CN112699925A - 一种变电站表计图像分类方法 - Google Patents
一种变电站表计图像分类方法 Download PDFInfo
- Publication number
- CN112699925A CN112699925A CN202011543751.XA CN202011543751A CN112699925A CN 112699925 A CN112699925 A CN 112699925A CN 202011543751 A CN202011543751 A CN 202011543751A CN 112699925 A CN112699925 A CN 112699925A
- Authority
- CN
- China
- Prior art keywords
- meter
- image classification
- classification method
- transformer substation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001681 protective effect Effects 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
- G06F18/24—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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站表计图像分类方法,该变电站表计图像分类方法包括以下步骤:A1)使用目标检测网络对原始图像进行表计检测;A2)根据表计检测的结果,从原始图像中裁剪出表计区域;A3)将所裁剪出表计区域的表计图像用弱监督的细粒度网络进行分类。该变电站表计图像分类方法解决了基于视频监控表计识别过程中表计图像分类的问题,同时提高了图像中表计的检出率和分类的正确率。
Description
技术领域
本发明涉及一种变电站表计图像分类方法。
背景技术
变电站智能化改造是智能电网发展中的重要组成部分,视频监控的表计识别成本低、工程施工小,已经在全国范围内推广,建立了多个智能示范站。表计识别前首先需要对表计图像分类,目前主要有以下几种方法:
1.人工匹配,针对每个表计匹配对应的监控相机预置位。这种方法对施工要求高(每个表计都要单独进行预置位配置,把相机预置位精准的对着每个表计);维护成本高(易受恶劣气候环境的影响,每隔一定时间都要对预置位进行校准)。
2.多类别的目标检测算法,目标检测同时输出对应的类别。现在多类别目标检测大多数都用深度学习算法来实现,多类别深度学习目标检测分类效果差(目标检测算法的分类部分比较简单,只有2层全连接层,只适合做粗分类,用在细分类场景效果会下降),提供给网络学习的数据样本少(细分类别会导致每个类别数据不足),漏检率高(类别多数据少会导致出现漏检),算法更新需要重新训练整个多类别检测网络。
发明内容
本发明的目的是提供一种变电站表计图像分类方法,该变电站表计图像分类方法解决了基于视频监控表计识别过程中表计图像分类的问题,同时提高了图像中表计的检出率和分类的正确率。
为了实现上述目的,本发明提供了一种变电站表计图像分类方法,该变电站表计图像分类方法包括以下步骤:
A1)使用目标检测网络对原始图像进行表计检测;
A2)根据表计检测的结果,从原始图像中裁剪出表计区域;
A3)将所裁剪出表计区域的表计图像用弱监督的细粒度网络进行分类。
优选地,步骤2)中的裁剪方法包括:
a1)根据检测到的矩形框计算出矩形框中心点坐标;
a2)根据检测到的矩形框计算出矩形框长和宽的最大值;
a3)以步骤a1)得到的中心点为中心坐标,以步骤a2)得到的最大值为边长,裁剪正方形图像;
a4)把正方形图像尺寸缩放成设定尺寸;
a5)获得裁剪出的表计区域。
优选地,步骤a4)中的设定尺寸为448×448像素。
优选地,步骤A1)中所使用的目标检测网络为YOLO或FASTER-RCNN。
优选地,步骤A3)中所使用的细粒度网络为RA-CNN或Bilinear-CNN。
优选地,变电站表计图像分类方法还包括:制作训练细粒度网络的数据集,重复步骤A1)和A2)的方法对裁剪出的表计区域进行人工分类。
优选地,步骤A3)可采用传统的图像分类替代用弱监督的细粒度网络进行分类。
根据上述技术方案,本发明具有如下有益效果:1)不用对每个表计配置对应的相机预置位;2)把所有表计归成一类来完成表计检测可以降低检测算法的漏检率;3)细粒度分类算法可以提高分类的准确率;4)后续如果增加表计的种类,只需要重新训练细粒度分类网络,降低维护更新成本。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1裁剪前的原始图像;
图2裁剪后的表计区域;
图3是一种表计单类别检测示意图;
图4是另一种表计单类别检测示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
在本发明中,在未作相反说明的情况下,“上下左右、前后内外”等包含在术语中的方位词仅代表该术语在常规使用状态下的方位,或为本领域技术人员理解的俗称,而不应视为对该术语的限制。
