一种指针式仪表识别方法、系统、设备及存储介质技术方案

一种指针式仪表识别方法、系统、设备及存储介质，包括将待识别图像按设定比例缩放后输入预先训练好的SSD网络中进行检测，得到图像中表盘区域和表盘相对于水平方向的角度；根据表盘相对于水平方向的角度调整表盘区域，并将调整角度后的表盘区域输入到预先训练好的改进Faster R

【技术实现步骤摘要】
一种指针式仪表识别方法、系统、设备及存储介质


[0001]本专利技术涉及指针仪表数据图像处理
，具体涉及一种指针式仪表识别方法、系统、设备及存储介质。

技术介绍

[0002]当前配电站房内各类电表仍使用指针式仪表，仪表结构简单，使用便捷。若采取人工读数，计算误差大、工作效率低。图像处理及深度学习算法的发展使得仪表识别更加快速与准确，同时能够减少人力的消耗，目前指针仪表数据仍然基于模板匹配等传统算法，在信噪比低的情况下识别精度低，因此本文进行指针式仪表智能识别算法研究。
[0003]仪表检测算法分为传统算法与深度学习算法，传统算法大多基于模板匹配，阈值分割指针，对于特征不明显的指针分辨能力较差，由于变电站实际场景复杂多变，现有传统算法场景适应能力差，无法满足实际应用需求；
[0004]基于深度学习的目标检测算法根据网络是否提取候选区域分为one
‑
stage(单阶段)和two
‑
stage(双阶段)两大类。前者将目标检测描述为一个“从粗到细”的过程，首先由算法生成若干个候选框，再通过CNN对候选框进行分类，而后者更侧重于算法的“一步完成”，直接回归目标的类别概率和位置坐标。单阶段检测算法则以YOLO系列和SSD算法为代表，2016年提出的SSD算法为一阶网络，检测速度较快，网络实现简单。双阶段检测算法以R
‑
CNN系列为代表，包括Fast R
‑
CNN、Faster R
‑
CNN、Mask R
‑r/>CNN等。
[0005]但是现有的基于深度学习的目标检测算法主要用于目标检测任务，缺乏对特定任务的针对性，也未考虑到拍摄角度引起的仪表图像变形问题，导致无法直接有效的实现指针式仪表的精确读数。

