一种基于卷积神经网络的变电站指针式仪表的识别方法技术

本发明专利技术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。

A recognition method of pointer instrument in Substation Based on convolution neural network

【技术实现步骤摘要】
一种基于卷积神经网络的变电站指针式仪表的识别方法
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术的技术方案如下：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({pi}，{ti})为：式中，i表示第一卷积神经网络中第i个锚点，pi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Lreg被激活；ti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；Lcls为两个类包括目标以及非目标的log损失函数；Lreg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；NCLS＝256，为cls项的归一化值；Nreg～2400(40*60)，为定位框的数量；λ＝10，为平衡因子。优选地，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。优选地，对S3得到的仪表区进行裁剪，具体为：根据步骤S3中得到的含有仪表区的定位框的四个顶点坐标，对框内图像沿四个顶点组成的四条外边进行裁剪，得到仪表区域图像。优选地，步骤S4中，将经裁剪后的得到的仪表区域图像送入训练卷积神经网络中进行识别，输出仪表识别结果。优选地，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。优选地，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，xi是第i个训练样本的特征向量，yi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。优选地，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(xi，yi)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。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术通过训练一个用于定位指针式仪表区域的卷积神经网络和一个用于仪表种类识别的卷积神经网络，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。本专利技术不需人力巡检，节省时间与成本，减少安全隐患，同时大大提高电厂指针式仪表的巡检效率与准确度。附图说明图1为基于卷积神经网络的变电站指针式仪表的识别方法流程图。图2为第一卷积神经网络的整体结构示意图。图3为第二卷积神经网络的整体结构示意图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术方案做进一步的说明。实施例1本实施例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，如图1，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，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。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；两个卷积神经网络的训练均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；第一卷积神经网络完成对图像中仪表区域的定位，并把定位框内图像进行裁剪，得到仪表区域图像，输入到第二卷积神经，输出仪表检测结果。两个卷积神经网络的结构建立均包括确定神经网络卷积层的层数和每个卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、池化层所用的采样核的大小，还有训练步长。本实施例所使用的第一卷积神经网络结构如图本文档来自技高网...

【技术保护点】
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：/nS1：获取包括变电站指针式仪表的图像，建立仪表图像库；/nS2：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；/nS3：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；/nS4：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；/nS5：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。/n

【技术特征摘要】
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。


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2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。


4.根据权利要求3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(pi},{ti})为：



式中，i表示第一卷积神经网络中第i个锚点，pi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Lreg被激活；ti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；Lcls为两个类包括目标以及非目标的log损失函数；Lreg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；NCLS＝256，为cls项的归一化值；Nreg～2400(40*60)，为定位框的数量；λ＝10，为平衡因子。


5.根据权利要求3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...

【专利技术属性】
技术研发人员：范衠，安康，姜涛，邱本章，朱贵杰，卞新超，孙福赞，
申请(专利权)人：汕头大学，
类型：发明
国别省市：广东;44