CN110175519B - 一种变电站的分合标识仪表识别方法、装置与存储介质 - Google Patents
一种变电站的分合标识仪表识别方法、装置与存储介质 Download PDFInfo
- Publication number
- CN110175519B CN110175519B CN201910322416.8A CN201910322416A CN110175519B CN 110175519 B CN110175519 B CN 110175519B CN 201910322416 A CN201910322416 A CN 201910322416A CN 110175519 B CN110175519 B CN 110175519B
- Authority
- CN
- China
- Prior art keywords
- image
- training
- nomination
- characteristic
- split
- 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.)
- Active
Links
- 238000000926 separation method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站的分合标识仪表识别方法、装置与存储介质,该方法包括:采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框。该方法通过构建图像识别模型,在减少人工识别的工作量情况下,可以有效准确地识别分合标识仪表的工作状态,实时指示电力线路运行状态,保证电力系统的安全运行。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种变电站的分合标识仪表识别方法、装置与存储介质。
背景技术
随着南方电网规模的不断扩大,电力系统的安全运维工作难度日益增大。变电站作为电网的重要组成部分,其良好的运行状态是确保电网安全运行的关键因素之一。分合标识仪表是变电站特定巡检设备之一,能够实时指示电力线路运行状态,对于判断变电站是否安全运行、排查电力故障具有重要作用。由于相关的分合标识仪表通常相距较远,为实现统一监控,需要在后端获取标识图像并进行算法分析。
变电站的汉字式分合标识仪表状态包括“分”、“合”两种,由于“分”标识的背景通常为绿色,而“合”标识的背景通常为红色,因此,对此类汉字式分合标识仪表,传统的图像处理方法往往通过利用其颜色特征进行分合状态的判断。然而,在实际场景中,受光照、天气等外界环境的干扰,使用基于颜色特征的判别方法时,颜色阈值难以确定;SURF算法是一种快速的特征匹配算法,但使用SURF算法进行目标匹配需要选定模板,与待测图像进行比对,对待测图像中“分”、“合”标识的完整度要求较高,无法用于由于拍摄角度及其他原因导致的标识中汉字不全、形变的情况,即现有的技术方案还无法实时、准确地对变电站的分合标识仪表进行识别,判断其的工作状态,保证电力系统的安全运行。
发明内容
本发明的目的是提供一种变电站的分合标识仪表识别方法、装置与存储介质,能够有效准确地识别分合标识仪表的工作状态,实时指示电力线路运行状态,保证电力系统的安全运行。
本发明实施例提供一种变电站的分合标识仪表识别方法,包括:
采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;
将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;
从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框。
优选地,所述变电站的分合标识仪表识别方法,还包括:
对所述图像训练集和所述图像测试集进行文本标签处理,得到带有标签的图像训练集和图像测试集;其中,所述文本标签包括所述分合标识仪表的分合标识的分合状态。
优选地,所述预设的图像识别模型,通过以下步骤构建:
将Faster R-CNN网络模型作为基础网络模型,对所述带有标签的图像训练集进行特征提取并生成提名窗口;其中,所述Faster R-CNN网络模型包括区域提名网络和检测网络;
将所述提名窗口映射到所述Faster R-CNN网络模型的最后一层卷积特征图中,得到融合多个特征的特征融合图像;
将所述特征融合图像通过所述Faster R-CNN网络模型中的感兴趣区域池化层处理,生成具有固定每个感兴趣区域尺寸的训练特征图像;
以所述带有标签的图像训练集作为训练输入,以所述训练特征图像作为训练输出,按照预设的训练策略对所述区域提名网络和所述检测网络进行联合训练,得到检测模型;
构建门控选循环单元,以所述训练特征图像作为所述门控选循环单元的输入,对所述检测网络进行改进,经过预设的迭代次数训练后,使所述提名窗口中的特征融合所述训练特征图像的全局信息,得到所述图像识别模型。
优选地,所述预设的训练策略为交叉优化策略。
优选地,所述门控选循环单元包括更新门和重置门。
优选地,所述从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框,具体包括:
对所述候选框进行非极大值抑制算法处理,获取所述分合标识的最终检测框。
优选地,所述图像数据按所述分合标识仪表中1:1的分合状态进行采集。
本发明实施例还提供了一种变电站的分合标识仪表识别装置,包括:
训练样本采集模块,用于采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;
分合标识识别模块,用于将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;
最终检测框获取模块,用于从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框。
