CN110097018A - 变电站仪表检测方法、装置、计算机设备和存储介质 - Google Patents

变电站仪表检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110097018A
CN110097018A CN201910383759.5A CN201910383759A CN110097018A CN 110097018 A CN110097018 A CN 110097018A CN 201910383759 A CN201910383759 A CN 201910383759A CN 110097018 A CN110097018 A CN 110097018A
Authority
CN
China
Prior art keywords
converting station
station instrument
network
image
detected
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
Application number
CN201910383759.5A
Other languages
English (en)
Inventor
黄安子
宁柏锋
吴石松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dingxin Information Technology Co Ltd
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Dingxin Information Technology Co Ltd
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dingxin Information Technology Co Ltd, Shenzhen Power Supply Bureau Co Ltd filed Critical Dingxin Information Technology Co Ltd
Priority to CN201910383759.5A priority Critical patent/CN110097018A/zh
Publication of CN110097018A publication Critical patent/CN110097018A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种变电站仪表检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测图像，将待检测图像输入至预先训练好的图片特征提取网络中，通过图片特征提取网络获取待检测图像的特征图；将特征图输入至预先训练好的区域提取网络中，通过区域提取网络获取待检测图像中变电站仪表的目标位置信息；从特征图中获取目标位置信息对应的区域特征图；将区域特征图输入至预先训练好的变电站仪表分类网络中，通过变电站仪表分类模型获取矩形框内变电站仪表的仪表类型。采用本方法能够实现对待检测图像中变电站仪表的检测，有效提高变电站仪表的准确率。

Description

变电站仪表检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种变电站仪表检测方法、装置、计算机设备和存储介质。
背景技术
电力系统的变电站有许多设备配置了仪表，如：气压表、温度表、油温表、避雷器表等。伴随着无人化变电站的推广，越来越多配合摄像头的智能图像识别算法来自动检测变电站的仪表，其中以SIFT算法、模板匹配算法为代表。SIFT算法是利用高斯卷积核与原图像卷积生成尺度空间图像，通过拟合三维二次函数确定关键点、计算关键点梯度得到种子点来生成SIFT特征向量，采用关键点SIFT特征向量的欧式距离进行匹配，定位仪表区域。而模板匹配算法是利用仪表表盘的形状特征，通过匹配或椭圆拟合确定仪表表盘在图像中的基本位置及区域范围。但是由于摄像头拍摄图像中的背景复杂以及变电站中各种设备与仪表在视觉上相似，传统的智能图像识别算法对变电站仪表检测准确率降低。
发明内容
基于此，有必要针对上述技术问题，提供一种变电站仪表检测方法、装置、计算机设备和存储介质。
一种变电站仪表检测方法，所述方法包括：
获取待检测图像，所述待检测图像为包含变电站仪表的图像；
将所述待检测图像输入至预先训练好的图片特征提取网络中，通过所述图片特征提取网络获取所述待检测图像的特征图；
将所述特征图输入至预先训练好的区域提取网络中，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息；
从所述特征图中获取所述目标位置信息对应的区域特征图；
将所述区域特征图输入至预先训练好的变电站仪表分类网络中，通过所述变电站仪表分类模型获取所述矩形框内变电站仪表的仪表类型。
在其中一个实施例中，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息的步骤，还包括：
根据所述目标位置信息在所述待检测图像中生成用于框选变电站仪表的矩形框。
在其中一个实施例中，所述获取待检测图像的步骤之前，还包括：
获取变电站仪表训练样本，以及所述变电站仪表训练样本对应的标注标签；
将所述变电站仪表训练样本输入至所述图片特征提取网络中，获取所述变电站仪表训练样本的样本特征图；
利用所述变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练；
保存训练后的区域生成网络中的特征参数，得到区域提取网络。
在其中一个实施例中，所述利用所述变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练的步骤，包括：
将所述样本特征图输入至区域生成网络中，通过所述区域生成网络获取样本位置信息；
根据所述样本位置信息与所述标注标签中的实际位置信息间的距离，建立损失函数；
以使所述损失函数最小化，利用反向梯度算法调整所述区域生成网络中的参数。
在其中一个实施例中，所述根据所述特征参数生成区域提取网络的步骤之后，还包括：
获取在所述样本特征图中所述实际位置信息对应的样本区域特征图；
将所述样本区域特征图输入至兴趣区域分类网络中，得到所述变电站仪表训练样本的分类结果；
根据所述标注标签中的变电站仪表的类型以及所述分类结果，对所述兴趣区域分类网络中的参数进行调整；
将调整后的兴趣区域分类网络确定为变电站仪表分类网络。
在其中一个实施例中，所述获取变电站仪表训练样本，以及所述变电站训练样本对应的标注标签的步骤，包括：
采集已知变电站仪表类型以及实际位置信息的多个变电站仪表图像，作为变电站仪表训练样本；
根据所述变电站仪表图像中变电站仪表的类型以及实际位置信息，生成所述变电站仪表训练样本的标注标签。
在其中一个实施例中，所述获取待检测图像的步骤，包括：
获取变电站仪表的检测视频；
从所述待检测视频中提取出包含变电站仪表的视频帧图像，作为待检测图像。
一种变电站仪表检测装置，所述装置包括：
待检测图像获取模块，用于获取待检测图像，所述待检测图像为包含变电站仪表的图像；
特征图获取模块，用于将所述待检测图像输入至预先训练好的图片特征提取网络中，通过所述图片特征提取网络获取所述待检测图像的特征图；
目标位置信息获取模块，用于将所述特征图输入至预先训练好的区域提取网络中，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息；
区域特征图获取模块，用于从所述特征图中获取所述目标位置信息对应的区域特征图；
仪表类型获取模块，用于将所述区域特征图输入至预先训练好的变电站仪表分类网络中，通过所述变电站仪表分类模型获取所述矩形框内变电站仪表的仪表类型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测图像，所述待检测图像为包含变电站仪表的图像；
将所述待检测图像输入至预先训练好的图片特征提取网络中，通过所述图片特征提取网络获取所述待检测图像的特征图；
将所述特征图输入至预先训练好的区域提取网络中，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息；
从所述特征图中获取所述目标位置信息对应的区域特征图；
将所述区域特征图输入至预先训练好的变电站仪表分类网络中，通过所述变电站仪表分类模型获取所述矩形框内变电站仪表的仪表类型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测图像，所述待检测图像为包含变电站仪表的图像；
将所述待检测图像输入至预先训练好的图片特征提取网络中，通过所述图片特征提取网络获取所述待检测图像的特征图；
将所述特征图输入至预先训练好的区域提取网络中，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息；
从所述特征图中获取所述目标位置信息对应的区域特征图；
将所述区域特征图输入至预先训练好的变电站仪表分类网络中，通过所述变电站仪表分类模型获取所述矩形框内变电站仪表的仪表类型。
上述变电站仪表检测方法、装置、计算机设备和存储介质，通过将所述待检测图像输入图片特征提取网络中获取待检测图像的特征图，将待检测图像的特征图输入至区域提取网络获取待检测图像中变电站仪表的目标位置信息，并将目标位置信息所在区域的区域特征图输入至预先训练好的变电站仪表分类网络中，获取所述矩形框内变电站仪表的仪表类，最终待检测图像中变电站仪表所在区域的位置信息并输出检测到的变电站仪表类型，实现对待检测图像中变电站仪表的检测，在保证变电站仪表的检测准确性的同时，有效提高了绝缘子的检测效率。
附图说明
图1为一个实施例中变电站仪表检测方法的应用场景图；
图2为一个实施例中变电站仪表检测方法的流程示意图；
图3为一个实施例中变电站仪表检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的变电站仪表检测方法，可以应用于如图1所示的应用环境中。其中，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变电站仪表检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是外接的键盘、触控板或鼠标等。
在一个实施例中，如图2所示，提供了一种变电站仪表检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S210：获取待检测图像，待检测图像为包含变电站仪表的图像。
本步骤中，待检测图像可以是通过巡检机器人或摄像头实时拍摄的原始图像数据，也可以是摄像头拍摄到的视频中的获取到的单帧图像数据。
步骤S220：将待检测图像输入至预先训练好的图片特征提取网络中，通过图片特征提取网络获取待检测图像的特征图。
本步骤中，图片特征提取网络为服务器预先使用图像样本进行训练的神经网络模型，其中图像样本可以是已知变电站仪表位置以及类型的变电站仪表图像，也可以是网上公开的ImageNet图像库中的图像。
服务器将待检测图像输入至图片特征提取网络后，与图片特征提取网络中各层卷积层、池化层进行运算处理，得到一个表征待检测图像的特征图。
步骤S230：将特征图入至预先训练好的区域提取网络中，通过区域提取网络获取待检测图像中变电站仪表的目标位置信息。
本步骤中，目标位置信息包括坐标信息，可以是框选变电站仪表的矩形框的四个顶点坐标。区域提取网络获取图片特征提取网络输出的特征图，对特征图进行特征数据处理，输出最可能包含变电站仪表区域的目标位置信息。
步骤S240：从特征图中获取目标位置信息对应的区域特征图。
本步骤中，服务器根据目标位置信息，从特征图中获取待检测图像中变电站仪表所在区域对应的区域特征图。具体的，目标位置信息可以是框选变电站仪表的矩形框的四个顶点坐标，服务器可以根据目标坐标信息，从待检测图像的特征图中获取该矩形框所框选区域对应的区域特征图，从而为后续进行变电站仪表分类提供特征数据信息，提高变电站仪表类型识别的准确性。
步骤S250：将区域特征图输入至预先训练好的变电站仪表分类网络中，通过变电站仪表分类模型获取矩形框内变电站仪表的仪表类型。
本步骤中，变电站仪表分类网络预先将图像的特征数据设置为输入项，将图像中变电站仪表对应的类型设置为输出项；服务器获取到区域特征图后，将区域特征图输入值变电站仪表分类网络，由变电站仪表分类网络对区域特征图进行数据分析，最终输出区域特征图对应的变电站仪表类型。通过将变电站仪表所在区域对应的区域特征图输入至变电站仪表分类网络中进行变电站仪表类型的识别，有效减少特征数据的处理量，提高变电站仪表类型识别的速率。
上述变电站仪表检测方法中，通过将待检测图像输入图片特征提取网络中获取待检测图像的特征图，将待检测图像的特征图输入至区域提取网络获取待检测图像中变电站仪表的目标位置信息，将目标位置信息所在区域的区域特征图输入至预先训练好的变电站仪表分类网络中，获取目标位置信息所在区域的变电站仪表的仪表类型，最终输出待检测图像中变电站仪表所在区域的目标位置信息以及变电站仪表类型，实现对待检测图像中变电站仪表的检测，消除手工设计特征无法准确区分仪表和背景中类似物体的问题，有效提高变电站仪表的准确率。
在一个实施例中，通过区域提取网络获取待检测图像中变电站仪表的目标位置信息的步骤，还包括：根据目标位置信息在待检测图像中生成用于框选变电站仪表的矩形框。
本实施例中，服务器根据目标坐标信息生成一个矩形框框选变电站仪表区域，在输出待检测图像时，待检测图像上的变电站仪表通过矩形框框选，为用户提供清晰明了的变电站仪表位置信息，同时可以从待检测图像的特征图中获取矩形框所框选区域对应的区域特征图，为后续进行变电站仪表分类提供特征数据信息，提高变电站仪表类型识别的准确性。
在一个实施例中，获取待检测图像的步骤之前，还包括：获取变电站仪表训练样本，以及变电站仪表训练样本对应的标注标签；将变电站仪表训练样本输入至图片特征提取网络中，获取变电站仪表训练样本的样本特征图；利用变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练；保存训练后的区域生成网络中的特征参数，得到训练好的区域提取网络。
本实施例为区域提取网络的训练过程，区域生成网络可以选用RPN网络(regionproposal network)，变电站仪表训练样本可以使用以往收集的大量巡检机器人或摄像头拍摄的图像；通过获取变电站仪表训练样本以及变电站仪表训练样本对应的标注标签，利用预先训练的图片特征提取网络获取变电站仪表训练样本的样本特征图，使用样本特征图及其对应的标注标签对区域生成网络进行训练，并将训练后的区域生成网络中的特征参数中，用于后向计算的参数剔除，保留用于前向计算的参数，得到训练好的区域提取网络，有效缩小该网络的体积，其中区域提取网络的训练无需手工设计特征，有效消除由于手工设计特征而导致无法准确区分变电站仪表和背景中类似物体的问题，提高区域提取网络识别变电站仪表位置信息的准确性。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表所在的实际位置信息，利用变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练的步骤，包括：将样本特征图输入至区域生成网络中，通过区域生成网络获取样本位置信息；根据样本位置信息与标注标签中的实际位置信息间的距离，建立损失函数；以使损失函数最小化，利用反向梯度算法调整区域生成网络中的参数。
