[发明专利]一种基于深度学习的变电站指针仪表检测方法

说明书

本发明提出一种基于深度学习的变电站指针仪表检测方法，该方法首先通过Modi‑YOLOv3‑Tiny网络对变电站指针仪表进行检测，利用该网络检测的速度优势和准确度优势，相比于传统的图像识别技术，提高了变电站巡检机器人进行巡检时的实时性和效率，再通过DeepLabV3+网络对仪表表盘区域进行精确、快速的分割；采用数据增强之后的变电站指针仪表图像，保证训练之后网络具有较强的特征提取能力和泛化能力；深度学习的轻量化网络Modi‑YOLOv3‑Tiny与DeepLabV3+网络对指针仪表图像进行检测与分割提取，在识别过程中可以聚焦仪表图像特征的提取，可以快速定位指针仪表表盘所在区域，排除复杂背景干扰，提高了变电站指针仪表检测的实时性和准确率。

技术领域

本发明涉及变电站指针仪表表盘检测技术，尤其涉及一种基于深度学习的变电站指针仪表检测方法。

背景技术

指针仪表是变电站的重要组成部分，显示了变电站电气设备的运行状态，通过巡检机器人对这些仪表进行检测，方便巡检人员获得电气设备的实时运行数据，从而对变电站进行调控，发挥变电站在电力系统中的变电、送电能力，保证供电的电能质量及可靠性，同时可以在第一时间发现故障电气设备，排除故障，避免故障的扩大乃至威胁电力系统的正常运行。随着智能变电站的不断发展，变电站的电气设备类型和数量越来越多，表征这些设备运行状态的指针式仪表也越来越多，变电站的环境也越来越复杂，巡检工作量较大。变电站巡检方式包括人工巡检和变电站巡检机器人自动巡检。通过人工巡检方式对这些仪表进行读数记录工作量较大，影响读数记录的准确性，同时长时间暴露于各种变电站高压电气设备之间，也会给巡检人员的生命安全带来一定的隐患。基于巡检机器人的自动巡检方式进行仪表自动识别因效率高、精度高而得到大力发展。随着深度学习的不断发展，其在图像识别领域已经得到了广泛的应用，所以在变电站自动巡检中，对于仪表表盘检测，主要包括两个方法：基于传统图像识别、基于深度学习。

采用基于传统图像识别的方法，主要通过形态学的基本操作、特征检测及匹配来实现仪表表盘区域的检测和提取，容易受到变电站复杂环境的干扰，稳定性和精确性差，且运算过于简单，没有很高的泛化能力。基于深度学习的目标检测算法分为单阶段(one-stage)和双阶段(two-stage)两种，对于复杂背景下的目标检测，也能保持良好的检测速度和检测精度。双阶段的目标检测算法有R-CNN(Region-Convolutional Neural Networks)、Fast R-CNN(Fast Region-based Convolutional Neural Network)、Faster R-CNN(Faster Region-based Convolutional Neural Networks)等，该系列算法检测准确率高，但是检测速度慢，无法满足变电站巡检工作的实时性要求。单阶段目标检测算法有YOLO(You Only Look Once)系列、SSD(Single Shot Detector)等，该系列具有较高的检测速度，但是在检测精度方面相比于两阶段目标检测存在劣势。与此同时，基于深度学习的仪表表盘检测需要大量的变电站指针仪表图像数据集，以满足训练过程中所需的训练数据样本作为支撑，来保证目标检测网络的检测精度、泛化能力，但是目前相关研究领域公开的变电站指针仪表数据集较少且不完整。因此，有必要设计一种变电站指针仪表检测方法，以克服上述缺陷。

发明内容

本发明的目的是提供一种基于深度学习的变电站指针仪表检测方法，以提高检测速度。

本发明为解决其技术问题所采用的技术方案是：

一种基于深度学习的变电站指针仪表检测方法，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；