[发明专利]一种基于深度学习的变电站安全措施识别方法

权利要求书

1.一种基于深度学习的变电站安全措施识别方法，其特征在于按以下步骤进行：

步骤S100，采集并输入工作现场的安全措施图像，同时进行图像预处理；

步骤S200，利用U-net卷积网络对预处理后的安全措施图像进行图像分割，分割出开关柜上、中、下柜门、标示牌、间隔名称和遮拦的像素块，并分别确定各像素块的相应位置；

步骤S300，利用Lenet-5卷积网络对标示牌和间隔名称进行识别与分类；

步骤S400，确定开关柜上、中、下柜门及遮拦上的标示牌类型和数量；

步骤S500，将安全措施图像转化为安全措施文本并完成输出；

步骤S600，与工作票中安全措施进行对比，以检验安全措施的正确性。

2.根据权利要求1所述的一种基于深度学习的变电站安全措施识别方法，其特征在于：所述的步骤S100，具体包括：对工作现场安全措施进行图像采集，然后将采集到的安全措施图像输入智能识别系统；

由于输入的图像可能存在尺寸不统一、像素太高、噪声太大相关问题，将会影响模型的训练过程以及U-net卷积网络的分割性能；首先对输入图像进行预处理，通过高斯滤波、边缘检测相关技术增强原始安全措施图像的对比度以及消除噪声，并将输入图像统一剪裁成尺寸为512*512像素大小的图像。

3.根据权利要求1所述的一种基于深度学习的变电站安全措施识别方法，其特征在于：所述的步骤S200，具体包括：U-net卷积网络结构包括卷积层、特征融合层、下采样层和上采样层，具有强大的特征提取能力；U-net卷积网络结构的左侧编码部分采用卷积层和下采样层来获取图像的高维特征，右侧解码部分采用上采样层和卷积层，用以恢复因上采样而损失的特征图的高层次抽象特征；

通过采用编码器、解码器的方式从尺寸为512*512像素的安全措施图像中提取特征信息；U-net卷积网络结构左侧编码部分包括4个卷积层和4个下采样层，每个卷积层包含两次卷积操作，下采样层采用最大池化操作，4次下采样后图像的尺寸分别为256*256、128*128、64*64、32*32；在得到512维高维特征后，网络还进行了两次卷积操作，以获得到了1024维的特征；右侧解码部分包括4个上采样层和4个卷积层，每个上采样后得到的特征图再与特征提取的网络部分进行相同尺度的特征图融合与拼接；而4个卷积层中的前3个卷积层均包含了两次卷积操作，最后1个卷积层包含3次卷积操作用以将特征图还原到原图大小，并输出与原始图像中特定区域对应的目标区域分割图，输出图像尺寸为512*512像素；

其中，卷积和上采样采用Relu激活函数：

利用U-net卷积网络对预处理后安全措施图像进行多次分割，最终得到开关柜上、中、下柜门、标示牌、间隔名称和遮拦的区域分割图，不同区域用不同颜色像素块表示，同时获取各个像素块的相应位置。