本实施例中，服务器将变电站仪表训练样本的特征图输入值区域生成网络中，区域生成网络对特征图进行卷积、池化等操作后，输出预测的样本位置信息，根据预测获得的样本位置信息以及标注标签中实际位置信息间的距离作为优化目标，建立损失函数，并通过反向梯度算法调整区域生成网络中的参数，最终使得损失函数最小化，完成区域生成网络的训练，得到区域提取网络，提高区域生成网络输出的预测位置信息与实际位置信息的一致性，从而提高区域提取网络对变电站仪表检测的准确性。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表类型，根据特征参数生成区域提取网络的步骤之后，还包括：获取在样本特征图中实际位置信息对应的样本区域特征图；将样本区域特征图输入至兴趣区域分类网络中，得到变电站仪表训练样本的分类结果；根据标注标签中的变电站仪表的类型以及分类结果，对兴趣区域分类网络中的参数进行调整；将调整后的兴趣区域分类网络确定为变电站仪表分类网络。
本实施例中，兴趣区域分类网络可以选用Roi Pooling(region of interest池化层)，服务器从变电站仪表训练样本对应的标注标签确定实际位置信息，从而从样本特征图中获取对应的样本区域特征图，通过将样本区域特征图以及标注标签中的变电站仪表类型，对兴趣区域分类网络进行有监督训练，将训练后的兴趣区域分类问了确定为变电站仪表分类网络，提高变电站仪表类型识别的准确性，其中神经网络模型无需手工设计特征，有效消除手工设计特征无法准确区分变电站仪表和背景中类似物体的问题。
在一个实施例中，获取变电站仪表训练样本，以及变电站训练样本对应的标注标签的步骤，包括：采集已知变电站仪表类型以及实际位置信息的多个变电站仪表图像，作为变电站仪表训练样本；根据变电站仪表图像中变电站仪表的类型以及实际位置信息，生成变电站仪表训练样本的标注标签；
本实施例中，标注标签与变电站仪表训练样本一一对应，标注标签中记录相应变电站仪表训练样本中变电站仪表的实际位置信息以及变电站仪表类型(例如电压表、电流表油温表等)，实际位置信息可以包括绝变电站仪表表盘所在的最小外接矩形框的坐标(xmin,ymin,xmax,ymax)，其中(xmin,ymin)表示矩形框的某顶点的坐标，(xmax,ymax)表示矩形框中与上述顶点不相邻的另一个顶点的坐标(如对角的顶点)，即坐标(xmin,ymin,xmax,ymax)可以唯一确定一个矩形框。此外，标注标签还可以记录相应训练样本的图片名称、图片路径、图片宽度和高度等信息，这样便可以依据上述标注标签获取相应变电站仪表训练样本的完整描述信息。上述标签文件的格式可以为符合PASCAL VOC格式的xml(可扩展标记语言)，以保证其所记录的变电站仪表等信息在读取过程中的便利性，该变电站仪表训练样本和xml格式的标注标签可用于后续绝缘子检测模型的训练过程，能够被高效读取。
在一个实施例中，获取待检测图像的步骤，包括：获取变电站仪表的检测视频；从检测视频中提取出包含变电站仪表的视频帧图像作为待检测图像。
本实施例中，待检测图像可以从通过巡检机器人或摄像头实时拍摄的实时视频中提取。通过对获取到的待检测视频中各视频帧提取图片数据，确定为待检测图像，实现实时检测视频中的变电站仪表。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种变电站仪表检测装置，包括：待检测图像获取模块310、特征图获取模块320、目标位置信息获取模块330、区域特征图获取模块340和仪表类型获取模块350，其中：
待检测图像获取模块310，用于获取待检测图像，待检测图像为包含变电站仪表的图像；
特征图获取模块320，用于将待检测图像输入至预先训练好的图片特征提取网络中，通过图片特征提取网络得到待检测图像的特征图；
目标位置信息获取模块330，用于将特征图入至预先训练好的区域提取网络中，通过区域提取网络获取待检测图像中变电站仪表的目标位置信息；
区域特征图获取模块340，用于从特征图中获取目标位置信息对应的区域特征图；
仪表类型获取模块350，用于将区域特征图输入至预先训练好的变电站仪表分类网络中，通过变电站仪表分类模型获取矩形框内变电站仪表的仪表类型。
在一个实施例中，目标位置信息获取模块还用于根据目标位置信息在待检测图像中生成用于框选变电站仪表的矩形框。
在一个实施例中，变电站仪表检测装置还包括模型训练模块，用于获取变电站仪表训练样本，以及变电站仪表训练样本对应的标注标签；将变电站仪表训练样本输入至图片特征提取网络中，获取变电站仪表训练样本的样本特征图；利用变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练；保存训练后的区域生成网络中的特征参数，得到训练好的区域提取网络。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表所在的实际位置信息，模型训练模块，用于将样本特征图输入至区域生成网络中，通过区域生成网络获取样本位置信息；根据样本位置信息与标注标签中的实际位置信息间的距离，建立损失函数；以使损失函数最小化，利用反向梯度算法调整区域生成网络中的参数。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表类型，模型训练模块，还用于获取在样本特征图中实际位置信息对应的样本区域特征图；将样本区域特征图输入至兴趣区域分类网络中，得到变电站仪表训练样本的分类结果；根据标注标签中的变电站仪表的类型以及分类结果，对兴趣区域分类网络中的参数进行调整；将调整后的兴趣区域分类网络确定为变电站仪表分类网络。
