CN110895697A - 变压器铭牌信息采集方法及智能采集系统 - Google Patents
变压器铭牌信息采集方法及智能采集系统 Download PDFInfo
- Publication number
- CN110895697A CN110895697A CN201911107837.5A CN201911107837A CN110895697A CN 110895697 A CN110895697 A CN 110895697A CN 201911107837 A CN201911107837 A CN 201911107837A CN 110895697 A CN110895697 A CN 110895697A
- Authority
- CN
- China
- Prior art keywords
- image
- transformer nameplate
- transformer
- character
- nameplate
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 30
- 238000011156 evaluation Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 18
- 238000012952 Resampling Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012847 principal component analysis method Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种变压器铭牌信息采集方法,包括使用摄像设备获取变压器铭牌图像;采用轻量化神经网络图像识别程序在变压器图像采集现场对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;采用PCAnet网络计算机程序对步骤2的字符小图片进行识别,将字符小图片转换为字符;将步骤3得到的变压器铭牌信息进行登记。本发明还公开了2种变压器铭牌信息智能采集系统。本发明在变压器铭牌现场取像后,将铭牌信息的识别分成两步,大大减少了传输的图像数据,使得字符识别更加高效,后台的字符识别结果返回到变压器图像采集现场,便于核对字符识别结果,确保采集的变压器铭牌信息准确无误。
Description
技术领域
本发明属于变压器铭牌识别领域,具体涉及一种配电变压器铭牌信息智能采集系统。
背景技术
配电变压器的信息采集是实现电网信息化的首要工作。变压器铭牌信息获取要求准确,采集方便。变压器通常距地高度3米,通过肉眼难以看清变压器铭牌信息,由于观察角度和光线原因,即使使用单反相机等工具也很难获取到比较准确的铭牌信息。
在铭牌识别上,传统的基于OpenCV的铭牌定位效果显著,但是后续需要进行字符模板匹配以及识别等,操作繁琐。而现在神经网络在识别图像字符领域效果显著,通过添加训练好的CNN网络模型在设备软件上,实现铭牌信息识别的高准确性,但是训练较好的CNN网络模型需要花费大量时间和样本,并且汉字结构复杂,样本库庞大,计算规模也会增大,算法时间复杂度会显著上升,不适合在移动便携设备上运行。
因此,研究一种信息采集工具以及高效的识别算法解决变压器铭牌信息物理上难以采集、不易获取变压器铭牌的结构化信息的问题。
发明内容
本发明的目的是解决上述问题,提供变压器铭牌信息采集方法及智能采集系统,在变压器铭牌现场取像后,将铭牌信息的识别分成两步,利用轻量化神经网络图像识别程序在变压器图像采集现场对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片后,再将分割得到的字符小图片传输到后台服务器将字符小图片转换为字符从而得到变压器铭牌结构化信息,减少了传输的图像数据,并便于现场核对,提高字符识别的效率和准确度。
本发明的技术方案是变压器铭牌信息采集方法,包括以下步骤,
步骤1:采用摄像设备获取变压器铭牌图像;
步骤2:采用轻量化神经网络图像识别程序在变压器图像采集现场对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;
步骤3:采用PCAnet网络计算机程序对步骤2的字符小图片进行识别,将字符小图片转换为字符;
步骤4:将步骤3得到的变压器铭牌信息进行登记。
步骤4之前,还包括人工对步骤3得到的变压器铭牌字符信息进行核对,确保转换得到的变压器铭牌字符信息与实际相符后执行步骤4,若转换得到的变压器铭牌字符信息与实际不相符,则对PCAnet网络计算机程序进行再训练,执行步骤1。