本发明实施例还提供了一种变电站的分合标识仪表识别装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的变电站的分合标识仪表识别方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的变电站的分合标识仪表识别方法。
相对于现有技术,本发明提供的一种变电站的分合标识仪表识别方法的有益效果在于:所述变电站的分合标识仪表识别方法,包括:采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框。该方法通过构建图像识别模型,在减少人工识别的工作量情况下,可以有效准确地识别分合标识仪表的工作状态,实时指示电力线路运行状态,保证电力系统的安全运行。
附图说明
图1是本发明实施例提供的一种变电站的分合标识仪表识别方法的流程示意图;
图2是本发明实施例提供的一种区域提名网络的结构示意图;
图3是本发明实施例提供的一种门控选循环单元结构示意图;
图4是本发明实施例提供的一种结合门控选循环单元的检测网络结构示意图;
图5是本发明实施例提供的一种遮挡条件下分合标识仪表合标识的识别效果图;
图6是本发明实施例提供的一种遮挡条件下分合标识仪表分标识的识别效果图;
图7是本发明实施例提供的一种模糊条件下分合标识仪表分标识的识别效果图;
图8是本发明实施例提供的一种变电站的分合标识仪表识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其本发明实施例提供的一种变电站的分合标识仪表识别方法的流程示意图,所述变电站的分合标识仪表识别方法,包括:
S100:采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;
S200:将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;
S300:从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框。
在本实施例中,在分合标识仪表的图像数据采集过程中可以使用可见光摄像头作为图像采集器,实时采集所述分合标识仪表的分合标识状态;其中,为了更加全面地得到分合标识的识别结果,采集分合标识仪表的图像数据时会存在多种干扰,比如分合标识仪表的分合标识模糊化、被遮挡或者发生形变等等,使采集到的图像数据多样化,在通过相应的训练模型后,得到更加准确的识别结果。
在一种可选的实施例中,所述的变电站的分合标识仪表识别方法还包括:
对所述图像训练集和所述图像测试集进行文本标签处理,得到带有标签的图像训练集和图像测试集;其中,所述文本标签包括所述分合标识仪表的分合标识的分合状态。
在本实施例中,对所述图像训练集和所述图像测试集进行文本标签处理,指明采集到的图像中的分合标识在图像中的具体位置以及分合状态,以便后期对预测的结果进行检测校对,判断识别效果;例如,分标识标记为“open”,合标识标记为“close”。
在一种可选的实施例中,所述预设的图像识别模型,通过以下步骤构建:
将Faster R-CNN网络模型作为基础网络模型,对所述带有标签的图像训练集进行特征提取并生成提名窗口;其中,所述Faster R-CNN网络模型包括区域提名网络和检测网络;
将所述提名窗口映射到所述Faster R-CNN网络模型的最后一层卷积特征图中,得到融合多个特征的特征融合图像;
将所述特征融合图像通过所述Faster R-CNN网络模型中的感兴趣区域池化层处理,生成具有固定每个感兴趣区域尺寸的训练特征图像;
以所述带有标签的图像训练集作为训练输入,以所述训练特征图像作为训练输出,按照预设的训练策略对所述区域提名网络和所述检测网络进行联合训练,得到检测模型;
构建门控选循环单元,对所述检测网络进行改进,以所述训练特征图像作为所述门控选循环单元的输入,经过预设的迭代次数训练后,使所述提名窗口中的特征融合所述训练特征图像的全局信息,得到所述图像识别模型。
在本实施例中,首先对Faster R-CNN网络模型进行初步的修改,比如训练参数、测试参数、待检测类别名、类别数、迭代次数等等,使Faster R-CNN网络模型适用于对分合标识仪表的分合标识进行识别;预设的迭代次数可根据实际情况设定,可取值为2;其中,请参阅图2,其是本发明实施例提供的一种区域提名网络的结构示意图,所述区域提名网络主要是用于对输入图像进行特征提取并生成提名窗口。
请参阅图3,其是本发明实施例提供的一种门控选循环单元结构示意图,所述构建门控选循环单元主要是为了利用全图信息加强对物体信息的理解,有利于识别模型能够更好学习到目标物体与场景的关系,提高识别准确率。
在一种可选的实施例中,所述预设的训练策略为交叉优化策略。
在本实施例中,通过交叉优化的方式使得到的检测模型的参数更加准确。
在一种可选的实施例中,所述门控选循环单元包括更新门和重置门。
在本实施例中,所述门控选循环单元包括更新门和重置门;其中,更新门用于控制前一时刻的隐状态信息对当前状态中的影响程度,而重置门用于控制当前状态对前一时刻的状态信息的忽略程度,其权重参数均由神经网络在训练时学习得到。通过构建门控选循环单元对所述检测网络进行改进,请参阅图4,其是本发明实施例提供的一种结合门控选循环单元的检测网络结构示意图,以所述训练特征图像作为输入,将区域提名网络得到的提名窗口的特征作为当前隐状态,即有选择性地利用全图特征更新当前提名窗口的特征,使用门控选循环单元GRU的输出特征代替原始Faster R-CNN中输入到全连接层进行分类和定位的特征,整个过程不需要人工干预,也无需其他额外输入,减少人工成本。整张图像的特征作为全局特征,提名窗口的特征作为局部特征,通过两次门控选循环单元GRU迭代过程后,提名窗口的特征中融合整张图像的全局信息,有利于识别模型能够更好学习到目标物体与场景的关系,提高识别准确率。
在一种可选的实施例中,所述从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框,具体包括:
对所述候选框进行非极大值抑制算法处理,获取所述分合标识的最终检测框。
