一种基于轻型制造技术

本发明专利技术涉及一种基于轻型

【技术实现步骤摘要】
一种基于轻型CNN网络的图像感知、传输方法及系统


[0001]本专利技术涉及智能电网
，特别是涉及一种基于轻型
CNN
网络的图像感知
、
传输方法及系统
。

技术介绍

[0002]随着“电网
2.0”被提上日程，通过先进的传感和测量技术
、
先进的设备技术
、
先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠
、
安全
、
经济
、
高效
、
环境友好和使用安全的目标已是大势所趋
。
中国物联网校企联盟定义智能电网为：“智能电网由很多部分组成
。
可分为：智能变电站，智能配电网，智能电能表，智能交互终端，智能调度，智能家电，智能用电楼宇，智能城市用电网，智能发电系统，新型储能系统
。”其中智能变电站在其中发挥着不可磨灭的作用
。
变电站环境中含有大量的表计仪表用于监测压力
、
温度
、
电流等参数，无人值守的变电站抄表工作影响电力系统的全面监控参数，远程监控要求抄表过程更加自动化
、
准确
、
快速
。
近年来，在解决自动抄表问题中，带有通信接口的仪表已被广泛采用，例如家用场景中的智能电表
、
水表等具有通信接口的智能表计，但在变电站场景中存在大量的模拟表计和没有通信接口的数字表计，这使得这些表计无法联网，若要将这些表计全部替换为带有通信接口的数字表计，需面临安装过程复杂
、
通信环境恶劣
、
更换成本巨大等困难，因此需寻求一种更经济的方式
。
通过摄像头对仪表图像进行实时采集，并通过图像处理
、
模式识别等技术实时分析，可以有效实现对仪表的实时监控
。
[0003]近年来许多学者开始尝试使用图像处理的技术来解决远程抄表问题，被广泛采用的方法大多分为两类：基于机器学习的方法和基于深度学习的方法
。
然而对于基于机器学习的方法来说，其模型很容易在小数据集上获得可接受的性能
。
然而，当用户遇到复杂的情况，如混乱的背景，文字的变化，照明不均匀，低分辨率时，这类小模型的准确性是有限的
。
对于基于深度学习的方法来说，他们大多使用卷积神经网络，虽然其相比于机器学习的方式准确率和普适性都有很大的提高，但该方法的优势是以复杂的计算量来换来的
。
卷积神经网络采用更深更复杂的网络来实现高性能的一般图像识别问题，大多数这样的高性能卷积神经网络都需要大内存，而通常用于传感端采集图片的
MCU
大多都是内存和设备算力受限的嵌入式设备，在此类嵌入式设备上部署复杂的深度学习网络显然是无法做到的，因此图像识别的任务往往需要由云端大型的服务器来完成，这需要传感端的摄像头随时将采集的图片上传，这大大加重了网络信息传输的负担
。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于轻型
CNN
网络的图像感知
、
传输方法及系统，能够准确远程识别数显仪器的读数，并缓解云端的识别负担以及变电站窄带通信网络的传输负担
。
[0005]本专利技术解决其技术问题所采用的技术方案是：提供一种基于轻型
CNN
网络的图像感知
、
传输方法，应用于终端设备，包括以下步骤：
[0006]获取表盘图像；
[0007]获取数显区域坐标信息，所述数显区域坐标信息由云端设备发送，用来标定所述表盘图像中的数字显示区域；
[0008]基于所述数显区域坐标信息，提取所述表盘图像中的数字显示图像；
[0009]对所述数字显示图像进行分割，获得各个显示位数的数值图像；
[0010]将所述数值图像按照所述显示位数依次放入轻型
CNN
网络，获得其输出作为数值识别结果；
[0011]将所述数值识别结果组合成读数并上传至云端设备
。
[0012]进一步的，所述轻型
CNN
网络包括依次连接的第一卷积层
、
第二卷积层
、
第三卷积层和第四卷积层，所述第一卷积层
、
第二卷积层
、
第三卷积层和第四卷积层对输入网络的数值图像进行特征提取后将获得的特征向量输入全局平均池化层，所述全局平均池化层基于所述特征向量分析得到分类结果并输出，所述分类结果为数值“0”～“9”中的任意一个
