[发明专利]一种避雷器仪表实时识别方法及系统

权利要求书

1.基于机器学习的实时避雷器仪表检测识别方法，其特征是，包括：

采用数据增强的方式扩充避雷器仪表样本图像库；

对扩充的样本数据，采用深度学习神经网络模型进行训练获得训练权重文件；

输入待测图像，利用深度学习神经网络模型使用生成的训练权重文件定位避雷器表盘在图像中位置，采用图像处理技术确定表盘位置ROI；采用图像处理技术确定表盘位置ROI包括：对获得的表计区域做图像灰度化处理，利用Hough变换找出仪表位置内椭圆形区域；在椭圆区域进行计算刻度；

对生成的ROI采用方向图滤波获得表盘刻度，根据表盘刻度计算候补表针队列确定表针位置；对生成的ROI采用方向图滤波获得表盘刻度，包括：对每个像素计算二阶导数得到第一图像，将第一图像归一化，平分成多个方向，计算以该像素为中心周围设定大小范围内的方向，方向值最大的作为该像素的方向，得到最终的方向图；对方向图做均值滤波处理得到第二图像；利用第二图像对第一图像进行滤波得到第三图像；设定阈值对第三图像进行二值化，对二值化图像进行细化，在细化的图像中检测存在的直线，在检测的线段中删除分歧点；在所有线段当中，连接相近的直线，把不是直线的线段删除，计算直线的个数，每个直线的长度和坐标；

根据表针位置计算表计角度值，进一步获得刻度值给出仪表的读数。

2.如权利要求1所述的基于机器学习的实时避雷器仪表检测识别方法，其特征是，扩充避雷器仪表样本图像库之前对获取的避雷器仪表样本图像进行标定。

3.如权利要求2所述的基于机器学习的实时避雷器仪表检测识别方法，其特征是，采用数据增强的方式扩充避雷器仪表样本图像库，具体包括：

把目标区域按照小于原图尺寸的固定大小从大图裁剪，形成子图像及对应标定参数文件；

随机子图，n个子图为一组随机排放在一个大图中，形成一个大图多个目标文件。

4.如权利要求1所述的基于机器学习的实时避雷器仪表检测识别方法，其特征是，对以上扩充后的数据集合采用二阶段CNN神经网络进行训练，训练过程中对巡检目标做二次扩充，获得训练权重文件。

5.如权利要求1所述的基于机器学习的实时避雷器仪表检测识别方法，其特征是，对生成的ROI采用方向图滤波获得表盘刻度：

设定直线阈值，对长度不超过阈值的直线，计算直线的方程式，当作刻度直线；

计算直线之间的距离和角度，然后用距离和角度，检测未检测过的刻度，同时更新刻度的方向和中心；

根据计算的刻度中心和方向，用最小平方法来计算仪表盘的中心和椭圆的长半径；

用计算的椭圆，按照均等的间隔，再次计算所有的刻度。

6.如权利要求1所述的基于机器学习的实时避雷器仪表检测识别方法，其特征是，根据表盘刻度计算候补表针队列确定表针位置：

先检测与刻度平行的长直线，然后检测在刻度下面的与指定刻度平行的边界，找到一系列指针形成候补指针队列；

根据边界信息和颜色信息来检测候补指针队列，去除影子的影响，找相似度最高的指针，返回真实的刻度值和刻度的坐标。