一种基于SW-FSSD的数字仪表字符检测方法技术

本发明专利技术公开了一种基于SW

【技术实现步骤摘要】
一种基于SW
‑
FSSD的数字仪表字符检测方法


[0001]本专利技术涉及一种基于SW
‑
FSSD的数字仪表字符检测方法，属于数字仪表字符检测


技术介绍

[0002]数字仪表的数码管中包含由金属丝制成的阳极和阴极，并充以不同的稀有气体，借助电极供电，从而发出不同的颜色光，进而显示相关字符数据。由于成本低，稳定性好，数字仪表广泛用于电力行业，累计记录电压、电流等电力数据，以及实时监控显示变电站、供电所等电压、温度的信息，保障电力系统的安全稳定运行。然而，数字仪表只能显示电力数据，之后还需要通过人工对显示的字符数据进行读取和再记录，操作速度慢且容易引入人工误差。社会发展正逐渐向智能化电力系统以及新能源设备倾斜，对电力的依赖程度日益凸显，由人工记录的数字仪表字符明显满足不了电力行业数据的日益增长。通过对数字仪表字符实时图像的采集、图像智能识别，自动读取出数值将是未来电力监控系统发展的趋势，而仪表字符识别的准确性和有效性又进一步影响牵引变电站向自动化、综合化、可视化、智能化方向发展进程。因此，急需一种可靠稳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SW
‑
FSSD的数字仪表字符检测方法，其特征在于，包括如下步骤：利用IPC采集数字仪表的字符图像；将字符图像输入预先构建的数字仪表字符检测模型，其中，所述数字仪表字符检测模型采用SW
‑
FSSD模型；利用数字仪表字符检测模型对字符图像进行特征提取并分类，获得字符类别，输出字符检测结果。2.根据权利要求1所述的一种基于SW
‑
FSSD的数字仪表字符检测方法，其特征在于，所述SW
‑
FSSD模型包括依次连接的主干特征提取网络、多尺度特征提取网络、特征融合结构和分类器，其中，主干特征提取网络采用VGG16网络的前十三层卷积层，多尺度特征提取网络包括3组不同尺度分辨率输出的卷积层，特征融合结构采用FPN结构。3.根据权利要求1所述的一种基于SW
‑
FSSD的数字仪表字符检测方法，其特征在于，所述SW
‑
FSSD模型的分类损失函数采用部分加权损失函数SWLoss。4.根据权利要求1所述的一种基于SW
‑
FSSD的数字仪表字符检测方法，其特征在于，数字仪表字符检测模型的训练方法包括：获取数字仪表的多幅字符图像；将字符图像划分为训练集和测试集，并对每幅字符图像进行标注；初始化数字仪表字符检测模型的模型参数；通过数字仪表字符检测模型对训练集中的字符图像进行特征提取、特征融合和特征分类处理，得到字符图像检测结果；根据字符图像的标注和检测结果，利用损失函数计算数字仪表字符检测模型的总损失；根据总损失对数字仪表字符检测模型的模型参数进行更新，并利用更新后的数字仪表字符检测模型处理训练集中的字符图像；重复更新模型参数，直至数字仪表字符检测模型的总损失收敛，得到训练好的数字仪表字符检测模型。5.根据权利要求2或4所述的一种基于SW
‑
FSSD的数字仪表字符检测方法，其特征在于，对训练集中的字符图像进行特征提取、特征融合和特征分类的方法为：将训练集中的字符图像输入主干特征提取网络，通过特征提取得到第一语义特征；将第一语义特征输入多尺度特征提取网络，通过特征提取得到第二、第三、第四语义特征；利用特征融合结构对主干特征提取网络和多尺度特征提取网络输出的4个语义特征进行特征融合，得到具有高低层语义信息的特征图；利用分类器对特征图进行分类处理，得到字符图像对应的字符类别。6.根据权利要求4所述的一种基于SW
‑
FSSD的数字仪表字符检测方法，其特征在于，数字仪表字符检测模型的总损失包括分类损失和回归损失，总损失的计算公式如下：其中，L(x,c,l,g)表示数字仪表字符检测模型的总损失，x表示预测锚框和标注...

【专利技术属性】
技术研发人员：肖振远，宗起振，陶征勇，李实秋，管金酉，卢沁欣，
申请(专利权)人：国电南京自动化股份有限公司，
类型：发明
国别省市：