[发明专利]一种电厂集控室深度学习和视觉伺服的触屏控制操作方法在审

专利信息
申请号: 201911075065.1 申请日: 2019-11-06
公开(公告)号: CN111144401A 公开(公告)日: 2020-05-12
发明(设计)人: 白玉峰;陈建忠;林楚伟;李洪;冯庭有;朱晨亮;曾向荣;成仕强;刘天宇;吴斌;江永;卢叙钿;潘凤萍;范衠;姜涛;安康;邱本章;罗晨林;熊宇 申请(专利权)人: 华能国际电力股份有限公司海门电厂;汕头大学
主分类号: G06K9/32 分类号: G06K9/32;G06K9/62;G06N3/04;G06N3/08;G06F3/0488
代理公司: 广州粤高专利商标代理有限公司 44102 代理人: 江裕强;张金福
地址: 515000 广*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 电厂 集控室 深度 学习 视觉 伺服 控制 操作方法
【说明书】:

发明涉及图像处理技术和视觉伺服技术领域,特别涉及基一种电厂集控室深度学习和视觉伺服的触屏控制操作方法。本操作方法包括:获取集控室电厂需要监测的界面图像并建立相应图像库;利用训练好的卷积神经网络识别界面局部的字符信息来判断当前所停留的工作页面;采用图像的模板匹配方法检测需要后续机械臂点击的字符按钮;利用摄像头采集显示屏的RGB图像,再通过卷积神经网络确定显示屏的位姿信息,结合操作界面的图像识别与定位,驱动机械臂末端完成操作。本发明采用深度学习技术,实现集控系统状况的快速、智能判断;引入视觉伺服技术,实现机械臂对控制界面的精准操作,安全性得到了大幅提高,保证电厂生产的信息安全。

技术领域

本发明涉及图像处理技术和视觉伺服技术领域,具体而言,特别涉及基一种电厂集控室深度学习和视觉伺服的触屏控制操作方法。

背景技术

电厂所处气候属于亚热带季风型海洋性气候区,大气中富含氮氧化物等强腐蚀性离子,即电厂所处的环境较差且各设备之间存在一定的配合逻辑,一旦某种设备出现运行故障,便可能会出现整个系统的停运。因此电厂的监控工作影响全厂的安全、高效运作,关系重大。

电厂集控室通过人工监盘主要存在以下两个缺点:(1)操作界面图例较小,监控人员长时间进行监控,注意力需要高度集中,容易疲劳,造成监控人员对界面内的信息产生错误判断,出现操作失误;(2)由于监控系统界面需监控的位点众多,且一人需要负责观察多个屏幕,定期监控,工作重复、繁重,工作量大。

发明内容

基于此,本发明的目的是提供一种能够有效解决上述现有技术存在的问题的电厂集控室深度学习和视觉伺服的触屏控制操作方法,本发明采用深度学习技术,实现集控系统状况的快速、智能判断;引入视觉伺服技术,实现机械臂对控制界面的精准操作。

为实现上述目的,本发明提供的一种电厂集控室深度学习和视觉伺服的触屏控制操作方法,所述方法包括以下步骤:

步骤S1:获取集控室电厂需要监测的界面图像并建立相应图像库;

步骤S2:利用训练好的卷积神经网络识别界面局部的字符信息来判断当前所停留的工作页面;

步骤S3:采用图像的模板匹配方法检测需要后续机械臂点击的字符按钮;

步骤S4:利用摄像头采集显示屏的RGB图像,再通过卷积神经网络确定显示屏的位姿信息,结合操作界面的图像识别与定位,驱动机械臂末端完成操作。

进一步的,所述步骤S2以及步骤S4中,用于识别界面局部字符信息来判断当前停留的工作页面的卷积神经网络以及用于确定显示屏的位姿信息的卷积神经网络的训练,包括:

卷积神经网络的结构建立和卷积神经网络的参数学习;步骤S2中训练所采用的图像样本来源于视频采集的方式,即将操作界面的视频信号通过视频采集卡,获得画面图像;步骤S4中训练采用的图像样本来源于步骤S1中通过视频采集的方式获得的图片和摄像头采集显示屏的RGB图像。其中,卷积神经网络的结构建立,包括:

确定包括卷积层层数、每卷积层的特征图数,全连接的层数、每全连接层的特征图数,池化层层数,卷积层使用的卷积核的大小,池化层所用的采样核的大小,训练步长。

用于字符识别的卷积神经网络CRNN的损失函数O为:

其中,Yi是由Li经过循环层和卷积层所产生的序列。该目标函数会直接从图像和它的真实标签序列序列计算损失值。因此该网络可以在成对的图像和序列上进行端到端的训练。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华能国际电力股份有限公司海门电厂;汕头大学,未经华能国际电力股份有限公司海门电厂;汕头大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201911075065.1/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top