Fast-MobileNet轻量化网络包括多个下采样卷积层、池化层、多个上采样卷积层和分类器,多个下采样卷积层、池化层、多个上采样卷积层、分类器前后依次连接,跳跃连接将下采样层的输出经过特征卷积后连接到上采样层形成残差单元。
利用上述的变压器铭牌信息采集方法的变压器铭牌信息智能采集系统,包括伸缩取像装置、无线路由器、服务器,伸缩取像装置包括可伸缩的杆体,设置在杆体上的微处理器和分别与其连接的摄像头、存储器、显示屏、DTU模块;DTU模块经无线网络与无线路由器通讯连接,服务器与路由器连接;存储器存储有轻量化神经网络图像识别程序,轻量化神经网络图像识别程序被微处理器执行时,实现变压器铭牌信息采集方法的步骤2,即对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;服务器中存储有PCAnet网络计算机程序,PCAnet网络计算机程序被服务器的处理器执行时,实现变压器铭牌信息采集方法的步骤3,即对字符小图片进行识别,将字符小图片转换为字符。变压器铭牌信息智能采集系统还包括补光灯,补光灯经继电器与微处理器连接。
变压器铭牌信息智能采集系统还包括手持终端,手持终端经无线网络与DTU模块连接。
另外一种变压器铭牌信息智能采集系统,包括手持终端、无线路由器、服务器,手持终端经无线网络与无线路由器通讯连接,服务器与无线路由器连接;手持终端带有摄像头,手持终端存储有轻量化神经网络图像识别程序,轻量化神经网络图像识别程序被手持终端的处理器执行时,实现变压器铭牌信息采集方法的步骤2,即对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;服务器中存储有PCAnet网络计算机程序,PCAnet网络计算机程序被服务器的处理器执行时,实现变压器铭牌信息采集方法的步骤3,即对字符小图片进行识别,将字符小图片转换为字符。
相比现有技术,本发明的有益效果:
1)本发明的方法在变压器铭牌现场取像后,将铭牌信息的识别分成两步,在变压器现场分割出变压器铭牌图像中的字符小图片后,再将分割得到的字符小图片传输到后台服务器将字符小图片转换为字符从而得到变压器铭牌信息;现场进行字符小图片分割后再进行后台字符识别大大减少了传输的图像数据,使得字符识别更加高效,后台的字符识别结果返回到变压器图像采集现场,便于核对字符识别结果,确保采集的变压器铭牌信息准确无误;
2)用于分割出字符图像的Fast-MobileNet轻量化网络程序相比CNN神经网络等图像识别算法参数更少,速度更快,便于在便携设备上运行;
3)可调节长度的伸缩取像装置便于对不同高度的变压器铭牌进行拍照取像,方便实用。
4)系统可扩展性强,本发明将采集任务和后端字符识别任务进行分离,这为后续进行修改和重建提供的便利,增强了系统的内聚性,降低了整体的耦合性,方便以后扩展更多的功能。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明的方法的流程示意图。
图2为伸缩取像装置的结构示意图。
图3为伸缩取像装置的电路结构框图。
图4为Fast-MobileNet轻量化网络的结构示意图。
图5为PCAnet网络的结构示意图。
图6为摄像头拍摄的变压器铭牌图。
图7为分割出的字符图片示意图。
附图标记说明:伸缩取像装置1、微处理器101、摄像头102、存储器103、显示屏104、DTU模块105、补光灯106、杆体107、无线路由器2、服务器3、手持终端4。
具体实施方式
实施例一
如图1所示,变压器铭牌信息采集方法,包括以下步骤,
步骤1:采用摄像设备获取变压器铭牌图像;
步骤2:采用Fast-MobileNet轻量化网络图像识别程序在变压器图像采集现场对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片,如图7所示;
步骤3:采用PCAnet网络计算机程序对步骤2的字符小图片进行识别,将字符小图片转换为字符;
步骤4:人工对步骤3得到的变压器铭牌字符信息进行核对,确保转换得到的变压器铭牌字符信息与实际相符后执行步骤4,若转换得到的变压器铭牌字符信息与实际不相符,则对PCAnet网络计算机程序进行再训练,训练后执行步骤1。
步骤5:将步骤3得到的变压器铭牌信息进行登记。
如图2-3所示,变压器铭牌信息智能采集系统,包括伸缩取像装置1、无线路由器2、服务器3,伸缩取像装置1包括可伸缩的杆体107,设置在杆体107上的微处理器101和分别与其连接的摄像头102、存储器103、显示屏104、DTU模块105;DTU模块105经无线网络与无线路由器2通讯连接,服务器3与无线路由器2连接;存储器103存储有轻量化神经网络图像识别程序,轻量化神经网络图像识别程序被微处理器101执行时,对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;服务器3中存储有PCAnet网络计算机程序,运行PCAnet网络计算机程序时,对字符小图片进行识别,将字符小图片转换为字符。补光灯106经继电器与微处理器101连接。
