[发明专利]一种基于HRNet网络模型的SF6仪表图像读数方法

说明书

本发明公开了一种基于HRNet网络模型的SF₆仪表图像读数方法。采集SF₆仪表样本图像，并标注构成训练集；将训练集输入改进的HRNet网络模型进行学习训练，训练后获得最终模型；待测图片输入最终模型，最终模型预测出待测图片中刻度关键点与指针关键点的位置，利用线性回归进行指针对应射线位置确定，通过射线与刻度关键点连接交点确定所夹角度，根据刻度关键点与指针关键点获得SF₆仪表的待测图片上的读数。本发明能够实现SF₆仪表读数的识别，具有较高准确率，并且具有稳定性好、抗干扰能力强等优点，具有良好鲁棒性，能够应用于SF₆状态检测系统。

技术领域

本发明涉及了一种对于指针式仪表进行读数的方法，尤其是涉及了一种基于HRNet网络模型进行SF₆仪表图像进行读数的方法。

背景技术

SF₆仪表拥有杰出的绝缘性能及优秀的灭弧性能，被普遍应用于高压电气设备中。SF₆仪表用来当作绝缘介质，能够使设备小型化，且能提高设备的可靠性。高压电气设备中的SF₆气体会随着时间推移逐渐向外泄漏。SF₆气体一旦泄漏将会导致设备无法正常工作，而且对工作人员的人身健康造成影响。因此，在高压设备附近需要安装大量SF₆检测仪表以保证安全。但传统的仪表读数识别需要工作人员进行人工读数，工作量大且效率低下，无法全时间段进行数据的观测，因此进行SF₆仪表进行无人值守化读数，是亟需解决的难题之一。

发明内容

为了解决背景技术中的问题，本发明提出了一种基于HRNet网络模型的SF₆仪表图像读数方法，能高效进行SF₆仪表进行读数且具有良好稳定性。

本发明的技术方案包括以下步骤：

1)采集仪表样本图像，图像中包含所需识别SF₆仪表；

2)遍历所有仪表样本图像，对于其中仪表进行标注，标注方式为指针式仪表中的刻度关键点和指针关键点标注，由所有仪表样本图像及其标注信息构成训练集；

3)将步骤2)中所获得的训练集输入改进的HRNet(高分辨率网络，HighResolution Network)网络模型进行学习训练，训练后获得最终模型，用于对于指针表中指针关键点以及刻度关键点进行位置预测；

4)对于SF₆仪表的待测图片，输入最终模型，最终模型预测出待测图片中刻度关键点与指针关键点的位置，根据刻度关键点与指针关键点获得SF₆仪表的待测图片上的读数。

所述的仪表样本图像是人通过拍摄设备，依次单独对于所需识别仪表进行采集所获得图片。

所述步骤2)中，刻度关键点为沿刻度-0.1位置至0.9位置等间隔共11个刻度点，0.9位置是指从刻度初始位置开始在刻度正方形位于0.9倍刻度总长的位置，指针关键点为指针尖点、指针在仪表上的旋转中心点以及中间交点，中间交点为指针与仪表中间表盘区域之间的交点，共三点。

所述步骤3)训练前，输入图像大小为576×768，在训练过程中对训练集的仪表样本图像加入数据增强处理，数据增强方式采用包括图像模糊、亮度变化、对比度变化、gamma变换和灰度变换，分别对原始的仪表样本图像进行处理获得模糊后图像、亮度变化图像、对比度变化后图像、gamma变换后图像和灰度变换后图像；其中，图像模糊使用核大小为从3×3至8×8之间随机选取其一，亮度变化参数选取范围为[-20，20]，对比度变化与gamma变换参数选取范围为[0.8，1.2]，灰度变换即将RGB图像变换为灰度图；训练中，从原始图像、模糊后图像、亮度变化图像、对比度变化后图像、gamma变换后图像和灰度变换后图像中随机选取其一输入，选取的概率对应依次为[0.25，0.15，0.15，0.15，0.15，0.15]。