基于深度学习的数字式仪表智能识别方法及系统技术方案

本公开提供了一种基于深度学习的数字式仪表智能识别方法及系统，包括获取待识别的数字式仪表图像，并确定数字式仪表图像中的数字区域图像；基于预先训练的数字区域定位模型对数字区域图像进行分割，获得单个数字图像；利用预先训练好的数字分类器对单个数字图像进行识别，获得单个数字识别结果；基于获得的单个数字识别结果及其在数字区域图像中的位置顺序获得最终的识别结果；所述方案有效解决了巡检机器人对变电站中多种类型数字式仪表的准确识别，提高了变电站内监测数据的巡检效率，保障了变电站的安全稳定运行。保障了变电站的安全稳定运行。保障了变电站的安全稳定运行。

【技术实现步骤摘要】
基于深度学习的数字式仪表智能识别方法及系统


[0001]本公开属于变电站智能运维
，尤其涉及一种基于深度学习的数字式仪表智能识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前，变电站的监测设备大多采用指针式或数字式仪表，这些仪表通常没有数据接口，无法实现测量参数的自动采集和传输，因此，现有的变电站通常采用人工手动抄表，但是，由于变电站内设备众多，人工抄表容易造成视觉疲劳和数据错误，且存在效率低下以及安全隐患的问题。
[0004]为此，部分研究人员采用巡检机器人和摄像模块的结合来代替人工抄表，通过图像识别的方法自动获取各种监测设备的仪器值，但是专利技术人发现，对于数字式仪表的自动识别，现有方法仍存在以下问题：
[0005](1)目前大部分数字识别系统都是在理想的光照环境下运行，一旦脱离这个前提，其识别效果难以保证。
[0006](2)很多方案中使用的特征匹配和端点检测方法对于数字区域的分割要求较高，这类方法的鲁棒性和扩展性受到很大限制。
[0007](3)由于变电站内的监测设备种类、数量众多，且来自不同的生产厂家，因此，其显示的数字形态也是多种多样的，而现有的大部分方案都是处理单一形态的数字，无法有效处理变电站中多种形态的数字，这就导致的现有方法无法有效应用于变电站环境中。

