[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

说明书

本发明公开了一种基于卷积神经网络的变电站指针式仪表的识别方法，包括：采集变电站指针式仪表图像，并建立由仪表图像组成的仪表图像库；利用仪表图像库训练一个用于定位指针式仪表区域的卷积神经网络，并确定卷积神经网络中的学习参数；利用所述仪表数据库训练一个用于仪表种类识别的卷积神经网络，并确定卷积神经网络中的学习参数；利用训练好的用于定位仪表区域的卷积神经网络定位仪表图像库中仪表图像的区域；利用训练好的用于仪表种类识别的卷积神经网络识别裁剪得到的仪表区域图像，输出仪表检测的结果；然后根据检测结果，不同类型的仪表采用相应的方法进行读数。

技术领域

本发明涉及图像处理及模式识别领域，更具体地，涉及一种基于卷积神经网络的变电站指针式仪表的识别方法。

背景技术

目前南方大多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，从而影响全厂的安全、高效运作，关系重大。因此电厂多用指针式仪表来反应设备工作状态。在这种情况下，需要人为的对厂内各种仪表进行定时的巡检和记录。但是，人力巡检主要具有以下两种缺点：1.电厂内环境复杂，仪表种类数目繁多，人力巡检往往费时费力且容易误判，而且还有安全隐患；2.传统指针式仪表识别方法存在很大的局限性，需要稳定的环境才能进行识别，且准确度不高。

发明内容

本发明提供一种基于卷积神经网络的变电站指针式仪表的识别方法，帮助提高电厂指针式仪表的巡检效率。

为解决上述技术问题，本发明的技术方案如下：

一种基于卷积神经网络的变电站指针式仪表的识别方法，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。

优选地，步骤S3后，步骤S4前，还对S3得到的仪表区进行裁剪。

优选地，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。

优选地，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。