[发明专利]一种基于深度学习的变电站指针仪表检测方法

权利要求书

1.一种基于深度学习的变电站指针仪表检测方法，其特征在于，包括：

(1)对巡检机器人采集到的指针仪表图像以及网络收集到的指针仪表图像进行预处理和数据增强处理，将扩增后的数据集按照7：2：1分成训练集、测试集和验证集；

(2)基于pytorch深度学习框架搭建基于Modi-YOLOv3-Tiny网络的目标检测模型，将该模型在步骤(1)得到的数据集上进行训练，训练完成之后利用网络模型对变电站自然环境背景下的指针仪表图像进行检测；同时网络继承YOLOv3的锚框(anchor)机制，对边界框进行回归预测，对13×13、26×26这两种规模分别采用K-means聚类算法进行边界框预测，每种规模包括3个不同尺寸的边界框(先验锚点框)，再基于先验锚点框对目标包围框进行回归得到最后的预测边界框；

(3)基于pytorch深度学习框架搭建基于DeepLabV3+网络的仪表图像语义分割模型，同样采用步骤(1)得到的数据集进行训练，训练完成之后对步骤(2)得到的仪表图像粗检测结果进行图像的分割处理，得到去除自然环境背景的只包含仪表表盘的图像；

对融合之后的特征图再次通过一个3×3卷积和一个4倍的上采样，得到与输入图像参数相同的分割图像；

当损失函数值趋于稳定，则说明模型逐渐收敛，使用验证集和测试集验证网络模型。

(4)利用裁剪模块对步骤(3)得到的图像进行裁剪，得到精确的仪表表盘图像。

2.根据权利要求1所述的一种基于深度学习的变电站指针仪表检测方法，其特征在于：

步骤(2)中，网络的指针仪表图像输入尺寸为416×416×3，主干网络的卷积层由3×3的二维卷积层、批归一化层BN(Batch normalization layer)、带泄露修正线性单元激活函数Leaky-relu(Leaky rectified linear unit)组合而成。

3.根据权利要求2所述的一种基于深度学习的变电站指针仪表检测方法，其特征在于：

BN层用来解决梯度消失的问题，加快网络的计算速度，Leaky-relu函数使得网络的非线性拟合能力强、模型表达能力强，同时也可避免梯度消失。

4.根据权利要求1所述的一种基于深度学习的变电站指针仪表检测方法，其特征在于：

步骤(3)中，输入网络的指针仪表图像经过MobileNetV3网络结构进行特征提取之后，一部分进入ASPP(空洞空间金字塔池化结构)结构，另一部分进入Decoder结构。

5.根据权利要求4所述的一种基于深度学习的变电站指针仪表检测方法，其特征在于：

ASPP结构采用不同rate(膨胀率)的空洞卷积对特征提取网络输出的特征图进行多尺度的信息提取；

进入ASPP结构的特征信息通过1×1卷积进行多尺度融合，融合后的结果输入到Decoder结构，直接进入Decoder结构的低层特征通过一个1×1卷积层进行压缩，减少特征图的通道数；

Encoder输出特征图通过双线性插值的方法进行4倍上采样，最后将该结果与经过Decoder特征细化的特征图结果相融合，使得网络获取更加丰富的语义信息。

6.根据权利要求4所述的一种基于深度学习的变电站指针仪表检测方法，其特征在于：

MobileNetV3+网络分为3个部分：第一部分(Conv3×3)为一个3×3的卷积层，用于提取特征，中间部分(bneck1-4)是多个含有可分离卷积层块(bneck)的网络结构，由多个1×1和少量3×3、5×5的卷积块组成，通常深度越深提取到的特征越好，最后一部分通过卷积层(Conv1×1)代替全连接层，在经过池化等一系列步骤得到输出结果。