在一个实施例中，模型训练模块，用于采集已知变电站仪表类型以及实际位置信息的多个变电站仪表图像，作为变电站仪表训练样本；根据变电站仪表图像中变电站仪表的类型以及实际位置信息，生成变电站仪表训练样本的标注标签。
在一个实施例中，待检测图像获取模块，用于：获取变电站仪表的检测视频；从检测视频中提取出包含变电站仪表的视频帧图像，作为待检测图像。
关于变电站仪表检测装置的具体限定可以参见上文中对于变电站仪表检测方法的限定，在此不再赘述。上述变电站仪表检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测图像，待检测图像为包含变电站仪表的图像；
将待检测图像输入至预先训练好的图片特征提取网络中，通过图片特征提取网络得到待检测图像的特征图；
将特征图输入至预先训练好的区域提取网络中，通过区域提取网络获取待检测图像中变电站仪表的目标位置信息；
从特征图中获取目标位置信息对应的区域特征图；
将区域特征图输入至预先训练好的变电站仪表分类网络中，通过变电站仪表分类模型获取矩形框内变电站仪表的仪表类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标位置信息在待检测图像中生成用于框选变电站仪表的矩形框。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取变电站仪表训练样本，以及变电站仪表训练样本对应的标注标签；将变电站仪表训练样本输入至图片特征提取网络中，获取变电站仪表训练样本的样本特征图；利用变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练；保存训练后的区域生成网络中的特征参数，得到训练好的区域提取网络。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表所在的实际位置信息，处理器执行计算机程序实现利用变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练的步骤时，具体实现以下步骤：将样本特征图输入至区域生成网络中，通过区域生成网络获取样本位置信息；根据样本位置信息与标注标签中的实际位置信息间的距离，建立损失函数；以使损失函数最小化，利用反向梯度算法调整区域生成网络中的参数。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表类型，处理器执行计算机程序时还实现以下步骤：获取在样本特征图中实际位置信息对应的样本区域特征图；将样本区域特征图输入至兴趣区域分类网络中，得到变电站仪表训练样本的分类结果；根据标注标签中的变电站仪表的类型以及分类结果，对兴趣区域分类网络中的参数进行调整；将调整后的兴趣区域分类网络确定为变电站仪表分类网络。
在一个实施例中，处理器执行计算机程序实现获取变电站仪表训练样本，以及变电站训练样本对应的标注标签的步骤时，具体实现以下步骤：采集已知变电站仪表类型以及实际位置信息的多个变电站仪表图像，作为变电站仪表训练样本；根据变电站仪表图像中变电站仪表的类型以及实际位置信息，生成变电站仪表训练样本的标注标签。
在一个实施例中，处理器执行计算机程序实现获取待检测图像的步骤时，具体实现以下步骤：获取变电站仪表的检测视频；从包含变电站仪表的检测视频中提取出视频帧图像，作为待检测图像。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测图像，待检测图像为包含变电站仪表的图像；
将待检测图像输入至预先训练好的图片特征提取网络中，通过图片特征提取网络得到待检测图像的特征图；
将特征图输入至预先训练好的区域提取网络中，通过区域提取网络获取待检测图像中变电站仪表的目标位置信息；
从特征图中获取目标位置信息对应的区域特征图；
将区域特征图输入至预先训练好的变电站仪表分类网络中，通过变电站仪表分类模型获取矩形框内变电站仪表的仪表类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标位置信息在待检测图像中生成用于框选变电站仪表的矩形框。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取变电站仪表训练样本，以及变电站仪表训练样本对应的标注标签；将变电站仪表训练样本输入至图片特征提取网络中，获取变电站仪表训练样本的样本特征图；利用变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练；保存训练后的区域生成网络中的特征参数，得到训练好的区域提取网络。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表所在的实际位置信息，计算机程序被处理器执行实现利用变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练的步骤时，具体实现以下步骤：将样本特征图输入至区域生成网络中，通过区域生成网络获取样本位置信息；根据样本位置信息与标注标签中的实际位置信息间的距离，建立损失函数；以使损失函数最小化，利用反向梯度算法调整区域生成网络中的参数。
在一个实施例中，标注标签包括变电站仪表训练样本中变电站仪表类型，计算机程序被处理器执行时还实现以下步骤：获取在样本特征图中实际位置信息对应的样本区域特征图；将样本区域特征图输入至兴趣区域分类网络中，得到变电站仪表训练样本的分类结果；根据标注标签中的变电站仪表的类型以及分类结果，对兴趣区域分类网络中的参数进行调整；将调整后的兴趣区域分类网络确定为变电站仪表分类网络。
在一个实施例中，计算机程序被处理器执行实现获取变电站仪表训练样本，以及变电站训练样本对应的标注标签的步骤时，具体实现以下步骤：采集已知变电站仪表类型以及实际位置信息的多个变电站仪表图像，作为变电站仪表训练样本；根据变电站仪表图像中变电站仪表的类型以及实际位置信息，生成变电站仪表训练样本的标注标签。
在一个实施例中，计算机程序被处理器执行实现获取待检测图像的步骤时，具体实现以下步骤：获取变电站仪表的检测视频；从检测视频中提取出包含变电站仪表的视频帧图像，作为待检测图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种变电站仪表检测方法，其特征在于，所述方法包括：
获取待检测图像，所述待检测图像为包含变电站仪表的图像；
将所述待检测图像输入至预先训练好的图片特征提取网络中，通过所述图片特征提取网络获取所述待检测图像的特征图；
将所述特征图输入至预先训练好的区域提取网络中，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息；
从所述特征图中获取所述目标位置信息对应的区域特征图；
将所述区域特征图输入至预先训练好的变电站仪表分类网络中，通过所述变电站仪表分类模型获取所述矩形框内变电站仪表的仪表类型。
2.根据权利要求1所述的方法，其特征在于，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息的步骤之后，还包括：
根据所述目标位置信息在所述待检测图像中生成用于框选变电站仪表的矩形框。
3.根据权利要求1所述的方法，其特征在于，所述获取待检测图像的步骤之前，还包括：
获取变电站仪表训练样本，以及所述变电站仪表训练样本对应的标注标签；
将所述变电站仪表训练样本输入至所述图片特征提取网络中，获取所述变电站仪表训练样本的样本特征图；
利用所述变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练；
保存训练后的区域生成网络中的特征参数，得到训练好的区域提取网络。
4.根据权利要求2所述的方法，其特征在于，标注标签包括变电站仪表训练样本中变电站仪表所在的实际位置信息，所述利用所述变电站仪表训练样本的样本特征图以及标注标签，对预先构建的区域生成网络进行有监督训练的步骤，包括：
将所述样本特征图输入至区域生成网络中，通过所述区域生成网络获取样本位置信息；
根据所述样本位置信息与所述标注标签中的实际位置信息间的距离，建立损失函数；
以使所述损失函数最小化，利用反向梯度算法调整所述区域生成网络中的参数。
5.根据权利要求3所述的方法，其特征在于，标注标签包括变电站仪表训练样本中变电站仪表类型，所述根据所述特征参数生成区域提取网络的步骤之后，还包括：
获取在所述样本特征图中所述实际位置信息对应的样本区域特征图；
将所述样本区域特征图输入至兴趣区域分类网络中，得到所述变电站仪表训练样本的分类结果；
根据所述标注标签中的变电站仪表的类型以及所述分类结果，对所述兴趣区域分类网络中的参数进行调整；
将调整后的兴趣区域分类网络确定为变电站仪表分类网络。
6.根据权利要求2所述的方法，其特征在于，所述获取变电站仪表训练样本，以及所述变电站训练样本对应的标注标签的步骤，包括：
采集已知变电站仪表类型以及实际位置信息的多个变电站仪表图像，作为变电站仪表训练样本；
根据所述变电站仪表图像中变电站仪表的类型以及实际位置信息，生成所述变电站仪表训练样本的标注标签。
7.根据权利要求1所述的方法，其特征在于，所述获取待检测图像的步骤，包括：
获取变电站仪表的检测视频；
从所述检测视频中提取出包含变电站仪表的视频帧图像，作为待检测图像。
8.一种变电站仪表检测装置，其特征在于，所述装置包括：
待检测图像获取模块，用于获取待检测图像，所述待检测图像为包含变电站仪表的图像；
特征图获取模块，用于将所述待检测图像输入至预先训练好的图片特征提取网络中，通过所述图片特征提取网络获取所述待检测图像的特征图；
目标位置信息获取模块，用于将所述特征图输入至预先训练好的区域提取网络中，通过所述区域提取网络获取所述待检测图像中变电站仪表的目标位置信息；
区域特征图获取模块，用于从所述特征图中获取所述目标位置信息对应的区域特征图；
仪表类型获取模块，用于将所述区域特征图输入至预先训练好的变电站仪表分类网络中，通过所述变电站仪表分类模型获取所述矩形框内变电站仪表的仪表类型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910383759.5A 2019-05-08 2019-05-08 变电站仪表检测方法、装置、计算机设备和存储介质 Pending CN110097018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910383759.5A CN110097018A (zh) 2019-05-08 2019-05-08 变电站仪表检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910383759.5A CN110097018A (zh) 2019-05-08 2019-05-08 变电站仪表检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110097018A true CN110097018A (zh) 2019-08-06

Family

ID=67447386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910383759.5A Pending CN110097018A (zh) 2019-05-08 2019-05-08 变电站仪表检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110097018A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929774A (zh) * 2019-11-18 2020-03-27 腾讯科技（深圳）有限公司 图像中目标物的分类方法、模型训练方法和装置
CN111241947A (zh) * 2019-12-31 2020-06-05 深圳奇迹智慧网络有限公司 目标检测模型的训练方法、装置、存储介质和计算机设备
CN111524108A (zh) * 2020-04-15 2020-08-11 四川赛康智能科技股份有限公司 一种变电站设备检测方法及设备
CN112102443A (zh) * 2020-09-15 2020-12-18 国网电力科学研究院武汉南瑞有限责任公司 一种适用于变电站设备巡检图像的标注系统及标注方法
CN113538570A (zh) * 2021-09-15 2021-10-22 南方电网数字电网研究院有限公司 电力设备的定位方法、装置、计算机设备和存储介质
CN113762192A (zh) * 2021-09-15 2021-12-07 南方电网数字电网研究院有限公司 基于网关与容器技术的设备检测方法、装置和网关设备
CN113792795A (zh) * 2021-09-15 2021-12-14 南方电网数字电网研究院有限公司 基于网关设备的变电站设备识别方法、装置和网关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372577A (zh) * 2016-08-23 2017-02-01 北京航空航天大学 一种基于深度学习的交通标志自动识别与标注方法
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN107133616A (zh) * 2017-04-02 2017-09-05 南京汇川图像视觉技术有限公司 一种基于深度学习的无分割字符定位与识别方法
CN108537222A (zh) * 2018-04-13 2018-09-14 湖南阳光电力科技有限公司 一种用于电力仪表的图像识别方法及系统
CN108764134A (zh) * 2018-05-28 2018-11-06 江苏迪伦智能科技有限公司 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372577A (zh) * 2016-08-23 2017-02-01 北京航空航天大学 一种基于深度学习的交通标志自动识别与标注方法
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN107133616A (zh) * 2017-04-02 2017-09-05 南京汇川图像视觉技术有限公司 一种基于深度学习的无分割字符定位与识别方法
CN108537222A (zh) * 2018-04-13 2018-09-14 湖南阳光电力科技有限公司 一种用于电力仪表的图像识别方法及系统
CN108764134A (zh) * 2018-05-28 2018-11-06 江苏迪伦智能科技有限公司 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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929774A (zh) * 2019-11-18 2020-03-27 腾讯科技（深圳）有限公司 图像中目标物的分类方法、模型训练方法和装置
CN110929774B (zh) * 2019-11-18 2023-11-14 腾讯科技（深圳）有限公司 图像中目标物的分类方法、模型训练方法和装置
CN111241947A (zh) * 2019-12-31 2020-06-05 深圳奇迹智慧网络有限公司 目标检测模型的训练方法、装置、存储介质和计算机设备
CN111524108A (zh) * 2020-04-15 2020-08-11 四川赛康智能科技股份有限公司 一种变电站设备检测方法及设备
CN112102443A (zh) * 2020-09-15 2020-12-18 国网电力科学研究院武汉南瑞有限责任公司 一种适用于变电站设备巡检图像的标注系统及标注方法
CN113538570A (zh) * 2021-09-15 2021-10-22 南方电网数字电网研究院有限公司 电力设备的定位方法、装置、计算机设备和存储介质
CN113762192A (zh) * 2021-09-15 2021-12-07 南方电网数字电网研究院有限公司 基于网关与容器技术的设备检测方法、装置和网关设备
CN113792795A (zh) * 2021-09-15 2021-12-14 南方电网数字电网研究院有限公司 基于网关设备的变电站设备识别方法、装置和网关设备

Similar Documents

Publication Publication Date Title
CN110097018A (zh) 变电站仪表检测方法、装置、计算机设备和存储介质
Wei et al. RPC: A large-scale retail product checkout dataset
WO2021047232A1 (zh) 交互行为识别方法、装置、计算机设备和存储介质
Gao et al. Counting from sky: A large-scale data set for remote sensing object counting and a benchmark method
CN111160269A (zh) 一种人脸关键点检测方法及装置
CN110309876A (zh) 目标检测方法、装置、计算机可读存储介质和计算机设备
Danelljan et al. Deep motion and appearance cues for visual tracking
CN111368766A (zh) 一种基于深度学习的牛脸检测与识别方法
CN109903272A (zh) 目标检测方法、装置、设备、计算机设备和存储介质
CN114841961B (zh) 基于图像增强和改进YOLOv5的小麦赤霉病检测方法
CN111832561B (zh) 基于计算机视觉的字符序列识别方法、装置、设备和介质
CN113706481A (zh) 精子质量检测方法、装置、计算机设备和存储介质
CN112418033B (zh) 基于mask rcnn神经网络的滑坡坡面分割识别方法
Sun et al. FBoT-Net: Focal bottleneck transformer network for small green apple detection
CN110287970B (zh) 一种基于cam与掩盖的弱监督物体定位方法
CN107368847A (zh) 一种作物叶部病害识别方法及系统
CN114913523B (zh) 基于yolox的植物气孔多功能实时智能识别系统
CN105913024A (zh) 基于lap算子的抵抗重放攻击的安卓手机终端检测方法
Chang et al. Improved deep learning-based approach for real-time plant species recognition on the farm
CN111178202B (zh) 目标检测方法、装置、计算机设备和存储介质
CN110781739B (zh) 提取行人特征的方法、装置、计算机设备和存储介质
JPH07168910A (ja) 文書レイアウト解析装置及び文書フォ−マット識別装置
Dong et al. ESA-Net: An efficient scale-aware network for small crop pest detection
CN113222887A (zh) 基于深度学习的纳米铁标记神经干细胞示踪的方法
Deng et al. A paddy field segmentation method combining attention mechanism and adaptive feature fusion

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
CB02 Change of applicant information

Address after: 518001 power dispatching communication building, No. 4020 Shennan East Road, Shenzhen, Guangdong, Luohu District

Applicant after: SHENZHEN POWER SUPPLY BUREAU Co.,Ltd.

Applicant after: DINGXIN INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 518000 Xinzhou Power Dispatching Building, No. 39, Central Road, Futian District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN POWER SUPPLY BUREAU Co.,Ltd.

Applicant before: DINGXIN INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20190806

RJ01 Rejection of invention patent application after publication