技术实现思路

[0006]为了解决现有的基于深度学习的目标检测算法主要用于目标检测任务，缺乏对特定任务的针对性，也未考虑到拍摄角度引起的仪表图像变形问题，导致无法直接有效的实现指针式仪表的精确读数的问题，本专利技术提出了一种指针式仪表识别方法，包括：
[0007]将待识别图像按设定比例缩放后输入预先训练好的SSD网络中进行检测，得到图像中表盘区域和所述表盘相对于水平方向的角度；
[0008]将所述表盘区域根据所述表盘相对于水平方向的角度调整表盘区域，并将调整角度后的表盘区域输入到预先训练好的改进Faster R
‑
CNN网络识别指针旋转角度；
[0009]基于所述指针转动角度结合量程转换公式得到指针式仪表的读数；
[0010]其中，所述SSD网络是基于标记了表盘区域的图片和表盘相对于水平方向的角度对SSD网络进行训练得到；
[0011]所述改进Faster R
‑
CNN网络是基于图片中的表盘区域和所述表盘区域中指针转动角度对改进的Faster R
‑
CNN网络进行训练得到的。
[0012]可选的，所述SSD网络的训练包括：
[0013]将标记了表盘区域的图片和图片中表盘相对于水平方向的角度输入所述SSD网络中，由所述SSD网络通过设置不同尺寸和数量的先验框对图片中的表盘区域进行检测，得到检测表盘区域和表盘相对于水平方向的角度的检测框。
[0014]可选的，所述将待识别图像按设定比例缩放后输入预先训练好的SSD网络中进行检测，得到图像中表盘区域和所述表盘相对于水平方向的角度，包括：
[0015]将待识别图像按设定比例缩放后输入预先训练好的SSD网络中，由所述SSD网络的检测框检测出所述待识别图像中的表盘区域，以及所述表盘相对于水平方向的角度。
[0016]可选的，所述改进Faster R
‑
CNN网络包括：
[0017]以进行特征提取的VGG16网络为基础网络、在提取的特征中引入注意力机制的SE模块，以及对表盘区域中指针进行类别划分和坐标位置回归的区域建议网络。
[0018]可选的，所述改进Faster R
‑
CNN网络的训练包括：
[0019]获取表盘区域，以及所述表盘区域中指针转动角度；
[0020]由所述表盘区域和所述表盘区域中指针转动角度构建样本集；
[0021]采用所述样本集中的表盘区域和所述表盘区域中指针转动角度对所述改进Fastee R
‑
CNN网络进行训练得到训练好的改进Fastee R
‑
CNN网络。
[0022]可选的，所述将所述表盘区域输入到预先构建的改进Faster R
‑
CNN网络识别指针转动角度，包括：
[0023]将所述表盘区域输入到VGG16网络中，提取表盘区域中指针区域特征和指针区域的背景特征；
[0024]基于指针区域特征和指针区域的背景特征结合所述指针区域特征和指针区域的背景特征的权重得到更新特征图；
[0025]由所述区域建议网络对所述更新特征图中的指针进行类别划分和坐标位置回归，得到所述表盘区域中指针转动角度。
[0026]可选的，所述改进Faster R
‑
CNN网络的训练还包括：
[0027]采用测试集计算训练好的改进Faster R
‑
CNN网络的mAP值；
[0028]基于所述mAP值对所述训练好的改进Faster R
‑
CNN网络进行评价。
[0029]可选的，所述改进Faster R
‑
CNN网络的训练还包括：
[0030]基于测试集和验证集计算训练好的改进Faster R
‑
CNN网络的测试损失和验证损失；
[0031]从所述测试损失中观测所述训练好的改进Faster R
‑
CNN网络是否具有快速收敛的特性；
[0032]当所述测试损失和所述验证损失重合且同为不断下降趋于稳定时，所述训练好的改进Faster R
‑
CNN网络没有过拟合。
[0033]可选的，所述SSD网络的训练还包括：
[0034]基于测试集和验证集计算训练好的SSD网络的测试损失和验证损失；
[0035]从所述测试损失中观测所述训练好的SSD网络是否具有快速收敛的特性；
[0036]当所述测试损失和所述验证损失重合且同为不断下降趋于稳定时，所述训练好的SSD网络没有过拟合。
[0037]再一方面本专利技术还提供了一种指针式仪表识别系统，包括：
[0038]区域检测模块，用于将待识别图像按设定比例缩放后输入预先训练好的SSD网络中进行检测，得到图像中表盘区域和所述表盘相对于水平方向的角度；
[0039]角度检测模块，用于将所述表盘区域根据所述表盘相对于水平方向的角度调整表盘区域，并将调整角度后的表盘区域输入到预先训练好的改进Faster R
‑
CNN网络识别指针旋转角本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种指针式仪表识别方法，其特征在于，包括：将待识别图像按设定比例缩放后输入预先训练好的SSD网络中进行检测，得到图像中表盘区域和所述表盘相对于水平方向的角度；将所述表盘区域根据所述表盘相对于水平方向的角度调整表盘区域，并将调整角度后的表盘区域输入到预先训练好的改进Faster R
‑
CNN网络识别指针转动角度；基于所述指针转动角度结合量程转换公式得到指针式仪表的读数；其中，所述SSD网络是基于标记了表盘区域的图片和表盘相对于水平方向的角度对SSD网络进行训练得到；所述改进Faster R
‑
CNN网络是基于图片中的表盘区域和所述表盘区域中指针转动角度对改进的Faster R
‑
CNN网络进行训练得到的。2.如权利要求1所述的方法，其特征在于，所述SSD网络的训练包括：将标记了表盘区域的图片和图片中表盘相对于水平方向的角度输入所述SSD网络中，由所述SSD网络通过设置不同尺寸和数量的先验框对图片中的表盘区域进行检测，得到检测表盘区域和表盘相对于水平方向的角度的检测框。3.如权利要求2所述的方法，其特征在于，所述将待识别图像按设定比例缩放后输入预先训练好的SSD网络中进行检测，得到图像中表盘区域和所述表盘相对于水平方向的角度，包括：将待识别图像按设定比例缩放后输入预先训练好的SSD网络中，由所述SSD网络的检测框检测出所述待识别图像中的表盘区域，以及所述表盘相对于水平方向的角度。4.如权利要求1所述的方法，其特征在于，所述改进Faster R
‑
CNN网络包括：以进行特征提取的VGG16网络为基础网络、在提取的特征中引入注意力机制的SE模块，以及对表盘区域中指针进行类别划分和坐标位置回归的区域建议网络。5.如权利要求4所述的方法，其特征在于，所述改进Faster R
‑
CNN网络的训练包括：获取表盘区域，以及所述表盘区域中指针转动角度；由所述表盘区域和所述表盘区域中指针转动角度构建样本集；采用所述样本集中的表盘区域和所述表盘区域中指针转动角度对所述改进Fastee R
‑
CNN网络进行训练得到训练好的改进Fastee R
‑
CNN网络。6.如权利要求4所述的方法，其特征在于，所述将调整角度后的表盘区域输入到预先训练好的改进Faster R
‑
CNN网络识别指针转动角度，包括：将所述调整角度后的表盘区域输入到VGG16网络中，提取表盘区域中指针区域特征和指针区域的背景特征；基于指针区域特征和指针区域的背景特征结合所述指针区域特征和指针区域的背景特征的权重得到更新特征图；由所述区域建议网络对所述更新特征图中的指针进行类别划分和坐标位置回归，得到所述表盘区域中指针转动角度。7.如权利要求5所述的方法，其特征在于，所述改进Faster R
‑
CNN网络的训练还包括：采用测试集计算训练好的改进Faster R
‑
CNN网络的mAP值；基于所述mAP值对所述训练好的改进Faster R
‑
CNN网络进行评价。8.如权利要求7所述的方法，其特征在于，所述改进Faster R
‑
CNN网络的训练还包括：
基于测试集和验证集计算训练好的改进Faster R
‑
CNN网络的测试损失和验证损失；从所述测试损失中观测所述训练好的改进Faster R
‑
CNN网络是否具有快速收敛的特性；当所...

【专利技术属性】
技术研发人员：李佳，段祥骏，王庆杰，李运硕，冯德志，许媛媛，张琳，段青，沙广林，王素敏，史雪锋，
申请(专利权)人：国家电网有限公司国网山东省电力公司，
类型：发明
国别省市：