基于深度学习的配电考试柜接线线序识别方法及系统技术方案

本发明专利技术提供了一种基于深度学习的配电考试柜接线线序识别方法及系统，所述方法包括以下步骤：在学员接线操作完成后，采集接线顺序识别区域对应的第一待测图片；对第一待测图片进行识别区域缩放，得到第二待测图片，从第二待测图片中截取N个50

【技术实现步骤摘要】
基于深度学习的配电考试柜接线线序识别方法及系统


[0001]本专利技术涉及配电考试柜
，具体的说，涉及了一种基于深度学习的配电考试柜接线线序识别方法及系统。

技术介绍

[0002]配电柜(箱)包括动力配电柜(箱)和照明配电柜(箱)、计量柜(箱)，是配电系统的末级设备；配电柜的二次接线图表示电气二次设备之间相互连接的电气图。二次线就是指电压互感器二次线、电流互感器的二次线及电压表、电流表、电度计量表的线路、开关的控制线、配电柜的信号灯线、也就是说配电柜里面的导线除了一次主电源线以外基本上都是二次线。在配电柜内的二次线非常重要，因此配电柜(箱)中的二次回路布线的基本要求为：按图施工、连线正确。
[0003]为培训及测试工作人员的接线等技能，设置配电柜安全用电管控考试；在配电柜安全用电管控考试中，实操部分接线顺序尤为重要；正确的接线顺序关系着每个考生的生命安全，也为其以后成为一个合格的电工作业人员打下坚实的基础。
[0004]目前，配电柜安全用电管控实操考试主要依赖于监考老师，接线顺序正确与否需要监考老师肉眼查看，费时费力，同时一个监考老师需要同时负责多个考生，长时间监考容易带来视觉疲劳，造成误判。
[0005]文献《基于机器视觉的电气实验教学接线评级系统设计》中，基于传统算法的线序识别将导线分割出来，再通过HSV颜色阈值确定每根导线的颜色，但是由于光照不均匀、底板颜色多样等因素，给导线的提取带来较大难度，实际应用时因导线遗漏或错误提取等原因导致算法无法使用。
[0006]因此，提出一种无论光照亮暗、无论底板何种颜色，均能正确识别接线顺序的识别方法，十分有必要。
[0007]为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。

