【技术实现步骤摘要】
本专利技术涉及图像识别领域，尤其是涉及一种高精度控制柜端子识别方法。
技术介绍
1、天然气站场是天然气管道系统的核心单元。在天然气长输管道系统中，它仅仅是沿线布局上的零散节点，但却承担着接收、增压、分输、清管、计量等多项任务，这些重要功能确立了输气站场在整个管道系统中的极其重要地位。而场站控制室更是天然气场站中的中心，承担天然气场站大量的监测，控制，运维任务。因此，其涉及的监测运维工作量也更为繁重，如遇问题也需要更快的定位与解决。
2、ar（增强现实）巡检是利用增强现实技术来改进和增强巡检过程的一种方法。ar技术通过将虚拟信息叠加到真实世界中，提供实时的视觉和信息反馈，帮助巡检人员更准确、高效地执行巡检任务。
3、电气柜控制柜作为天然气场站的控制中枢，大部分数据经由控制柜，电气柜流通，是监测场站安全状况的重要数据源，通常也在此进行运维检修寻常工作。想借助于ar技术实现高效化巡检运维，必须能够精确的检测到电气柜内每个端子，并将其正确的识别定位，以实现进一步的功能。
4、针对电气控制柜内部的微小端子识别与定位，目前存在较多的技术空白，由于高度的重复性，以及端子过于密集，精确检测出每个端子难度很大。目前主要的相关方法存在以下问题：
5、（1）检测精度有限：目前目标检测方法十分丰富，各行各业也会针对自己相应的应用场景进行定制化处理，但大多都用于一般大小的目标检测，对于密集重复的小目标检测，难度相当高；
6、（2）需要大量人工标注数据：基于有监督训练的目标检测模型，必须使用大量的
7、（3）难以实际落地：基于前两点的限制，基于现有方法，难以实现一套用于天然气场站控制柜，电器柜的目标检测与定位算法来实现满足ar巡检的需求。
技术实现思路
1、本专利技术主要是解决现有技术所存在的检测精度不足、需要大量人工标注数据等的技术问题，提供一种高精度控制柜端子识别方法。
2、本专利技术针对上述技术问题主要是通过下述技术方案得以解决的：一种高精度控制柜端子识别方法，包括以下步骤：
3、s1、拍摄得到包含排插的控制柜图像作为原始图片；
4、在使用vr设备拍摄时，vr设备应位于电气柜正前方的适当距离，通过调整高度使被识别的对象（接线端子，或控制按钮等其他目标）位于正前方，拍摄图像的分辨率一般为3904*2196；
5、s2、用sam模型处理原始图片，获得各区域遮罩（mask）；
6、s3、依据步骤s2获得的各区域遮罩分割原始图片获得若干第一次分割图片并标注序号，并将所有第一次分割图片转化为统一分辨率（600*600）；
7、s4、使用hog特征提取算法从各张统一分辨率的第一次分割图片中分别提取hog特征；
8、s5、将步骤s4中提取到的所有hog特征输入到分类排插svm模型中进行分类，得到第一次分割图片中属于排插图像的序号，序号对应的第一次分割图片记为原始排插图片；分类排插svm模型通过排插训练集训练，排插训练集包含10张排插图像作为正例，其他10张无排插图像作为反例；获得的原始排插图像可能会有多张，如果有多张的话在后面的步骤中单独处理；
9、s6、用sam模型处理原始排插图片，获得各区域遮罩（mask）；
10、s7、依据步骤s6获得的各区域遮罩分割原始排插图片，获得若干第二次分割图片，并将所有第二次分割图片转化为统一分辨率（600*600）；
11、s8、使用hog特征提取算法从各张统一分辨率的第二次分割图片中分别提取hog特征；
12、s9、将步骤s8中提取到的所有hog特征输入到分类端子特征svm模型中进行分类，得到第二次分割图片中属于端子特征的图片；分类端子特征svm模型通过包含20张正例和20张反例的训练集进行训练；
13、s10、依据步骤s9得到的端子特征的图片根据坐标变换获得端子在原始图片上的位置。
14、作为优选，所述步骤s2中，sam模型包括图像编码器、提示编码器和掩码编码器；
15、图像编码器映射待处理的图像到图像特征空间，本方案使用经过预训练的visiontransformer(vit)作为图像编码器；
16、提示编码器映射输入的提示到提示的特征空间，提示有两组，第一组为点、框和文本（稀疏提示），第二组为掩码（密集提示），点和框由位置编码表示，位置编码综合了来自每种提示的学习嵌入和任意形式的文字（使用clip处理），掩码通过卷积嵌入后与图像诸元素求和；
