一种基于深度学习的六氟化硫仪表读数识别方法及设备技术

本发明专利技术涉及一种基于深度学习的六氟化硫仪表读数识别方法，包括：构建仪表检测模型；训练仪表检测模型：构建样本集，样本的标注信息包括表盘位置信息和若干关键点位置信息；所述关键点包括指针端点和表盘螺丝点；将样本集输入至仪表检测模型，得到预测结果；利用损失函数计算预测结果与标注信息之间的损失，所述损失包括目标置信度损失、表盘定位损失和关键点定位损失；基于所述损失，迭代更新仪表检测模型参数；获取待处理图像；输入待处理图像至训练完毕的仪表检测模型，得到表盘位置和若干关键点位置；根据指针端点和表盘螺丝点之间的相对位置关系，计算仪表读数。计算仪表读数。计算仪表读数。

【技术实现步骤摘要】
一种基于深度学习的六氟化硫仪表读数识别方法及设备


[0001]本专利技术涉及一种基于深度学习的六氟化硫仪表读数识别方法及设备，属于图像处理领域。

技术介绍

[0002]六氟化硫(SF6)是变电站中常见的高压设备绝缘灭弧气体，其密度、压力、温度等参数关系到站内人员设备的安全。变电站中大量安装了六氟化硫SF6机械指针式气体密度表，如图3所示，其测量的数值无法直接上传至电力系统，需要人工或通过计算机视觉技术自动识别仪表图像读数。
[0003]对于SF6仪表读数识别，传统的图像处理算法步骤包括：图像灰度化、图像二值化、图像边缘检测、霍夫直线变换定位指针和起始刻度、霍夫圆变换定位圆心、角度计算、读数转换等。朱海霞[1]采用霍夫Hough识别算法，识别表针直线以及表盘圆形，利用减少累加像素数目结合灰度中心法来提升准确性，最后利用BP(反向传播)神经网络定位起始刻度字符识别；丁永泽[2]采用霍夫Hough变换算法，对指针、起始刻度线以及终止刻度线进行定位，然后通过计算指针相对于起始刻度线的偏转角度得到仪表的读数。其关键步骤霍夫直线变换和霍夫圆变换对参数设置敏感，大多数场景下需要一表一设计，一表一调试，大大增加了部署成本，不利于大面积推广。且霍夫变换对图片拍摄角度有较高的要求，尤其是霍夫圆变换的时候，当摄像头到仪表中心点连线与仪表平面法线的夹角大于15
°
时，识别精度下降比较明显，如图4所示。而在实际场景中，由于仪表安装位置容易被遮挡，以及巡检机器人定位、姿态误差，而无法达到拍摄要求，导致识别错误，时常发生。除此之外，由于SF6仪表指针较短，和表盘上刻度指针差异不明显，因此霍夫直线变换偶尔将刻度线识别成表盘指针，导致读数识别错误。
[0004]CN115035364A《一种基于深度神经网络的指针仪表读数方法》公开了对图8所示的SF6仪表进行识别，用训练好的表盘刻度关键点预测算法和指针关键点预测算法，分别分析表盘检测框图像和指针检测框图像，得到表盘刻度关键点和指针关键点；通过关键点坐标计算角度θ1和指针角度θ2，从而得到仪表读数。受分辨率或光线等因素影响,关键点预测算法对刻度关键点的预测精确度不高；该方法通过定位刻度线比较明显的大刻度以及求均值的方式提高读数识别精度，但仍有待进一步提高。同时，由于SF6仪表指针较短，与表盘大刻度线差异不明显，当指针与大刻度接近甚至重叠时,易把刻度线误判为指针或把指针误判为刻度。
[0005]CN113780273A《一种基于目标检测和关键点检测的水表仪表示数读取方法》公开了：通过指针目标检测模块获取水表图像中的所有指针的检测框，然后通过目标区域分割模块获取目标指针的检测框并从原始水表图像中截取感兴趣区域，最后将感兴趣区域作为指针关键点检测模块的输入，得到目标指针的关键点位置。该专利分别构建并训练指针目标检测模块和指针关键点检测模块，以识别指针和关键点位置，训练成本较高且实时性有待进一步提高。
[0006][1]Zhu Haixia.Pointer meter recognition based on improved Hough transform and BP network[J].Electrical Measurement&Instrumentation,2015,52(05):11
‑
14.
[0007][2]丁永泽侯春萍杨阳.基于图像处理的表计读数识别方法[P],2019,201910658381.5

技术实现思路

[0008]为了克服现有技术中存在的问题，本专利技术采用基于深度学习的SF6仪表读数识别方法，相比于基于霍夫直线的识别方法，无需进行参数设置和部署调试，能覆盖到部署场景下的SF6仪表，即可完成读数自动识别。
[0009]为了实现上述目的，本专利技术采用如下技术方案：
[0010]技术方案一
[0011]一种基于深度学习的六氟化硫仪表读数识别方法，包括以下步骤：
[0012]构建仪表检测模型；
[0013]训练仪表检测模型：构建样本集，样本的标注信息包括表盘位置信息和若干关键点位置信息；所述关键点包括指针端点和表盘螺丝点；将样本集输入至仪表检测模型，得到预测结果；利用损失函数计算预测结果与标注信息之间的损失，所述损失包括目标置信度损失、表盘定位损失和关键点定位损失；基于所述损失，迭代更新仪表检测模型参数；
[0014]获取待处理图像；
[0015]输入待处理图像至训练完毕的仪表检测模型，得到表盘位置和若干关键点位置；
[0016]根据指针端点和表盘螺丝点之间的相对位置关系，计算仪表读数。
[0017]进一步地，所述计算仪表读数，以公式表达为：
[0018][0019][0020][0021]式中，σ表示仪表读数；Ψ、φ、为先验知识，分别表示仪表量程、量程对应的角度、仪表参考向量指向的读数；δ表示方向参数；θ表示指针线向量与仪表参考向量的夹角；表示指针线向量；表示仪表参考向量；A
x
、A
y
表示指针端点A的x坐标和y坐标，B
x
、B
y
表示指针端点B的x坐标和y坐标，C
x
、C
y
表示表盘螺丝点C的x坐标和y坐标，D
x
、D
y
表示表盘螺丝点D的x坐标和y坐标。
[0022]进一步地，所述损失函数以公式表达为：
[0023]Loss＝λ1Loss
loc
+λ2Loss
obj
+λ3Loss
Land
[0024]式中，λ1、λ2、λ3分别表示不同的损失系数；Loss
loc
表示所有正样本的表盘定位损失；Loss
obj
表示所有正负样本的目标置信度损失；Loss
Land
表示所有正样本的关键点定位损失。
[0025]进一步地，所述关键点定位损失以公式表达为：
[0026][0027]式中，a、b分别表示预测结果中关键点横、纵坐标，和分别表示标注信息中关键点横、纵坐标；WL(x)表示Wing loss函数。
[0028]进一步地，所述仪表检测模型包括主干网络和头部网络；
[0029]所述主干网络用于提取待处理图像的浅层特征、中层特征和深层特征；
[0030]所述头部网络用于对待处理图像的浅层特征、中层特征、深层特征进行加强特征提取，得到三个不同尺度的特征图并分别在三个特征图上进行预测，输出三个预测结果；预测结果包括目标置信度、预测框中心点坐标、预测框宽、预测框高、以及若干关键点坐标。
[0031]技术方案二
[0032]一种基于深度学习的六氟化硫SF6仪表读数识别设备，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行如下步骤：
[0033]构建仪表检测模型；
[0034]训练仪表检测模型：构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的六氟化硫仪表读数识别方法，其特征在于，包括以下步骤：构建仪表检测模型；训练仪表检测模型：构建样本集，样本的标注信息包括表盘位置信息和若干关键点位置信息；所述若干关键点包括指针端点和表盘螺丝点；将样本集输入至仪表检测模型，得到预测结果；利用损失函数计算预测结果与标注信息之间的损失，所述损失包括目标置信度损失、表盘定位损失和关键点定位损失；基于所述损失，迭代更新仪表检测模型参数；获取待处理图像；输入待处理图像至训练完毕的仪表检测模型，得到表盘位置和若干关键点位置；根据指针端点和表盘螺丝点之间的相对位置关系，计算仪表读数。2.根据权利要求1所述的一种基于深度学习的六氟化硫仪表读数识别方法，其特征在于，所述计算仪表读数，以公式表达为：于，所述计算仪表读数，以公式表达为：于，所述计算仪表读数，以公式表达为：式中，σ表示仪表读数；Ψ、φ、为先验知识，分别表示仪表量程、量程对应的角度、仪表参考向量指向的读数；δ表示方向参数；θ表示指针线向量与仪表参考向量的夹角；表示指针线向量；表示仪表参考向量；A
x
、A
y
表示指针端点A的x坐标和y坐标，B
x
、B
y
表示指针端点B的x坐标和y坐标，C
x
、C
y
表示表盘螺丝点C的x坐标和y坐标，D
x
、D
y
表示表盘螺丝点D的x坐标和y坐标。3.根据权利要求1所述的一种基于深度学习的六氟化硫仪表读数识别方法，其特征在于，所述损失函数以公式表达为：Loss＝λ1Loss
loc
+λ2Loss
obj
+λ3Loss
Land
式中，λ1、λ2、λ3分别表示不同的损失系数；Loss
loc
表示所有正样本的表盘定位损失；Loss
obj
表示所有正负样本的目标置信度损失；Loss
Land
表示所有正样本的关键点定位损失。4.根据权利要求1所述的一种基于深度学习的六氟化硫仪表读数识别方法，其特征在于，所述关键点定位损失以公式表达为：式中，a、b分别表示预测结果中关键点的横、纵坐标，和分别表示标注信息中关键点的横、纵坐标；n表示关键点数量；WL(x)表示Wing loss函数。5.根据权利要求1所述的一种基于深度学习的六氟化硫仪表读数识别方法，其特征在
于，所述仪表检测模型包括主干网络和头部网络；所述主干网络用于提取待处理图像的浅层特征、中层特征和深层特征；所述头部网络用于对待处理图像的浅层特征、中层特征、深层特征进行加强特征提取，得到三个不同尺度的特征图并分别在三个特征图上进行预测，输出三个预测结果；预测结果包括目标置信度、预测框中心点坐标、预测框宽、预测框高、以及若干关键点坐标。6.一种基于深度学习的六氟化硫SF6仪表读数识别设备，其特...

【专利技术属性】
技术研发人员：廖兴旺，胡丁丁，
申请(专利权)人：福建睿思特科技股份有限公司，
类型：发明
国别省市：