一种用于电表终端故障识别的图像训练方法技术

本发明专利技术公开了一种用于电表终端故障识别的图像训练方法，该方法包括步骤：搭建基于深度学习的网络架构，检测目标类别为5类；使用透视变换技术丰富样本；使用ISP技术调整图像的亮度、对比度和颜色，丰富样本；训练电表终端检测识别网络，用于识别电表终端和表盘四个角点所在区域；使用图像测量的算法，精确定位表盘区域的四个角点坐标；使用透视变换技术获取电表终端表盘区域的“正面”图像；将正面图像和对应的缺陷类别作为标记样本，再送入深度学习网络进行训练。本发明专利技术对缺陷样本经过透视变换到正面视角时，人工标记，对于同一类型的缺陷，标记区域限制长宽比后，可以提高缺陷标记的一致性，可以极大提高电表终端故障的识别准确率。

An image training method for fault identification of ammeter terminal

【技术实现步骤摘要】
一种用于电表终端故障识别的图像训练方法
本专利技术属于电表终端故障识别
，具体涉及一种用于电表终端故障识别的图像训练方法。
技术介绍
随着国内电力行业的发展，安装的电表终端设备越来越多，在实际运营过程中，电表可能会出现各种故障，故障种类较多，常规的运维模式，不能高效智能的保障其可持续性的运营，需要通过技术手段来提升电表故障识别的智能化水平，提高运营经济效益。随着计算机科学在各行业中的不断普及和应用，使用计算机视觉技术辅助快速识别电表故障类型，可以简化系统管理，快速提供当前故障的指导性维修方法，提高整个系统的运行效率。但是实际采集的电表图像可能来自于不同的摄像机，电表箱的安装高度不同等导致获取到的图像，光照、视角、背景(其它电力设备)和分辨率可能都不一样，给电表故障的识别带来了较高的挑战。当前深度学习取得快速发展，已经在很多行业取得重要的应用，比如手写字符识别、自然语音处理，目标识别、目标费雷、人脸检测识别等，在许多行业中取得非常成功的应用。实际场景中，一般多个电表终端安装在柜子里面，旁边可能还有一些其他的设本文档来自技高网...

【技术保护点】
1.一种用于电表终端故障识别的图像训练方法，其特征在于：该方法包括以下步骤：/n(1)搭建基于深度学习的网络架构；/n(2)使用透视变换技术丰富样本，在相机只有旋转变化的情况下，所有的图片都由特定的透视变换矩阵得到，透视变换矩阵是3X3的矩阵，除去缩放因子，其有八个自由度，确定了变换前的坐标和变换后的坐标关系：/nq＝H*p/n

【技术特征摘要】
1.一种用于电表终端故障识别的图像训练方法，其特征在于：该方法包括以下步骤：
(1)搭建基于深度学习的网络架构；
(2)使用透视变换技术丰富样本，在相机只有旋转变化的情况下，所有的图片都由特定的透视变换矩阵得到，透视变换矩阵是3X3的矩阵，除去缩放因子，其有八个自由度，确定了变换前的坐标和变换后的坐标关系：
q＝H*p



式中，q表示变换后的坐标(x’,y’,z’)，H表示透视矩阵，p表示原坐标(x,y,z)，该公式为标准的透视变换齐次矩阵公式；
(3)使用ISP技术调整图像的亮度、对比度和颜色，丰富样本；
(4)训练电表终端检测识别网络，用于识别电表终端和表盘四个角点所在区域；
(5)使用图像测量的算法，精确定位表盘区域的四个角点坐标；
(6)使用透视变换技术获取电表终端表盘区域的“正面”图像，生成样本时，采用透视变换算法，生成仿真样本，绕3个空间自由度的旋转角度分别为a，范围为-5～15度，b范围为-5～5度，v的范围为-10～10度；
(7)将正面图像和对应的缺陷类别作为标记样本，根据电表终端特性，电表终端的标记区域算法自动调整标记框的长宽比，R＝W/H，R的范围为1.2-1.5；送入网路进行训练时，根据标记的区域，如果标记区域长宽比不符合这个规则是，自动修改目标的长度，以便符合这个比例，再送入深度学习网络进行训练。


2.根据权利要求1所述的一种用于电表终端故障识别的图像训练方法，其特征在于：在对图像进行透视变换时，若已知相机的旋转角度，由如下计算方法得出透视矩阵H，利用H矩阵对图像进行变换：
在相机坐标系中设点的三维坐标为(xc,yc,zc)，对应的像点的像素坐标为(u,v,1)。
则由小孔成像模型知：

【专利技术属性】
技术研发人员：丁超，张秋雁，欧家祥，张俊玮，王蓝苓，胡厚鹏，王扬，李航峰，李聪，叶左宣，关怀海，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州;52