如图4所示,Fast-MobileNet轻量化网络包括5个下采样卷积层、池化层、3个上采样卷积层和分类器,下采样卷积层、池化层、上采样卷积层、分类器前后依次连接,分别通过跳跃连接将最后一个下采样层的前向特征图、后向特征图分别经过特征卷积后连接到最后一个上采样层的输入、输出。
如图4所示,配电变压器铭牌图像输入到Fast-MobileNet网络,Fast-MobileNet网络分为三个部分,最前面为下采样卷积层,它由5个不同尺度的卷积层组成,卷积核尺寸分别为64×64、32×32、16×16、8×8、4×4。它将特征图缩放到不同的尺寸,使得特征具有更好地全局和多尺度信息。利用金字塔多尺度特征对铭牌图片进行区域特征提取。池化层则缩小无关特征的影响,尽量让网络去缩小铭牌图片里的字符范围。分别通过跳跃连接将conv4卷积层的前向特征图、后向特征图通过一个16×16卷积核、8×8卷积核进行特征卷积,并分别和上采样卷积层输出的特征图进行矩阵运算,图片在经过较长的下采样卷积之后,铭牌信息特征逐渐减少时,采用残差单元结构能有效的防止信息丢失和梯度消失情况。最后一部分是上采用卷积层,分别采用8×8、16×16、32×32尺寸的卷积核,它将池化层得到的单个特征图进行标记和放大,使用了类似线性插值来分割出铭牌图片中的单个字符信息,最终经过softmax多分类器将字符图像分类,分类效果如图7所示。
相比MobileNet系统网络,Fast-MobileNet轻量化网络剪掉不必要的卷积层,删除不需要的Feature Map,减小了时间复杂度和空间复杂度,如表1所示。经过实验证明,Fast-MobileNet在图像分割中效果显著。
表1Fast-MobileNet算法与其它算法复杂度对比结果表
如图5所示,PCAnet网络包括下采样卷积层、重采样卷积层和全连接层。下采样卷积层由3个尺寸为4×4的卷积核组成,重采样卷积层由8个尺度为4×4的卷积核组成。全连接层则是由32个神经元组成的线性层。下采样卷积层将原始数据的特征提取为高维的特征矩阵,再由重采样卷积层对特征矩阵进行标准化变换,并对高维矩阵进行主成分提取后,输出三个决策矩阵,接着由线性层将决策矩阵进行横向连接,通过线性层运算输出一个评价值,由这个评价值来决定输入图片所代表的字符。
Fast-MobileNet处理采集的电力铭牌后,图像的字符被分割出来,进行统一标识并将信息传到后台服务端,PCAnet网络使用主成分分析方法,采用学习多级滤波器组,在非线性层使用二值化哈希编码,在重采样层使用分块扩展直方图并铺以二值哈希编码,将重采样层的输出作为整个PCAnet网络最终的特征提取结果,期刊《IEEE Transactions onImage Processing》2015年24期刊登的论文“A Simple Deep Learning Baseline forImage Classification”公开了PCAnet网络,PCAnet网络的主成分分析方法的实现细节分为以下几步:
1)将采集到的原始数据用m维向量表示,其中m应与实际分割出的字符数量一致。每个向量有n个特征值,特征值的个数应不小于向量个数,原始数据表达式如下:
xi={xi,1,xi,2,xi,3,…,xi,n}
Data={x1,x2,x3,…,xm},
其中Data代表铭牌分割后的样图,xi表示样图的第i个特征维度信息,i=1,2,…,m;
2)为规范化每一个维度的特征信息,PCAnet网络在重采样层对xi构造样本阵列,并进行标准化变换:
3)对标准化矩阵Z求相关系数矩阵R;
4)为确定样图的主成分U,求解样图的相关矩阵R的特征方程|R-λIm|=0,得出m个特征根。按照确定w值,使信息利用率达到百分之八十五以上,对每一个λj,j=1,2,...,m,解方程组得单位特征向量
5)将标准化的指标向量转换成主成分,如下为转换公式:
其中U为样图的主成分信息矩阵,矩阵的每一行对应一条主成分向量。然后对m个主成分进行综合评价,将它们进行加权平均求和,得到最终评价值,权数为每个主成分的方差贡献率。这样通过每个主成分得出的最终评价值决定区域的取值;
6)根据上一步得到的样图最终评价值,通过它与服务器中存储的字符关联,就能从后台取出单个特征图对应的字符表示,这样图片经过PCAnet网络就得到一张字符表,后续交由服务器处理铭牌字符表。
实施例二
如图1所示,变压器铭牌信息采集方法,包括以下步骤,
步骤1:采用摄像设备获取变压器铭牌图像;
步骤2:采用Fast-MobileNet轻量化网络图像识别程序在变压器图像采集现场对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;