在本实施例中,将图像识别模型获取出的候选框区域及物体真实标签区域面积进行交并比,定义为IoU,
当IoU大于预设阈值0.5时计算的候选框记为物体候选框,并不是最终检测框。由于同一个物体可能存在多个候选框,为使一个分合标识只保留一个最优框,故通过使用非极大值抑制算法抑制冗余框,得到每一个分合标识最终的检测框。
在一种可选的实施例中,所述图像数据按所述分合标识仪表中1:1的分合状态进行采集。
在本实施例中,为了使训练时分合标识仪表的分合标识的分合样本数量均衡,图像数据中“分”“合”标识图像数量比例为1:1。
下面对本发明提供的一种变电站的分合标识仪表识别方法进行验证说明:
请参阅图5、图6和图7,分别为是本发明实施例提供的一种遮挡条件下分合标识仪表合标识的识别效果图、本发明实施例提供的一种遮挡条件下分合标识仪表分标识的识别效果图、本发明实施例提供的一种模糊条件下分合标识仪表分标识的识别效果图;在本次识别验证过程中,所述图像测试集总共包括64张图像,其中仅有2张预测的最终检测框无法实现准确的定位以及分合状态判断,其余62张均可以实现分合标识仪表的分合标识的准确的定位以及分合状态判断,因此可以看出本发明所提的方法识别变电站的分合标识仪表的分合标识的位置和分合状态的偏差较小,识别结果更加准确,同时还可以减低人工成本。
请参阅图8,其是本发明实施例提供的一种变电站的分合标识仪表识别装置的结构示意图,所述变电站的分合标识仪表识别装置,包括
训练样本采集模块1,用于采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;
分合标识识别模块2,用于将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;
最终检测框获取模块3,用于从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框。
本发明实施例还提供了一种变电站的分合标识仪表识别装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的变电站的分合标识仪表识别方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述变电站的分合标识仪表识别装置中的执行过程。例如,所述计算机程序可以被分割成如图8所示的变电站的分合标识仪表识别装置的功能模块。
所述变电站的分合标识仪表识别装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述变电站的分合标识仪表识别装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是变电站的分合标识仪表识别装置的示例,并不构成对变电站的分合标识仪表识别装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述变电站的分合标识仪表识别装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述变电站的分合标识仪表识别装置的控制中心,利用各种接口和线路连接整个变电站的分合标识仪表识别装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述变电站的分合标识仪表识别装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述变电站的分合标识仪表识别装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的变电站的分合标识仪表识别方法。
相对于现有技术,本发明提供的一种变电站的分合标识仪表识别方法的有益效果在于:所述变电站的分合标识仪表识别方法,包括:采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框。该方法通过构建图像识别模型,在减少人工识别的工作量情况下,可以有效准确地识别分合标识仪表的工作状态,实时指示电力线路运行状态,保证电力系统的安全运行。
以上所述是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种变电站的分合标识仪表识别方法,其特征在于,包括:
采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;
将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;
从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框;
还包括:
对所述图像训练集和所述图像测试集进行文本标签处理,得到带有标签的图像训练集和图像测试集;其中,所述文本标签包括所述分合标识仪表的分合标识的分合状态;
其中,所述预设的图像识别模型,通过以下步骤构建:
将Faster R-CNN网络模型作为基础网络模型,对所述带有标签的图像训练集进行特征提取并生成提名窗口;其中,所述Faster R-CNN网络模型包括区域提名网络和检测网络;将所述提名窗口映射到所述Faster R-CNN网络模型的最后一层卷积特征图中,得到融合多个特征的特征融合图像;将所述特征融合图像通过所述Faster R-CNN网络模型中的感兴趣区域池化层处理,生成具有固定每个感兴趣区域尺寸的训练特征图像;以所述带有标签的图像训练集作为训练输入,以所述训练特征图像作为训练输出,按照预设的训练策略对所述区域提名网络和所述检测网络进行联合训练,得到检测模型;构建门控选循环单元,对所述检测网络进行改进,以所述训练特征图像作为所述门控选循环单元的输入,经过预设的迭代次数训练后,使所述提名窗口中的特征融合所述训练特征图像的全局信息,得到所述图像识别模型;