技术实现思路

[0008]本专利技术的目的是针对现有技术的不足，从而提供一种基于深度学习的配电考试柜接线线序识别方法及系统，无论光照亮暗、何种底板颜色，都能正确识别接线顺序。
[0009]为了实现上述目的，本专利技术所采用的技术方案是：
[0010]本专利技术第一方面提供一种基于深度学习的配电考试柜接线线序识别方法，所述方法包括以下步骤：
[0011]预先构建轻量接线顺序识别网络模型；
[0012]在学员接线操作完成后，采集接线顺序识别区域对应的第一待测图片；其中，所述接线顺序识别区域指的是配电考试柜的接线区域，所述第一待测图片的高为H，所述第一待测图片的宽为W；
[0013]对所述第一待测图片进行识别区域缩放，得到第二待测图片；其中，所述第二待测
图片的高为h
’
，所述第二待测图片的宽为w
’
，w
’
＝(h
’×
W)
÷
H；
[0014]按照从左至右顺序和步长step，从所述第二待测图片中截取N个50
×
50的矩形图片；其中，所述步长step＝h
’÷
2；
[0015]将N个50
×
50的矩形图片输入所述轻量接线顺序识别网络模型，得到N个1维的颜色数组；
[0016]利用argmax函数对所述轻量接线顺序识别网络模型输出的N个1维的颜色数组进行处理，预测出N个矩形图片对应的类别索引；N个矩形图片与预测出的N个类别索引一一对应设置；
[0017]将预测出的N个类别索引分别映射至对应的颜色标签，得到N个颜色标签；不同的类别索引与不同的颜色标签之间预先被配置为一对一的映射关系；
[0018]剔除N个颜色标签中相邻且相同的颜色标签，得到M个目标颜色标签；其中，M≤N；
[0019]去掉M个目标颜色标签中的负样本NG，获得所述接线顺序识别区域对应的导线颜色顺序。
[0020]本专利技术第二方面提供一种基于深度学习的配电考试柜接线线序识别系统，所述系统包括识别网络模型管理模块、待测图片获取模块、识别区域缩放模块、矩形图片截取模块、颜色数组预测模块、类别索引预测模块、颜色标签预测模块和导线颜色顺序确定单元，其中，
[0021]所述识别网络模型管理模块，用于预先构建轻量接线顺序识别网络模型；
[0022]所述待测图片获取模块，用于在学员接线操作完成后，采集接线顺序识别区域对应的第一待测图片；其中，所述接线顺序识别区域指的是配电考试柜的接线区域，所述第一待测图片的高为H，所述第一待测图片的宽为W；
[0023]所述识别区域缩放模块，用于对所述第一待测图片进行识别区域缩放，得到第二待测图片；其中，所述第二待测图片的高为h
’
，所述第二待测图片的宽为w
’
，w
’
＝(h
’×
W)
÷
H；
[0024]所述矩形图片截取模块，用于按照从左至右顺序和步长step，从所述第二待测图片中截取N个50
×
50的矩形图片；其中，所述步长step＝h
’÷
2；
[0025]所述颜色数组预测模块，用于将N个50
×
50的矩形图片输入所述轻量接线顺序识别网络模型，得到N个1维的颜色数组；
[0026]所述类别索引预测模块，用于利用argmax函数对所述轻量接线顺序识别网络模型输出的N个1维的颜色数组进行处理，预测出N个矩形图片对应的类别索引；N个矩形图片与预测出的N个类别索引一一对应设置；
[0027]所述颜色标签预测模块，用于将预测出的N个类别索引分别映射至对应的颜色标签，得到N个颜色标签；不同的类别索引与不同的颜色标签之间预先被配置为一对一的映射关系；
[0028]所述导线颜色顺序确定单元，用于剔除N个颜色标签中相邻且相同的颜色标签，得到M个目标颜色标签；还用于去掉M个目标颜色标签中的负样本NG，获得所述接线顺序识别区域对应的导线颜色顺序；其中，M≤N。
[0029]本专利技术第三方面提供一种可读存储介质，其上存储有指令，该指令被处理器执行时实现如上述的基于深度学习的配电考试柜接线线序识别方法的步骤。
[0030]本专利技术相对现有技术具有突出的实质性特点和显著的进步，具体的说：
[0031]1)本专利技术通过预先构建轻量接线顺序识别网络模型，结合识别区域缩放操作和矩形图片截取操作对待测图片进行预处理，将预处理后的图片输入输入所述轻量接线顺序识别网络模型，得到N个1维的颜色数组；利用argmax函数对得到的颜色数组进行处理，预测出N个矩形图片对应的类别索引，根据类别索引与颜色标签之间的映射关系，确定类别索引对应的颜色标签，进而获得接线顺序识别区域对应的导线颜色顺序；
[0032]因此，本专利技术在光照不均匀、底板颜色多样等条件下依然可以识别出正确的线序，线序识别效率快且线序识别准确率高；
[0033]2)本专利技术能够有效提高考试过程的智能化程度，减少监考工作人员的负担，为配电柜实操智能化考试提供标杆；