步骤3:采用PCAnet网络计算机程序对步骤2的字符小图片进行识别,将字符小图片转换为字符;
步骤4:人工对步骤3得到的变压器铭牌字符信息进行核对,确保转换得到的变压器铭牌字符信息与实际相符后执行步骤4,若转换得到的变压器铭牌字符信息与实际不相符,则对PCAnet网络计算机程序进行再训练,训练后执行步骤1。
步骤5:将步骤3得到的变压器铭牌信息进行登记。
变压器铭牌信息智能采集系统,包括伸缩取像装置1、无线路由器2、服务器3,伸缩取像装置1包括可伸缩的杆体107,设置在杆体107上的微处理器101和分别与其连接的摄像头102、存储器103、显示屏104、DTU模块105;DTU模块105经无线网络与无线路由器2通讯连接,服务器3与无线路由器2连接;存储器103存储有轻量化神经网络图像识别程序,轻量化神经网络图像识别程序被微处理器101执行时,对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;服务器3中存储有PCAnet网络计算机程序,运行PCAnet网络计算机程序时,对字符小图片进行识别,将字符小图片转换为字符。补光灯106经继电器与微处理器101连接。手持终端4经无线网络与DTU模块105连接。
手持终端4拍摄变压器铭牌后将铭牌图像经无线网络发送,DTU模块105接收,传输至微处理器101,微处理器101运行轻量化神经网络图像识别程序,分割出变压器铭牌图像中的字符小图片,并将字符小图片经DTU模块105、无线路由器2传输到服务器3,服务器3运行PCAnet网络计算机程序,进一步将字符小图片转换为字符。
如图4所示,Fast-MobileNet轻量化网络包括5个下采样卷积层、池化层、3个上采样卷积层和分类器,下采样卷积层、池化层、上采样卷积层、分类器前后依次连接,分别通过跳跃连接将最后一个下采样层的前向特征图、后向特征图分别经过特征卷积后连接到最后一个上采样层的输入、输出。
如图4所示,配电变压器铭牌图像输入到Fast-MobileNet网络,Fast-MobileNet网络分为三个部分,最前面为下采样卷积层,它由5个不同尺度的卷积层组成,卷积核尺寸分别为64×64、32×32、16×16、8×8、4×4。它将特征图缩放到不同的尺寸,使得特征具有更好地全局和多尺度信息。利用金字塔多尺度特征对铭牌图片进行区域特征提取。池化层则缩小无关特征的影响,尽量让网络去缩小铭牌图片里的字符范围。分别通过跳跃连接将conv4卷积层的前向特征图、后向特征图通过一个16×16卷积核、8×8卷积核进行特征卷积,并分别和上采样卷积层输出的特征图进行矩阵运算,图片在经过较长的下采样卷积之后,铭牌信息特征逐渐减少时,采用残差单元结构能有效的防止信息丢失和梯度消失情况。最后一部分是上采用卷积层,分别采用8×8、16×16、32×32尺寸的卷积核,它将池化层得到的单个特征图进行标记和放大,使用了类似线性插值来分割出铭牌图片中的单个字符信息,最终经过softmax多分类器将字符图像分类,分类效果如图7所示。
相比MobileNet系统网络,Fast-MobileNet轻量化网络剪掉不必要的卷积层,删除不需要的Feature Map,减小了时间复杂度和空间复杂度。
如图5所示,PCAnet网络包括下采样卷积层、重采样卷积层和全连接层。下采样卷积层由3个尺寸为4×4的卷积核组成,重采样卷积层由8个尺度为4×4的卷积核组成。全连接层则是由32个神经元组成的线性层。下采样卷积层将原始数据的特征提取为高维的特征矩阵,再由重采样卷积层对特征矩阵进行标准化变换,并对高维矩阵进行主成分提取后,输出三个决策矩阵,接着由线性层将决策矩阵进行横向连接,通过线性层运算输出一个评价值,由这个评价值来决定输入图片所代表的字符。
Fast-MobileNet处理采集的电力铭牌后,图像的字符被分割出来,进行统一标识并将信息传到后台服务端,PCAnet网络使用主成分分析方法,采用学习多级滤波器组,在非线性层使用二值化哈希编码,在重采样层使用分块扩展直方图并铺以二值哈希编码,将重采样层的输出作为整个PCAnet网络最终的特征提取结果,期刊《IEEE Transactions onImage Processing》2015年24期刊登的论文“A Simple Deep Learning Baseline forImage Classification”首次提出了PCAnet网络,PCAnet网络的主成分分析方法的实现细节分为以下几步:
1)将采集到的原始数据用m维向量表示,其中m应与实际分割出的字符数量一致。每个向量有n个特征值,特征值的个数应不小于向量个数,原始数据表达式如下:
xi={xi,1,xi,2,xi,3,…,xi,n}
Data={x1,x2,x3,…,xm},
