[发明专利]一种用于电表终端故障识别的图像识别方法

说明书

本发明公开了一种用于电表终端故障识别的图像识别方法，该方法包括步骤：搭建基于深度学习分类网络、电表终端检测网络、组态匹配和故障识别网络；深度学习分类网络输入为图像，输出为电表终端设备的型号；电表终端检测网络的输出为每个电表终端型号对应的一个特征；使用组态匹配检测方法获取每个电表终端面板信息特征；识别使用深度学习网络，将典型的“无故障”图片和“有故障”图片送进深度学习网络进行训练，识别时，将待识别的图片送入网络，网络会输出是否有故障的结果。本发明的识别方法最大程度的利用电表终端的先验知识，极大的提高了算法的识别成功率。并准确提供必要的故障信息，帮助现场运维工程师快速定位故障，提高效率。

技术领域

本发明属于电表终端故障识别技术领域，具体涉及一种用于电表终端故障识别的图像识别方法。

背景技术

随着电力行业的发展，电表终端设备越来越多，在实际运营过程中，电表可能会出现各种故障，故障种类较多，常规的运维模式，不能高效智能的保障其可持续性的运营，迫切需要通过技术手段来提升电表故障识别的智能化水平，提高运营经济效益。随着计算机科学在各行业中的不断普及和应用，使用计算机视觉技术辅助快速识别电表故障类型，可以简化系统管理，快速提供当前故障的指导性维修方法，提高整个系统的运行效率。

但是当前，电表终端的智能识别面临如下两方面的问题：

一、电表终端设备产自不同厂家，设备型号也多种多样。每种电表终端的故障报警显示方式，报警灯显示位置，液晶屏显示信息等都不一样，给视觉识别带来较大的挑战。

二、实际采集的电表图像可能来自于不同的摄像设备，电表箱的安装高度不同等导致获取到的图像，光照、视角、背景(其它电力设备)和分辨率可能都不一样，给电表故障的识别带来了进一步的挑战。

当前深度学习取得快速发展，已经在很多行业取得重要的应用。但是由于前面提到的两方面的问题，电表终端中标记故障灯的区域较小，相对于电表终端整体来说，特征相对较弱，但是故障识别的准确性要求却非常高。

发明内容

本发明要解决的技术问题是：提供一种用于电表终端故障识别的图像识别方法，以解决现有技术中存在的问题。

本发明采取的技术方案为：一种用于电表终端故障识别的图像识别方法，该方法包括以下步骤：

(1)搭建深度学习分类网络、电表终端检测网络，组态匹配和故障识别网络；

(2)深度学习分类网络输入为图像，输出为电表终端设备的型号；

(3)电表终端检测网络用于识别电表终端和表盘四个角点所在区域；

(4)使用组态匹配检测方法获取每个电表终端面板信息特征；

(5)根据面板信息特征进行故障识别：识别使用深度学习网络，将典型的“无故障”图片和“有故障”图片送进深度学习网络进行训练，识别时，将待识别的图片送入深度学习网络，深度学习网络会输出是否有故障的结果。

步骤(4)中组态匹配检测方法为：在步骤(2)的深度学习分类网络中，根据其分类识别结果，获取厂家和型号信息，厂家和型号信息设置为目标1的位置，设目标1的位置信息为(x，y,w,h)，其中x，y表述目标1的中心位置，w，h分别表示，对于每一个具体型号的电表终端，建立一个组态匹配信息，对于目标2，建立一个VariationX1，VariationY1，VariationW1，VariationH1的相对位置信息，建立一个VarationDetection的算法信息(VarationDetection表示使用目标检测算法；VarationClassify表述目标分类算法)，建立一个VariationLink＝1的组态信息，获得目标2的信息检测，在在得到目标2的基础上继续检测目标3和目标4的信息，依次获得面板上其余信息。