饋對象表面溫度的二維分布及改變狀況，這是它不同于紅外測溫儀的一個顯著優(yōu)勢。紅外熱成像儀具有圖像處理程序，測溫快速、分辨率優(yōu)異、直觀，并具有信息收集、存儲、處理和解析方便的優(yōu)點。因此，雖然它比紅外測溫儀等裝置的結(jié)構(gòu)紛繁、價格高的多，但在電力設(shè)備實時監(jiān)測中還有很大的作用。 紅外熱成像儀的運行流程是把被測對象表面溫度經(jīng)由紅外線的方式，通過收到光學程序和掃描設(shè)備顯像到探測器上，然后通過探測器轉(zhuǎn)換成視頻形式。此微小的視頻信號通過信號放大裝置后17，傳到外端顯示屏上，表現(xiàn)出被測對象表面溫度分布情況的熱成像。5紅外熱像儀的基本結(jié)構(gòu)由光學系統(tǒng)、掃描機構(gòu)、紅外探測器、前置放大器、視頻信號預處理電

17、路、顯示記錄系統(tǒng)和外圍輔助裝置等組成。紅外熱像儀的核心器件是紅外探測器，可分為單元探測器、多元探測器和帶有內(nèi)處理功能的探測器。常用熱像儀的工作波長為3-5m和8-14m。2.2電力設(shè)備紅外檢測診斷故障典型圖譜2.2.1變壓器缺陷紅外檢測診斷故障典型圖譜變壓器缺陷主要包括以下兩個部分:1、變壓器本體的缺陷;2、套管部位的缺陷2.2.1.1變壓器套管溫度分布異常變壓器套管包含主變高壓側(cè)套管、低壓側(cè)套管、抱箍線夾、中性點套管、管出線線夾等部分。溫差不超過 10K，未達到嚴重缺陷的要求，可應用圖像特征分析法、同類比較判斷法。（1）變壓器套管溫度分布異常圖2-3 220kV 主變高壓側(cè)熱像圖，左側(cè)套管上

18、部溫度偏低。（2）變壓器套管出線線夾過熱圖2-4 110kV 主變高壓側(cè)套管熱圖，套管上部溫度偏低。（3）變壓器套管抱箍線夾過熱圖2-5 500kV 變壓器套管熱像圖，左側(cè)（中壓側(cè)）套管出線線夾有明顯熱點。（4）變壓器套管柱頭過熱圖2-6 110kV 變壓器高壓側(cè)套管熱像圖，套管抱箍線夾有明顯熱點。（5）變壓器套管末屏溫度分布異常圖2-7 220kV 變壓器高壓側(cè)套管熱像圖，套管末屏（左側(cè)）溫度偏高2.2.1.2變壓器本體部分缺陷變壓器本體包含主變高壓側(cè)本體、低壓側(cè)本體、高壓側(cè)左面本體、高壓側(cè)右面本體。溫差不超過 10K，未達到嚴重缺陷的要求，可應用表面溫度判斷法、圖像特征分析法。（1）變壓器

19、本體溫度分布異常圖2-8 110kV 變壓器本體熱像圖，本體局部溫度偏高。（2）變壓器冷卻器（自冷式）溫度分布異常圖2-9 110kV 變壓器散熱器熱像圖，右 2散熱器溫度偏低（3）變壓器冷卻器（水冷式）溫度分布異常圖2-10變壓器冷卻器（水冷式）熱像圖，左 1、左 2冷卻器溫度偏低。（4）變壓器冷卻器溫度異常圖2-11 220kV 變壓器冷卻器熱像圖，兩側(cè)溫度明顯不一致。（5）變壓器冷卻器（強油風冷）進、出油管溫度異常圖2-12變壓器冷卻器（強油風冷）熱像圖2.2.2高壓斷路器缺陷紅外檢測診斷故障典型圖譜斷路器通常由于內(nèi)部部件接觸不良導致溫度異常。可應用表面溫度診斷法等。圖2-13 220k

20、V 斷路器熱像圖，左側(cè)斷路器動觸頭法蘭發(fā)熱（2）斷路器中間觸頭發(fā)熱圖2-14 110kV 斷路器熱像圖，斷路器中間觸頭法蘭發(fā)熱（3）斷路器靜觸頭發(fā)熱圖2-15 110kV 斷路器熱像圖，右側(cè)斷路器靜觸頭法蘭發(fā)熱（4）斷路器瓷套點狀溫度分布異常圖2-16 110kV 斷路器熱像圖，動觸頭法蘭與下瓷磁套接合部有點狀發(fā)熱點。2.2.3隔離開關(guān)紅外檢測診斷故障典型圖譜220kV隔離開關(guān)的發(fā)熱缺陷，根據(jù)其特點可用表面溫度判斷法、圖像特征分析法、同類比較判斷法判斷。圖2-17 220kV 隔離開關(guān)熱像圖，刀口有明顯熱點。（2）隔離開關(guān)轉(zhuǎn)頭過熱圖2-18 220kV 隔離開關(guān)熱像圖，下轉(zhuǎn)頭接觸有明顯熱點(1

