[发明专利]一种用于电表终端故障识别的图像训练方法

说明书

本发明公开了一种用于电表终端故障识别的图像训练方法，该方法包括步骤：搭建基于深度学习的网络架构，检测目标类别为5类；使用透视变换技术丰富样本；使用ISP技术调整图像的亮度、对比度和颜色，丰富样本；训练电表终端检测识别网络，用于识别电表终端和表盘四个角点所在区域；使用图像测量的算法，精确定位表盘区域的四个角点坐标；使用透视变换技术获取电表终端表盘区域的“正面”图像；将正面图像和对应的缺陷类别作为标记样本，再送入深度学习网络进行训练。本发明对缺陷样本经过透视变换到正面视角时，人工标记，对于同一类型的缺陷，标记区域限制长宽比后，可以提高缺陷标记的一致性，可以极大提高电表终端故障的识别准确率。

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训练方法。

背景技术

随着国内电力行业的发展，安装的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，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。

但是实际采集的电表图像可能来自于不同的摄像机，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较高的挑战。

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，比如手写字符识别、自然语音处理，目标识别、目标费雷、人脸检测识别等，在许多行业中取得非常成功的应用。

实际场景中，一般多个电表终端安装在柜子里面，旁边可能还有一些其他的设备。首选需要从图片中找出电表终端并判断故障类型。由于前面提到的光照，视角，背景的问题，传统的图像处理方法无法有效解决这个问题，因此本发明使用深度学习技术进行识别。

由于电表有明确的外形特征，传统的深度学习方法可以较好的识别到电表终端。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。

深度学习概念由Hinton于2006年提出，但本质就是人工神经网络，而人工神经网络就是一种对人脑的模仿，通过模拟人脑的生物神经网络，来模仿人的学习能力。而这种模拟，除了设置大量的神经网络节点(即模仿神经元)，还要通过算法来设计这个神经网络的模型，最重要的是一定要通过样本数据训练，来使得机器具备某种能力。但是当前的深度学习的训练存在下面的一些缺点：

1、深度学习需要大量标注的训练数据，获取和标注样本的成本代价很高。为了获得好的训练结果，需要采集各种故障的大量样本，同一类故障还需要采集各种角度，姿态下的图片；

2、样本不平衡问题，样本不均衡是指不同故障类别的数据量差别较大(部分电表故障报警种类较难出现)，利用不均衡样本训练出来的模型泛化能力差且很容易发生过拟合现象，导致识别能力下降；

3、深度学习检测目标的能力较强，但是目标的定位精度相对较低，现有的空间变换网络无法“精确”定位电表终端的表盘区域；

4、准确率的问题，当样本量达到一定数量后，少量样本的加入不会明显提高结果的准确率，而电表终端的故障识别准确率要求比较高。

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训练方法，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训练方法，该方法包括以下步骤：

(1)搭建基于深度学习的网络架构；