其中,所述构建门控选循环单元具体为:以所述训练特征图像作为所述门控选循环单元的输入,将所述提名窗口的特征作为当前隐状态,有选择性地利用全图特征更新当前所述提名窗口的特征,使用所述门控选循环单元的输出特征代替所述Faster R-CNN网络模型中输入到全连接层进行分类和定位的特征。
2.如权利要求1所述的变电站的分合标识仪表识别方法,其特征在于,所述预设的训练策略为交叉优化策略。
3.如权利要求1所述的变电站的分合标识仪表识别方法,其特征在于,所述门控选循环单元包括更新门和重置门。
4.如权利要求1所述的变电站的分合标识仪表识别方法,其特征在于,所述从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框,具体包括:
对所述候选框进行非极大值抑制算法处理,获取所述分合标识的最终检测框。
5.如权利要求1所述的变电站的分合标识仪表识别方法,其特征在于,所述图像数据按所述分合标识仪表中1:1的分合状态进行采集。
6.一种变电站的分合标识仪表识别装置,其特征在于,包括:
训练样本采集模块,用于采集所述分合标识仪表的图像数据作为训练样本;其中,所述图像数据包括图像训练集和图像测试集;
分合标识识别模块,用于将所述图像测试集输入预设的图像识别模型,得到所述图像测试集中每个分合标识的若干个候选框和类别;其中,每个候选框对应一个类别分数;
最终检测框获取模块,用于从所述若干个候选框中选取所述分合标识的最优候选框,将所述最优候选框确定为所述分合标识的最终检测框;
还包括:
对所述图像训练集和所述图像测试集进行文本标签处理,得到带有标签的图像训练集和图像测试集;其中,所述文本标签包括所述分合标识仪表的分合标识的分合状态;
其中,所述预设的图像识别模型,通过以下步骤构建:
将Faster R-CNN网络模型作为基础网络模型,对所述带有标签的图像训练集进行特征提取并生成提名窗口;其中,所述Faster R-CNN网络模型包括区域提名网络和检测网络;将所述提名窗口映射到所述Faster R-CNN网络模型的最后一层卷积特征图中,得到融合多个特征的特征融合图像;将所述特征融合图像通过所述Faster R-CNN网络模型中的感兴趣区域池化层处理,生成具有固定每个感兴趣区域尺寸的训练特征图像;以所述带有标签的图像训练集作为训练输入,以所述训练特征图像作为训练输出,按照预设的训练策略对所述区域提名网络和所述检测网络进行联合训练,得到检测模型;构建门控选循环单元,对所述检测网络进行改进,以所述训练特征图像作为所述门控选循环单元的输入,经过预设的迭代次数训练后,使所述提名窗口中的特征融合所述训练特征图像的全局信息,得到所述图像识别模型;
其中,所述构建门控选循环单元具体为:以所述训练特征图像作为所述门控选循环单元的输入,将所述提名窗口的特征作为当前隐状态,有选择性地利用全图特征更新当前所述提名窗口的特征,使用所述门控选循环单元的输出特征代替所述Faster R-CNN网络模型中输入到全连接层进行分类和定位的特征。
7.一种变电站的分合标识仪表识别装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的变电站的分合标识仪表识别方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的变电站的分合标识仪表识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322416.8A CN110175519B (zh) | 2019-04-22 | 2019-04-22 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322416.8A CN110175519B (zh) | 2019-04-22 | 2019-04-22 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175519A CN110175519A (zh) | 2019-08-27 |
CN110175519B true CN110175519B (zh) | 2021-07-20 |
Family
ID=67689811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322416.8A Active CN110175519B (zh) | 2019-04-22 | 2019-04-22 | 一种变电站的分合标识仪表识别方法、装置与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175519B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131792B (zh) * | 2020-09-24 | 2024-06-04 | 南方电网科学研究院有限责任公司 | 一种地表电位还原方法、装置、设备及存储介质 |
CN112541543B (zh) * | 2020-12-11 | 2023-11-24 | 深圳市优必选科技股份有限公司 | 图像识别方法、装置、终端设备及存储介质 |
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 |
CN117351499B (zh) * | 2023-12-04 | 2024-02-02 | 深圳市铁越电气有限公司 | 一种分合指示状态识别方法、系统、计算机设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325941A (zh) * | 2018-09-05 | 2019-02-12 | 深圳灵图慧视科技有限公司 | 表面属性检测方法及装置、计算机设备及计算机可读介质 |
CN109598301A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 检测区域去除方法、装置、终端和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156003B (zh) * | 2016-06-30 | 2018-08-28 | 北京大学 | 一种问答系统中的问句理解方法 |
