一种检测电表箱视窗破损的方法技术

本申请涉及一种检测电表箱视窗破损的方法，包括获取带有光照特征的各类电表箱照片；标注每张电表箱照片的视窗位置

【技术实现步骤摘要】
一种检测电表箱视窗破损的方法


[0001]本申请涉及电力设备监测
，尤其是涉及一种检测电表箱视窗破损的方法
。

技术介绍

[0002]电表是重要的电力计量装置之一，了解电表的安全状态，关系千家万户的安全用电
。
[0003]评估电表的安全状况包括电表箱视窗的破损检测
。
目前，现有的视觉识别技术通常是先对图像做灰度处理，利用边缘检测算法找出图像中各目标的轮廓点，再根据轮廓特征找出目标物体，进行参数检测和识别
。
而由于电表安装不规范
、
外界光照等环境影响，以及电表更新换代快，电表尺寸多样化，导致模型对拍摄的电表图像的识别难度增加
。
[0004]针对上述中的相关技术，专利技术人发现现有的电表箱视窗破损视觉识别技术存在有电表图像识别难度大的问题
。

技术实现思路

[0005]为了降低模型对电表图像的识别难度，本申请提供了一种检测电表箱视窗破损的方法
。
[0006]第一方面，本申请提供一种检测电表箱视窗破损的方法
。
[0007]本申请是通过以下技术方案得以实现的：
[0008]一种检测电表箱视窗破损的方法，包括以下步骤，
[0009]获取带有光照特征的各类电表箱照片，构建图像数据集；
[0010]标注所述图像数据集中每张电表箱照片的视窗位置
、
视窗大小和是否破损信息；
[0011]将标注的所述图像数据集划分为训练集和测试集；
[0012]基于所述训练集，训练视窗检测模型，其中，所述视窗检测模型包括用于提取输入图像的特征图的卷积层；连接于所述卷积层的最大池化层，以用于缩减所述特征图的尺寸；连接于所述最大池化层的
Dense
层，以用于对所述特征图进行降维；连接于所述
Dense
层的转换层，以用于特征融合和至少三种分辨率转换；连接于所述转换层的全连接层，以用于输出目标分辨率的视窗；
[0013]利用所述测试集测试所述视窗检测模型，直至所述视窗检测模型的输出结果的精度达到预设值；
[0014]获取待检测电表箱照片并输入精度达到预设值的所述视窗检测模型中，识别带有是否破损标签的视窗图像并裁切；
[0015]将带有是否破损标签的所述视窗图像输入预设的视窗破损识别模型中，得到电表箱视窗的破损结果
。
[0016]本申请在一较佳示例中可以进一步配置为：所述
Dense
层包括四个层数分别为
6、12、12
和
12
的残差块，所述残差块由6或
12
个子结构构成，所述子结构之间通过密集连接方
式结合，所述子结构包括尺寸为1×1的第一卷积层和尺寸为3×3的第二卷积层
。
[0017]本申请在一较佳示例中可以进一步配置为：还包括以下步骤，
[0018]设定每个所述残差块的检测目标，包括，
[0019]层数为6的所述残差块和一层数为
12
的所述残差块用于检测小目标尺寸的特征图；
[0020]又一层数为
12
的所述残差块用于检测中目标尺寸的特征图；
[0021]剩余层数为
12
的所述残差块用于检测大目标尺寸的特征图
。
[0022]本申请在一较佳示例中可以进一步配置为：所述转换层的数量为三，每个所述转换层的输入端分别连接于层数为
12
的所述残差块的输出端，每个所述转换层包括依次串联的1×1的卷积
、3
×3的卷积
、1
×1的卷积
、3
×3的卷积和1×1的卷积
。
[0023]本申请在一较佳示例中可以进一步配置为：利用所述测试集测试所述视窗检测模型的步骤包括，
[0024]将所述测试集输入所述视窗检测模型，得到输出结果；
[0025]统计所述输出结果的准确率，迭代训练所述视窗检测模型，直至所述视窗检测模型的输出结果的精度达到预设的第一阈值
。
[0026]本申请在一较佳示例中可以进一步配置为：所述视窗破损识别模型的训练步骤包括，
[0027]在已标注的所述图像数据集中裁切视窗部分图像，构建视窗数据集；
[0028]将所述视窗数据集输入用于目标检测的深度学习模型中，统计识别到的破损视窗数量；
[0029]若所述破损视窗数量大于0，则判定电表箱视窗有破损缺陷；
[0030]重复上述步骤，直至所述视窗破损识别模型的精度达到预设的第二阈值
。
[0031]本申请在一较佳示例中可以进一步配置为：所述深度学习模型选用
VGG19
模型或
ResNet
‑
18
模型
。
[0032]本申请在一较佳示例中可以进一步配置为：所述获取带有光照特征的各类电表箱照片的步骤时，包括，
[0033]采用辅助光源照射电表箱
。
[0034]本申请在一较佳示例中可以进一步配置为：所述电表箱包括单表箱
、
多表箱
、
破损表箱和正常表箱
。
[0035]第二方面，本申请提供一种检测电表箱视窗破损的装置
。
[0036]本申请是通过以下技术方案得以实现的：
[0037]一种检测电表箱视窗破损的装置，包括，
[0038]图像采集模块，用于获取带有光照特征的各类电表箱照片，构建图像数据集；
[0039]图像标注模块，用于标注所述图像数据集中每张电表箱照片的视窗位置
、
视窗大小和是否破损信息；
[0040]图像划分模块，用于将标注的所述图像数据集划分为训练集和测试集；
[0041]视窗检测训练模块，用于基于所述训练集，训练视窗检测模型，其中，所述视窗检测模型包括用于提取输入图像的特征图的卷积层；连接于所述卷积层的最大池化层，以用于缩减所述特征图的尺寸；连接于所述最大池化层的
Dense
层，以用于对所述特征图进行降
维；连接于所述
Dense
层的转换层，以用于特征融合和至少三种分辨率转换；连接于所述转换层的全连接层，以用于输出目标分辨率的视窗；
[0042]视窗检测测试模块，用于利用所述测试集测试所述视窗检测模型，直至所述视窗检测模型的输出结果的精度达到预设值；
[0043]检测模块，用于获取待检测电表箱照片并输入精度达到预设值的所述视窗检测模型中，识别带有是否破损标签的视窗图像并裁切；
[0044]破损识别模块，用于将带有是否破损标签的所述视窗图像输入预设的视窗破损识别模型中，得到电表箱视窗的破损结果
。
[0045]综上所述，与现有技术相比，本申请提供的技术方案带来的有益效果至少包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种检测电表箱视窗破损的方法，其特征在于，包括以下步骤，获取带有光照特征的各类电表箱照片，构建图像数据集；标注所述图像数据集中每张电表箱照片的视窗位置
、
视窗大小和是否破损信息；将标注的所述图像数据集划分为训练集和测试集；基于所述训练集，训练视窗检测模型，其中，所述视窗检测模型包括用于提取输入图像的特征图的卷积层；连接于所述卷积层的最大池化层，以用于缩减所述特征图的尺寸；连接于所述最大池化层的
Dense
层，以用于对所述特征图进行降维；连接于所述
Dense
层的转换层，以用于特征融合和至少三种分辨率转换；连接于所述转换层的全连接层，以用于输出目标分辨率的视窗；利用所述测试集测试所述视窗检测模型，直至所述视窗检测模型的输出结果的精度达到预设值；获取待检测电表箱照片并输入精度达到预设值的所述视窗检测模型中，识别带有是否破损标签的视窗图像并裁切；将带有是否破损标签的所述视窗图像输入预设的视窗破损识别模型中，得到电表箱视窗的破损结果
。2.
根据权利要求1所述的检测电表箱视窗破损的方法，其特征在于，所述
Dense
层包括四个层数分别为
6、12、12
和
12
的残差块，所述残差块由6或
12
个子结构构成，所述子结构之间通过密集连接方式结合，所述子结构包括尺寸为1×1的第一卷积层和尺寸为3×3的第二卷积层
。3.
根据权利要求2所述的检测电表箱视窗破损的方法，其特征在于，还包括以下步骤，设定每个所述残差块的检测目标，包括，层数为6的所述残差块和一层数为
12
的所述残差块用于检测小目标尺寸的特征图；又一层数为
12
的所述残差块用于检测中目标尺寸的特征图；剩余层数为
12
的所述残差块用于检测大目标尺寸的特征图
。4.
根据权利要求2所述的检测电表箱视窗破损的方法，其特征在于，所述转换层的数量为三，每个所述转换层的输入端分别连接于层数为
12
的所述残差块的输出端，每个所述转换层包括依次串联的1×1的卷积
、3
×3的卷积
、1
×1的卷积
、3
×3的卷积和1×1的卷积
。5.
根据权利要求1所述的检测电表箱视窗破损的方法，其特征在于，利用所述测试集测试所述视窗检测模型的步骤包...

【专利技术属性】
技术研发人员：郭家圣，杨慕玮，王强，余凯，倪萍，刘波，金杭，杨阳，黄宏标，王浩，
申请(专利权)人：浙江大学，
类型：发明
国别省市：