CN115457136A - 基于边缘计算的gis仪表六氟化硫数据监测方法及系统 - Google Patents
基于边缘计算的gis仪表六氟化硫数据监测方法及系统 Download PDFInfo
- Publication number
- CN115457136A CN115457136A CN202211395908.8A CN202211395908A CN115457136A CN 115457136 A CN115457136 A CN 115457136A CN 202211395908 A CN202211395908 A CN 202211395908A CN 115457136 A CN115457136 A CN 115457136A
- Authority
- CN
- China
- Prior art keywords
- data
- instrument
- gis
- monitoring
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 229910018503 SF6 Inorganic materials 0.000 title abstract description 13
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 title abstract description 13
- 229960000909 sulfur hexafluoride Drugs 0.000 title abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000137 annealing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 230000002265 prevention Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000009004 jinqing Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于边缘计算的GIS仪表六氟化硫数据监测方法及系统，涉及GIS设备监测技术领域。具体步骤为：采集仪表图像；基于生成对抗网络对所述仪表图像进行预处理，得到第一图像；建立关键点检测模型对所述第一图像进行仪表识读，获取识读数据；将所述识读数据发送到供电系统调度后台，进行数据存储并根据所述识读数据进行预警操作。本发明实现了GIS组合开关密度表实时信息的不间断采集、分析处理、信息传输、信息管理，研制出具有实时模拟信息测量并数字化、数字信息传输及显示、预警信号提醒及复核等功能的GIS仪表SF6数据智能监测终端，有效提高了变电站GIS设备的SF6表计数据监测及故障告警的及时性和全面性。
Description
技术领域
本发明涉及GIS设备监测技术领域，更具体的说是涉及一种基于边缘计算的GIS仪表六氟化硫数据监测方法及系统。
背景技术
随着科学技术的不断发展，在变电站SF6指针式仪表自动读数方面开展了大量的工作，取得了一定的效果。2006年李沛玲等人对仪表图像进行阈值化处理后得到连通区域，用粗指针的连通区域的中心点代表指针位置，再利用所有图片中指针尾部中心点到指针回转中心的距离相等这一性质拟合得到回转中心的坐标，从而确定指针直线，之后再根据指针中心点坐标、回转中心坐标和零刻度点坐标拟合三角形计算表盘的指针读数；2015年，Liu Jinqing等人采用区域生长算法（Region Growing Method）分割出指针所在区域范围，并采用hit-miss变换法或最小二乘法得到指针所在处的连通区域，再将指针区域细化成直线从而计算偏转角度。此外，李治玮等人为了获取没有指针的背景图像，提出了最大灰度相减法。在图像预处理方面，有学者提出使用利同态滤波法及Retinex图像增强法对图像事先进行预处理，能够解决一部分因光照不均匀等环境干扰对仪表读数的影响。
综上，国内对于仪表动态数据的读取和按设备运行特性进行应用分析并生成相应数据信息传递给需用后台方面的技术研究仅限于机器人监测和移动式环境监测，这些方案均存在着如下问题：
（1）由于仪表装置位置不一（有些仪表机器人监测和移动式环境监测无法读到），因此仪表实时数据读取存在死角；
（2）由于监测设备均为定时移动，仪表实时数据读取存在时间差；
（3）由于视角等因素，存在读数误差。
因此，对本领域技术人员来说，如何提高变电站GIS设备的SF6表计数据监测及故障告警的及时性和全面性，是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种基于边缘计算的GIS仪表六氟化硫数据监测方法及系统，以解决背景技术中存在的问题。
为了实现上述目的，本发明采用如下技术方案：一种基于边缘计算的GIS仪表SF6数据监测方法，其特征在于，具体步骤包括如下：