CN106776711B (zh) * | 2016-11-14 | 2020-04-07 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
US20180268292A1 (en) * | 2017-03-17 | 2018-09-20 | Nec Laboratories America, Inc. | Learning efficient object detection models with knowledge distillation |
US11551804B2 (en) * | 2017-05-11 | 2023-01-10 | Microsoft Technology Licensing, Llc | Assisting psychological cure in automated chatting |
-
2019
- 2019-04-22 CN CN201910322416.8A patent/CN110175519B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325941A (zh) * | 2018-09-05 | 2019-02-12 | 深圳灵图慧视科技有限公司 | 表面属性检测方法及装置、计算机设备及计算机可读介质 |
CN109598301A (zh) * | 2018-11-30 | 2019-04-09 | 腾讯科技(深圳)有限公司 | 检测区域去除方法、装置、终端和存储介质 |
Non-Patent Citations (5)
Title |
---|
Automatic Detection of Transformer Components in Inspection Images Based on Improved Faster R-CNN;Ziquan Liu 等;《Energies 2018》;20181231;1-18 * |
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks;Shaoqing Ren 等;《arXiv:1506.01497v3》;20160106;1-14 * |
侯春萍 等.输电线路绝缘子自爆缺陷识别方法.《电力系统及其自动化学报》.2018,第31卷(第6期),第1.2节,第2.2节,第2.3节,第3节. * |
基于Faster R⁃CNN的航拍图像中绝缘子识别;程海燕 等;《现代电子技术》;20190115;第42卷(第2期);98-102 * |
输电线路绝缘子自爆缺陷识别方法;侯春萍 等;《电力系统及其自动化学报》;20180912;第31卷(第6期);第1.2节,第2.2节,第2.3节,第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN110175519A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175519B (zh) | 一种变电站的分合标识仪表识别方法、装置与存储介质 | |
Lei et al. | Intelligent fault detection of high voltage line based on the Faster R-CNN | |
CN110443969B (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN111460967B (zh) | 一种违法建筑识别方法、装置、设备及存储介质 | |
TWI716012B (zh) | 樣本標註方法、裝置、儲存媒體和計算設備、損傷類別的識別方法及裝置 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN111414948B (zh) | 目标对象检测方法和相关装置 | |
CN107808126A (zh) | 车辆检索方法及装置 | |
CN110796018A (zh) | 一种基于深度图像和彩色图像的手部运动识别方法 | |
CN111680753A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
CN111209958A (zh) | 基于深度学习的变电站设备检测方法及装置 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
CN115620090A (zh) | 模型训练方法、低照度目标重识别方法和装置、终端设备 | |
CN116977257A (zh) | 缺陷检测方法、装置、电子设备、存储介质及程序产品 | |
CN114724140A (zh) | 一种基于yolo v3的草莓成熟度检测方法、装置 | |
CN114227717A (zh) | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
JP2014235033A (ja) | 画像処理装置及びプログラム | |
CN112861867A (zh) | 指针式仪表盘识别方法、系统及存储介质 | |
CN110728229B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN111753618A (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN113609948B (zh) | 一种视频时序动作的检测方法、装置及设备 | |
CN113034449B (zh) | 目标检测模型训练方法、装置及通信设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |