一种基于深度学习的表计识别方法和系统技术方案

本发明专利技术公开了一种基于深度学习的表计识别方法和系统，涉及图像识别技术领域，包括图像分析模块、信息记录模块、信息整理模块以及信号验证模块；图像分析模块用于采用yolov3检测模型对接收到的表计图像进行数字目标识别得到数字识别结果，最终得到表计读数；信息记录模块用于记录图像分析模块的识别记录；信息整理模块用于对识别记录进行整理，构建参数检测训练样本，得到参数补偿模型并反馈至模型构建模块对yolov3检测模型进行修正，提高识别的正确率；信号验证模块用于实时验证图像分析模块的通信状态，在探测到通信预警指令后，图像分析模块进入主动待机模式，有效减少干扰信号的影响，从而提高识别效率和精度。从而提高识别效率和精度。从而提高识别效率和精度。

A meter recognition method and system based on deep learning

【技术实现步骤摘要】
一种基于深度学习的表计识别方法和系统


[0001]本专利技术涉及图像识别
，具体是一种基于深度学习的表计识别方法和系统。

技术介绍

[0002]在电网运维巡检中，由于指针式仪表具有抗电磁干扰能力强、精度高、价格低等特点，在相当长的时间内依然是工业生产的主要测量仪表；由于指针式仪表无法输出数字信号，目前表计的读数查看都是由人工进行查看，需要操作者一直或经常呆在变电站内，增加了操作者工作量，无法达到无人巡视的效果；而且安装在高温高压等环境的仪表不便观察；
[0003]随着机器人技术的快速发展，巡检机器人可代替人工，通过摄像机或红外热像仪抓取表计读数图像，最终对获取的图片进行图像处理；但是图像识别过程中常常会受到外界环境影响，对识别精度产生较大的影响；基于以上不足，本专利技术提出一种基于深度学习的表计识别方法和系统。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于深度学习的表计识别方法和系统。
[0005]为实现上述目的，根据本专利技术的第一方面的实施例提出一种基于深度学习的表计识别系统，包括图像采集模块、模型构建模块、信息记录模块、参数补偿模块以及信号验证模块；
[0006]所述图像采集模块用于采集表计图像，并将采集的表计图像传输至图像分析模块进行学习和识别；所述图像分析模块与模型构建模块相连接，用于获取模型构建模块构建的对图像进行训练和识别的yolov3检测模型；
[0007]所述图像分析模块用于采用yolov3检测模型对接收到的表计图像进行数字目标识别得到数字识别结果，最终得到表计读数；
[0008]所述信息记录模块用于记录图像分析模块的识别记录并将识别记录传输到信息整理模块；所述信息整理模块用于对识别记录进行整理，构建参数检测训练样本，训练基于机器学习方法，得到参数补偿模型；所述参数补偿模块接收到参数补偿模型后对yolov3检测模型进行修正；
[0009]所述信号验证模块用于实时验证图像分析模块的通信状态，计算得到干扰系数Cy；若Cy≥干扰阈值，则判定信号干扰严重，通信状态异常，生成通信预警指令，以提醒管理人员尽快处理。
[0010]进一步地，其中，yolov3检测模型的构建过程如下：
[0011]采集表计图像，构建训练所需的数据集；具体表现为：采集n张不同拍摄角度不同光照条件下的表计图片，对表计图片打上标签后，获得后续训练yolov3模型所需数据集；并按照设定比例分为训练集、测试集和校验集；设定比例包括2:1:1、3:1:1和4:3:1；
[0012]构建融合模型：融合模型为支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型，融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；
[0013]将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验，将训练完成的融合模型标记为yolov3检测模型。
[0014]进一步地，所述参数补偿模块的具体修正步骤为：
[0015]SS1：获取当前时刻图像分析模块的识别记录，将当前识别得到的表计读数、实际表计读数以及对应的各项环境参数值输入至参数补偿模型，得到属性参数补偿系数；
[0016]SS2：根据属性参数补偿系数对yolov3检测模型进行修正。
[0017]进一步地，所述信号验证模块的具体验证步骤为：
[0018]所述信号验证模块按照预设验证周期发送验证配置消息至图像分析模块的FPGA主控，其中验证配置消息中包括第一信号质量门限；
[0019]响应于接收到验证配置消息，由FPGA主控发送第二同步信号至信号验证模块；由信号验证模块确定第二同步信号的信号质量，并与第一信号质量门限进行对比，得到对应的质量差值Z1；设定响应时长为XT；
[0020]利用公式SH＝Z1
×
a1+XT
×
a2计算得到信号损耗指数SH，其中a1、a2均为系数因子；根据信号损耗指数SH的变化趋势对干扰系数Cy进行评估。
[0021]进一步地，干扰系数Cy的具体评估过程如下：
[0022]建立信号损耗指数SH随时间变化的曲线图，将信号损耗指数SH与损耗阈值相比较；若SH≥损耗阈值，则在对应的曲线图中截取对应的曲线段并标注为黄色，记为干扰曲线段；
[0023]在预设时间段内，统计干扰曲线段的数量为L1，将所有的干扰曲线段对时间进行积分得到干扰参考能量L2；利用Cy＝L1
×
a3+L2
×