采集仪表图像；
基于生成对抗网络对所述仪表图像进行预处理，得到第一图像；
建立关键点检测模型对所述第一图像进行仪表识读，获取识读数据；
将所述识读数据发送到供电系统调度后台，进行数据存储并根据所述识读数据进行预警操作。
可选的，所述生成对抗网络包括生成器与判别器；所述生成器为19层全卷积神经网络，包括卷积层和反卷积层，通过所述卷积层的步长和所述反卷积进行上下采样，使用LeakyReLU作为激活函数。
可选的，在所述生成器中，利用7*7的卷积核和残差卷积模块来提取特征图，增加通道注意力模块，通过全局平均池化处理特征图，再通过全连接层得到权值与网络输出的特征图相乘。
可选的，通过所述关键点检测模型对所述第一图像进行仪表识读的步骤为：
选取所述仪表图像中特定刻度以及指针位置进行标定；
将已标注的指针仪表图像的关键点坐标采用高斯核函数转换为对应的热力图标签；
结合所述热力图标签与全卷积神经网络结构建立改进后的FCN关键点检测模型，并对输入图像进行检测。
可选的，针对存在畸变的仪表图像，利用已知关键点进行透视变换矫正；对矫正后的指针式仪表表盘图像基于所述已知关键点进行法线投影，使得圆形表盘变为刻度均匀的矩形表盘区域并根据指针的已知位置坐标进行读数计算。
可选的，所述关键点检测模型的训练步骤为：
采集仪表图像，随机抽取若干张图像进行人工标注，分为标注数据和无标注数据，采用退火算法的监督损失函数，逐步减弱所述标注数据的监督信号，所述监督损失函数为：
对所述标注数据和无标注数据进行分割掩码，提取表盘中心、刻度盘和指针的信息；
根据表盘中心、刻度盘和指针的信息进行读数。
可选的，对所述表盘中心进行点拟合，对于刻度中心，计算所属区域所有像素点的中心坐标，得到几何意义上的中心点；对于所述刻度盘进行椭圆拟合，根据所属区域所有像素点坐标拟合成一个椭圆，保留椭圆与原区域的交集作为刻度拟合结果；对所述指针进行直线拟合，利用最小二乘法拟合为直线。
另一方面，提供一种基于边缘计算的GIS仪表SF6数据监测系统，利用一种基于边缘计算的GIS仪表SF6数据监测方法进行监测，包括依次相连的智能监测装置、通讯装置、综合服务器；
其中，所述智能监测装置，用于基于边缘计算进行GIS仪表SF6数据监测，得到监测数据；
所述通讯装置，用于将所述监测数据实时传输至所述综合服务器；
所述综合服务器，用于接收所述监测数据，并存储所述监测数据，并根据所述监测数据进行预警。
可选的，所述智能监测装置包括摄像模块、边缘计算芯片模块、存储模块、网络传输模块、显示模块；所述摄像模块、所述存储模块、所述网络传输模块、所述显示模块均与所述边缘计算芯片模块相连；其中，所述摄像模块，用于拍摄仪表图像，所述边缘计算芯片模块，用于对所述仪表图像进行图像处理获取识读数据，所述存储模块，用于存储所述识读数据，所述网络传输模块，用于将所述识读数据传输至所述通讯装置，所述显示模块，用于显示所述识读数据。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于边缘计算的GIS仪表六氟化硫数据监测方法及系统，具有以下有益的技术效果：实现了GIS组合开关密度表实时信息的不间断采集、分析处理、信息传输、信息管理，研制出具有实时模拟信息测量并数字化、数字信息传输及显示、预警信号提醒及复核等功能的GIS仪表SF6数据智能监测终端，并集中实现实时信息采集、信息模数转换、实时信息夜视、实时数据分析、信息数据存储（导出）、数字或图片信息上传等功能，能满足供电运检修部门对GIS组合开关密度表实时状态的监测需求，有效提高了变电站GIS设备的SF6表计数据监测及故障告警的及时性和全面性，对提高电力系统的可靠性和安全性具有重要的促进作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的双重生成对抗网络结构图；
图3为本发明的对第一图像进行仪表识读的方法流程图；
图4为本发明的系统结构图；
图5为本发明的摄像模块结构图。
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做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。
本发明实施例公开了一种基于边缘计算的GIS仪表六氟化硫数据监测方法，如图1所示，具体步骤包括如下：
S1、采集仪表图像；
S2、基于生成对抗网络对仪表图像进行预处理，得到第一图像；
S3、建立关键点检测模型对第一图像进行仪表识读，获取识读数据；
S4、将识读数据发送到供电系统调度后台，进行数据存储并根据识读数据进行预警操作。
进一步的，生成对抗网络，是一种无监督学习算法，旨在通过生成器和判别器的互相博弈来达到图像修复目的。如图2所示，为双重生成对抗网络结构图，包括生成器与判别器。生成器的功能是增强输入的失真图像，并且输出增强后的图像。为了实现这一目的，在本发明中，设计一个19层的全卷积神经网络，这个网络中包括了卷积层和反卷积层，通过卷积层的步长和反卷积来完成上下采样，使用LeakyReLU作为网络的激活函数，为了平衡语义信息和纹理信息，进行高质量的生成图像，采用了一种类似于U-Net的网络结构，这种网络结构通过跳跃连接，将逐层的下采样和上采样连接起来，建立起的形如“U”型的网络结构。