在本申请中,关于“图像分类,分类器”、“细粒度图像分类”、“目标检测,检测器”和“深度网络”做如下解释:
图像分类,分类器:图像分类对图像进行分类,判断该图像中的物体是哪个类别。分类器用来实现图像分类,输入是一张图像,输出是物体的类别。一张图一般只有一个类别。
细粒度图像分类:传统的图像分类主要是指对区别较大的图像分类(如人,狗,车,自行车等);细粒度分类是指对某一特定类别下不同种类进行分类(如哈士奇,金毛,阿拉斯加犬等)。
目标检测,检测器:目标检测不仅要判断图像中物体类别,还要确定物体的位置。检测器用来实现目标检测,输入是一张图像,输出是物体的类别和物体矩形包围框的坐标。一张图中可以有多个目标,也可以有多个类别。
深度网络:在计算机视觉领域中深度网络主要是指卷积神经网络。目前图像分类和目标检测都通过使用数据来训练深度网络实现。
参见图1-4所示,该变电站表计图像分类方法包括以下步骤:
A1)使用目标检测网络对原始图像进行表计检测;
A2)根据表计检测的结果,从原始图像中裁剪出表计区域;
A3)将所裁剪出表计区域的表计图像用弱监督的细粒度网络进行分类。
通过上述技术方案的实施,发明具有如下有益效果:1)不用对每个表计配置对应的相机预置位;2)把所有表计归成一类来完成表计检测可以降低检测算法的漏检率;3)细粒度分类算法可以提高分类的准确率;4)后续如果增加表计的种类,只需要重新训练细粒度分类网络,降低维护更新成本。与之前的多类别表计检测不同,这里在训练数据标注时,所有表计都标注成同一类,训练后的目标检测网络可以对表计单类别检测。
此外,为进一步提供一种裁剪表计区域的方法,步骤2)中的裁剪方法包括:
a1)根据检测到的矩形框计算出矩形框中心点坐标;
a2)根据检测到的矩形框计算出矩形框长和宽的最大值;
a3)以步骤a1)得到的中心点为中心坐标,以步骤a2)得到的最大值为边长,裁剪正方形图像;
a4)把正方形图像尺寸缩放成设定尺寸;
a5)获得裁剪出的表计区域。
在该实施方式中,为了进一步提供一种设定尺寸,以便于细粒度网络进行分类,步骤a4)中的设定尺寸为448×448像素。
在该实施方式中,步骤A1)中所使用的目标检测网络为YOLO或FASTER-RCNN。
在该实施方式中,步骤A3)中所使用的细粒度网络为RA-CNN或Bilinear-CNN。
在该实施方式中,变电站表计图像分类方法还包括:制作训练细粒度网络的数据集,重复步骤A1)和A2)的方法对裁剪出的表计区域进行人工分类。
在该实施方式中,作为一种可替代的方式,优选地,步骤A3)可采用传统的图像分类替代用弱监督的细粒度网络进行分类。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (7)
1.一种变电站表计图像分类方法,其特征在于,所述变电站表计图像分类方法包括以下步骤:
A1)使用目标检测网络对原始图像进行表计检测;
A2)根据表计检测的结果,从原始图像中裁剪出表计区域;
A3)将所裁剪出表计区域的表计图像用弱监督的细粒度网络进行分类。
2.根据权利要求1所述的变电站表计图像分类方法,其特征在于,步骤2)中的裁剪方法包括:
a1)根据检测到的矩形框计算出矩形框中心点坐标;
a2)根据检测到的矩形框计算出矩形框长和宽的最大值;
a3)以步骤a1)得到的中心点为中心坐标,以步骤a2)得到的最大值为边长,裁剪正方形图像;
a4)把正方形图像尺寸缩放成设定尺寸;
a5)获得裁剪出的表计区域。
3.根据权利要求2所述的变电站表计图像分类方法,其特征在于,步骤a4)中的设定尺寸为448×448像素。
4.根据权利要求1所述的变电站表计图像分类方法,其特征在于,步骤A1)中所使用的目标检测网络为YOLO或FASTER-RCNN。
5.根据权利要求1所述的变电站表计图像分类方法,其特征在于,步骤A3)中所使用的细粒度网络为RA-CNN或Bilinear-CNN。
6.根据权利要求1所述的变电站表计图像分类方法,其特征在于,变电站表计图像分类方法还包括:制作训练细粒度网络的数据集,重复步骤A1)和A2)的方法对裁剪出的表计区域进行人工分类。
7.根据权利要求1所述的变电站表计图像分类方法,其特征在于,步骤A3)可采用传统的图像分类替代用弱监督的细粒度网络进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543751.XA CN112699925A (zh) | 2020-12-23 | 2020-12-23 | 一种变电站表计图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543751.XA CN112699925A (zh) | 2020-12-23 | 2020-12-23 | 一种变电站表计图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112699925A true CN112699925A (zh) | 2021-04-23 |
Family
ID=75509589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011543751.XA Pending CN112699925A (zh) | 2020-12-23 | 2020-12-23 | 一种变电站表计图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699925A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192071A (zh) * | 2021-06-29 | 2021-07-30 | 南方电网数字电网研究院有限公司 | 绝缘子绑扎线缺失识别方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
CN111339839A (zh) * | 2020-02-10 | 2020-06-26 | 广州众聚智能科技有限公司 | 一种密集型目标检测计量方法 |
WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
CN112115775A (zh) * | 2020-08-07 | 2020-12-22 | 北京工业大学 | 一种基于计算机视觉的监控场景下的吸烟行为检测方法 |
-
2020
- 2020-12-23 CN CN202011543751.XA patent/CN112699925A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
CN111339839A (zh) * | 2020-02-10 | 2020-06-26 | 广州众聚智能科技有限公司 | 一种密集型目标检测计量方法 |
CN112115775A (zh) * | 2020-08-07 | 2020-12-22 | 北京工业大学 | 一种基于计算机视觉的监控场景下的吸烟行为检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192071A (zh) * | 2021-06-29 | 2021-07-30 | 南方电网数字电网研究院有限公司 | 绝缘子绑扎线缺失识别方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN103902976B (zh) | 一种基于红外图像的行人检测方法 | |
CN111145174B (zh) | 基于图像语义特征进行点云筛选的3d目标检测方法 | |
CN106407981B (zh) | 一种车牌识别方法、装置及系统 | |
CN110363134B (zh) | 一种基于语义分割的人脸遮挡区定位方法 | |
CN107657226B (zh) | 一种基于深度学习的人数估计方法 | |
CN112149761B (zh) | 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 | |
CN110298227B (zh) | 一种基于深度学习的无人机航拍图像中的车辆检测方法 | |
CN102708370B (zh) | 一种多视角图像前景目标提取方法及装置 | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN109376637A (zh) | 基于视频监控图像处理的人数统计系统 | |
CN104778453A (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN110516633B (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN101901343A (zh) | 基于立体约束的遥感影像道路提取方法 | |
CN114973002A (zh) | 一种基于改进的YOLOv5的麦穗检测方法 | |
CN109977968B (zh) | 一种深度学习分类后比较的sar变化检测方法 | |
CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
CN115690542A (zh) | 一种基于改进yolov5的航拍绝缘子定向识别方法 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN108958231A (zh) | 一种移动机器人地图的多分辨率区域划分方法 | |
CN109117717A (zh) | 一种城市行人检测方法 | |
CN110390261A (zh) | 目标检测方法、装置、计算机可读存储介质及电子设备 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 | |
CN113724387A (zh) | 一种激光与相机融合的地图构建方法 |
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 |
Application publication date: 20210423 |
|
RJ01 | Rejection of invention patent application after publication |