技术实现思路

[0008]本公开为了解决上述问题，提供了一种基于深度学习的数字式仪表智能识别方法及系统，所述方案有效解决了巡检机器人对变电站中多种类型数字式仪表的准确识别，提高了变电站内监测数据的巡检效率，保障了变电站的安全稳定运行。
[0009]根据本公开实施例的第一个方面，提供了一种基于深度学习的数字式仪表智能识别方法，包括：
[0010]获取待识别的数字式仪表图像；
[0011]基于预先训练的数字区域定位模型从所述数字式仪表图像中提取数字区域图像；并对数字区域图像进行分割，获得单个数字图像；
[0012]利用预先训练好的数字分类器对单个数字图像进行识别，获得单个数字识别结果；
[0013]基于获得的单个数字识别结果及其在数字区域图像中的位置顺序获得最终的识别结果。
[0014]进一步的，所述预先训练的数字区域定位模型采用YOLO模型，通过预先训练的
YOLO模型从数字式仪表图像中提取出数字区域图像。
[0015]进一步的，所述数字分类器采用集成分类器，所述集成分类器包括若干子分类器，所述集成分类器的训练过程中采用不同训练集对各子分类器进行训练。
[0016]进一步的，所述利用预先训练好的数字分类器对单个数字图像进行识别，具体为：将单个数字图像输入所述集成分类器中的每个子分类器中得到若干识别结果，从中选择占比最高的作为最终的识别结果。
[0017]进一步的，对数字区域图像进行分割，获得单个数字图像，具体为：采用基于YOLO算法的数字识别模型的识别结果对所述数字区域图像进行分割，获得分割结果。
[0018]进一步的，对于获取的待识别的数字式仪表图像，预先进行预处理操作，所述预处理包括利用滤波算法对图像进行去噪，并利用直方图均衡化的方法进行图像增强，解决光照不均匀问题。
[0019]根据本公开实施例的第二个方面，提供了一种基于深度学习的数字式仪表智能识别系统，包括：
[0020]图像获取单元，其用于获取待识别的数字式仪表图像；
[0021]数字区域获取单元，其用于基于预先训练的数字区域定位模型从所述数字式仪表图像中提取数字区域图像；并对数字区域图像进行分割，获得单个数字图像；
[0022]单个数字识别单元，其用于利用预先训练好的数字分类器对单个数字图像进行识别，获得单个数字识别结果；
[0023]识别结果获取单元，其用于基于获得的单个数字识别结果及其在数字区域图像中的位置顺序获得最终的识别结果。
[0024]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于深度学习的数字式仪表智能识别方法。
[0025]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于深度学习的数字式仪表智能识别方法。
[0026]与现有技术相比，本公开的有益效果是：
[0027](1)本公开提供了一种基于深度学习的数字式仪表智能识别方法及系统，所述方案基于YOLO模型从所述数字式仪表图像中提取数字区域图像，并利用预先训练好的数字分类器对单个数字图像进行识别，获得单个数字识别结果；并按照单个数字在图像中的位置进行排序获得最终的识别结果，有效保证了识别结果的准确性。
[0028](2)所述方案中对于获取的待识别的数字式仪表图像，预先进行预处理操作，所述预处理包括利用滤波算法对图像进行去噪，并利用直方图均衡化的方法进行图像增强，解决光照不均匀问题，因此对现场光线干扰表现出较好的鲁棒性。
[0029](3)本公开所述方案中的数字分类器采用集成分类器，所述集成分类器包括若干子分类器，所述集成分类器的训练过程中采用不同训练集对各子分类器进行训练。有效保证了在现场表计的表面较脏以及有一定倾斜角度的情况下，依然可以取得很好的识别效果；对于有一定残缺的数字表也可以正确识别，并且可以适应变电站中各种不同形态的数字。
[0030]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0031]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0032]图1为本公开实施例一中所述的基于深度学习的数字式仪表智能识别方法流程图；
[0033]图2为本公开实施例一中所述的集成分类器结构示意图；
[0034]图3为本公开实施例一中所述的后台传回的数字式仪表图片示意图；
[0035]图4为本公开实施例一中所述的数字区域图像结果示意图；
[0036]图5为本公开实施例一中所述的数字位置定位示意图；
[0037]图6为本公开实施例一中所述的识别结果示意图；
[0038]图7为本公开实施例一中所述的数字存在残缺情况的数字式仪表图片示意图；
[0039]图8为本公开实施例一中所述的针对图7中所述数字式仪表图片的识别结果；
[0040]图9为本公开实施例一中所述的数字“3”和“5”不同数字形态示意图。
具体实施方式
[0041]下面结合附图与实施例对本公开做进一步说明。
[0042]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的数字式仪表智能识别方法，其特征在于，包括：获取待识别的数字式仪表图像；基于预先训练的数字区域定位模型从所述数字式仪表图像中提取数字区域图像；并对数字区域图像进行分割，获得单个数字图像；利用预先训练好的数字分类器对单个数字图像进行识别，获得单个数字识别结果；基于获得的单个数字识别结果及其在数字区域图像中的位置顺序获得最终的识别结果。2.如权利要求1所述的一种基于深度学习的数字式仪表智能识别方法，其特征在于，所述预先训练的数字区域定位模型采用YOLO模型，通过预先训练的YOLO模型从数字式仪表图像中提取出数字区域图像。3.如权利要求1所述的一种基于深度学习的数字式仪表智能识别方法，其特征在于，所述数字分类器采用集成分类器，所述集成分类器包括若干子分类器，所述集成分类器的训练过程中采用不同训练集对各子分类器进行训练。4.如权利要求3所述的一种基于深度学习的数字式仪表智能识别方法，其特征在于，所述利用预先训练好的数字分类器对单个数字图像进行识别，具体为：将单个数字图像输入所述集成分类器中的每个子分类器中得到若干识别结果，从中选择占比最高的作为最终的识别结果。5.如权利要求1所述的一种基于深度学习的数字式仪表智能识别方法，其特征在于，对数字区域图像进行分割，获得单个数字图像，具体为：采用基于YOLO算法的数字识别模型的识别结果对所述数字区域图像进行...

【专利技术属性】
技术研发人员：李健，张传友，邵光亭，李涛，孙虎，田克超，付崇光，赵亚博，王亚菲，邓燕，蔺茹，王贤华，徐攀，李斌，王震，
申请(专利权)人：国网智能科技股份有限公司，
类型：发明
国别省市：