在神经网络的开始部分，使用7*7 的大卷积核和残差卷积模块来提取特征，可有效避免因网络层数过深而带来的负面效果。同时，因为全卷积的网络结构用于对抗神经网络中容易产生伪影的问题，受到超分辨率相关研究的启发，为网络添加了通道注意力机制(channel attention, CA)。在超分辨率的相关研究中，通道注意力机制取得了良好的效果。这种机制是在网络中加入通道注意力模块，使得网络可以根据有益于训练的需要为各个通道赋予权值。具体的实现方式是，通过全局平均池化处理网络中产生的特征图，再通过两个全连接层得到权值与网络输出的特征图相乘，如此为各通道的特征图加权。
由于目标检测方法对仪表刻度、指针等密集且细小的目标区域识别效果不佳，并且在读数过程中，需要额外对图像进行透视变换，不能实现端到端的读数。因此，在本发明中，结合多通道热力图相似度的优化形式与全卷积神经网络结构，建立关键点检测模型用于指针式仪表读数任务。通过标定的仪表图像关键点，利用关键点检测网络输出关键特征点坐标，完成仪表矫正、指针检测、表盘投影等任务，最终完成仪表读数计算。
进一步的，如图3所示，通过关键点检测模型对第一图像进行仪表识读的步骤为：
选取仪表图像中特定刻度以及指针位置进行标定；
将已标注的指针仪表图像的关键点坐标采用高斯核函数转换为对应的热力图标签；
结合多通道热力图相似度优化形式与全卷积神经网络结构建立改进后的FCN关键点检测模型，并对输入图像进行检测。
热力图，颜色表示所在像素点与标记像素点的关联度，越接近暖色关联度越高。由于目标检测方法对仪表刻度、指针等密集且细小的目标区域识别效果不佳，并且在读数过程中，需要额外对图像进行透视变换，不能实现端到端的读数。因此，结合多通道热力图相似度的优化形式与全卷积神经网络结构，建立关键点检测模型用于指针式仪表读数任务。通过标定的仪表图像关键点，利用关键点检测网络输出关键特征点坐标，完成仪表矫正、指针检测、表盘投影等任务，最终完成仪表读数计算。
更进一步的，针对存在畸变的仪表图像，利用已知关键点进行透视变换矫正；对矫正后的指针式仪表表盘图像基于已知关键点进行法线投影，使得圆形表盘变为刻度均匀的矩形表盘区域并根据指针的已知位置坐标进行读数计算。
进一步的，关键点检测模型的训练步骤为：
采集仪表图像，随机抽取若干张图像进行人工标注，分为标注数据和无标注数据，利用监督损失函数防止过拟合；
对标注数据和无标注数据进行分割掩码，提取表盘中心、刻度盘和指针的信息；
根据表盘中心、刻度盘和指针的信息进行读数。
具体的，对于指针式表计，随机抽取120张图像进行人工标注，其中40张作为有标注训练集，80张作为测试集，剩下的1080张为半监督学习中的无标注训练集，因此，在该半监督设定下标注数据的比例为40/1120≈3.6%。
对于数字式表计，随机抽取100张图像进行人工标注，其中50张作为有标注训练集，50张作为测试集，标注数据的比例约为50/150≈33.3%。
对于指针式表计和数字式表计，模型最大迭代步数分别设置为3000和1000。考虑到有标注训练数据较少（指针式表计40张，数字式表计50张），而本发明的数据采样策略是在一个批次中选取等量的标注数据和无标注数据，其结果是标注数据被采样的次数远大于无标注数据，加大了模型过拟合的风险。为此，这里采用一种退火算法，逐步减弱标注数据的监督信号。具体而言，将监督损失改为如下形式：
其中，
是置信度阈值，在训练过程中由0.2线性增大到0.9。将类别
预测为类别
的像素数目记作
，类别
的像素总数记作
，
是逐像素计算的CE损失函数，学生模型
的监督损失为：
使用该退火算法的效果是只选择困难的像素进行监督损失计算，随着训练的进行，模型充分拟合有标注数据后，监督损失几乎不再起作用，从而减少了过拟合风险。
语义分割掩码中存在三种可能的部件，即表盘中心、刻度盘和指针，有些表计类型可能没有表盘中心，但并不影响最终读数。对表盘中心进行点拟合，对于刻度中心，计算所属区域所有像素点的中心坐标，得到几何意义上的中心点；对于刻度盘进行椭圆拟合，根据所属区域所有像素点坐标拟合成一个椭圆，保留椭圆与原区域的交集作为刻度拟合结果；对指针进行直线拟合，利用最小二乘法拟合为直线。
具体的，对于刻度中心，直接求出所属区域所有像素点的中心坐标，即得到几何意义上的中心点O；对于刻度盘，根据所属区域所有像素点坐标拟合一个椭圆，保留椭圆与原区域的交集作为刻度拟合结果，两个端点为A、B；对于指针，用最小二乘法拟合成一条直线（如果表盘中心存在，则也加入直线拟合的点集，并且赋予较大的权重，其原因在于，理论上表盘中心应该落在指针所在的直线上），该直线与椭圆的交点为C。在完成三个基本元素的提取后，连接OA和OB，形成的夹角为α1，连接OC，与OA的夹角为α2，则最终读数为：