21、) 隔離開關(guān)接線板過熱圖2-19 35kV 隔離開關(guān)熱像圖，接線板有明顯熱點2.2.4電流互感器紅外檢測診斷故障典型圖譜電流互感器多由內(nèi)部接觸不良或內(nèi)部一次連接線散股、斷股引發(fā)故障?？蓱帽砻鏈囟扰袛喾āD像特征分析法、同類比較判斷法。（1）電流互感器頭部過熱 圖2-20 35kV 電流互感器熱像圖，頭部有異常發(fā)熱（2）電流互感器頭部溫度異常圖2-21 110kV 電流互感器熱像圖，右側(cè)互感器頭部溫度較低（3）電流互感器局部發(fā)熱圖2-22 35kV 電流互感器熱像圖，頭部有異常局部溫度異常2.2.5電壓互感器紅外檢測診斷故障典型圖譜電壓互感器通常由于電磁組件受潮、匝間短路或鐵磁諧振等原因?qū)е陆?/p>

22、質(zhì)消耗加大，在高壓作用中放射熱量。可通過圖像特征分析法、同類比較判斷法。（1）電容式電壓互感器電磁單元發(fā)熱圖2-23 220kV 電容式電壓互感器熱像圖，電磁單元整體發(fā)熱。（2）電容式電壓互感器電容單元局部發(fā)熱18圖2-24 220kV 電容式電壓互感器熱像圖，電容單元局部發(fā)熱(2) 電容式電壓互感器阻尼箱過熱圖2-25 220kV 電容式電壓互感器阻尼單元熱像圖，阻尼單元內(nèi)部有明顯熱點2.2.6絕緣子紅外檢測診斷故障典型圖譜(1) 紅外檢測診斷故障典型圖譜圖2-26 110kV 合成絕緣子熱像圖2.3.1 3紅外檢測判斷方法 4表面溫度判斷法：主要適用于電流致熱型和電磁效應引起發(fā)熱的設(shè)備。根

23、據(jù)測得的設(shè)備表 面溫度值，對照 GB/T 11022 中高壓開關(guān)設(shè)備和控制設(shè)備各種部件、材料及絕緣介質(zhì)的溫度和 溫升極限的有關(guān)規(guī)定，結(jié)合環(huán)境氣候條件、負荷大小進行分析判斷。 同類比較判斷法19：根據(jù)同組三相設(shè)備、同相設(shè)備之間及同類設(shè)備之間對應部位的溫差進行比較分析。對于電壓致熱型設(shè)備，應結(jié)合圖像特征判斷法進行判斷；對于電流致熱型設(shè)備，應結(jié)合相對溫差判斷法進行判斷。 圖像特征判斷法20：主要適用于電壓致熱型設(shè)備。根據(jù)同類設(shè)備的正常狀態(tài)和異常狀態(tài)的熱 像圖，判斷設(shè)備是否正常。注意應盡量排除各種干擾因素對圖像的影響，必要時結(jié)合電氣試驗 或化學分析的結(jié)果，進行綜合判斷。 相對溫差判斷法：主要適用于電流

24、致熱型設(shè)備。特別是對小負荷電流致熱型設(shè)備，采用相對溫差判斷法可降低小負荷缺陷的漏判率。 檔案分析判斷法21：分析同一設(shè)備不同時期的溫度場分布，找出設(shè)備致熱參數(shù)的變化，判斷設(shè)備是否正常。 實時分析判斷法：在一段時間內(nèi)使用紅外熱像儀連續(xù)檢測某被測設(shè)備，觀察設(shè)備溫度隨負載、時間等因素變化的方法2.4.1 對紅外圖像進行基于 HSV 空間顏色提取的超像素分割2.4.1.1 Turbopixels方法的超像素分割2009年Levinshtein6等人描述了一種基于幾何流的水平集方法，能快速地產(chǎn)生超像素。他們經(jīng)由擴大初始化種子點，同時聯(lián)系曲率演化模型和背景部分的骨架化進程，把圖片切割成碎片式的超像素。 T

25、urbopixels產(chǎn)生的超像素須要附合5個準則: a)平均維度，算子需要將圖像分割成尺寸與形態(tài)基本一致的超像素，經(jīng)由設(shè)建幾何流來擴大初始平均分布的種子以完成這個目標; b)連通性，單獨超像素需要顯示1個普通連續(xù)的像素聚集，采取聯(lián)系水平集的幾何流膨脹手段以此保證這個約束都是成立的; c)緊湊性，盡可能讓超像素接近極限地緊密，應該讓強度平均的部分在法線朝外方向發(fā)生不變的運動; d)平滑和邊緣保持，當聚類中心擴大結(jié)束時，超像素邊線需要和圖像邊界匹配，這要使幾何流公式在邊界強度變?nèi)跫跋У膮^(qū)域，曲線移動速度快，但邊界強度較強區(qū)域，移動速度變?nèi)跻灾劣陟o止，致使達到圖像分割的目的; e) 超像素不重疊，

26、算子需要將單獨像素分布到每個超像素中。所以，當兩個不同的種子膨脹到即將碰撞時，應該停止邊界增長。整個算法步驟如圖所示，包括:a) 初始化等間距的種子點。 b) 迭代以下步驟，直至不再有進一步的演化。 ( a) 第 T 次演化邊界; ( b) 估計未分配區(qū)域的骨架; ( c) 更新邊界上像素點的速度和在邊界附近未分配像素點的速度。圖2-27 Turbopixels 算法步驟7這種手段產(chǎn)生的超像素不但維持了圖像的局部邊界，更經(jīng)由緊湊度的約束條件限制了欠分割。其計算效率極高，算子復雜程度及圖片維度是近似線性關(guān)系，同時對于上萬像素的圖像，僅僅很短時間便能得到超像素。 Xiang等人開展通過待分割的圖像

27、中組建多維特征圖像的方法，廣泛使用于Turbopixel架構(gòu)的超像素分割中。2.4.2 HSV顏色空間進行區(qū)域提取(1) 顏色空間選取顏色空間選擇由于各樣的實際要求，顯示顏色的空間也各式各樣。現(xiàn)在最為普及的顏色空間是RGB空間，圖像一般通過R、G、B3類分量的值來顯示。 RGB空間適合于各類設(shè)備的表示，然而圖像分割和解析并不適用，主要由于R、G、B這些分量由亮度聯(lián)系，一旦亮度變換，這些分量統(tǒng)統(tǒng)會與之變化。相比之下適于人眼的顏色感官的空間是色調(diào)、飽和度和亮度（hue、saturation、value、HSV）空間。 而且，色調(diào)與飽和度統(tǒng)一稱之為色度，由此解釋了顏色的波長區(qū)間分布，又解釋彩光的深淺

28、的程度。(2) 色彩空間的轉(zhuǎn)換色彩空間的轉(zhuǎn)換 試驗中從 RGB 空間一點（R，G，B）轉(zhuǎn)化到 HSV 空間的一 點可定義為：V=max（R，G，B）S=（V-min（R，G，B）/V（當 V=0時，S=0） H=60（G-B）/（V-min（R，G，B）如果 V=R 120+60（B-R）/（V-min（R，G，B）如果V=G 240+60（R-G）/（V-min（R，G，B）如果 V=B 如果所得的H0.65;S0.5orS200 。第三章 電力設(shè)備紫外線故障圖像3.1紫外成像法檢測原理當電力設(shè)備產(chǎn)生電離放電現(xiàn)象時，會向外輻射出各種的電磁波，而紫外線就是其中重要的組成。紫外線的波長在100-

29、400nm之間，而電力設(shè)備產(chǎn)生的紫外線主要在200-400nm。 圖3-1 紫外線波長分布然而自然光中同樣包含紫外線，可是因為臭氧層的屏蔽，導致輻射致地面的紫外輻射波長基本處于280 nm之上，低于280 nm的范圍被稱作日盲區(qū)。電力設(shè)備故障放電發(fā)生的紫外輻射存在280 nm以下，也稱其在日盲區(qū)中，能夠經(jīng)由觀測這些波段的紫外線來診斷局部放電程度，而且也降低環(huán)境對檢測的影響。 圖3-2為紫外成像系統(tǒng)原理圖8圖3-2為紫外成像系統(tǒng)原理圖，信號源通過環(huán)境光源直射后發(fā)生的雜光到成像系統(tǒng)，經(jīng)由紫外線分離裝置變成兩種:一種通過信號放大后到達到可見光鏡頭，在可見光相機中生成可見光圖片;另一種經(jīng)由紫外日盲濾鏡

30、，去除日盲區(qū)以外的雜光，到達紫外鏡頭，同時在紫外相機中生產(chǎn)紫外影像。最后采用特定的圖像預處理和融合方法，形成最終輸出影像。另一路光信號首先經(jīng)過紫外太陽盲濾鏡濾波。當光波通過該紫外太陽盲濾鏡時，絕大部分成分會被濾除，僅剩下波長范圍為240280nm范圍的紫外光可以通過。而該紫外線正是由電氣設(shè)備放電輻射出紫外光重要組成部分。經(jīng)日光濾鏡濾波后所得的紫外線同時抑制了日光中紫外輻射部分的擾動，該紫外線經(jīng)紫外系統(tǒng)轉(zhuǎn)換為數(shù)字圖像。該數(shù)字圖像部分及為紫外放電圖像放電光斑部分。以達到基于故障局部放電位置準確定位的目的，準確直觀的表示出光斑部位與程度。紫外成像儀系統(tǒng)往往應用圖像融合算法把攝像圖像和局部放電圖像進行

