一种基于树莓派4B的配电站电能表识别方法及系统技术方案

本发明专利技术公开一种基于树莓派4B的配电站电能表识别方法及系统，方法包括：响应于获取的电能表图像，根据预设的目标检测网络模型对所述电能表图像进行特征识别，得到电能表信息；基于预设的转换规则将所述电能表信息转换为待发送字节，并将所述待发送字节添加至预设的报文结构中，得到目标报文，并将所述目标报文发送至服务器。通过在树莓派4B上部署目标检测网络模型，可直接在采集装置内实现图片信息的识别，无需将图片上传至云端识别，可有效减少图片传输过程中需要的时间以及数据传输过程中数据“丢包”的风险。的风险。的风险。

【技术实现步骤摘要】
一种基于树莓派4B的配电站电能表识别方法及系统


[0001]本专利技术属于变电站负荷监测方向的图像识别
，尤其涉及一种基于树莓派4B的配电站电能表识别方法及系统。

技术介绍

[0002]目前配电变压器增容以及配电线路改造难度大、成本高。同时，对于第三方公司而言，因为管理权限与数据安全问题，无法直接获取电能表内的数据，同时也无法按照主观意愿对变电站内的设施进行更改。因此只能考虑具有非侵入式特点的图像识别技术，通过摄像头捕获的图片来识别当前状态下电能表内的信息，进而开始后续的电能管理作业。
[0003]现有的电能表数据识别是基于将采集图像进行传输至云端进行识别，会导致数据传输时间较长以及产生在传输过程中发生数据“丢包”的风险。

技术实现思路

[0004]本专利技术提供一种基于树莓派4B的配电站电能表识别方法及系统，用于解决数据传输时间较长以及在传输过程中发生数据“丢包”的技术问题。
[0005]第一方面，本专利技术提供一种基于树莓派4B的配电站电能表识别方法，包括：响应于获取的电能表图像，根据预设的目标检测网络模型对所述电能表图像进行特征识别，得到电能表信息，所述目标检测网络模型包括ShuffleNet V2主干网络、PAN网络以及回归分类预测头，其中，对所述电能表图像进行特征识别具体为：由所述ShuffleNet V2主干网络进行特征提取，得到至少一个目标特征；并基于所述PAN网络对所述至少一个目标特征进行多尺度特征融合，输出四幅不同尺度的融合特征图；将四幅不同尺度的融合特征图分别输入至所述回归分类预测头中进行识别，得到识别结果，即为电能表信息；基于预设的转换规则将所述电能表信息转换为待发送字节，并将所述待发送字节添加至预设的报文结构中，得到目标报文，并将所述目标报文发送至服务器，其中所述目标报文中包含报文头、待发送字节、CRC
‑
16校验码以及报文尾。
[0006]第二方面，本专利技术提供一种基于树莓派4B的配电站电能表识别系统，包括：识别模块，配置为响应于获取的电能表图像，根据预设的目标检测网络模型对所述电能表图像进行特征识别，得到电能表信息，所述目标检测网络模型包括ShuffleNet V2主干网络、PAN网络以及回归分类预测头，其中，对所述电能表图像进行特征识别具体为：由所述ShuffleNet V2主干网络进行特征提取，得到至少一个目标特征；并基于所述PAN网络对所述至少一个目标特征进行多尺度特征融合，输出四幅不同尺度的融合特征图；将四幅不同尺度的融合特征图分别输入至所述回归分类预测头中进行识别，得到识别结果，即为电能表信息；传输模块，配置为基于预设的转换规则将所述电能表信息转换为待发送字节，并将所述待发送字节添加至预设的报文结构中，得到目标报文，并将所述目标报文发送至服务器，其中所述目标报文中包含报文头、待发送字节、CRC
‑
16校验码以及报文尾。
[0007]第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处
理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例的基于树莓派4B的配电站电能表识别方法的步骤。
[0008]第四方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本专利技术任一实施例的基于树莓派4B的配电站电能表识别方法的步骤。
[0009]本申请的基于树莓派4B的配电站电能表识别方法及系统，通过在树莓派4B上部署目标检测网络模型，可直接在采集装置内实现图片信息的识别，无需将图片上传至云端识别，可有效减少图片传输过程中需要的时间以及数据传输过程中数据“丢包”的风险。
附图说明
[0010]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本专利技术一实施例提供的一种基于树莓派4B的配电站电能表识别方法的流程图；
[0012]图2为本专利技术一个具体实施例的一种基于树莓派4B的配电站电能表识别方法的流程图；
[0013]图3为本专利技术一实施例提供的一种基于树莓派4B的配电站电能表识别系统的结构框图；
[0014]图4是本专利技术一实施例提供的电子设备的结构示意图。
具体实施方式
[0015]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]请参阅图1，其示出了本申请的一种基于树莓派4B的配电站电能表识别方法的流程图。
[0017]如图1所示，基于树莓派4B的配电站电能表识别方法具体包括以下步骤：
[0018]步骤S101，响应于获取的电能表图像，根据预设的目标检测网络模型对所述电能表图像进行特征识别，得到电能表信息。
[0019]在本实施例中，目标检测网络模型包括ShuffleNet V2主干网络、PAN网络、回归分类预测头，在获取电能表图像后，由所述ShuffleNet V2主干网络对电能表图像进行特征提取，得到至少一个目标特征；并基于PAN网络对至少一个目标特征进行多尺度特征融合，输出四幅不同尺度的融合特征图；将四幅不同尺度的融合特征图分别输入至回归分类预测头中进行识别，得到识别结果，即能够得到电能表当前正向总电量信息、电能表当前时间信息以及电能表ID信息。
[0020]进一步地，每幅融合特征图都进入NanoDetPlusHead生成多个预选框，即产生多个预测框中心像素坐标相对边界框四个边界的距离的预测值，其中一个中心点像素可以生成多个预选框。并用适应性训练样本选择算法(ATSS)筛选正负样本，所述正样本是指目标图片特征像素点落入标注时所框选的区域中的样本，即目标图片特征像素点落入预选框中的样本，否则为负样本。检测头由两个分支构成，分别负责计算检测过程中预选框的分类损失并进行预选框边框回归，同时边框回归分支引出一个子分支，该子分支通过边框回归得到的边框位置计算当前中心点为目标中心的概率，将此概率与第一个分支得到的分类分数相乘，得到分类的目标概率，目标概率是指使用边框回归的边框位置计算中心点为目标中心点的概率。所述NanoDetPlusHead为检测分类头，可对输入放入每幅融合特征图进行分类检测。
[0021]其中，ShuffleNet V2主干网络包括一个Conv1模块和三个Stage模块组成，三个Stage模块依次为Stage2模块、Stage3模块、Stage4模块；
[0022]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于树莓派4B的配电站电能表识别方法，其特征在于，包括：响应于获取的电能表图像，根据预设的目标检测网络模型对所述电能表图像进行特征识别，得到电能表信息，所述目标检测网络模型包括ShuffleNet V2主干网络、PAN网络以及回归分类预测头，其中，对所述电能表图像进行特征识别具体为：由所述ShuffleNet V2主干网络进行特征提取，得到至少一个目标特征；并基于所述PAN网络对所述至少一个目标特征进行多尺度特征融合，输出四幅不同尺度的融合特征图；将四幅不同尺度的融合特征图分别输入至所述回归分类预测头中进行识别，得到识别结果，即为电能表信息；基于预设的转换规则将所述电能表信息转换为待发送字节，并将所述待发送字节添加至预设的报文结构中，得到目标报文，并将所述目标报文发送至服务器，其中所述目标报文中包含报文头、待发送字节、CRC
‑
16校验码以及报文尾。2.根据权利要求1所述的一种基于树莓派4B的配电站电能表识别方法，其特征在于，所述电能表信息包括当前正向总电量信息、当前时间信息以及电能表ID信息。3.根据权利要求1所述的一种基于树莓派4B的配电站电能表识别方法，其特征在于，所述将四幅不同尺度的融合特征图分别输入至所述回归分类预测头中进行识别，得到识别结果包括：将每幅融合特征图输入至所述回归分类预测头中，得到多个预选框，即产生多个预测框中心像素坐标相对边界框四个边界的距离的预测值，其中一个中心点像素可以生成多个预选框；根据适应性训练样本选择算法筛选正负样本，其中，所述正样本为目标图片特征像素点落入标注时所框选的区域中的样本，即目标图片特征像素点落入预选框中的样本，否则为负样本；计算检测过程中所述预选框的分类损失并进行预选框边框回归，并根据边框回归得到的边框位置计算当前中心点为目标中心的概率，将此概率与分类分数相乘，得到分类的目标概率，其中，所述目标概率为使用边框回归的边框位置计算中心点为目标中心点的概率。4.根据权利要求1所述的一种基于树莓派4B的配电站电能表识别方法，其特征在于，在响应于获取的电能表图像，根据预设的目标检测网络模型对所述电能表图像进行特征识别，得到电能表信息之前，所述方法还包括：获取初始图像数据集，所述初始图像数据...

【专利技术属性】
技术研发人员：徐经民，康兵，孙旻，郑蜀江，夏鹏，徐健，
申请(专利权)人：国家电网有限公司南昌科晨电力试验研究有限公司南昌工程学院，
类型：发明
国别省市：