其中，
和
分别是最小刻度值和最大刻度值，函数
的作用是将角度比例转化为读数比例，如果表计刻度均匀，该函数退化为恒等映射，否则需要提前配置。
本发明实施例2公开了一种基于边缘计算的GIS仪表六氟化硫数据监测系统，利用一种基于边缘计算的GIS仪表SF6数据监测方法进行监测，如图4所示，包括依次相连的智能监测装置、通讯装置、综合服务器；
其中，智能监测装置，用于基于边缘计算进行GIS仪表六氟化硫数据监测，得到监测数据；
通讯装置，用于将监测数据实时传输至综合服务器；
综合服务器，用于接收监测数据，并存储监测数据，并根据监测数据进行预警。
进一步的，智能监测装置包括摄像模块、边缘计算芯片模块、存储模块、网络传输模块、显示模块；摄像模块、存储模块、网络传输模块、显示模块均与边缘计算芯片模块相连；其中，摄像模块，用于拍摄仪表图像，边缘计算芯片模块，用于对仪表图像进行图像处理获取识读数据，存储模块，用于存储识读数据，网络传输模块，用于将识读数据传输至所述通讯装置，显示模块，用于显示识读数据。
智能监测装置是一种将GIS组合开关密度表（信息采集点）的物理量信息利用先进的信息处理硬、软件经过定时信息采集、信息感知、信息处理、信息传递的信息流方式结合供电系统IEC61850协议有效信息数字化传输、专业后台处理的创新型合成装置。传输到调度（监控）后台服务器的有效数字信号能满足GIS组合开关密度表实时状态智能监测、监控、应用等需求。
由于该装置实际应用在35kV-220kV乃至500kV高电压等级的变电站GIS设备及较强电场与露天环境，因此在装置研发时应特别注意防静电（电网标准接触放电8kV、空气放电16kV）、防强磁干扰、防水、防浪涌（电网标准共模6kV、差模2kV）等技术工艺性能，确保装置的安全性、稳定性和可靠性。
如图5所示，摄像模块由sensor单元、无线传输单元、低功耗待机单元、电源管理单元、天线单元、加密芯片单元、NPU、电池组成。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于边缘计算的GIS仪表SF6数据监测方法，其特征在于，具体步骤包括如下：
采集仪表图像；
基于生成对抗网络对所述仪表图像进行预处理，得到第一图像；
建立关键点检测模型对所述第一图像进行仪表识读，获取识读数据；
将所述识读数据发送到供电系统调度后台，进行数据存储并根据所述识读数据进行预警操作；
通过所述关键点检测模型对所述第一图像进行仪表识读的步骤为：
选取所述仪表图像中特定刻度以及指针位置进行标定；
将已标注的指针仪表图像的关键点坐标采用高斯核函数转换为对应的热力图标签；
结合所述热力图标签与全卷积神经网络结构建立改进后的FCN关键点检测模型，并对输入图像进行检测。
2.根据权利要求1所述的一种基于边缘计算的GIS仪表SF6数据监测方法，其特征在于，所述生成对抗网络包括生成器与判别器；所述生成器为19层全卷积神经网络，包括卷积层和反卷积层，通过所述卷积层的步长和所述反卷积进行上下采样，使用LeakyReLU作为激活函数。
3.根据权利要求2所述的一种基于边缘计算的GIS仪表SF6数据监测方法，其特征在于，在所述生成器中，利用7*7的卷积核和残差卷积模块来提取特征图，增加通道注意力模块，通过全局平均池化处理特征图，再通过全连接层得到权值与网络输出的特征图相乘。
4.根据权利要求1所述的一种基于边缘计算的GIS仪表SF6数据监测方法，其特征在于，针对存在畸变的仪表图像，利用已知关键点进行透视变换矫正；对矫正后的指针式仪表表盘图像基于所述已知关键点进行法线投影，使得圆形表盘变为刻度均匀的矩形表盘区域并根据指针的已知位置坐标进行读数计算。
5.根据权利要求1所述的一种基于边缘计算的GIS仪表SF6数据监测方法，其特征在于，所述关键点检测模型的训练步骤为：
采集仪表图像，随机抽取若干张图像进行人工标注，分为标注数据和无标注数据，采用退火算法的监督损失函数，逐步减弱所述标注数据的监督信号，所述监督损失函数为：
对所述标注数据和无标注数据进行分割掩码，提取表盘中心、刻度盘和指针的信息；
根据表盘中心、刻度盘和指针的信息进行读数。
6.根据权利要求5所述的一种基于边缘计算的GIS仪表SF6数据监测方法，其特征在于，对所述表盘中心进行点拟合，对于刻度中心，计算所属区域所有像素点的中心坐标，得到几何意义上的中心点；对于所述刻度盘进行椭圆拟合，根据所属区域所有像素点坐标拟合成一个椭圆，保留椭圆与原区域的交集作为刻度拟合结果；对所述指针进行直线拟合，利用最小二乘法拟合为直线。
7.一种基于边缘计算的GIS仪表SF6数据监测系统，其特征在于，利用权利要求1-6任一所述的一种基于边缘计算的GIS仪表SF6数据监测方法进行监测，包括依次相连的智能监测装置、通讯装置、综合服务器；
其中，所述智能监测装置，用于基于边缘计算进行GIS仪表SF6数据监测，得到监测数据；
所述通讯装置，用于将所述监测数据实时传输至所述综合服务器；
所述综合服务器，用于接收所述监测数据，并存储所述监测数据，并根据所述监测数据进行预警。