31、合并，從而得到紫外局部放電圖像。在紫外放電圖像中，可以清晰的看清發(fā)電發(fā)生的位置。圖3-3清晰說明了這一過程:圖3-3中(a)圖為可見光通道所成數(shù)字圖像，該圖像呈現(xiàn)出背景圖像及電氣設(shè)備圖像;圖3-3中(b)圖為240280nm波段的紫外光波經(jīng)紫外照相機所成的數(shù)字圖像，該圖像反映了紫外放電光斑。(c)圖為兩者疊加后的圖像，由(c)圖可準確判定放電發(fā)生的位置。 圖3-3紫外線成像儀疊加原理3.2紫外線成像圖像預處理 為了提取紫外圖像的特征，需要對紫外圖像處理，放電光斑提取及放電程度計算等，所以得到的放電圖像冗余信息量越少，將越有利于判定結(jié)果的準確獲得。相比RGB模式圖像，灰度圖所需存儲空間小，而且不

32、影響圖像特征信息量的提取?；叶葓D與RGB模式圖像的區(qū)別正如黑白電視機圖像與彩色電視機圖像的區(qū)別，除色彩飽和度等外，灰度圖像與RGB彩色圖像所含特征信息基本相同，但存儲量大大減少。對于尺寸大小為MxN的紫外放電圖片，其灰度圖像大小為MxN，所以灰度圖必要的存儲量與像素點的個數(shù)相同，單獨的像素僅要一個字節(jié)進行。同時，灰度圖像使得圖像主體與背景部分的對比進一步加強，有利于進一步區(qū)分圖像主體部分。就紫外放電圖像而言，將RGB圖像進行灰度變換，變換后灰度圖像中放電區(qū)域?qū)⒚黠@與背景相區(qū)分，有利于放電趨勢的選取。 9由彩色圖像轉(zhuǎn)化為灰度圖像的過程叫做圖像的灰度化，對于RGB模式的彩色圖像，每個像素點均由R,

33、 G, B三個分量構(gòu)成，且R, G. B可以取。一255之內(nèi)的任一自然數(shù)，故通過R, G, B的自由組合，可產(chǎn)生1600萬多種顏色。而灰度圖像只采用一個分量就可以描述，且該分量的取值為0255之內(nèi)的任一自然數(shù)。圖像灰度化的方法如式(3-1)所示: (3-1)其中，H為灰度圖像的灰度值;R, G, B分別為原彩色圖像R, G, B分量的數(shù)值了f為灰度化函數(shù)。目前，灰度化函數(shù)主要有以下三種方法:(1） 平均值法即通過求取R, G, B分量的數(shù)值的平均值來求取灰度值，即 (3-2)(2)最大值法即某一像素點的灰度值可由該像素點R,G,B分量的數(shù)值的最大值進行代替，即 (3-3)灰度值求出后，將原彩色

34、圖像中每一點的RGB數(shù)值均換成H值，即可得到灰度圖像。由于采用亮度法進行灰度變換能有效體現(xiàn)圖像的亮度，而紫外放電圖像中放電區(qū)域正是以亮斑呈現(xiàn)的，因此本文選取亮度法進行圖像灰度化處理。3.3紫外灰度圖像噪聲抑制 現(xiàn)實中，由于紫外成像技術(shù)是一個非接觸式的電氣設(shè)備在線監(jiān)測技術(shù)，紫外拍攝的距離常常較遠，一般達到及幾十米甚至一百米;同時，紫外放電圖像拍攝時的光照條件又是難以保證的，常常會遇到雨雪天氣、霧霆天氣，這就使得外部背景圖像的光線較為微弱，使得外部背景圖像在數(shù)字轉(zhuǎn)換過程中常常會受到噪聲污染，導致圖像模糊，進而影響可見光部分即背景部分的成像效果，影響放電定位。 研究表明，紫外放電圖像其主要噪聲類型為

35、:高斯噪聲、斑塊噪聲以及椒鹽噪聲等，其中又以椒鹽噪聲最為普遍。本文紫外圖像噪聲抑制主要是指對灰度化后的紫外圖像的椒鹽噪聲進行抑制。3.3.1椒鹽噪聲模型 圖像在拍攝和輸送之中，極可能被椒鹽噪聲所干擾。椒鹽噪聲為脈沖型的噪聲，生成的原因大致有以下幾種:(1通信系統(tǒng)產(chǎn)生的故障;(2)圖像傳感器本體的固有噪聲;(3)通信系統(tǒng)繼電器狀態(tài)改變時混入的隨機噪聲。 椒鹽噪聲的像素和相鄰位置像素相比，極為具有差異。把圖像灰度化處理后，在灰度圖像之中，椒鹽噪聲顯示為圖像中的黑白斑點。設(shè)定灰度處理后圖像大小為mxn，用h(x, y)代表像素坐標(x，y)位置灰度值，則此圖的全部灰值可體現(xiàn)為: (3-4)椒鹽噪音是

