[发明专利]一种基于卷积神经网络的变电站指针式仪表的识别方法

权利要求书

1.一种基于卷积神经网络的变电站指针式仪表的识别方法，其特征在于，包括以下步骤：

S1：获取包括变电站指针式仪表的图像，建立仪表图像库；

S2：利用步骤S1中的仪表图像库训练第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络用于定位指针式仪表区域，所述第二卷积神经网络用于识别指针式仪表种类；

S3：利用训练好的第一卷积神经网络定位仪表图像中仪表所处的仪表区；

S4：利用训练好的第二卷积神经网络识别仪表种类，输出仪表识别的结果；

S5：根据S4识别结果，不同类型的仪表采用相应的方法进行读数；

步骤S1中获取的包括变电站指针式仪表的图像包括量程为0-70A的指针式圆形电流表、0-1A的指针式圆形电力表、0-20A的指针式方式电流表；

步骤S5中，所述仪表识别结果为指针式圆形电流表时，读数由下式：

得到最后的读数，其中，Angle为0刻度到指针的偏转角度，θ为0角度到指针偏转的角度，Value为指针最后的读数，A为指针的最大量程；

步骤S5中，所述仪表识别结果为指针式方形电流表时，读数使用神经网络回归的方法来进行读数，该神经网络输入为真实电流值，输出为预测电流值，具体为：采用随机梯度下降法不断降低价值函数的函数值来学习建立的第三卷积神经网络的参数，所述价值函数表示为：

其中，ω是所述第三卷积神经网络的权值参数，n是所述第三卷积神经网络训练的样本数，x_i是第i个训练样本的特征向量，y_i是第i个训练样本的标签；f(·)为第三卷积神经网络的激励函数，L(·)为第三卷积神经网络的损失函数；

第三卷积神经网络在每一次迭代中只使用一部分所述训练样本(x_i，y_i)进行权值参数的学习和更新，每一代的权值参数可表示为：

其中，t表示迭代的次数，取值范围为[3000,+∞]；α表示学习速率，取值范围为：[0.0003,0.01]；表示价值函数的偏微分。

2.根据权利要求1所述的基于卷积神经网络的变电站指针式仪表的识别方法，其特征在于，步骤S3后，步骤S4前，还对S3得到的仪表区进行裁剪。

3.根据权利要求1所述的基于卷积神经网络的变电站指针式仪表的识别方法，其特征在于，步骤S2中训练第一卷积神经网络中包括对第一卷积神经网络的参数学习，通过不断降低损失函数的函数值来学习得到第一卷积神经网络的参数，其中，第一卷积神经网络的损失函数L({p_i},{t_i})为：

式中，i表示第一卷积神经网络中第i个锚点，p_i为第i个锚点为仪表区域的预测概率，如果锚点为正则标签的真实值为1，锚点为负则为0，当为1时，回归损失函数L_reg被激活；t_i为包含仪表区的定位框四个顶点坐标参数的向量，为定位框的真实值；L_cls为两个类包括目标以及非目标的log损失函数；L_reg表示定位框的回归损失函数，取为其中R为1范数损失函数；N_CLS＝256，为cls项的归一化值；N_reg～2400(40*60)，为定位框的数量；λ＝10，为平衡因子。

4.根据权利要求1所述的基于卷积神经网络的变电站指针式仪表的识别方法，其特征在于，步骤S2中训练第二卷积神经网络中包括对第二卷积神经网络的参数学习，通过不断降低损失函数的函数值来学习得到第二卷积神经网络的参数，其中，第二卷积神经网络的损失函数l为：

式中，g和分别表示图像属于仪表的真实值和预测值，g＝1表示图像属于仪表的某一种类，g＝0则为非此仪表种类，预测值表示属于仪表的预测概率，分布在[0,1]之间；每张图像的大小为N×W×H，其中N表示输出的类别数目，W和H表示图像的宽和高，n表示像素(i,j)的真实标记。