其中Data代表铭牌分割后的样图,xi表示样图的第i个特征维度信息,i=1,2,…,m;
2)为规范化每一个维度的特征信息,PCAnet网络在重采样层对xi构造样本阵列,并进行标准化变换:
3)对标准化矩阵Z求相关系数矩阵R;
4)为确定样图的主成分U,求解样图的相关矩阵R的特征方程|R-λIm|=0,得出m个特征根。按照确定w值,使信息利用率达到百分之八十五以上,对每一个λj,j=1,2,...,m,解方程组得单位特征向量
5)将标准化的指标向量转换成主成分,如下为转换公式:
其中U为样图的主成分信息矩阵,矩阵的每一行对应一条主成分向量。然后对m个主成分进行综合评价,将它们进行加权平均求和,得到最终评价值,权数为每个主成分的方差贡献率。这样通过每个主成分得出的最终评价值决定区域的取值;
6)根据上一步得到的样图最终评价值,通过它与服务器中存储的字符关联,就能从后台取出单个特征图对应的字符表示,这样图片经过PCAnet网络就得到一张字符表,后续交由服务器处理铭牌字符表。
实施例三
如图1所示,变压器铭牌信息采集方法,包括以下步骤,
步骤1:采用摄像设备获取变压器铭牌图像;
步骤2:采用Fast-MobileNet轻量化网络图像识别程序在变压器图像采集现场对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;
步骤3:采用PCAnet网络计算机程序对步骤2的字符小图片进行识别,将字符小图片转换为字符;
步骤4:人工对步骤3得到的变压器铭牌字符信息进行核对,确保转换得到的变压器铭牌字符信息与实际相符后执行步骤4,若转换得到的变压器铭牌字符信息与实际不相符,则对PCAnet网络计算机程序进行再训练,训练后执行步骤1。
步骤5:将步骤3得到的变压器铭牌信息进行登记。
变压器铭牌信息智能采集系统,包括手持终端4、无线路由器2、服务器3,手持终端4经无线网络与无线路由器2通讯连接,服务器3与无线路由器2连接;手持终端4带有摄像头102,手持终端4存储有轻量化神经网络图像识别程序,轻量化神经网络图像识别程序运行时,对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;服务器3中存储有PCAnet网络计算机程序,运行PCAnet网络计算机程序时,对字符小图片进行识别,将字符小图片转换为字符。
如图4所示,Fast-MobileNet轻量化网络包括5个下采样卷积层、池化层、3个上采样卷积层和分类器,下采样卷积层、池化层、上采样卷积层、分类器前后依次连接,分别通过跳跃连接将最后一个下采样层的前向特征图、后向特征图分别经过特征卷积后连接到最后一个上采样层的输入、输出。
如图4所示,配电变压器铭牌图像输入到Fast-MobileNet网络,Fast-MobileNet网络分为三个部分,最前面为下采样卷积层,它由5个不同尺度的卷积层组成,卷积核尺寸分别为64×64、32×32、16×16、8×8、4×4。它将特征图缩放到不同的尺寸,使得特征具有更好地全局和多尺度信息。利用金字塔多尺度特征对铭牌图片进行区域特征提取。池化层则缩小无关特征的影响,尽量让网络去缩小铭牌图片里的字符范围。分别通过跳跃连接将conv4卷积层的前向特征图、后向特征图通过一个16×16卷积核、8×8卷积核进行特征卷积,并分别和上采样卷积层输出的特征图进行矩阵运算,图片在经过较长的下采样卷积之后,铭牌信息特征逐渐减少时,采用残差单元结构能有效的防止信息丢失和梯度消失情况。最后一部分是上采用卷积层,分别采用8×8、16×16、32×32尺寸的卷积核,它将池化层得到的单个特征图进行标记和放大,使用了类似线性插值来分割出铭牌图片中的单个字符信息,最终经过softmax多分类器将字符图像分类,分类效果如图7所示。
相比MobileNet系统网络,Fast-MobileNet轻量化网络剪掉不必要的卷积层,删除不需要的Feature Map,减小了时间复杂度和空间复杂度。
如图5所示,PCAnet网络包括下采样卷积层、重采样卷积层和全连接层。下采样卷积层由3个尺寸为4×4的卷积核组成,重采样卷积层由8个尺度为4×4的卷积核组成。全连接层则是由32个神经元组成的线性层。下采样卷积层将原始数据的特征提取为高维的特征矩阵,再由重采样卷积层对特征矩阵进行标准化变换,并对高维矩阵进行主成分提取后,输出三个决策矩阵,接着由线性层将决策矩阵进行横向连接,通过线性层运算输出一个评价值,由这个评价值来决定输入图片所代表的字符。
Fast-MobileNet处理采集的电力铭牌后,图像的字符被分割出来,进行统一标识并将信息传到后台服务端,PCAnet网络使用主成分分析方法,采用学习多级滤波器组,在非线性层使用二值化哈希编码,在重采样层使用分块扩展直方图并铺以二值哈希编码,将重采样层的输出作为整个PCAnet网络最终的特征提取结果,期刊《IEEE Transactions onImage Processing》2015年24期刊登的论文“A Simple Deep Learning Baseline forImage Classification”首次提出了PCAnet网络,PCAnet网络的主成分分析方法的实现细节分为以下几步:
1)将采集到的原始数据用m维向量表示,其中m应与实际分割出的字符数量一致。每个向量有n个特征值,特征值的个数应不小于向量个数,原始数据表达式如下:
xi={xi,1,xi,2,xi,3,…,xi,n}
Data={x1,x2,x3,…,xm},
其中Data代表铭牌分割后的样图,xi表示样图的第i个特征维度信息,i=1,2,…,m;
2)为规范化每一个维度的特征信息,PCAnet网络在重采样层对xi构造样本阵列,并进行标准化变换:
3)对标准化矩阵Z求相关系数矩阵R;
4)为确定样图的主成分U,求解样图的相关矩阵R的特征方程|R-λIm|=0,得出m个特征根。按照确定w值,使信息利用率达到百分之八十五以上,对每一个λj,j=1,2,...,m,解方程组得单位特征向量
5)将标准化的指标向量转换成主成分,如下为转换公式:
其中U为样图的主成分信息矩阵,矩阵的每一行对应一条主成分向量。然后对m个主成分进行综合评价,将它们进行加权平均求和,得到最终评价值,权数为每个主成分的方差贡献率。这样通过每个主成分得出的最终评价值决定区域的取值;
6)根据上一步得到的样图最终评价值,通过它与服务器中存储的字符关联,就能从后台取出单个特征图对应的字符表示,这样图片经过PCAnet网络就得到一张字符表,后续交由服务器处理铭牌字符表。
Claims (9)
1.变压器铭牌信息采集方法,其特征在于,包括以下步骤,
步骤1:使用摄像设备获取变压器铭牌图像;
步骤2:采用轻量化神经网络图像识别程序在变压器图像采集现场对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;
步骤3:采用PCAnet网络计算机程序对步骤2的字符小图片进行识别,将字符小图片转换为字符;
步骤4:将步骤3得到的变压器铭牌信息进行登记。
2.根据权利要求1所述的变压器铭牌信息采集方法,其特征在于,步骤4之前,还包括人工对步骤3得到的变压器铭牌字符信息进行核对,确保转换得到的变压器铭牌字符信息与实际相符后执行步骤4,若转换得到的变压器铭牌字符信息与实际不相符,则对PCAnet网络计算机程序进行再训练,执行步骤1。
3.根据权利要求1所述的变压器铭牌信息采集方法,其特征在于,所述轻量化神经网络图像识别程序为Fast-MobileNet轻量化网络,Fast-MobileNet轻量化网络包括多个下采样卷积层、池化层、多个上采样卷积层和分类器,多个下采样卷积层、池化层、多个上采样卷积层、分类器前后依次连接,跳跃连接将下采样层的输出经过特征卷积后连接到上采样层形成残差单元。
4.利用权利要求1-3任意一项所述的变压器铭牌信息采集方法的变压器铭牌信息智能采集系统,其特征在于,包括伸缩取像装置、无线路由器、服务器,伸缩取像装置包括可伸缩的杆体,设置在杆体上的微处理器和分别与其连接的摄像头、存储器、显示屏、DTU模块;DTU模块经无线网络与无线路由器通讯连接,服务器与路由器连接;存储器存储有轻量化神经网络图像识别程序,轻量化神经网络图像识别程序被微处理器执行时,实现变压器铭牌信息采集方法的步骤2,即对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;服务器中存储有PCAnet网络计算机程序,PCAnet网络计算机程序被服务器的处理器执行时,实现变压器铭牌信息采集方法的步骤3,即对字符小图片进行识别,将字符小图片转换为字符。
5.根据权利要求4所述的变压器铭牌信息智能采集系统,其特征在于,还包括补光灯,补光灯经继电器与微处理器连接。
6.根据权利要求4所述的变压器铭牌信息智能采集系统,其特征在于,还包括手持终端,手持终端经无线网络与DTU模块连接。
7.利用权利要求1-3任意一项所述的变压器铭牌信息采集方法的变压器铭牌信息智能采集系统,包括手持终端、无线路由器、服务器,手持终端带有摄像头,手持终端存储有轻量化神经网络图像识别程序,轻量化神经网络图像识别程序被手持终端的处理器执行时,实现变压器铭牌信息采集方法的步骤2,即对变压器铭牌图像进行分割,分割出变压器铭牌图像中的字符小图片;服务器中存储有PCAnet网络计算机程序,PCAnet网络计算机程序被服务器的处理器执行时,实现变压器铭牌信息采集方法的步骤3,即对字符小图片进行识别,将字符小图片转换为字符。
8.根据权利要求3所述的变压器铭牌信息采集方法,其特征在于,所述Fast-MobileNet轻量化网络的下采样卷积层数量为5。
9.根据权利要求3或8所述的变压器铭牌信息采集方法,其特征在于,所述Fast-MobileNet轻量化网络的上采样卷积层数量为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107837.5A CN110895697B (zh) | 2019-11-13 | 2019-11-13 | 变压器铭牌信息采集方法及智能采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107837.5A CN110895697B (zh) | 2019-11-13 | 2019-11-13 | 变压器铭牌信息采集方法及智能采集系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895697A true CN110895697A (zh) | 2020-03-20 |
CN110895697B CN110895697B (zh) | 2023-05-05 |
Family
ID=69788142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911107837.5A Active CN110895697B (zh) | 2019-11-13 | 2019-11-13 | 变压器铭牌信息采集方法及智能采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110895697B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111245103A (zh) * | 2020-03-31 | 2020-06-05 | 贵州电网有限责任公司 | 一种基于神经计算棒的电网变压器铭牌的显示和存储系统 |
CN111401289A (zh) * | 2020-03-24 | 2020-07-10 | 国网上海市电力公司 | 一种变压器部件的智能识别方法和装置 |
CN111860175A (zh) * | 2020-06-22 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于轻量化网络的无人机影像车辆检测方法及装置 |
CN112580632A (zh) * | 2020-12-24 | 2021-03-30 | 南方电网深圳数字电网研究院有限公司 | 铭牌识别方法、系统、电子设备及计算机可读存储介质 |
CN115761204A (zh) * | 2023-01-06 | 2023-03-07 | 山东金人电气有限公司 | 一种预装式变电站铭牌参数信息采集方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN109472260A (zh) * | 2018-10-31 | 2019-03-15 | 成都索贝数码科技股份有限公司 | 一种基于深度神经网络的移除图像内台标和字幕的方法 |
CN109711326A (zh) * | 2018-12-25 | 2019-05-03 | 云南大学 | 一种基于浅层残差网络的视频目标检测方法 |
CN110188768A (zh) * | 2019-05-09 | 2019-08-30 | 南京邮电大学 | 实时图像语义分割方法及系统 |
-
2019
- 2019-11-13 CN CN201911107837.5A patent/CN110895697B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN109472260A (zh) * | 2018-10-31 | 2019-03-15 | 成都索贝数码科技股份有限公司 | 一种基于深度神经网络的移除图像内台标和字幕的方法 |
CN109711326A (zh) * | 2018-12-25 | 2019-05-03 | 云南大学 | 一种基于浅层残差网络的视频目标检测方法 |
CN110188768A (zh) * | 2019-05-09 | 2019-08-30 | 南京邮电大学 | 实时图像语义分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
但志平: "基于遥感图像的目标识别新方法", 华中科技大学学报(自然科学版) * |
郑琴: "Fd-Mobilenet: Improved Mobilenet with a Fast Downsampling Strategy", IEEE * |
陈习: "基于移动端PCANet识别算法在电力铭牌文字识别的应用", 科技视界 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401289A (zh) * | 2020-03-24 | 2020-07-10 | 国网上海市电力公司 | 一种变压器部件的智能识别方法和装置 |
CN111401289B (zh) * | 2020-03-24 | 2024-01-23 | 国网上海市电力公司 | 一种变压器部件的智能识别方法和装置 |
CN111245103A (zh) * | 2020-03-31 | 2020-06-05 | 贵州电网有限责任公司 | 一种基于神经计算棒的电网变压器铭牌的显示和存储系统 |
CN111860175A (zh) * | 2020-06-22 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于轻量化网络的无人机影像车辆检测方法及装置 |
CN112580632A (zh) * | 2020-12-24 | 2021-03-30 | 南方电网深圳数字电网研究院有限公司 | 铭牌识别方法、系统、电子设备及计算机可读存储介质 |
CN115761204A (zh) * | 2023-01-06 | 2023-03-07 | 山东金人电气有限公司 | 一种预装式变电站铭牌参数信息采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110895697B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895697B (zh) | 变压器铭牌信息采集方法及智能采集系统 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108108764B (zh) | 一种基于随机森林的视觉slam回环检测方法 | |
CN111325111A (zh) | 一种融合逆注意力和多尺度深度监督的行人重识别方法 | |
CN115063573B (zh) | 一种基于注意力机制的多尺度目标检测方法 | |
CN110852182B (zh) | 一种基于三维空间时序建模的深度视频人体行为识别方法 | |
CN107256246A (zh) | 基于卷积神经网络的印花织物图像检索方法 | |
CN114332639B (zh) | 一种非线性残差自注意力机制的卫星姿态视觉测量方法 | |
CN114092833B (zh) | 遥感图像分类方法、装置、计算机设备和存储介质 | |
CN110647820B (zh) | 基于特征空间超分辨映射的低分辨率人脸识别方法 | |
CN116740135B (zh) | 红外弱小目标跟踪方法、装置、电子设备及存储介质 | |
CN112016497A (zh) | 基于人工智能的单视角太极拳动作分析及考核系统 | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN113139489A (zh) | 基于背景提取和多尺度融合网络的人群计数方法及系统 | |
CN117671509B (zh) | 遥感目标检测方法、装置、电子设备及存储介质 | |
CN113011308A (zh) | 一种引入注意力机制的行人检测方法 | |
CN112257741A (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
CN112419333A (zh) | 一种遥感影像自适应特征选择分割方法及系统 | |
CN114663769B (zh) | 一种基于YOLO v5的水果识别方法 | |
CN115035381A (zh) | 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法 | |
CN113011506B (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
CN117237858B (zh) | 一种回环检测方法 | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
Pang et al. | PTRSegNet: A Patch-to-Region Bottom-Up Pyramid Framework for the Semantic Segmentation of Large-Format Remote Sensing Images | |
CN115965905A (zh) | 一种基于多尺度融合卷积网络的人群计数方法及系统 |
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 |