36、一種脈沖類型的噪音22，用n(x, y)體現(xiàn)被該噪聲干擾的圖像，則該模型為如下形式： (3-5)對于8位灰度圖像，Smin=0,Smax=255。因此脈沖型噪聲在圖像中的表現(xiàn)形式為該像素的灰度值取得極大值或極小值。圖像某一像素點受到脈沖型噪聲污染的概率為P十q，圖像某像素點不受脈沖型噪聲污染的概率為1-p-q o椒鹽噪聲是一種特殊的脈沖型噪聲，當p=q，即該像素點灰度值取得極大值與極小值的概率相等時，此噪聲為椒鹽噪聲。 相對于原圖，椒鹽噪聲的灰度值取極大值又或者極小值，使整體圖片變化劇烈。3.3.2常見椒鹽噪聲去噪方法數(shù)字圖像椒鹽噪聲去除一直數(shù)字圖像處理領(lǐng)域的研究熱點。目前椒鹽噪聲的去除方法主

37、要有:均值濾波法、中值濾波法等。(1)均值濾波法 顧名思義，均值濾波法就是將受污染像素位置灰度值用其領(lǐng)域內(nèi)均勻灰度值進行代替，以降低椒鹽噪聲產(chǎn)生的干擾。該方法思路簡單、計算速度較快。但去噪后，會影響到圖像的細節(jié)成分，尤其使得圖像邊緣分布較為模糊。（2）中值濾波法 針對被椒鹽噪聲干擾的位置的灰度值同四周位置灰度值存在十分顯著的差異23，中值濾波法將被干擾的領(lǐng)域之中各點灰度值由大到小排列，并求領(lǐng)域內(nèi)所有點灰度值的中值來代替被干擾部位的灰度值。其可表示如下: (3-6)A是此被污染像素點的區(qū)域，即中值濾波的濾波窗口;hA(x,y)是A中的某一像素點的灰度值。對比均值濾波法，中值濾波法不是普通的平均代

38、替被干擾像素點的灰度值，故降噪后恢復的圖像可以更為清晰。3.3.3基于可疑噪點判定的改進中值濾波設(shè)紫外放電圖像為mn，則采用上文方法對該圖像使用預處理獲得的局部放電灰度圖像，可表示為如下形式: (3-7)其中， 對經(jīng)預處理后的紫外放電灰度圖像像素點予以標記，其方法為: (3-8)這樣，對圖像各像素點灰度值進行標記后，其標記矩陣為如下形式: (3-9) 由前文分析可知，被椒鹽噪聲干擾的像素點其灰度值為0或25524，沒有被椒鹽噪聲干擾的則灰度值與之前一致。因此F中，數(shù)值為0代表的像素點必定不受椒鹽噪聲污染，無需做去噪處理;數(shù)值為1或-1代表的像素點可能就是受到椒鹽噪聲污染，同時也可能該點原灰度值

39、即為0或255點，該點有待確定是否確實受到噪聲污染，即該點可稱之為可疑噪點?？梢稍朦c確定方法 設(shè)(xi,yi)為可疑噪點，以該點為中心點3x3像素點的領(lǐng)域窗口內(nèi)包含的像素點的集合可表示為: (3-10)對集合W內(nèi)的所有像素點進行分析，根據(jù)各像素點標記值，將集合W分為三個子集。即:(1) 有效像素點子集W0 (3-11)(2)白色可疑噪點子集W1 (3-12)(3)黑色可疑噪點子集W-1 (3-13)設(shè)各子集的元素數(shù)目為分別card(W0)=a, card(W1)=b, card(W3)=c, 必有:a+b+c=9。對可疑噪點(xi,yi)，可根據(jù)下列方法予以確定:(1)當a=0時，則此時可疑噪

40、點(xi,yi)領(lǐng)域內(nèi)各像素點均為可疑噪點，可分為以下四種情況進行區(qū)分:若b=9，則認為可疑噪點(xi,yi)內(nèi)均為白點，且該可疑噪點也為白色可疑噪點。因此，可以認為該像素點未受椒鹽噪聲污染，原像素點灰度值即為255,對該點不應作去噪處理;若c=9，則認為可疑噪點(xi,yi)內(nèi)均為黑點，且該可疑噪點也為黑色可疑噪點。因此，可以認為該像素點未受椒鹽噪聲污染，原像素點灰度值即為0，對該點不應作去噪處理;若0b-c9，即可疑噪點(xi,yi)領(lǐng)域內(nèi)白色像素點較多，此時可將可疑噪點(xi,yi)認為是白色像素點，灰度值設(shè)置為255;若0c-b9，即可疑噪點(xi,yi)領(lǐng)域內(nèi)黑色像素點較多，此時可將