。
[0013]进一步的，所述数值图像在第一卷积层共享权重，所述数值图像在第二卷积层共享权重，所述数值图像在第三卷积层共享权重；所述数值图像对应的所述显示位数越高，其在第四卷积层的权重越大
。
[0014]进一步的，所述轻型
CNN
网络的回归损失函数为所述分类结果的加权和
。
[0015]进一步的，所述轻型
CNN
网络的回归损失函数为：
[0016][0017]其中，
n
为总显示位数，为第
i
个显示位数对应数值图像的分类结果的交叉熵损失函数，
h
i
为第
i
个显示位数对应的权重，
[0018][0019]其中，
R
i
为第
i
个显示位数对应的层次权重值
。
[0020]进一步的，所述轻型
CNN
网络进行训练时：
[0021]按照所述显示位数依次读入所述数值图像并进行识别，获得分类结果；
[0022]基于所述分类结果计算得到分类损失；
[0023]根据全部所述显示位数对应的所述分类损失，计算得到整个读数的回归损失，并基于所述回归损失更新网络参数；
[0024]重复以上步骤直到训练结束
。
[0025]进一步的，所述第一卷积层包括8个核，形状为7×7×1，步幅为2；所述第二卷积层包括
16
个核，形状为3×3×8，步幅为2；所述第三卷积层包括
32
个核，形状为3×3×
16
，步幅为2；所述第四卷积层包括
10
个核，形状为1×1×
32
，步幅为
1。
[0026]本专利技术还提供一种基于轻型
CNN
网络的图像感知
、
传输系统，包括相互进行无线通信的终端设备和云端设备；所述云端设备用来获取所述终端设备采集的表盘校准图像，分析得到数显区域坐标信息，所述云端设备还用来获取所述终端设备上传的表盘读数并进行存储；所述终端设备包括：
[0027]图像采集模块，用来获取表盘图像；
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于轻型
CNN
网络的图像感知
、
传输方法，其特征在于，应用于终端设备，包括以下步骤：获取表盘图像；获取数显区域坐标信息，所述数显区域坐标信息由云端设备发送，用来标定所述表盘图像中的数字显示区域；基于所述数显区域坐标信息，提取所述表盘图像中的数字显示图像；对所述数字显示图像进行分割，获得各个显示位数的数值图像；将所述数值图像按照所述显示位数依次放入轻型
CNN
网络，获得数值识别结果；将所述数值识别结果组合成读数并上传至云端设备
。2.
根据权利要求1所述的方法，其特征在于，所述轻型
CNN
网络包括依次连接的第一卷积层
、
第二卷积层
、
第三卷积层
、
及第四卷积层，所述第一卷积层
、
第二卷积层
、
第三卷积层
、
及第四卷积层对输入网络的数值图像进行特征提取后将获得的特征向量输入全局平均池化层，所述全局平均池化层基于所述特征向量分析得到分类结果并输出，所述分类结果为数值“0”～“9”中的任意一个
。3.
根据权利要求2所述的方法，其特征在于，所述数值图像在第一卷积层共享权重，所述数值图像在第二卷积层共享权重，所述数值图像在第三卷积层共享权重；所述数值图像对应的所述显示位数越高，其在第四卷积层的权重越大
。4.
根据权利要求3所述的方法，其特征在于，所述轻型
CNN
网络的回归损失函数为所述分类结果的加权和
。5.
根据权利要求4所述的方法，其特征在于，所述轻型
CNN
网络的回归损失函数为：其中，
n
为总显示位数，为第
i
个显示位数对应数值图像的分类结果的交叉熵损失函数，
h
i
为第
i
个显示位数对应的权重，其中，
R
i
为第
i
个显示位数对应的层次权重值
。6.
根据权利要求4或5所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：谭冲，孔志恒，郑敏，刘洪，李慧，貟超，杜大才，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：