[发明专利]一种基于深度学习的变电站二次设备仪表盘读数检测方法

说明书

本发明公开了一种基于深度学习的变电站二次设备仪表盘读数检测方法，包括：1、基于YOLOv3算法对仪表盘图像进行定位分类训练；2、利用训练好的YOLOv3模型，对所获取的实时图像进行仪表盘定位分类并进行裁剪保存；3、若分类结果为变压器温度表，使用hough变换获取温度表图像基准水平线和指针线，否则，使用OPENCV OCR和hough变换获取电流表和电压表图像类别标签、数字量程和指针线；4、计算仪表盘读数，并在边缘侧保存读数数据；5、巡检机器人完成一次周期巡检后，将所有仪表盘读数通过无线网络上传至云端服务器。本发明能提高变电站无人抄表的数据检测率，从而满足变电站设备故障诊断的实际需求。

技术领域

本发明涉及计算机视觉，图像识别技术，深度学习技术领域，具体涉及一种基于深度学习和图像处理的仪表读数检测方法。

背景技术

随着智能电网的发展，电网互联规模不断加大，网内电气联系更加紧密，大电网的安全稳定问题越来越突出，运行管理技术难度和安全风险明显加大。变电站的安全可靠运行对于电网的安全稳定运行起着不言而喻的重要作用，而继电保护装置及时准确的发现并有选择性的切除故障能使故障元件退出运行、无故障部分迅速恢复运行，是电力系统安全稳定运行的第一道防线，能最直接最有效的保证电力系统的暂态稳定，进一步提高特高压线路继电保护装置的各项性能。

传统方法对变电站的二次设备巡检还停留在人工巡检方面，需要巡检人员亲自到变电站的设备间，对二次设备等仪表进行抄表检查等，既存在人员检查操作不当的可能，还会有效率低，准确度不高且浪费人力的弊端。

近几年来人工智能和海量图像数据相结合的技术应用也越来越广泛，这使得对图像中的目标物体进行识别和定位的实现成为可能。目前很多算法都是通过对得到的仪表图像进行特征提取、然后对表盘位置粗定位，再定位仪表盘的位置和指针所在直线，与模版图像进行比较，计算出仪表的示数。但是这些方法也存在一定的弊端，检测范围种类单一，针对性强，普适性不高，具体的解决方案仍然存在一定的欠缺。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度学习的变电站二次设备仪表盘读数检测方法，以期能快速准并确检测仪表数据，从而提高变电站无人抄表的数据检测率，满足变电站设备故障诊断的实际需求。

本发明为解决技术问题采用如下技术方案：

本发明一种基于深度学习的变电站二次设备仪表盘读数检测方法的特点是按如下步骤进行：

步骤1、基于YOLOv3算法对仪表盘图像进行定位分类训练；

步骤1.1、对变电站内的温度表以及二次设备的电流表和电压表进行图像采集，得到包含三种类型的变电站仪表图像集N；

步骤1.2、对所述变电站仪表图像集N进行分类，分为圆形的温度仪表图像集N1和矩形的二次设备的电流表和电压表图像集合N2；

步骤1.3、将所述温度仪表图像集N1和所述二次设备的电流表和电压表图像集合N2进行人工标注，框出仪表盘所在的边界框；并记录各个边界框的坐标位置，从而得到标注后的变电站仪表盘图像集并作为变电站仪表盘检测的训练集合Train；

步骤1.4、使用目标检测YOLOv3模型对于所述训练集合Train进行训练，得到仪表盘检测模型H；

步骤2、设置机器人巡检方式，包括：在电厂内布置导轨，设置停留位置a、巡检周期b和停留时间t，使得所述机器人能带动嵌入式设备X到达指定位置；

步骤3、在指定位置上，利用所述嵌入式设备X采集仪表盘图像I；

步骤4、利用所述仪表盘检测模型H对所述嵌入式设备X所采集的图像I进行检测，得到所述图像I中仪表盘的分类结果E以及图像I中边界框的坐标位置；