[0034]3)本专利技术在工业界将接线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的配电考试柜接线线序识别方法，其特征在于，包括以下步骤：预先构建轻量接线顺序识别网络模型；在学员接线操作完成后，采集接线顺序识别区域对应的第一待测图片；其中，所述接线顺序识别区域指的是配电考试柜的接线区域，所述第一待测图片的高为H，所述第一待测图片的宽为W；对所述第一待测图片进行识别区域缩放，得到第二待测图片；其中，所述第二待测图片的高为h
’
，所述第二待测图片的宽为w
’
，w
’
=（h
’×
W）
÷
H；按照从左至右顺序和步长step，从所述第二待测图片中截取N个50
×
50的矩形图片；其中，所述步长step= h
’÷
2；将N个50
×
50的矩形图片输入所述轻量接线顺序识别网络模型，得到N个1维的颜色数组；利用argmax函数对所述轻量接线顺序识别网络模型输出的N个1维的颜色数组进行处理，预测出N个矩形图片对应的类别索引；将预测出的N个类别索引分别映射至对应的颜色标签，得到N个颜色标签；不同的类别索引与不同的颜色标签之间预先被配置为一对一的映射关系；剔除N个颜色标签中相邻且相同的颜色标签，得到M个目标颜色标签；其中，M≤N；去掉M个目标颜色标签中的负样本NG，获得所述接线顺序识别区域对应的导线颜色顺序。2.根据权利要求1所述的基于深度学习的配电考试柜接线线序识别方法，其特征在于：所述轻量接线顺序识别网络模型包括依次设置的第一网络结构、第二网络结构、第三网络结构、第四网络结构、第五网络结构和第六网络结构，其中，所述第一网络结构包括依次设置的卷积层Ⅰ、BN层Ⅰ、ReLU激活函数层Ⅰ和MaxPool 池化层Ⅰ，所述卷积层Ⅰ、所述BN层Ⅰ和所述ReLU激活函数层Ⅰ的网络层输出参数均被配置为64
×
25
×
25，所述MaxPool 池化层Ⅰ的网络层输出参数被配置为64
×
13
×
13；所述第二网络结构包括依次设置且网络层输出参数均被配置为32
×
13
×
13的卷积层Ⅱ、BN层Ⅱ、ReLU激活函数层Ⅱ、卷积层Ⅲ、BN层Ⅲ、卷积层Ⅳ、BN层Ⅳ、ReLU激活函数层Ⅲ和BasicBlock残差层Ⅰ；所述第三网络结构包括依次设置且网络层输出参数均被配置为64
×7×
7的卷积层
Ⅴ
、BN层
Ⅴ
、ReLU激活函数层Ⅳ、卷积层
Ⅵ
、BN层
Ⅵ
、卷积层
Ⅶ
、BN层
Ⅶ
、ReLU激活函数层
Ⅴ
和BasicBlock残差层Ⅱ；所述第四网络结构包括依次设置且网络层输出参数均被配置为128
×4×
4的卷积层
Ⅷ
、BN层
Ⅷ
、ReLU激活函数层
Ⅵ
、卷积层
Ⅸ
、BN层
Ⅸ
、卷积层
Ⅹ
、BN层
Ⅹ
、ReLU激活函数层
Ⅶ
和BasicBlock残差层Ⅲ；所述第五网络结构包括依次设置且网络层输出参数均被配置为256
×2×
2的卷积层
Ⅺ
、BN层
Ⅺ
、ReLU激活函数层
Ⅷ
、卷积层
Ⅻ
、BN层
Ⅻ
、卷积层XIII、BN层XIII、ReLU激活函数层
Ⅸ
和BasicBlock残差层Ⅳ；所述第六网络结构包括依次设置的自适应池化层和Linear线性层，所述自适应池化层的网络层输出参数均被配置为256
×1×
1，所述Linear线性层的网络层输出参数均被配置为5。
3.根据权利要求1所述的基于深度学习的配电考试柜接线线序识别方法，其特征在于，将预测出的N个类别索引分别映射至对应的颜色标签，得到N个颜色标签时，执行：在预测类别索引为0时，判定对应的颜色标签为负样本NG；在预测类别索引为1时，判定对应的颜色标签为黄；在预测类别索引为2时，判定对应的颜色标签为绿；在预测类别索引为3时，判定对应的颜色标签为红；在预测类别索引为4时，判定对应的颜色标签为黑。4.根据权利要求3所述的基于深度学习的配电考试柜接线线序识别方法，其特征在于，剔除N个颜色标签中相邻且相同的颜色标签，得到M个目标颜色标签时，执行：判断N个颜色标签中是否存在相邻且相同的颜色标签，若是，则从相邻且相同的颜色标签中提取出其中一个作为目标颜色标签，并将除目标颜色标签外的颜色标签剔除。5.根据权利要求1所述的基于深度学习的配电考试柜接线线序识别方法，其特征在于，还包括以下步骤：基于获得的导线颜色顺序，判断对应学员接线操作是否正确；若获得的导线颜色顺序与预存的导线颜色顺序一致，则判定对应学员接线操作正确；若获得的导线颜色顺序与预存的导线颜色顺序不一致，则判定对应学员接线操作不正确。6.一种基于深度学习的配电考试柜接线线序识别系统，其特征在于：包括识别网络模型管理模块、待测图片获取模块、识别区域缩放模块、矩形图片截取模块、颜色数组预测...

【专利技术属性】
技术研发人员：李鹏飞，高毫林，李永才，叶森，
申请(专利权)人：郑州信大先进技术研究院，
类型：发明
国别省市：