a4计算得到干扰系数Cy，其中a3、a4均为系数因子。
[0024]进一步地，所述识别记录包括图像分析模块每次识别得到的表计读数、实际表计读数以及对应的各项环境参数值；所述各项环境参数值包括温度、湿度、风压、风速以及干扰信号。
[0025]进一步地，所述图像分析模块在探测到通信预警指令后，进入主动待机模式，即不再以异常通信的FPGA主控来识别表计图像；待信号验证模块判断通信状态正常后，再继续二者之间的通信。
[0026]进一步地，一种基于深度学习的表计识别方法，包括如下步骤：
[0027]步骤一：通过模型构建模块构建能对图像进行训练和识别的yolov3检测模型，并将构建好的yolov3检测模型传输至图像分析模块；
[0028]步骤二：通过图像分析模块采用yolov3检测模型对图像采集模块采集的表计图像进行数字目标识别得到数字识别结果，最终得到表计读数；
[0029]步骤三：通过信息记录模块记录图像分析模块的识别记录，调用信息整理模块对识别记录进行整理，构建参数检测训练样本；训练基于机器学习方法，得到参数补偿模型；
[0030]步骤四：通过参数补偿模块将参数补偿模型反馈至模型构建模块，以对yolov3检测模型进行修正；
[0031]步骤五：通过信号验证模块实时验证图像分析模块的通信状态，计算得到干扰系数Cy；若Cy≥干扰阈值，则判定信号干扰严重，通信状态异常，生成通信预警指令，以提醒管理人员尽快处理；
[0032]步骤六：图像分析模块在探测到通信预警指令后，进入主动待机模式，待信号验证模块判断通信状态正常后，再继续二者之间的通信。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]1、本专利技术中图像采集模块中的摄像球能够在壳体内进行转动，采集不同拍摄角度的表计图像，为后续图像识别提供坚实的数据支撑，图像分析模块采用yolov3检测模型对采集的表计图像进行分析并识别出表计的读数，达到无人巡视的目的，有效提高识别效率；
[0035]2、本专利技术中信息记录模块用于记录图像分析模块的识别记录；信息整理模块用于对识别记录进行整理，构建参数检测训练样本，训练基于机器学习方法，得到参数补偿模型；参数补偿模块接收到参数补偿模型后对yolov3检测模型进行修正，使得yolov3检测模型持续得到修正和完善，识别的正确率不断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的表计识别系统，其特征在于，包括图像采集模块、模型构建模块、信息记录模块、参数补偿模块以及信号验证模块；所述图像采集模块用于采集表计图像，并将采集的表计图像传输至图像分析模块进行学习和识别；所述图像分析模块与模型构建模块相连接，用于获取模型构建模块构建的对图像进行训练和识别的yolov3检测模型；所述图像分析模块用于采用yolov3检测模型对接收到的表计图像进行数字目标识别得到数字识别结果，最终得到表计读数；所述信息记录模块用于记录图像分析模块的识别记录并将识别记录传输到信息整理模块；所述信息整理模块用于对识别记录进行整理，构建参数检测训练样本，训练基于机器学习方法，得到参数补偿模型；所述参数补偿模块接收到参数补偿模型后对yolov3检测模型进行修正；所述信号验证模块用于实时验证图像分析模块的通信状态，计算得到干扰系数Cy；若Cy≥干扰阈值，则判定信号干扰严重，通信状态异常，生成通信预警指令，以提醒管理人员尽快处理。2.根据权利要求1所述的一种基于深度学习的表计识别系统，其特征在于，其中，yolov3检测模型的构建过程如下：采集表计图像，构建训练所需的数据集；具体表现为：采集n张不同拍摄角度不同光照条件下的表计图片，对表计图片打上标签后，获得后续训练yolov3模型所需数据集；并按照设定比例分为训练集、测试集和校验集；设定比例包括2:1:1、3:1:1和4:3:1；构建融合模型：融合模型为支持向量机、深度卷积神经网络和RBF神经网络中的至少两种结合融合方式构建的模型，融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；将训练集、测试集和校验集经过数据归一化之后对融合模型进行训练、测试和校验，将训练完成的融合模型标记为yolov3检测模型。3.根据权利要求1所述的一种基于深度学习的表计识别系统，其特征在于，所述参数补偿模块的具体修正步骤为：SS1：获取当前时刻图像分析模块的识别记录，将当前识别得到的表计读数、实际表计读数以及对应的各项环境参数值输入至参数补偿模型，得到属性参数补偿系数；SS2：根据属性参数补偿系数对yolov3检测模型进行修正。4.根据权利要求1所述的一种基于深度学习的表计识别系统，其特征在于，所述信号验证模块的具体验证步骤为：所述信号验证模块按照预设验证周期发送验证配置消息至图像分析模块的FPGA主控，其中验证配置消息中包括第一信号质量门限；响应于接收到验证配置消息，由FPGA主控发送第二同步信号至信号验证模块；由信号验证模块确定第二同步信号的信号质量，并与第一信号质...

【专利技术属性】
技术研发人员：王坤，甄超，李坚林，季坤，王刘芳，黄杰，谢佳，柯艳国，王翀，赵常威，钱宇骋，丁国成，王署东，杨海涛，张晨晨，李森林，胡啸宇，
申请(专利权)人：国网安徽省电力有限公司霍邱县供电公司国网安徽省电力有限公司超高压分公司国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：