[发明专利]一种避雷器仪表实时识别方法及系统

说明书

本公开提出了基于机器学习的实时避雷器仪表检测识别方法及系统，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；基于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；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；根据表针位置获得最后的表计角度值，进一步获得刻度值，得到训练后的深度学习神经网络模型；输入待测图像，利用训练后的深度学习神经网络模型检测椭圆及刻度，最后检测指针位置给出仪表的读数。

技术领域

本公开属于避雷器仪表识别技术领域，尤其涉及基于机器学习的实时避雷器仪表检测识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

避雷器仪表广泛应用在各个领域，在避雷器仪表的识别监测上若采用人工监测，则存在需要耗费大量的人力及物力，且数据读取存在较大的误差。

随着巡检机器人的迅速发展，在巡检机器人上安装图像采集设备，利用图像采集设备采集避雷器仪表的表盘图像，变电站避雷器仪表大多呈现表针细、与背景区分不明显的特点，由于室外环境复杂，采集的仪表存在形变、表针形态多样、遮挡、倒影等现状时，无法准确的实现仪表的读数。

发明内容

为克服上述现有技术的不足，本公开提供了基于机器学习的实时避雷器仪表检测识别方法，解决了仪表的形变、表针形态多样、遮挡、倒影等，能够快速准确的识别出仪表的读数。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

第一方面，公开了基于机器学习的实时避雷器仪表检测识别方法，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，ROI指的是避雷器表盘在图像中的矩形区域子图；

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；

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。

第二方面，公开了基于机器学习的实时避雷器仪表检测识别系统，包括：

仪表图像训练模块，被配置为：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；

仪表图像识别模块，被配置为：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，ROI指的是避雷器表盘在图像中的矩形区域子图；

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；

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。

进一步的技术方案，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。

以上一个或多个技术方案存在以下有益效果：

本公开发明了一种避雷器仪表实时识别方法，设计了多尺度数据增强算法，使用卷积神经网络的方式定位避雷器仪表，把多个尺度下目标设备随机融合为一张大图进行训练，有效规避光线、阴影、镜头反光导致的表盘定位失败的问题，提高了不同场景、不同角度、小目标等识别的鲁棒性。