41、可疑噪點(xi,yi)認為是黑色像素點，灰度值設(shè)置為0; 經(jīng)上述各情況處理后可設(shè)置為flag(x,y)=0，即該點已經(jīng)處理完畢，認為其不受椒鹽噪聲影響，為有效像素點，予以標記確認。(2)當a0時，此時可疑噪點(xi,yi)領(lǐng)域內(nèi)有未被污染的像素點。本文通過比較該可疑噪點像素灰度值與未被污染像素點灰度值的相關(guān)性來確定該可疑噪點是否受到椒鹽噪聲污染。其具體步驟為:(a)計算未被噪聲污染的像素點灰度值的均值: (3-14)(b)計算未被噪聲污染的像素點灰度值的均方差: (3-15)(c)計算可疑噪點灰度值與均值Mean的差值，即 (3-16)若差值dis大于均方差std，則能確定可疑位置的灰度值和此

42、位置之中其余沒被噪聲干擾的灰度值相關(guān)性較小，因此，可認為此點確實被椒鹽噪聲干擾。計算有效像素點子集W0的中值Median，則h(xi,yi)= Median ;若差值dis小于或等于均方差std，則可認為可疑噪點的灰度值與該點領(lǐng)域內(nèi)其余未受噪聲污染的像素點灰度值相關(guān)性較大，因此，不認為該點受到椒鹽噪聲污染，可認為該點為有效像素點，其灰度值即為0或255。故對該點不做變化。3.4.1數(shù)字圖像分割方法 數(shù)字圖像中，同一區(qū)域的像素應具有相同或者相似的屬性，不同區(qū)域的像素其差異應較大。如何從數(shù)字圖像中將某一區(qū)域進行有效提取，對于紫外放電圖像處理的實例來說，也就是如何將放電光斑從背景圖像中進行有效提取，

43、這就涉及到數(shù)字圖像分割的方法。目前數(shù)字圖像分割主要有三種方法:(1)基于邊緣的分割技術(shù)10基于邊緣的分割技術(shù)基本是根據(jù)圖像中相異位置的分界點的灰度值不連續(xù)來處理圖像分割的，以此鎖定不同位置圖像邊緣從而達到目標區(qū)域的成功提取的目的。目前基于邊緣的分割技術(shù)主要有:Roberts算子法、Sobel算子法、prewitt算子法、Laplace算子法等方法?；谶吘壍姆指罴夹g(shù)其分割結(jié)果形象客觀，同時能實現(xiàn)多特征、多區(qū)域的同時分割。但是其卻有個固有的缺點:當灰度圖像不同區(qū)域分界處其灰度值不連續(xù)特性并不十分明顯時，會很大程度上影響邊緣的判定結(jié)果，甚至會得出錯誤的結(jié)論，影響其使用效果。同時，對于紫外放電圖像這

44、一實例來說，基于邊緣的分割技術(shù)，其結(jié)果將會同時顯示放電設(shè)備各組成部分的邊緣、紫外光斑的邊緣等，很難指出哪一部分是紫外光斑、哪一部分是電氣設(shè)備本體。(2)基于區(qū)域特性的分割技術(shù) 11根據(jù)領(lǐng)域特點的分割技術(shù)包括區(qū)域延伸和分裂合并兩類。其中區(qū)域延伸意為從單個像素點起，慢慢融合來組為要求的分割區(qū)域;所謂分裂合并意為從整個圖像起，慢慢分裂或合并來成為要求的分割區(qū)域。根據(jù)區(qū)域特點的分割技術(shù)綜合了圖像在空間上的鄰接性，能夠有利于降低孤立噪聲的干擾。區(qū)域生長分割技術(shù)需通過種子點位起始像素點，并判斷周邊區(qū)域像素點是否與此種子點相似，若相似則合并，若不相似，則舍去。故種子點的選取將對區(qū)域生長分割技術(shù)產(chǎn)生重要影響;

45、分裂合并算法先從整個圖像中分裂出相似的區(qū)域，再將這些相似的區(qū)域進行整合，如此往返最終得到所需分割區(qū)域，故其處理時間將是去打的。以上兩點影響了基于區(qū)域特性的分割技術(shù)的使用效果。(3)基于閉值的分割技術(shù)根據(jù)閉值原理，顧名思義，是利用像素點和已定的閉值點來確認，若在閡值內(nèi)，則該像素點屬于待分割區(qū)域;若不在此閉值范圍內(nèi)，則該像素點并不屬于待分割區(qū)域。該方法簡單易行，其核心就是閩值的準確選擇。圖像的二值化就是一種典型的閩值分割技術(shù)。所謂圖像的二值化，就是將灰度圖像中各像素點與某一閉值進行判定，判定的結(jié)果使得該圖像只有0或1兩個灰度值。即: (3-17)其中，為閥值;h(x,y)為原圖像在(x,y)像素點

46、的灰度值。若灰度值為1代表白色，灰度值為0代表黑色。則經(jīng)行如(4-1)的閡值判定后，圖像將由灰度圖像變?yōu)榧兒诎讏D像。對于紫外放電圖像來說，放電區(qū)域往往較亮，即使背景部分日照較為強烈，往往紫外放電光斑處亮度也是最高的。故應用如(4-1)式所示的閉值法，把局部放電圖像由灰度圖改變成二值化圖像，若閉值選取合理，那么圖像的發(fā)白位置則是紫外放電光斑，黑色位置則是無關(guān)因素。這樣將較容易的實現(xiàn)紫外放電光斑的提取。3.4.2 基于改進Canny算子的圖像邊緣檢測算法 12紫外圖像中放電光斑與背景邊緣區(qū)分比較明顯，可直接根據(jù)圖像梯度的變化來確定。選用Canny邊緣檢測算子在紫外圖像中檢測放電光斑，得到邊緣點的坐

47、標，求出光斑面積并根據(jù)面積大小去除周圍雜散的顆粒點，保留下的較大光斑位置即為電力設(shè)備的主放電區(qū)域，最后在融合圖像中定位故障區(qū)域。3.4.3故障檢測流程(1)將紫外圖像轉(zhuǎn)換為灰度圖，灰度級為0-255，對灰度圖進行二值化，閡值取240，得到紫外圖像的二值圖。（2)采用Canny算子對二值圖進行邊緣檢測，其中高斯平滑模板取3x3，雙閥值檢測時取低閥值1 = 2，高閡值2=4，得到邊緣檢測效果。(3)根據(jù)邊緣檢測結(jié)果，求得每個閉合區(qū)域的面積，確定故障區(qū)域。選用圖像大小為300x180，將光斑面積大于整幅圖像0.5%即270的區(qū)域定義為故障區(qū)域，其余雜散點可忽略不計。第四章 基于卷積神經(jīng)網(wǎng)絡對紅外圖像

48、識別4.1.1卷積神經(jīng)網(wǎng)絡4. Logo識別的特征模型（1）SIFT特征在目標檢測算法中，將輸入數(shù)據(jù)轉(zhuǎn)換為一組壓縮的特征表示的過程，稱為特征提取。如果選用了合適的特征模型，提取出的特征表示可以更好的抽取原圖的相關(guān)信息，更利于后續(xù)的分類過程。本部分將對現(xiàn)有在不同應用場景中表現(xiàn)出色的特征模型進行介紹。SIFT特征由Lowe等人在2004年提出，其對目標旋轉(zhuǎn)、尺度和亮度的變化均保持不變，對于視角轉(zhuǎn)變、仿射變換和噪聲等也具有較好的穩(wěn)定性，因此，SIFT特征被廣泛的應用于目標檢測與目標識別的任務中。SIFT特征的提取過程主要包括以下步驟:I、尺度空間極值點檢測構(gòu)造尺度空間是將原始的圖像表示為一組經(jīng)過不同

49、高斯核模糊處理的圖像的集合。在真實世界中，不同的目標是由不同尺度下的不同結(jié)構(gòu)共同組合而成的。例如，樹在以米為單位的度量尺度下是可分辨的，而樹葉卻需要在更精細的度量尺度下才可以分辨。因此，在計算機視覺問題中分析一個未知的場景，無法得到能夠較好描述感興趣目標的尺度時，合理的做法就是獲取不同尺度下對于場景的描述14，從而盡可能完善的描述目標。15SIFT構(gòu)建的尺度空間包括多組(octave) ，每一組中的圖像由第一幅圖像通過高斯模糊產(chǎn)生，然后縮小初始圖像的長和寬至原來的一半，逐步生成新一組模糊圖像。13圖像像素的相近位置包含圖像領(lǐng)域和維度領(lǐng)域的全部臨近點，因此，在維度空間下查詢極值點時，所有像素點都

50、需和其四周鄰接點對比大小。如圖4-1所示，中部圖像中3*3位置的中心點必與它一樣尺度的8個鄰接點以及鄰接的兩個尺度圖像中對應位置的2*9個點對比差異，如果該點的值是這26個像素中的極大值或者極小值，則選擇這個點作為圖像在相應尺度下的特征點。 圖4-1 尺度空間下極值點的比較 2、特征點定位特征點定位篩選步驟1中確認到的極值點，通過對周圍像素位置、維度和主曲率比的擬合，剔除對比度較低(這類特征點對于噪聲敏感)的點和位于邊緣上的點。3、分配特征點的方向?qū)?“至360“的梯度方向劃分為8個大方向，每個方向相隔45度。統(tǒng)計特征點鄰近區(qū)域各點的梯度方向和幅值，從而得到梯度方向的直方圖，直方圖中最高值出現(xiàn)

51、的方向即為該特征點的主方向，后續(xù)的計算過程都在主方向上計算，從而保證了特征對于旋轉(zhuǎn)不變性。 4、生成局部圖像描述子對于圖像中的每個關(guān)鍵點，以該點為中心，用一個高斯加權(quán)函數(shù)對周圍區(qū)域中的梯度進行加權(quán)，與關(guān)鍵點距離更近的點權(quán)重更大。將關(guān)鍵點鄰近的16*16圖像局部劃分為多個4*的子區(qū)域，在每個子區(qū)域上分別統(tǒng)計步驟3中8個方向的梯度圖，得到4*4*8共128維的特征向量。對特征向量進行歸一化，進一步消除光照對特征的影響。SIFT特征雖然具有尺度不變性和旋轉(zhuǎn)不變性，然而提取特征需要在尺度空間中尋找特征像素，并在高維空間中比較特征向量的處理過程比較繁復，計算復雜度高，時間開銷大，因此，不適用于大規(guī)模的網(wǎng)

52、絡圖片。（2）Haar-like特征 基于圖像強度，即圖像中每個像素的RGB值的特征計算非常耗時，因此，Papageorgiou等人提出基于Haar小波的特征, Viola等人在此基礎(chǔ)上提出了16Haar-like特征。Haar-like特征將檢測窗口中某個位置鄰近像素劃分為兩個區(qū)域，用兩個區(qū)域的圖像強度的差值表示該區(qū)域的一種特征。以人臉圖像為例，眼睛區(qū)域的圖像強度一般低于臉頰區(qū)域，因此，對應的Haar-like特征中的相鄰區(qū)域分別位于眼睛和臉頰區(qū)域。Haar-like特征一般包括線性特征、中心特征、邊緣特征和對角線特征等四種，通過組合這些特征可以進一步得到新的特征模版，如圖2.2所示。圖中特

53、征模板包括黑色與白色部分，而通過模板得到的特征是白色部分的像素值與黑色部分的像素值之差。 圖4-2 Hear-like 特征模版 通過改變模版的位置和大小，可以得到大量的圖像子窗口的特征，例如，從大小為24*24的圖像中提取的特征值數(shù)量可以達到數(shù)十萬個。因此，使用Haar-like特征需要解決的問題為如何快速計算特征以及如何從海量特征中挑選出適用于任務的特征?？焖偾笕aar-like特征可以通過積分圖的方法實現(xiàn)，由Viola等人提出。積分圖是與原始圖像大小相同的二維的查詢表，以矩陣的形式存儲。積分圖中每個像素的值為該像素左上方全部區(qū)域的像素的加和。對于一幅圖像，在計算一次得到積分圖后，圖像中

54、任意區(qū)域的像素和可以通過四次查表操作完成。以計算圖2.3中陰影區(qū)域的像素和為例，分別獲取積分圖中A, B, C, D四個點的像素值，即得到了這四個點左上方所有像素點的和，從而將陰影區(qū)域的像素和表示為四個點像素的簡單加減操作，表示為公式4-1Sum=l(C)+l(A)-l(B)-l(D) （4-1）圖4-3 計算圖中陰影區(qū)域的像素和4.1.2卷積神經(jīng)網(wǎng)絡的基本特征 卷積神經(jīng)網(wǎng)絡通過強制相鄰層之間的神經(jīng)元局部全連接，達到挖掘空間局部關(guān)系的目的，如圖4-4所示。隱含層m的神經(jīng)元的輸入為m-I層的神經(jīng)元的子集，并且子集中的神經(jīng)元是空間連續(xù)的。在圖4-4中，假設(shè)m-l層為視網(wǎng)膜輸入，m層對于視網(wǎng)膜輸入的

55、感受野寬度為3，因此，m層的每個神經(jīng)元只與視網(wǎng)膜層的三個相鄰單元連接，m+l層的單元的連接方式與下層類似，感受野的寬度也為3。對于m+l層的單元來說，對于相鄰下層的感受野寬度為3，但是對于視網(wǎng)膜輸入的感受野為S。每個單元只對于感受野范圍內(nèi)的區(qū)域有響應，對于感受野范圍外的區(qū)域沒有響應。這樣局部連接的結(jié)構(gòu)保證了學習到的“濾波器”對于輸入的空間局部模式有最強的響應。另外，局部連接的結(jié)構(gòu)大大減少了連接的數(shù)量，也就是減少了神經(jīng)網(wǎng)絡需要訓練的權(quán)值參數(shù)的數(shù)量。假設(shè)視網(wǎng)膜輸入的大小為30*30，局部感受野的范圍是3*3，隱含層的每個單元只需要和這3*3范圍內(nèi)共9個下層單元連接，而不需要與900個單元連接，比原來減少了2個數(shù)量級，提高了訓練的效率，對于更大的視網(wǎng)膜輸入來說，效率提高的更明顯。局部連接如圖4-4所示。 圖4-4 卷積神經(jīng)網(wǎng)絡層間局部連接4.1.3卷積神經(jīng)網(wǎng)絡的權(quán)值共享2. 2.1.2權(quán)值共享 在卷積神經(jīng)網(wǎng)絡中，每個濾波器hi在整個圖像上重復，這些重復的單元共享相同的權(quán)重和偏置參數(shù)，原始圖像經(jīng)過