8.根据权利要求7所述的一种基于边缘计算的GIS仪表SF6数据监测系统，其特征在于，所述智能监测装置包括摄像模块、边缘计算芯片模块、存储模块、网络传输模块、显示模块；所述摄像模块、所述存储模块、所述网络传输模块、所述显示模块均与所述边缘计算芯片模块相连；其中，所述摄像模块，用于拍摄仪表图像，所述边缘计算芯片模块，用于对所述仪表图像进行图像处理获取识读数据，所述存储模块，用于存储所述识读数据，所述网络传输模块，用于将所述识读数据传输至所述通讯装置，所述显示模块，用于显示所述识读数据。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211395908.8A CN115457136B (zh) | 2022-11-09 | 2022-11-09 | 基于边缘计算的gis仪表六氟化硫数据监测方法及系统 |
| US18/197,127 US11790516B1 (en) | 2022-11-09 | 2023-05-15 | Method and system for monitoring GIS instrument sulfur hexafluoride data based on edge computing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211395908.8A CN115457136B (zh) | 2022-11-09 | 2022-11-09 | 基于边缘计算的gis仪表六氟化硫数据监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115457136A true CN115457136A (zh) | 2022-12-09 |
| CN115457136B CN115457136B (zh) | 2023-03-03 |
Family
ID=84311415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211395908.8A Active CN115457136B (zh) | 2022-11-09 | 2022-11-09 | 基于边缘计算的gis仪表六氟化硫数据监测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11790516B1 (zh) |
| CN (1) | CN115457136B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046826A (zh) * | 2019-12-20 | 2020-04-21 | 北京碧拓科技有限公司 | 一种远红外热成像人脸关键点的定位方法 |
| CN111223057A (zh) * | 2019-12-16 | 2020-06-02 | 杭州电子科技大学 | 基于生成对抗网络的增量式聚焦的图像到图像转换方法 |
| CN112257609A (zh) * | 2020-10-23 | 2021-01-22 | 重庆邮电大学 | 一种基于自适应关键点热图的车辆检测方法及装置 |
| US20210216862A1 (en) * | 2020-01-15 | 2021-07-15 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
| CN115019294A (zh) * | 2022-06-21 | 2022-09-06 | 智洋创新科技股份有限公司 | 一种指针式仪表读数识别方法及系统 |
| CN115035364A (zh) * | 2022-06-09 | 2022-09-09 | 南京南自信息技术有限公司 | 一种基于深度神经网络的指针仪表读数方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106338475A (zh) * | 2016-08-24 | 2017-01-18 | 北京智芯微电子科技有限公司 | 一种sf6气体成分在线实时监测的装置及方法 |
-
2022
- 2022-11-09 CN CN202211395908.8A patent/CN115457136B/zh active Active
-
2023
- 2023-05-15 US US18/197,127 patent/US11790516B1/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223057A (zh) * | 2019-12-16 | 2020-06-02 | 杭州电子科技大学 | 基于生成对抗网络的增量式聚焦的图像到图像转换方法 |
| CN111046826A (zh) * | 2019-12-20 | 2020-04-21 | 北京碧拓科技有限公司 | 一种远红外热成像人脸关键点的定位方法 |
