[发明专利]一种电力仪表设备的智能分类方法

说明书

技术领域

本发明涉及工业自动化领域，特别是涉及一种电力仪表设备的智 能分类方法。

背景技术

随着工业化的不断发展，在电力行业中，电力仪表设备的种类也 是越来越多，因此需要对电力仪表设备进行分类，才能准确地识别并 使用电力仪表设备。

传统的电力仪表设备分类方法往往都是以人力测试为主，有时为 了保证分类的准确性，需要对一个电力仪表设备进行多次识别才能进 行分类，因此这种传统的分类方法不仅耗费大量的人力和时间，而且 效率较低，其中在对电力仪表设备进行分类的时候，其过程枯燥无味 而且繁琐，使分类人员容易出错，从而使得电力仪表设备的分类准确 率较低。

因此如何提高电力仪表设备的分类效率和准确率，是本技术领域 人员急需解决的技术问题。

发明内容

本发明的目的是提供一种电力仪表设备的智能分类方法，可以有 效解决分类效率和准确率的问题。

为解决上述技术问题，本发明提供了如下技术方案：

一种电力仪表设备的智能分类方法，包括：

根据已知类别的电力仪表设备图片集建立具有所述已知类别的 电力仪表设备图片集的特征库的分类模型；

获取需要分类的电力仪表设备图片；

预处理所述需要分类的电力仪表设备图片，获取所述需要分类的 电力仪表设备图片的特征信息；

根据所述特征信息和所述分类模型对所述需要分类的电力仪表 设备图片进行分类；

输出所述需要分类的电力仪表设备的分类结果。

优选地，所述根据已知类别的电力仪表设备图片集建立具有所述 已知类别的电力仪表设备图片集的特征库的分类模型包括：

创建具有三层卷积神经网络的第一分类模型；

获取所述已知类别的电力仪表设备图片集的特征信息；

根据所述已知类别的电力仪表设备图片集的特征信息，训练所述 第一分类模型，获得所述具有已知类别的电力仪表设备图片集的特征 库的分类模型。

优选地，训练所述第一分类模型包括：

根据所述已知类别的电力仪表设备图片集的特征信息相对应的 类别信息对所述第一分类模型进行训练。

优选地，所述预处理所述需要分类的电力仪表设备图片，获取所 述需要分类的电力仪表设备图片的特征信息包括：

灰度化所述需要分类的电力仪表设备图片；

提取所述需要分类的电力仪表设备图片经过灰度化后的HOG特 征；

获取对应的所述需要分类的电力仪表设备图片的特征矩阵。

优选地，在所述灰度化所述需要分类的电力仪表设备图片之前， 还包括：压缩所述需要分类的电力仪表设备图片。

优选地，在所述获取所述已知类别的电力仪表设备图片集的特征 信息之前，还包括：

灰度化所述已知类别的电力仪表设备图片集；

提取所述已知类别的电力仪表设备图片集经过灰度化后的HOG 特征；

获取对应的所述已知类别的电力仪表设备图片集的特征矩阵。

优选地，所述具有三层卷积神经网络的分类模型，包括：

用于接收所述已知类别的电力仪表设备图片集的输入层；

用于处理所述已知类别的电力仪表设备图片集的处理层；

用于输出所述已知类别的电力仪表设备图片集的分类类别的全 连接输出层。

优选地，在所述获得所述具有已知类别的电力仪表设备图片集的 特征库的分类模型之后，还包括：

判断所述分类模型是否符合预设分类精度要求；

若所述分类模型不符合所述预设分类精度要求，则对所述分类模 型的预设参数进行调整，继续训练所述分类模型；

若所述分类模型符合所述预设分类精度要求，则保存所述分类模 型。

优选地，在判断所述分类模型是否符合预设分类精度要求之前， 还包括：

判断训练所述第一分类模型的迭代次数是否达到预设的迭代上 限；

若达到迭代上限，则保存所述分类模型；

若未达到迭代上限，则判断所述分类模型是否符合预设分类精度 要求。

与现有技术相比，上述技术方案具有以下优点：