17、掩码解码器将图嵌入、提示嵌入和输出标记映射到掩码；掩码解码器是在transformer的解码器后添加了动态掩码预测头，可将mlp 将输出标记映射到动态线性分类器，然后计算每个图像位置的蒙版前景概率；掩码解码器使用了提示自注意力和交叉注意力在prompt-to-image embedding和vice-versa两个方面进行了修改。完成这两个部分后，对图像进行上采样再使用mlp将输出标记映射到动态线性分类器上，最终得出每个图像位置的蒙板前景概率。
18、步骤s6中的sam模型与步骤s2中的sam模型结构相同。
19、作为优选，所述hog特征提取算法具体为：将图像灰度化，并进行伽马校正，之后计算图像像素梯度图，最后进行块归一化得到hog特征。
20、hog特征提取算法可以将3通道的彩色图像转换成一定长度的特征向量（hog特征）。hog特征提取算法的主要目的是对图像进行梯度计算，统计图像的梯度方向和梯度大小。 其中，提取的边缘和梯度特征能够很好的抓住局部形状的特点，并且因为对图像做了gamma校正和采用cell方式进行归一化处理，对几何和光学变化都有很好的不变性，变换或旋转对于足够小的区域影响很小。
21、作为优选，所述步骤s2中的sam模型的参数如下：
22、sam采样点密度（points_per_side）为13，密度越高，获得的mask越多；iou门限（pred_iou_thresh）为0.82，iou门限取值范围为[0,1]，此值越大，被标记的mask所用box与训练集越接近；置信度门限（stability_score_thresh）为0.92，置信度门限取值范围为[0,1]，此值越大，被标记的mask置信度越大；最小遮罩面积（min_mask_region_area）为1000，最小遮罩面积越小，获得的mask越小。
23、作为优选，所述步骤s6中的sam模型的参数如下：
24、sam采样点密度为18，iou门限为0.82，置信度门限为0.92，最小遮罩面积为1000。
25、作为优选，步骤s9中，svm模型识别的端子特征是端子正上方的圆点。
26、考虑到sam直接对整个端子处理成功率不高，svm对整个端子的分本文档来自技高网...
【技术保护点】
1.一种高精度控制柜端子识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高精度控制柜端子识别方法，其特征在于，所述步骤S2中，SAM模型包括图像编码器、提示编码器和掩码编码器；图像编码器映射待处理的图像到图像特征空间；提示编码器映射输入的提示到提示的特征空间，提示有两组，第一组为点、框和文本，第二组为掩码，点和框由位置编码表示，掩码通过卷积嵌入后与图像诸元素求和；掩码解码器将图嵌入、提示嵌入和输出标记映射到掩码；步骤S6中的SAM模型与步骤S2中的SAM模型结构相同。
3.根据权利要求1或2所述的一种高精度控制柜端子识别方法，其特征在于，所述HOG特征提取算法具体为：将图像灰度化，并进行伽马校正，之后计算图像像素梯度图，最后进行块归一化得到HOG特征。
4.根据权利要求1所述的一种高精度控制柜端子识别方法，其特征在于，所述步骤S2中的SAM模型的参数如下：
5.根据权利要求1所述的一种高精度控制柜端子识别方法，其特征在于，所述步骤S6中的SAM模型的参数如下：
6.根据权利要求1或5所述的一种高精度控制
...【技术特征摘要】
1.一种高精度控制柜端子识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高精度控制柜端子识别方法，其特征在于，所述步骤s2中，sam模型包括图像编码器、提示编码器和掩码编码器；图像编码器映射待处理的图像到图像特征空间；提示编码器映射输入的提示到提示的特征空间，提示有两组，第一组为点、框和文本，第二组为掩码，点和框由位置编码表示，掩码通过卷积嵌入后与图像诸元素求和；掩码解码器将图嵌入、提示嵌入和输出标记映射到掩码；步骤s6中的sam模型与步骤s2中的sam模型结构相同。
3.根据权利要求1或2所...
【专利技术属性】
技术研发人员：詹佳琪，何国军，沈国良，王晓亮，熊云鹏，吴杰，赵泽栋，
申请(专利权)人：国家管网集团浙江省天然气管网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。