| US20210216862A1 (en) * | 2020-01-15 | 2021-07-15 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
| CN112257609A (zh) * | 2020-10-23 | 2021-01-22 | 重庆邮电大学 | 一种基于自适应关键点热图的车辆检测方法及装置 |
| CN115035364A (zh) * | 2022-06-09 | 2022-09-09 | 南京南自信息技术有限公司 | 一种基于深度神经网络的指针仪表读数方法 |
| CN115019294A (zh) * | 2022-06-21 | 2022-09-06 | 智洋创新科技股份有限公司 | 一种指针式仪表读数识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| LIYUAN LI，AND ETC: "Attention Mechanism Cloud Detection With Modified FCN for Infrared Remote Sensing Images", 《 IEEE ACCESS》 * |
| 徐发兵等: "基于深度学习的指针式仪表检测与识别研究", 《高技术通讯》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US11790516B1 (en) | 2023-10-17 |
| CN115457136B (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951900B (zh) | 一种避雷器仪表读数的自动识别方法 | |
| CN109344701A (zh) | 一种基于Kinect的动态手势识别方法 | |
| CN108875602A (zh) | 监控环境下基于深度学习的人脸识别方法 | |
| CN103177241B (zh) | 利用视频图像处理技术定位输电线路间隔棒的方法 | |
| CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
| CN109086763B (zh) | 一种指针式仪表读取方法及装置 | |
| CN107463931A (zh) | 一种基于arm平台的实时指针仪表识读方法及装置 | |
| CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
| CN114549998A (zh) | 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 | |
| CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
| CN111061897B (zh) | 一种适于电网高分辨遥感图像多尺度自动截取与分类方法 | |
| CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
| CN103605171A (zh) | 全天空成像仪及基于全天空成像仪的云层特性分析方法 | |
| CN112163508A (zh) | 一种基于真实场景的文字识别方法、系统及ocr终端 | |
| Wang et al. | Pointer meter recognition in UAV inspection of overhead transmission lines | |
| CN116824726A (zh) | 一种校园环境智能巡检方法及系统 | |
| CN112906602B (zh) | 基于图像处理的配电柜电量表自动识别装置及识别方法 | |
| CN115457136B (zh) | 基于边缘计算的gis仪表六氟化硫数据监测方法及系统 | |
| CN114639023A (zh) | 一种基于机器学习的屋顶光伏潜力评估方法 | |
| CN110174714B (zh) | 基于机器学习的街道空间日照时数批量化测量方法及系统 | |
| CN115661117A (zh) | 一种接触网绝缘子可见光图像检测方法 | |
| Tu et al. | 2D in situ method for measuring plant leaf area with camera correction and background color calibration | |
| CN109087334A (zh) | 基于显著语境稀疏表示的目标追踪方法 | |
| CN113610094A (zh) | 一种基于旋转投射校准的配电室指针仪表读取方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |