CN108537222A - 一种用于电力仪表的图像识别方法及系统 - Google Patents
一种用于电力仪表的图像识别方法及系统 Download PDFInfo
- Publication number
- CN108537222A CN108537222A CN201810330938.8A CN201810330938A CN108537222A CN 108537222 A CN108537222 A CN 108537222A CN 201810330938 A CN201810330938 A CN 201810330938A CN 108537222 A CN108537222 A CN 108537222A
- Authority
- CN
- China
- Prior art keywords
- network
- frame
- candidate region
- region
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于电力仪表的图像识别方法及系统，方法的实施步骤包括获取待识别图像，对待识别图像进行conv5卷积运算得到特征图，基于卷积神经网络在特征图上生成候选区域框集合，针对候选区域框集合进行过滤，基于卷积神经网络对候选区域框集合进行目标识别与定位得到图像中的仪表区域框；系统包括被编程以执行前述用于电力仪表的图像识别方法步骤的计算机设备。本发明基于电力机器人采集到的变电站仪表设备图像，采用深度学习的方法实现仪表的自动识别和定位，能够快速高效地实现对变电站中不同类型的仪表进行定位，对电力设备的运维，有着非常重要的现实意义。
Description
技术领域
本发明属于数字图像处理及模式识别技术在电力设备监测技术领域，特别涉及一种利用数字图像处理技术实现对变电站仪表的电力设备识别方法。
背景技术
输变电设备由于长期暴露在野外的环境下运行，受外界环境的影响，一旦发生事故，极易造成大面积的停电，造成的经济损失不可估量。目前记录仪表数据主要靠人眼观测，精度低、可靠性差。随着智能变电站的试点建设与巡检机器人的发展及推广使用，仪表数据的记录工作已经向自动化操作方向改进，但仍需运行人员参与核实确认机器人采集的仪表状态图像。这种模式虽然减轻了运行人员的劳动强度，但对现场人员的主观判断依赖较大，影响变电站无人值守等集约化运行管理模式的推进。
南京航空航天大学提出了一种基于视觉的数字仪表识别系统及其识别方法(中国专利申请号20141021675.4)，该技术方案采用了具有在线训练功能的基于BP神经网络的识别方法，增强了识别算法的稳定行和提高了鲁棒性。杭州申昊科技股份有限公司提出了一种避雷器仪表读数的自动识别方法(中国专利申请号201710239497.6)，该技术方案将避雷器仪表的识别分为区域分割和读数识别两部分；首先利用连通域检测算法和矩形拟合算法将仪表表盘分割成多个区域；然后利用先验知识检测这些区域，保留代表指针区域和数字区域的连通域；再次对两个连通域进行最小面积矩形拟合，得到两个具有偏转角度的矩形；根据角度对图像进行旋转校正，然后从校正图像中分割出指针和数字区域；最后，分别利用角度法和卷积神经网络法对指针区域和数字区域进行读数识别。两个技术方案虽然都利用了神经网络算法实现了对仪表区域的定位与读数，但是对于电力应用中的多种仪表不具有通用性。
发明内容
本发明要解决的技术问题是：针对现有技术的上述问题，提供一种用于电力仪表的图像识别方法及系统，本发明基于电力机器人采集到的变电站仪表设备图像，采用深度学习的方法实现仪表的自动识别和定位，能够快速高效地实现对变电站中不同类型的仪表进行定位，对电力设备的运维，有着非常重要的现实意义。
为了解决上述技术问题，本发明采用的技术方案为：
一种用于电力仪表的图像识别方法，实施步骤包括：
1)获取待识别图像；
2)对待识别图像进行conv5卷积运算得到特征图；
3)基于卷积神经网络在特征图上生成候选区域框集合；
4)针对候选区域框集合进行过滤；
5)基于卷积神经网络对候选区域框集合进行目标识别与定位得到图像中的仪表区域框。
优选地，步骤3)中的卷积神经网络包括区域提议网络、特征提取网络、区域提取网络以及检测网络，区域提议网络的输入是任意大小的图片，输出是该图片上一系列可能包含目标的区域框，区域提议网络包括一个滑动窗口和两个全连接层，区域提议网络针对输入的图片进行conv5卷积运算得到特征图，在特征图上用一个n*n的滑动窗口对特征图上每一个位置进行滑动卷积运算，对每一个位置生成一个长度为256维的特征向量，由该特征向量表示该位置小窗口的深度特征，并将256维的特征向量作为两个全连接层的输入，一个全连接层负责预测分类得分，得到该位置小窗口属于目标/背景的概率值；另一个全连接层预测该位置附近实际包含目标的窗口相对于该位置小窗口的偏差，用两个方向上的平移和缩放值表示；特征提取网络用于对特征提取形成高层特征，最后用高层特征对候选区域进行分类和边框回归，特征提取网络首先用经过训练ILSVRC分类数据集得到的预先完成训练的ZFnet初始化区域提议网络，使用反向传播算法对区域提议网络的特征层和卷积层的权重进行调优；区域提取网络用于针对区域提议网络产生候选区域框使用反向传播算法对检测网络的特征层和卷积层的权重进行调优；检测网络用于对候选区域框集合进行目标识别与定位得到图像中的仪表区域框，检测网络也由预先训练的ZFnet初始化。
优选地，步骤3)中的卷积神经网络采用下述分步调试模式完成区域提取网络与特征提取网络的参数调优：S1、单独训练区域提议网络，训练区域提议网络的模型用预先训练的ZFnet进行初始化，采用端到端的方式来调整参数；S2、训练一个单独的特征提取网络，训练特征提取网络用的候选区域框来自区域提议网络，模型初始化采用ZFnet模型，且步骤S1和S2都是单独训练，没有共享的部分；S3、用特征提取网络的参数来初始化特征提议模型，训练的时候固定卷积层，只调整属于区域提议网络的参数，此时区域提取网络与特征提取网络两个网络有了共享的卷积层；S4、保持共享的卷积层固定，用S3调整后的区域提议网络输出的区域建议作为输入，微调特征提取网络剩下的参数，这样就完成了参数调优的过程。
优选地，检测网络对候选区域框集合进行目标识别与定位的详细步骤包括：取出特征图上候选区域框内的特征形成高维特征向量，针对待识别图像进行conv5卷积运算得到特征图，取出候选区域在特征图上对应的深度特征向量，将256个通道内的全部特征串联形成一个高维特征向量，然后由检测网络通过softmax函数计算计算类别得分，softmax函数结果表示候选区域属于某个类别的概率，最后通过边框回归预测更合适的目标外围框位置，得到图像中的仪表区域框。
优选地，步骤4)针对候选区域框集合进行过滤的详细步骤包括：
4.1)针对候选区域框集合中的候选区域框，根据分类器类别分类概率做排序；
4.2)遍历选择最大分类概率的候选区域框作为当前候选区域框；
4.3)分别计算当前候选区域框和其余候选区域框的重叠度，如果任意其余候选区域框和当前候选区域框的重叠度大于设定的阈值，则将该其余候选区域框舍弃；否则，则将该其余候选区域框保留；
4.4)判断是否存在下一个最大分类概率的候选区域框，如果存在则遍历选择最大分类概率的候选区域框，跳转执行步骤4.3)；否则，跳转执行步骤4.5)；
4.5)将被保留的候选区域框作为过滤后留下的候选区域框。
优选地，步骤4.3)中重叠度的计算函数表达式如式(2)所示；
IOU＝(A∩B)/(A∪B) (2)
式(2)中，IOU表示候选区域框A和候选区域框B的重叠度，A∩B表示候选区域框A和候选区域框B的交集面积，A∪B表示候选区域框A和候选区域框B的并集面积。
本发明还提供一种用于电力仪表的图像识别系统，包括计算机设备，所述计算机设备被编程以执行本发明前述用于电力仪表的图像识别方法的步骤。
本发明用于电力仪表的图像识别方法具有下述优点：本发明获取待识别图像，对待识别图像进行conv5卷积运算得到特征图，基于卷积神经网络在特征图上生成候选区域框集合，针对候选区域框集合进行过滤，基于卷积神经网络对候选区域框集合进行目标识别与定位得到图像中的仪表区域框。本发明基于电力机器人采集到的变电站仪表设备图像，采用深度学习的方法实现仪表的自动识别和定位，能够快速高效地实现对变电站中不同类型的仪表进行定位，对电力设备的运维，有着非常重要的现实意义。
本发明用于电力仪表的图像识别系统为本发明用于电力仪表的图像识别方法对应的系统，其同样也具有本发明用于电力仪表的图像识别方法的前述优点，故在此不再赘述。
附图说明
图1为本发明实施例的基本流程示意图。
图2为本发明实施例中区域提议网络、特征提取网络的关系示意图。
图3为本发明实施例的第1个识别结果示意图。
图4为本发明实施例的第2个识别结果示意图。
图5为本发明实施例的第3个识别结果示意图。
具体实施方式
如图1所示，本实施例用于电力仪表的图像识别方法的实施步骤包括：
1)获取待识别图像；
2)对待识别图像进行conv5卷积运算得到特征图；
3)基于卷积神经网络在特征图上生成候选区域框集合；
4)针对候选区域框集合进行过滤；
5)基于卷积神经网络对候选区域框集合进行目标识别与定位得到图像中的仪表区域框。
本实施例中，步骤3)中的卷积神经网络包括区域提议网络、特征提取网络、区域提取网络以及检测网络，区域提议网络的输入是任意大小的图片，输出是该图片上一系列可能包含目标的区域框，区域提议网络包括一个滑动窗口和两个全连接层，区域提议网络针对输入的图片进行conv5卷积运算(窗口为5的卷积运算)得到特征图，在特征图上用一个n*n的滑动窗口对特征图上每一个位置进行滑动卷积运算，对每一个位置生成一个长度为256维的特征向量，由该特征向量表示该位置小窗口的深度特征，并将256维的特征向量作为两个全连接层的输入，一个全连接层负责预测分类得分，得到该位置小窗口属于目标/背景的概率值；另一个全连接层预测该位置附近实际包含目标的窗口相对于该位置小窗口的偏差，用两个方向上的平移和缩放值表示；特征提取网络用于对特征提取形成高层特征，最后用高层特征对候选区域进行分类和边框回归，特征提取网络首先用经过训练ILSVRC分类数据集得到的预先完成训练的ZFnet初始化区域提议网络，使用反向传播算法对区域提议网络的特征层和卷积层的权重进行调优；区域提取网络用于针对区域提议网络产生候选区域框使用反向传播算法对检测网络的特征层和卷积层的权重进行调优；检测网络用于对候选区域框集合进行目标识别与定位得到图像中的仪表区域框，检测网络也由预先训练的ZFnet初始化。
本实施例中，卷积神经网络的训练数据来自机器人采集变电站内仪表图像，主要包括油温表、油枕表、SF6压力表等类型。机器人采集变电站内仪表图像后，经人工整理样本图像，并对仪表的图像进行分类。以机器人采集变电站内仪表图像为基础，挑选油温表、油枕表、SF6压力表图像并手动标记在图像中的位置与标签，构造第一级数据集合。为了增加数据集合的数量，使用翻转、缩放等手段进行数据集的扩展，实现部件的多样化处理，形成第二级数据集合。第二级数据集合即可用于卷积神经网络的训练。
本实施例中，步骤3)中的卷积神经网络采用下述分步调试模式完成区域提取网络与特征提取网络的参数调优：S1、单独训练区域提议网络，训练区域提议网络的模型用预先训练的ZFnet进行初始化，采用端到端的方式来调整参数；S2、训练一个单独的特征提取网络，训练特征提取网络用的候选区域框来自区域提议网络，模型初始化采用ZFnet模型，且步骤S1和S2都是单独训练，没有共享的部分；S3、用特征提取网络的参数来初始化特征提议模型，训练的时候固定卷积层，只调整属于区域提议网络的参数，此时特征提取网络与区域提议网络两个网络有了共享的卷积层，如图2所示；S4、保持共享的卷积层固定，用S3调整后的区域提议网络输出的区域建议作为输入，微调特征提取网络剩下的参数，这样就完成了参数调优的过程。参见图2，特征提取网络包括依次相连的共享卷积层、特有卷积层，共享卷积层为和区域提议网络共有，特有卷积层则为特征提取网络独有，特征提取网络针对输入的图片机械能两次卷积后得到特征图，然后经过ROI池化层进行池化，最后经过全连接层处理后，即可进行分类得分和边框回归。
本实施例中，检测网络对候选区域框集合进行目标识别与定位的详细步骤包括：取出特征图上候选区域框内的特征形成高维特征向量，针对待识别图像进行conv5卷积运算得到特征图，取出候选区域在特征图上对应的深度特征向量，将256个通道内的全部特征串联形成一个高维特征向量，然后由检测网络通过softmax函数计算计算类别得分，softmax函数结果表示候选区域属于某个类别的概率，最后通过边框回归预测更合适的目标外围框位置，得到图像中的仪表区域框。softmax函数σi(z)定义如下：
式(1)中，i代表从1到m的类别数，z代表网络在某一类别上提取的激励值。例如zi代表网络在类别i上提取的激励值，zj代表网络在类别i上提取的激励值。
本实施例中，步骤4)针对候选区域框集合进行过滤的目的是为了在这些候选区域框中找到最适合的候选区域框，本实施例中通过非极大值抑制的方法以迭代的形式，不断的用最大得分的候选区域框去与其他候选区域框做重叠度计算操作，并过滤那些重叠度较大，即交集较大的候选区域框，最后保留得分较高的前M个候选区域框。本实施例中，步骤4)针对候选区域框集合进行过滤的详细步骤包括：
4.1)针对候选区域框集合中的候选区域框，根据分类器类别分类概率做排序；
4.2)遍历选择最大分类概率的候选区域框作为当前候选区域框；
4.3)分别计算当前候选区域框和其余候选区域框的重叠度，如果任意其余候选区域框和当前候选区域框的重叠度大于设定的阈值，则将该其余候选区域框舍弃；否则，则将该其余候选区域框保留；
4.4)判断是否存在下一个最大分类概率的候选区域框，如果存在则遍历选择最大分类概率的候选区域框，跳转执行步骤4.3)；否则，跳转执行步骤4.5)；
4.5)将被保留的候选区域框作为过滤后留下的候选区域框。
本实施例中，步骤4.3)中重叠度的计算函数表达式如式(2)所示；
IOU＝(A∩B)/(A∪B) (2)
式(2)中，IOU表示候选区域框A和候选区域框B的重叠度，A∩B表示候选区域框A和候选区域框B的交集面积，A∪B表示候选区域框A和候选区域框B的并集面积。
假设有6个候选框，根据分类器类别分类概率做排序，从小到大分别属于电力仪表的概率分别为A、B、C、D、E、F。1、从最大概率矩形框F开始，分别判断A～E与F的重叠度IOU是否大于设定的阈值。2、假设B、D与F的重叠度超过阈值，那么就舍弃B、D；并标记保留第一个矩形框F。3、从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于设定的阈值，那么就舍弃；并标记E是保留下来的第二个矩形框。4、一直重复这个过程，找到所有曾经被保留下来的矩形框。5、从保留下来的矩形框中选取得分较高的前M个框作为最终的候选区域框。
通过本实施例前述用于电力仪表的图像识别方法，可以对变电站电力仪表的图像快速标注出其中仪表的区域框位置，如图3、图4和图5所示。综上所述，本实施例前述用于电力仪表的图像识别方法基于电力机器人采集到的变电站仪表设备图像，采用深度学习的方法实现仪表的自动识别和定位，能够快速高效地实现对变电站中不同类型的仪表进行定位，对电力设备的运维，有着非常重要的现实意义。
本实施例还提供一种用于电力仪表的图像识别系统，包括计算机设备，所述计算机设备被编程以执行本实施例前述用于电力仪表的图像识别方法的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种用于电力仪表的图像识别方法，其特征在于实施步骤包括：
1)获取待识别图像；
2)对待识别图像进行conv5卷积运算得到特征图；
3)基于卷积神经网络在特征图上生成候选区域框集合；
4)针对候选区域框集合进行过滤；
5)基于卷积神经网络对候选区域框集合进行目标识别与定位得到图像中的仪表区域框。
2.根据权利要求1所述的用于电力仪表的图像识别方法，其特征在于，步骤3)中的卷积神经网络包括区域提议网络、特征提取网络、区域提取网络以及检测网络，区域提议网络的输入是任意大小的图片，输出是该图片上一系列可能包含目标的区域框，区域提议网络包括一个滑动窗口和两个全连接层，区域提议网络针对输入的图片进行conv5卷积运算得到特征图，在特征图上用一个n*n的滑动窗口对特征图上每一个位置进行滑动卷积运算，对每一个位置生成一个长度为256维的特征向量，由该特征向量表示该位置小窗口的深度特征，并将256维的特征向量作为两个全连接层的输入，一个全连接层负责预测分类得分，得到该位置小窗口属于目标/背景的概率值；另一个全连接层预测该位置附近实际包含目标的窗口相对于该位置小窗口的偏差，用两个方向上的平移和缩放值表示；特征提取网络用于对特征提取形成高层特征，最后用高层特征对候选区域进行分类和边框回归，特征提取网络首先用经过训练ILSVRC分类数据集得到的预先完成训练的ZFnet初始化区域提议网络，使用反向传播算法对区域提议网络的特征层和卷积层的权重进行调优；区域提取网络用于针对区域提议网络产生候选区域框使用反向传播算法对检测网络的特征层和卷积层的权重进行调优；检测网络用于对候选区域框集合进行目标识别与定位得到图像中的仪表区域框，检测网络也由预先训练的ZFnet初始化。
3.根据权利要求2所述的用于电力仪表的图像识别方法，其特征在于，步骤3)中的卷积神经网络采用下述分步调试模式完成区域提取网络与特征提取网络的参数调优：S1、单独训练区域提议网络，训练区域提议网络的模型用预先训练的ZFnet进行初始化，采用端到端的方式来调整参数；S2、训练一个单独的特征提取网络，训练特征提取网络用的候选区域框来自区域提议网络，模型初始化采用ZFnet模型，且步骤S1和S2都是单独训练，没有共享的部分；S3、用特征提取网络的参数来初始化特征提议模型，训练的时候固定卷积层，只调整属于区域提议网络的参数，此时区域提取网络与特征提取网络两个网络有了共享的卷积层；S4、保持共享的卷积层固定，用S3调整后的区域提议网络输出的区域建议作为输入，微调特征提取网络剩下的参数，这样就完成了参数调优的过程。
4.根据权利要求2所述的用于电力仪表的图像识别方法，其特征在于，检测网络对候选区域框集合进行目标识别与定位的详细步骤包括：取出特征图上候选区域框内的特征形成高维特征向量，针对待识别图像进行conv5卷积运算得到特征图，取出候选区域在特征图上对应的深度特征向量，将256个通道内的全部特征串联形成一个高维特征向量，然后由检测网络通过softmax函数计算计算类别得分，softmax函数结果表示候选区域属于某个类别的概率，最后通过边框回归预测更合适的目标外围框位置，得到图像中的仪表区域框。
5.根据权利要求1～4中任意一项所述的用于电力仪表的图像识别方法，其特征在于，步骤4)针对候选区域框集合进行过滤的详细步骤包括：
4.1)针对候选区域框集合中的候选区域框，根据分类器类别分类概率做排序；
4.2)遍历选择最大分类概率的候选区域框作为当前候选区域框；
4.3)分别计算当前候选区域框和其余候选区域框的重叠度，如果任意其余候选区域框和当前候选区域框的重叠度大于设定的阈值，则将该其余候选区域框舍弃；否则，则将该其余候选区域框保留；
4.4)判断是否存在下一个最大分类概率的候选区域框，如果存在则遍历选择最大分类概率的候选区域框，跳转执行步骤4.3)；否则，跳转执行步骤4.5)；
4.5)将被保留的候选区域框作为过滤后留下的候选区域框。
6.根据权利要求5所述的用于电力仪表的图像识别方法，其特征在于，步骤4.3)中重叠度的计算函数表达式如式(2)所示；
IOU＝(A∩B)/(A∪B) (2)
式(2)中，IOU表示候选区域框A和候选区域框B的重叠度，A∩B表示候选区域框A和候选区域框B的交集面积，A∪B表示候选区域框A和候选区域框B的并集面积。
7.一种用于电力仪表的图像识别系统，包括计算机设备，其特征在于：所述计算机设备被编程以执行权利要求1～6中任意一项所述用于电力仪表的图像识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810330938.8A CN108537222A (zh) | 2018-04-13 | 2018-04-13 | 一种用于电力仪表的图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810330938.8A CN108537222A (zh) | 2018-04-13 | 2018-04-13 | 一种用于电力仪表的图像识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108537222A true CN108537222A (zh) | 2018-09-14 |
Family
ID=63480304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810330938.8A Pending CN108537222A (zh) | 2018-04-13 | 2018-04-13 | 一种用于电力仪表的图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537222A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840497A (zh) * | 2019-01-30 | 2019-06-04 | 华南理工大学 | 一种基于深度学习的指针式水表读数检测方法 |
| CN109934221A (zh) * | 2019-02-22 | 2019-06-25 | 山东大学 | 基于注意力机制的电力设备自动分析识别监控方法及系统 |
| CN109977952A (zh) * | 2019-03-27 | 2019-07-05 | 深动科技（北京）有限公司 | 基于局部最大值的候选目标检测方法 |
| CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
| CN110110733A (zh) * | 2019-05-15 | 2019-08-09 | 深圳供电局有限公司 | 指针式仪表读数方法、装置、计算机设备和存储介质 |
| CN110232376A (zh) * | 2019-06-11 | 2019-09-13 | 重庆邮电大学 | 一种利用投影回归的齿轮式数字仪表识别方法 |
| CN111428987A (zh) * | 2020-03-20 | 2020-07-17 | 广东电网有限责任公司 | 一种基于人工智能的继保装置图像识别方法和系统 |
| WO2020191668A1 (en) * | 2019-03-27 | 2020-10-01 | Hangzhou Fabu Technology Co. Ltd | Proposal processing method and related products |
| CN112989098A (zh) * | 2021-05-08 | 2021-06-18 | 北京智源人工智能研究院 | 一种图像类侵权实体自动化检索方法、装置和电子设备 |
| CN113743397A (zh) * | 2021-11-08 | 2021-12-03 | 深圳市信润富联数字科技有限公司 | 工业仪表的数据处理方法、系统、终端设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
-
2018
- 2018-04-13 CN CN201810330938.8A patent/CN108537222A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 |
| CN106877237A (zh) * | 2017-03-16 | 2017-06-20 | 天津大学 | 一种基于航拍图像的检测输电线路中绝缘子缺失的方法 |
Non-Patent Citations (4)
| Title |
|---|
| YOULI_WYP: "《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks(更快的RCNN：通过区域提议网络实现实时)》", 《HTTPS://BLOG.CSDN.NET/U011326478/ARTICLE/DETAILS/52872614》 * |
| ZHANG_SHUAI12: "《物体检测中常用的几个概念迁移学习、IOU、NMS理解》", 《HTTPS://BLOG.CSDN.NET/ZHANG_SHUAI12/ARTICLE/DETAILS/52716952》 * |
| 王万国 等: "《基于RCNN的无人机巡检图像电力小部件识别研究》", 《地球信息科学》 * |
| 邢浩强 等: "《变电站指针式仪表检测与识别方法》", 《仪器仪表学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840497A (zh) * | 2019-01-30 | 2019-06-04 | 华南理工大学 | 一种基于深度学习的指针式水表读数检测方法 |
| CN109934221A (zh) * | 2019-02-22 | 2019-06-25 | 山东大学 | 基于注意力机制的电力设备自动分析识别监控方法及系统 |
| CN113474785A (zh) * | 2019-03-27 | 2021-10-01 | 杭州飞步科技有限公司 | 提取处理方法及相关产品 |
| CN109977952A (zh) * | 2019-03-27 | 2019-07-05 | 深动科技（北京）有限公司 | 基于局部最大值的候选目标检测方法 |
| WO2020191668A1 (en) * | 2019-03-27 | 2020-10-01 | Hangzhou Fabu Technology Co. Ltd | Proposal processing method and related products |
| US10909417B2 (en) | 2019-03-27 | 2021-02-02 | Hangzhou Fabu Technology Co.. Ltd. | Proposal processing method and related products |
| CN113474785B (zh) * | 2019-03-27 | 2023-10-27 | 杭州飞步科技有限公司 | 用于目标检测的区域提取处理方法及相关产品 |
| CN109977952B (zh) * | 2019-03-27 | 2021-10-22 | 深动科技（北京）有限公司 | 基于局部最大值的候选目标检测方法 |
| CN110097018A (zh) * | 2019-05-08 | 2019-08-06 | 深圳供电局有限公司 | 变电站仪表检测方法、装置、计算机设备和存储介质 |
| CN110110733A (zh) * | 2019-05-15 | 2019-08-09 | 深圳供电局有限公司 | 指针式仪表读数方法、装置、计算机设备和存储介质 |
| CN110232376A (zh) * | 2019-06-11 | 2019-09-13 | 重庆邮电大学 | 一种利用投影回归的齿轮式数字仪表识别方法 |
| CN111428987A (zh) * | 2020-03-20 | 2020-07-17 | 广东电网有限责任公司 | 一种基于人工智能的继保装置图像识别方法和系统 |
| CN112989098B (zh) * | 2021-05-08 | 2021-08-31 | 北京智源人工智能研究院 | 一种图像类侵权实体自动化检索方法、装置和电子设备 |
| CN112989098A (zh) * | 2021-05-08 | 2021-06-18 | 北京智源人工智能研究院 | 一种图像类侵权实体自动化检索方法、装置和电子设备 |
| CN113743397A (zh) * | 2021-11-08 | 2021-12-03 | 深圳市信润富联数字科技有限公司 | 工业仪表的数据处理方法、系统、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537222A (zh) | 一种用于电力仪表的图像识别方法及系统 | |
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
| CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
| CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
| CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
| CN108615046A (zh) | 一种储粮害虫检测识别方法及装置 | |
| CN114299380A (zh) | 对比一致性学习的遥感图像语义分割模型训练方法及装置 | |
| CN105760835A (zh) | 一种基于深度学习的步态分割与步态识别一体化方法 | |
| CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
| CN108171196A (zh) | 一种人脸检测方法及装置 | |
| CN103324937A (zh) | 标注目标的方法和装置 | |
| CN113283282B (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
| CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| CN110059556A (zh) | 一种基于深度学习的变电站开关分合状态检测方法 | |
| CN108764134A (zh) | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 | |
| CN109146880A (zh) | 一种基于深度学习的电力设备检测方法 | |
| CN106326932A (zh) | 一种基于神经网络的电力巡线图像自动识别方法、装置 | |
| CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
| CN114120094A (zh) | 一种基于人工智能的水污染识别方法及系统 | |
| CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
| CN109460767A (zh) | 基于规则的凸印银行卡卡号分割与识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |