【技术实现步骤摘要】
本公开实施例涉及图像处理，尤其涉及一种基于深度学习的仪表智能读数方法。
技术介绍
1、变电站在现代电力系统中是实现电压转换、负荷调节、电力保护和控制等多个方面功能的重要组成部分。变电站内部通常存在着大量的指针式仪表设施，用以对电气设备的工作情况与健康状态进行实时检测与评估。因此，如何准确可靠地完成这些仪表参数的读取工作，对于了解整个变电站的运行情况，从而保障变电站的安全性与稳定性来说至关重要。
2、在指针式仪表读取工作中，传统的读数方式多依靠人工作业，然而人工作业的读数效率与精度很大程度上依赖于读表人员的工作经验，对从业人员的职业能力有着较高的要求，且人工读表在耗费人力劳动的同时，读数精度与读数效率往往又会随着工作时间的延长而降低，并极易受风、沙、雨、雪等恶劣环境的干扰，因此，研究一种自动、准确、快速、同时拥有强鲁棒性的指针式仪表读数识别方法对于帮助实现变电站自动化高效管理而言具有十分重要的意义。
3、在已有的指针式仪表自动读数识别技术的研究中，具有代表性的方法是分别利用二维伽马函数、卷积神经网络以及基于区域增长来定位表盘区域及中心等检测方法。这其中，利用二位伽马函数可以针对光照不均匀的图像实现有效的亮度校正，但在实际环境中低照度的图像又常伴随着清晰度的缺失，该方法具有一定的局限性；而通过卷积神经网络进行仪表读数识别的方法虽然衍生出一种结合了掩模区域（mask r-cnn）关键点检测的指针自动读数方法，该方法利用捕捉到的图像关键点特征进行拟合，在读数的识别精度上有着较强的表现，但对实际应用而言，图像中的仪
4、综上所述，现有的指针式仪表读数自动识别方法在面对复杂噪声时依然缺乏满足工作预期的鲁棒性，对于变电站指针式仪表读数研究而言，仍然亟待专利技术设计一种准确、可靠的仪表读数自动识别算法及系统，以帮助对仪表设备进行精准定位，进而实现仪表读数的精准识别。
5、因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
6、需要注意的是，本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
技术实现思路
1、本公开实施例的目的在于提供一种基于深度学习的仪表智能读数方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
2、根据本公开实施例，提供一种基于深度学习的仪表智能读数方法，该方法包括：
3、获取电力环境下包含指针式仪表目标的仪表图片，对仪表图片进行标注，以得到标签文件，并将标签文件按照预设比例划分为训练集和验证集；
4、构建yolov5模型，并分别利用训练集和测试集对yolov5模型进行训练和测试，以得到训练好的yolov5模型；其中，yolov5模型包括主干网络、颈部网络和检测头；
5、利用yolov5模型对待检测仪表图片进行检测，以得到仪表的检测结果图；
6、对检测结果图进行模板匹配，以得到模板匹配结果图；
7、对模板匹配结果图进行二值化，以得到二值化结果图；
8、对二值化结果图进行圆检测，以得到圆检测结果图；
9、对圆检测结果图进行指针检测，以得到指针检测图。
10、进一步地，获取电力环境下包含指针式仪表目标的仪表图片，对仪表图片进行标注，以得到标签文件，并将标签文件按照预设比例划分为训练集和验证集的步骤中，包括：
11、获取电力环境下包含指针式仪表目标的仪表图片，利用labelimg工具对图片进行数据标注得到相应的xml格式的仪表文件；其中，仪表文件包括保存仪表图片的文件夹名称、标签对应的图片名称、图片保存的绝对路径、标签图片的大小尺寸以及通道和标注的对象的信息；
12、将xml格式的仪表文件转换为yolo格式的标签文件；
13、将标签文件按照预设比例划分为训练集和验证集。
14、进一步地，主干网络包括：
15、串行连接的g-ghost层1、sfb层1、g-ghost层2、sfb层2、g-ghost层3、sfb层3和upsample层；其中，
16、sfb层1、sfb层2和sfb层3的结构相同，且均包括：依次连接的channel split、concat模块和channel shuffle，channel split和concat通过并行的第一分支和第二分支连接，第二分支包括串行的1×1深度卷积、3×3卷积和1×1深度卷积；
17、g-ghost层1、g-ghost层2和g-ghost层3的结构相同，且均包括：3×3卷积、若干个并行的1×1卷积和concat模块，3×3卷积分别与若干个并行的1×1卷积连接，若干个并行的1×1卷积均与concat模块连接。
18、进一步地，sfb层1处理输入数据的过程为：
19、将大小为c×h×w的输入数据输入至channel split中，channel split将输入数据分别输入至输入通道数相等的第一分支和第二分支，分别得到(c/2)×h×w的第一特征图和(c/2)×h×w第二特征图；其中，c为通道数，h和w分别为特征图的高度和宽度；
20、concat模块对第一特征图和第二特征图进行融合，并利用channel shuffle对进行通道级的融合操作，以得到初始融合特征；
21、channel shuffle对初始融合特征进行通道级的融合操作；
22、sfb层1处理输入数据的过程为：
23、将大小为cin×h×w的特征张量输入至3×3卷积中，以生成大小为cont×h×w的核心特征张量；其中，cin是输入通道；
24、利用1×1卷积对核心特征张量进行一组轻量化线性变换生成4个大小为cont×h×w的冗余特征张量；
25、将核心特征张量和生成的冗余特征在通道维度上进行拼接形成大小为c×h×w的最终输出特征。
26、进一步地，对检测结果图进行模板匹配，以得到模板匹配结果图的步骤中，包括：
27、对检测结果图和模板图像进行灰度化处理；
28、利用akaze算法对灰度化处理后的检测结果图和模板图像进行特征点检测，以检测到第一特征点集合和第二特征点集合；
29、遍历第一特征点集合中所有特征点，找到每个点在第二特征点集合中对应的匹配点，得到第一映射关系集合；
30、遍历第二特征点集合中所有特征点，找到每个点在第二特征点集合中对应的匹配点，得到第二映射关系集合；
3本文档来自技高网...
【技术保护点】
1.一种基于深度学习的仪表智能读数方法，其特征在于，该方法包括：
2.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，获取电力环境下包含指针式仪表目标的仪表图片，对仪表图片进行标注，以得到标签文件，并将标签文件按照预设比例划分为训练集和验证集的步骤中，包括：
3.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，主干网络包括：
4.根据权利要求3所述基于深度学习的仪表智能读数方法，其特征在于，SFB层1处理输入数据的过程为：
5.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，对检测结果图进行模板匹配，以得到模板匹配结果图的步骤中，包括：
6.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，对模板匹配结果图进行二值化，以得到二值化结果图的步骤中，包括：
7.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，对二值化结果图进行圆检测，以得到圆检测结果图的步骤中，包括：
8.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，
...【技术特征摘要】
1.一种基于深度学习的仪表智能读数方法，其特征在于，该方法包括：
2.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，获取电力环境下包含指针式仪表目标的仪表图片，对仪表图片进行标注，以得到标签文件，并将标签文件按照预设比例划分为训练集和验证集的步骤中，包括：
3.根据权利要求1所述基于深度学习的仪表智能读数方法，其特征在于，主干网络包括：
4.根据权利要求3所述基于深度学习的仪表智能读数方法，其特征在于，sfb层1处理输入数据的过程为：
5.根据权利要求1所述基...
【专利技术属性】
技术研发人员：闫亚刚，彭朝德，龙锦霞，王晓，张凯，尤晓亮，蔡杰，李中旗，谢慧，陈亮，蒋壮强，马亮，张恒，徐豪，史泽源，朱听鹏，袁明宇，李腾飞，赵崇良，李宏涛，陈峰，刘媛婧，贺王鹏，叶俊杰，张效飞，刘亦辰，徐若萱，
申请(专利权)人：河南平高电气股份有限公司，
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。