CN117635905A - 基于图像识别算法的电能表装接质量智能监测方法 - Google Patents
基于图像识别算法的电能表装接质量智能监测方法 Download PDFInfo
- Publication number
- CN117635905A CN117635905A CN202311714645.7A CN202311714645A CN117635905A CN 117635905 A CN117635905 A CN 117635905A CN 202311714645 A CN202311714645 A CN 202311714645A CN 117635905 A CN117635905 A CN 117635905A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- quality
- attachment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000009434 installation Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 15
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000001303 quality assessment method Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 57
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 22
- 238000002372 labelling Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000013403 standard screening design Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于图像识别算法的电能表装接质量智能监测方法，属监测领域。包括确定图像采集范围与样本；将常见电能表装接的质量缺陷进行归类；进行图像数据采集；图像数据预处理；物体检测；特征提取；文本识别；质量评估和结果输出；将计算机视觉技术和图像识别算法应用到电能表装接质量的检查过程中，以电能表现场装接问题场景为基础，通过采集电能表的照片或视频，运用图像识别技术，对电能表的装接质量进行智能监测和自动识别，实现对电能表现场装接质量的自动检测，为电能表安装质量提供了一种高效可靠的监测方法，能够提升电能表现场装接质量。可广泛用于电能表的安装、运行管理领域。
Description
技术领域
本发明属于监测领域，尤其涉及一种用于电能表装接质量的智能监测方法。
背景技术
随着电力行业的不断发展，电能表作为电能计量的重要设备，在能源管理中扮演着关键角色。
随着智能电网和智能电表的普及，电能表已经不再只是一个简单的计量器，而是集成了多种功能，如通信、控制、保护等。因此，电能表的装接质量越来越重要，一旦出现问题就会影响到电网的稳定运行和用户的用电安全。
在传统的电能表装接质量监测方法中，人工检查和手动记录是主要的方法。
这种方法存在着诸多问题，比如需要大量的人力和时间、易出现误差、难以对大量的数据进行快速准确的分析等。
而电能表的装接质量是影响稳定性、准确性、可靠性的一个关键因素，因此电能表装接质量监测具有非常重要的意义。
授权公告日为2022.11.08，授权公告号为CN 217766816 U的实用新型，公开了“一种排查电能表错接线的装置”，包括盒体、盖板和底板，底板上设有电路板，电路板上设有主控芯片和触控屏，电路板上连接有通信线缆；其优点是通过通信线缆采集电能表的电压、电流和功率等数据，由于通信线缆连接电路板上，因此能实时的将采集的数据传输至电路板的主控芯片内，然后主控芯片对接收的数据进行逻辑处理，并将处理的结果通过触控屏进行实时显示，操作人员可根据显示的结果，能在线实时核对装接步骤流程与错接线检查，从而能再源头上杜绝错接线，避免此次供用电双方的经济损失，提高服务质量，让用户放心用电，而且能对疑似错接线的用户进行筛查，当判定为错误接线时能第一时间安排外勤人员进行现场排查。但是，该技术方案只能对电能表错接线的故障进行人工排查，适用面较窄，且依然没有摆脱人工排查的局限。
因此，开发一种智能监测系统，能够自动评估电能表装接质量，具有重要的现实意义。
在过去的研究中，计算机视觉技术和图像识别算法在各个领域都取得了显著进展。然而，在电能表装接质量监测方面，相关研究仍相对较少。
现有的工作主要集中在传统的图像处理方法，缺乏对目标检测算法在电能表装接中的应用研究。
发明内容
本发明所要解决的技术问题是提供一种基于图像识别算法的电能表装接质量智能监测方法。其将计算机视觉技术和图像识别算法，应用到电能表装接质量的检查过程中，通过采集电能表的现场接装照片或视频，运用图像识别技术，对电能表的装接质量进行智能监测和自动识别，从而实现对电能表装接质量的自动检测。
本发明的技术方案是：提供一种基于图像识别算法的电能表装接质量智能监测方法，其特征是包括以下步骤：
1)根据电能表安装标准工艺，结合电能表装接现场问题场景，确定图像采集范围与样本；
2)将日常工作中常见电能表装接的质量缺陷进行归类；
3)在电能表装接现场进行图像数据采集：
在电能表装接现场使用摄像设备采集相关的电能表装接现场的图像数据，图像数据至少包括电能表和装接线路；
4)图像数据预处理：
对采集到的图像数据进行预处理，至少包括去噪、图像平滑、灰度化、尺寸调整、对比度和亮度调整，以提升图像质量和准确性；
3)物体检测：
使用物体检测算法，包括基于深度学习的目标检测模型，定位和标识电能表和装接线路等关键物体的位置；
4)特征提取：
从电能表和装接线路的边界框内提取与装接质量相关的特征，特征至少包括线条的连通性、字符的清晰度；
5)文本识别：
将特征提取阶段获得的文本和数字信息转化为可编辑的文本，以便进行后续分析和比较；
6)质量评估：
将识别出的文本和数字与预期结果进行比较，以评估电能表装接的质量；
7)结果输出：
将质量评估的结果以报告、图表或其他形式呈现给供电公司相关人员，以帮助他们了解电能表装接的质量情况和改进方向。
进一步的，所述电能表装接质量智能监测方法，还包括通过对检测到的电能表装接区域进行分析和计算，评估其质量是否符合标准要求。
具体的，所述电能表装接质量智能监测方法，将计算机视觉技术和图像识别算法，应用到电能表装接质量的检查过程中，通过采集电能表的照片或视频，运用图像识别技术，对电能表的装接质量进行智能监测和自动识别，从而实现对电能表现场装接质量的自动检测。
进一步的，所述电能表装接质量智能监测方法，利用计算机视觉技术和目标检测算法，实现电能表装接质量的自动评估；平衡了实时性和准确性，为电能表安装质量提供了一种高效可靠的监测方法。
具体的，需要采集相关的电能表装接现场的图像数据，至少包括电能表本身以及与其相关的装接线路、连接状态、装置安装。
具体的，基于电能表装接现场问题场景分析，根据包括电能表读数问题、接线问题、表计问题、屏显问题、表位问题、供电问题、装接现场规范问题在内的问题场景，进行质量缺陷分类；对于质量缺陷的分类包括：读数问题，接线问题，表计问题，屏显问题，表位问题，供电问题，装接现场规范问题。
具体的，将特征提取算法用于从电能表的边界框内提取与装接质量相关的特征，包括线条的连通性、字符的清晰。
具体的，所述的电能表装接质量智能监测方法，为了适应电能表装接的特点，选择SSD和YOLO两种目标检测算法作为系统的核心模型，对这两个算法进行优化；通过调整网络结构、改进损失函数，提高算法在电能表装接监测中的性能；同时，利用GPU加速技术，进一步优化算法的计算效率，实现实时监测。
进一步的，所述电能表装接质量智能监测方法，通过对电能表现场图像的智能识别，实现电能表装接质量的自动化监测，减少人力成本，降低电能表装接质量监测成本；同时，通过早期检测装接问题，避免因电能表装接问题引发的损坏和更换成本，减少维修成本。
所述的电能表装接质量智能监测方法，将计算机视觉技术和图像识别算法，应用到电能表装接质量的检查过程中，以电能表现场装接问题场景为基础，定义电能表装接图像采集范围，分析图像质量缺陷分类，制定现场装接图片标签生成策略，规范电能表装接图像质量控制，通过智能监测系统监测数据的分析，连续监测电能表的装接质量，提升电能表现场装接质量。
与现有技术比较，本发明的优点是：
1.本发明的技术方案，将计算机视觉技术和图像识别算法，应用到电能表装接质量的检查过程中，通过采集电能表的照片或视频，运用图像识别技术，对电能表的装接质量进行智能监测和自动识别，从而实现对电能表装接的自动检测。
2.相比传统的人工检测方法，本发明的技术方案，具有自动化程度高、检测精度高、识别速度快、监测效率高、数据存储和分析便捷、可重复性利用等优点，可以大大提高检测效率和检测准确度。
3.本发明的技术方案，利用计算机视觉技术和目标检测算法，实现了电能表装接质量的自动评估；系统在不同装接环境下取得了较高的准确率和召回率，平衡了实时性和准确性，为电能表安装质量提供了一种高效可靠的监测方法。
4.通过基于图像识别技术的应用，可以有效减少检查人员的工作量和检查成本，降低由于人为因素导致的误差和漏检，提高电能表读数的准确性、电能表装接的正确性、规范性，从而保障用户权益，保证电网的正常运行。
附图说明
图1是本发明电能表装接图像数据采集流程示意图；
图2是本发明物体检测模型训练示意图；
图3是本发明特征提取模型训练示意图；
图4是本发明文本识别模型训练示意图；
图5是本发明智能识别质量监测流程示意图；
图6是本发明智能监测系统的硬件框架结构示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
为了能够将计算机视觉技术和图像识别算法，应用到电能表装接质量的检查过程中，首先根据电能表安装标准工艺，结合电能表装接现场问题场景，确定图像采集范围与样本，将日常工作中常见电能表装接的质量缺陷归类，并基于装拆工作中采集的图片数据，对装接现场采集到的数据整理与处理，确保数据质量和一致性。
然后，通过数据标注与标签方法，将图像采集数据进行标注和记录，在图像中标注关键信息，形成标注数据集。
基于图像标注数据集，对图像分析并预处理，以提取有用的信息、增强图像质量或减少噪声等。
本发明所述基于图像识别算法的电能表装接质量智能监测方法，分为图像数据采集、图像预处理、物体检测、特征提取、文本识别、质量评估与结果输出等步骤。
1、电能表装接图像数据采集；
是指从装接现场中收集图像数据的过程；
2、图像数据收集和准备：
是指收集并准备用于图像识别的数据集，包括图像采集、数据清洗、标注等过程。数据集的质量和多样性对于识别算法的性能至关重要。
在图像采集过程使用的采集设备，以装拆工作中使用的采集设备为准，如国网掌机等，确保捕捉的装接现场图像具备足够的分辨率和图像质量。电能表装接图像数据采集流程，如图1中所示。
具体的，根据需求和实际情况，确定需要采集的电能表装接现场采集覆盖范围和样本数量。考虑到不同场景和装接类型的差异性，尽量覆盖多样性和代表性。
2.1、确定图像采集范围：
在电能表装接现场问题中，图像采集范围指的是需要采集的图像涵盖的场景和对象。针对电能表装接现场问题，需要采集的图像应包括电能表及其周围的装接线路、接线盒、电能表读数、展显、电能表安装位置、电能表相关线路接口等。通过收集不同角度、距离和光照条件下的图像，可以获取更全面、多样化的数据，以满足研究和分析的需求。
2.2、电能表装接情况：需要采集电能表装接现场的图像，包括电能表本身以及与其相关的装接线路、连接状态、装置安装等细节。
接线盒或接线表箱：接线盒或接线表箱是电能表装接过程中重要的组成部分，需要采集其图像以观察连接状态、与电能表线路分布等。
进线和出线接线：需要采集进线和出线的接线情况图像，以确认连接的正确性、接线是否符合规范等。
装接线路：考虑采集不同类型、不同布线方式的装接线路图像，以覆盖多种场景和情况。
电能表读数：为了评估电能表的读数准确性，需要采集电能表屏幕显示的图像，以便后续进行读数识别和比对。
环境因素：考虑采集不同环境下的图像，包括室内、室外、不同光照条件等。
2.3选择图像采集样本：
图像采集样本的选择是基于数据的多样性和代表性考虑的。在电能表装接现场问题中，样本能够涵盖不同类型的电能表、不同装接方式、不同线路布局等。样本数量的多少取决于数据的分布和算法模型的需求，一般来说，样本数量越多越好，为提高模型的泛化能力和准确性奠定基础。但是采集数据也存在成本和时间的限制，因此图像采集样本及样本数量根据实际情况下平衡考虑。
2.4、图像质量缺陷分类
基于电能表装接现场问题场景分析，根据电能表读数问题、接线问题、表计问题、屏显问题、表位问题、供电问题、装接现场规范问题等方面问题场景，图像质量缺陷分类如下：
2.4.1、读数问题：关注电能表读数的准确性。
2.4.2、接线问题：关注电能表装接线路是否符合规范。
2.4.3、表计问题：关注电能表的安装是否符合要求。
2.4.4、屏显问题：关注电能表屏幕显示的问题。
2.4.5、表位问题：关注电能表的安装位置。
2.4.6、供电问题：关注电能表供电是否正常。
2.4.7、装接现场规范问题：关注电能表装接现场是否符合规范要求。
2.5、图像数据采集：
在实施图像数据采集时，按照采集计划与数据需求，在装接现场进行数据采集。拍摄电能表装接现场的照片，并确保拍摄到足够清晰和准确的图像。采用不同角度和距离的拍摄，以获取全面的视角和细节信息。
具体的，图像数据采集信息主要包括：
现场表位图像数据采集、进出线图像数据采集、进线图像数据采集、出线图像数据采集以及电表正面图像数据采集。
2.5、图像数据标注策略：
图像数标注一般采用自动标注与手动标注，在数据规模庞大且复杂度较低的情况下，考虑自动标注。
自动标注的准确性和可靠性受到算法性能、数据质量和数据复杂性的影响。
在进行自动标注时，进行验证和评估，并进行人工手动修正以提高标注的准确性。
1)目标检测标注策略：
对于电能表读数、装接线路等需要标注位置和边界框的关键信息，使用目标检测标注策略。识别图像中的目标物体，确保边界框准确包围目标，为每个边界框添加相应的类别标签。该策略一般采用YOLO、Faster R-CNN或SSD等目标检测算法，自动识别图像中的目标物体并进行标注，但是需要预先训练好的目标检测模型，使用该模型对图像数据进行预测和标注。
2)文本标注策略：
对电能表读数等文本信息进行标注，则使用文本标注策略。在图像中将文本区域框选出来，并进行文本内容的标注。根据特定规则或基于图像特征提取的方法，自动识别和标注图像中的关键信息。该策略一般通过图像处理和OCR技术提取数字字符并识别读数。
3)分割标注策略：
对于装接线路等需要标注像素级别信息的情况，则采用分割标注策略。需要在图像中勾勒出关键部分的准确轮廓，形成目标的分割掩码。该策略一般采用规则和特征提取方法，基于线段检测和图像分割技术，自动识别线路的位置和连接关系。
4)关键点标注策略：
对于一些需要标注关键点位置的任务，比如电能表的特定部位、装接线路的连接点等，则采用关键点标注策略。标需要在图像中标注关键点的位置，以便后续的分析和应用。该策略一般通过弱监督学习方法，利用具有部分标注信息的数据或数据不充足的情况下进行标注，但标注的准确性相对较低。
5)属性标注策略：
使用属性标注策略来描述图像中的特定属性。如，使用分类标注来标注电能表的状态(正常/异常)、屏显问题的类型(模糊/偏移/错误等)、供电问题的性质(接触不良/电源异常等)等。该策略一般采用监督学习方法，使用已经标注好的一部分图像数据作为训练集，构建监督学习模型，但是需要准备足够的标注数据作为训练集，并选择合适的监督学习算法，如卷积神经网络(CNN)或循环神经网络(RNN)，进行模型训练和预测。
2.6、图像数据与标签关联：
图像数据与标签关联的关键在于确保每个图像数据与其对应的标签信息能够正确地进行匹配，通过文件命名规则、元数据文件、自动关联算法、数据库管理、深度学习方法等手段，根据实际需求进行选择和组合，以实现图像数据与标签的自动关联，提高效率和准确性，降低人工操作的工作量。
3、电能表装接图像预处理策略：
图像预处理是在进行图像分析、图像识别、计算机视觉等任务之前对原始图像进行一系列的处理和转换操作。目的是优化图像的质量、增强图像的特征，以提取有用的信息，提高后续任务的准确性和可靠性。
在电能表装接现场的图像识别中，图像预处理是确保识别准确性的关键步骤之一。图像预处理包括图像去噪和滤波、图像对比度增强、图像尺寸调整、图像灰度化、图像二值化、图像边缘检测等方法，在进行图像预处理时，根据实际情况选择单个或多个组合的方法，并且根据实验结果进行调整和优化，以达到最佳的预处理效果。
3.1图像去噪和滤波：
利用滤波算法来降低图像中的噪声。常用的滤波方法包括均值滤波、中值滤波和高斯滤波等。一般流程是先进行噪声检测和分析，然后根据结果选择合适的滤波器和参数。滤波器的大小和参数的选择会对滤波效果产生影响，需要根据具体情况进行调整和优化。
3.2图像对比度增强：
通过调整图像的亮度和对比度来提升图像的视觉效果，可以增强图像中的细节和边缘，使图像更清晰、更易于观察和分析。在电能表装接采集的图像中，对比度增强可以帮助提升电能表读数和装接线路等关键信息的清晰度和可见性。
3.3图像尺寸调整：
图像尺寸调整是一种常见的图像预处理操作，用于将图像调整为特定的尺寸，以适应后续处理的需求。常用的尺寸调整方法包括缩放、截剪等。
3.4图像灰度化：
图像灰度化是将彩色图像转换为灰度图像的过程，灰度图像是一种只包含亮度信息而不包含颜色信息的图像，将彩色图像灰度化可以简化后续的图像处理步骤，并减少计算量和存储空间。常见的灰度化方法包括加权平均法、平均法和分量法等。
3.5图像二值化：
图像二值化是将灰度图像转换为二值图像的过程，通过设定一个阈值，将像素值高于阈值的设置为白色(255)，低于阈值的设置为黑色(0)，从而将图像分割成目标物体和背景两部分。常用的二值化方法包括全局阈值法、自适应阈值法和Otsu法等。
3.6图像平滑：
图像平滑是通过应用平滑算法来减少图像中的噪声和细节。常见的平滑方法包括均值平滑、中值平滑和高斯平滑等。
3.7图像边缘检测：
图像边缘检测是通过检测图像中的边缘信息来提取目标物体的轮廓，提取电能表和装接线路等关键信息的边缘特征。常用的边缘检测算法包括Sobel算子、Canny算子和Laplacian算子等。
3.8图像旋转和翻转：
图像旋转和翻转是对图像进行旋转或翻转操作，以纠正图像的方向或适应特定需求。
4、优化训练数据集：
通过数据集训练和算法模型优化，能够对装拆过程中传回电能表图像信息中的进行识别，使其能够智能识别各类质量缺陷，提高其识别精度和速度，即发现装表接电中容易出现的电能表读数错误、接线错误、封印缺失等质量问题，实现对电能表装接现场质量的监测。
A、在电能表装接质量智能监测中的物体检测阶段，通常使用计算机视觉领域的物体检测模型来识别和定位电能表的位置和边界框。下面几类是电能表装接质量智能监测的物体检测阶段使用的模型：
1)R-CNN系列模型：包括R-CNN(Region-based Convolutional NeuralNetworks)、Fast R-CNN和Faster R-CNN。这些模型通过候选区域生成和分类器来实现物体检测。它们使用卷积神经网络(CNN)提取图像特征，并通过滑动窗口或选择性搜索等方法生成候选区域，然后对每个候选区域进行分类和边界框回归。
2)2.SSD(Single Shot MultiBox Detector)模型：SSD是一种单阶段的物体检测模型，它在单个网络中同时预测不同尺度和宽高比的边界框。SSD使用多个卷积层和不同尺度的特征图来检测物体，并在每个特征图上进行分类和边界框回归。
3)YOLO(You Only Look Once)系列模型：包括YOLOv1、YOLOv2、YOLOv3和YOLOv4等版本。YOLO是一种实时物体检测模型，它将物体检测任务视为回归问题，通过单个神经网络直接预测边界框和类别。YOLO模型具有较快的推理速度，并且在检测小物体时效果较好。
4)RetinaNet模型：RetinaNet是一种基于特征金字塔网络(Feature PyramidNetwork)的物体检测模型。它使用特征金字塔网络来提取多尺度的特征，并通过分类和回归分支同时预测物体的类别和边界框。
这些物体检测模型在电能表装接质量监测中根据具体需求选择适合的模型。使用预训练模型进行迁移学习，并通过大量的训练数据进行微调，以达到准确识别和定位电能表的目的。
在物体检测阶段，这些模型将在图像中定位电能表并生成对应的边界框，为后续的特征提取和文本识别步骤提供基础数据。
B、物体检测模型训练：
参见图2中所示，基于对电能表装接的相关图像数据集的收集、标注，以及对电能表装接相关图像数据的预处理，选择适合物体检测任务的模型，对物体检测任务进行模型训练。模型训练过程包括模型初始化、损失函数定义、训练数据准备、优化算法选择、迭代训练、模型评估、超参数调优、模型保存和部署。
5、特征提取算法及优化：
5.1、特征提取算法用于从电能表的边界框内提取与装接质量相关的特征，包括线条的连通性、字符的清晰度等。常用的特征提取算法是基于深度学习的卷积神经网络(CNN)模型，如VGGNet、ResNet等。
5.2物体检测算法优化：
物体检测算法的优化是确保算法在目标检测任务中能够更准确、更快速地定位和识别目标，优化是一个复杂的过程，涉及多个方面，从网络架构选择到数据预处理、损失函数设计、先验框、迁移学习等。
5.3、特征提取模型：
特征提取模型是在图像处理和计算机视觉任务中，用于从原始图像数据中提取有用的、高级抽象的特征的模型，这些特征用于后续的分类、检测、分割等任务，在特征提取的过程中，模型会自动学习并提取与任务相关的信息，从而减少了手工特征工程的需求。
5.4、特征提取模型训练：
特征提取模型训练是深度学习任务中的关键步骤，涉及从原始数据中学习到有用的特征表示，以便后续任务可以更有效地进行。模型训练过程包括模型选取、构建顶层结构、定义损失函数、选择优化算法、迭代训练、模型评估、超参数调优、模型保存。
具体的特征提取模型训练过程见图3中所示。
5.5、文本识别模型训练：
文本识别模型的训练涉及数据准备、模型构建、损失函数定义、优化器选择、训练过程等步骤，具体参见图4中所示。
本技术方案中的智能识别质量监测流程涵盖多个关键步骤，包括图像数据采集、图像数据预处理、物体检测、特征提取、文本识别、质量评估、结果输出等，以智能的方式实现对电能表装接质量的监测、识别和评估，通过智能识别质量监测流程，有效地提高装接质量管理的效率，并确保装接的合规性和准确性。
其具体的智能识别质量监测流程见图5中所示。所述的智能识别质量监测流程包括以下内容：
1)图像数据采集：
在电能表装接现场使用摄像设备(国网掌机等)采集相关的图像数据，包括电能表、装接线路等。
2)图像数据预处理：
对采集到的图像数据进行预处理，包括去噪、图像平滑、灰度化、尺寸调整、对比度和亮度调整等，以提升图像质量和准确性。
3)物体检测：
使用物体检测算法，如基于深度学习的目标检测模型，定位和标识电能表和装接线路等关键物体的位置。
4)特征提取：
从电能表和装接线路的边界框内提取与装接质量相关的特征，特征可能包括线条的连通性、字符的清晰度等。
5)文本识别：
将特征提取阶段获得的文本和数字信息转化为可编辑的文本，以便进行后续分析和比较。
6)质量评估：
将识别出的文本和数字与预期结果进行比较，以评估电能表装接的质量，例如电能表读数是否准确、装接线路是否规范等。
7)结果输出：
将质量评估的结果以报告、图表或其他形式呈现给供电公司相关人员，以帮助他们了解电能表装接的质量情况和改进方向。
最后，通过对检测到的电能表装接区域进行分析和计算，评估其质量是否符合标准要求。
常见的质量监测指标包括装接位置的偏移度、装接线路的连接状态、电能表读数的准确性等，基于质量缺陷与识别结果，定义监测过程中质量监测的规则与指标。
质量监测结果输出在电能表装接质量智能监测中起着关键作用，能够为操作人员和决策者提供有关装接质量的重要信息，以便及时采取措施。
结果分类：
结果分类是将质量监测的对象(例如电能表装接区域)根据一定的标准和指标进行划分，分为合格和不合格两个主要类别，结果分类有助于快速识别和理解装接质量状况，为后续的决策和处理提供依据。
1)合格分类：
当质量监测指标符合标准要求时，装接区域被判定为合格，电能表装接符合技术要求，可以正常运行，无需进一步的纠正措施。
2)不合格分类：
当质量监测指标未能满足标准要求时，装接区域被判定为不合格，电能表装接存在质量问题，需要采取纠正措施来修复、调整或更换装接，以确保电能表的正常运行。
在实际应用中，结果分类不仅仅是简单的合格和不合格两类，进一步细分为不同的级别或问题类型，以便更准确地描述问题的严重程度和性质。更细分的分类帮助操作人员更好地理解问题，采取适当的措施，并优先处理严重的问题。
结果可视化：
结果可视化是将质量监测过程中获取的数据和评估结果以直观的方式展示出来，帮助用户更好地理解和分析监测结果，为决策提供有力支持，并有助于及时采取适当的措施以解决任何装接质量问题。
结果可视化实现方式如下：
1.图像展示：
将原始图像与装接区域标示、检测框等视觉元素结合，展示装接情况，帮助用户直观地了解检测到的装接区域和问题。
2.质量评分：
将每个装接区域的质量评分以颜色、图标等形式展示在图像上，高质量区域可用绿色表示，低质量区域可用红色表示，以便快速判断。
3.装接指标曲线：
对于连续监测数据，如电能表读数的准确性，可绘制曲线图展示其变化趋势，便于观察装接质量的演变。
4.热力图：
如果有多个监测指标，可以使用热力图来同时显示多个指标的分布情况，不同颜色的区块表示不同的质量水平。
5.统计信息：
提供关于装接质量分布、各项指标的平均值、最大值、最小值等统计数据，让用户可以更好地了解整体质量状况。
6.问题区域标记：
在图像上标记出检测到的问题区域，比如装接位置偏移、线路断裂等，以便用户快速定位问题。
7.报告生成：
自动生成详细的监测报告，将图像、检测结果、指标数据等整合到报告中，便于存档和共享。
结果输出：
结果输出在电能表装接质量智能监测项目中非常重要，涉及将质量监测的结果以可理解和可用的方式呈现给用户、管理者或其他相关人员，帮助他们更好地了解装接质量，做出决策，并采取适当的措施来提高电能表装接的质量。
在本技术方案中，智能监测系统的设计基于客户端-服务器架构。
客户端负责采集电能表装接过程的图像，并将其传输到服务器端进行处理和分析。服务器端部署了深度学习模型和图像识别算法，用于检测和评估电能表的装接质量。系统架构如图6中所示。
进一步的，本发明的技术方案，选择了SSD和YOLO两种目标检测算法作为系统的核心模型。为了适应电能表装接的特点，对这两个算法进行了优化。通过调整网络结构、改进损失函数等方法，提高了算法在电能表装接监测中的性能。同时，利用GPU加速技术，进一步优化算法的计算效率，实现实时监测。
为了评估智能监测系统的性能，使用了之前构建的电能表装接数据集进行实验。
实验在一台配备了GPU的服务器上进行，以保证算法的高效性。
设置了不同的实验条件，包括不同目标检测算法、不同装接环境下的图像数据等。同时，对系统的实时性和准确性进行了评估，记录了算法的执行时间以及装接质量评估结果。
为了评估智能监测系统的性能，采用了准确率、召回率和F1得分作为性能评估指标。
其中，准确率衡量了算法检测结果中正确的正样本比例，召回率衡量了算法能够检测到的正样本比例，而F1得分是准确率和召回率的调和平均值，综合考虑了系统的准确性和全面性。
以下是一个示例表格，用于展示不同算法在不同装接环境下的性能评估结果：
| 算法 | 装接环境 | 准确率 | 召回率 | F1得分 |
| SSD | 环境1 | 0.92 | 0.85 | 0.88 |
| SSD | 环境2 | 0.91 | 0.87 | 0.89 |
| YOLO | 环境1 | 0.93 | 0.88 | 0.90 |
| YOLO | 环境2 | 0.89 | 0.82 | 0.85 |
实验结果表明，智能监测系统在不同装接环境下都取得了较高的准确率和召回率。SSD和YOLO算法都表现出良好的性能，但在不同环境下会有一定的差异。环境1中的装接质量评估结果较为稳定，而环境2中由于光线等因素的影响，可能导致一定的性能下降。
整体而言，智能监测系统在实时性和准确性方面取得了较好的平衡，能够满足电能表装接质量监测的需求。
实验结果验证了智能监测系统的有效性和可靠性。
与现有技术相比，本发明技术方案的优点是：
一、降低电能表装接质量监测成本及维修成本：
通过本项目研究，不再需要大量的人工手动检查每个电能表的装接情况，对电能表现场图像智能识别，实现电能表装接质量自动化监测，减少人力成本，降低电能表装接质量监测成本。同时，通过早期检测装接问题，避免因电能表装接问题引发的损坏和更换成本，可以减少维修成本。
二、提高电能表装接质量监测的效率和准确度：
传统的电能表装接质量监测方法需要人工逐一检查，费时费力且易出错，本技术方案通过智能监测系统准确检测电能表装接问题，包括装接位置的偏移、连接状态的异常等，可以自动识别电能表装接的质量问题，提高了电能表装接的效率和准确性，降低了误差率。
三、提升电能表现场装接质量：
以电能表现场装接问题场景为基础，定义电能表装接图像采集范围，分析图像质量缺陷分类，制定现场装接图片标签生成策略，规范电能表装接图像质量控制，通过智能监测系统监测数据的分析，连续监测电能表的装接质量，提升电能表现场装接质量。
四、提高客户满意度：
更高质量的电能表装接意味着用户可以更可靠地使用电能，降低了停电和其他供电问题的风险，从而提高客户的用电满意度。
本发明的技术方案，利用计算机视觉技术和目标检测算法，实现了电能表装接质量的自动评估。系统在不同装接环境下取得了较高的准确率和召回率，平衡了实时性和准确性，为电能表安装质量提供了一种高效可靠的监测方法。
本发明可广泛用于电能表的安装、运行管理领域。
Claims (10)
1.一种基于图像识别算法的电能表装接质量智能监测方法，其特征是包括以下步骤：
1)根据电能表安装标准工艺，结合电能表装接现场问题场景，确定图像采集范围与样本；
2)将日常工作中常见电能表装接的质量缺陷进行归类；
3)在电能表装接现场进行图像数据采集：
在电能表装接现场使用摄像设备采集相关的电能表装接现场的图像数据，图像数据至少包括电能表和装接线路；
4)图像数据预处理：
对采集到的图像数据进行预处理，至少包括去噪、图像平滑、灰度化、尺寸调整、对比度和亮度调整，以提升图像质量和准确性；
3)物体检测：
使用物体检测算法，包括基于深度学习的目标检测模型，定位和标识电能表和装接线路等关键物体的位置；
4)特征提取：
从电能表和装接线路的边界框内提取与装接质量相关的特征，特征至少包括线条的连通性、字符的清晰度；
5)文本识别：
将特征提取阶段获得的文本和数字信息转化为可编辑的文本，以便进行后续分析和比较；
6)质量评估：
将识别出的文本和数字与预期结果进行比较，以评估电能表装接的质量；
7)结果输出：
将质量评估的结果以报告、图表或其他形式呈现给供电公司相关人员，以帮助他们了解电能表装接的质量情况和改进方向。
2.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是所述电能表装接质量智能监测方法，还包括通过对检测到的电能表装接区域进行分析和计算，评估其质量是否符合标准要求。
3.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是所述电能表装接质量智能监测方法，将计算机视觉技术和图像识别算法，应用到电能表装接质量的检查过程中，通过采集电能表的照片或视频，运用图像识别技术，对电能表的装接质量进行智能监测和自动识别，从而实现对电能表现场装接质量的自动检测。
4.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是所述电能表装接质量智能监测方法，利用计算机视觉技术和目标检测算法，实现电能表装接质量的自动评估；平衡了实时性和准确性，为电能表安装质量提供了一种高效可靠的监测方法。
5.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是需要采集相关的电能表装接现场的图像数据，至少包括电能表本身以及与其相关的装接线路、连接状态、装置安装。
6.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是基于电能表装接现场问题场景分析，根据包括电能表读数问题、接线问题、表计问题、屏显问题、表位问题、供电问题、装接现场规范问题在内的问题场景，进行质量缺陷分类；
对于质量缺陷的分类包括：读数问题，接线问题，表计问题，屏显问题，表位问题，供电问题，装接现场规范问题。
7.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是将特征提取算法用于从电能表的边界框内提取与装接质量相关的特征，包括线条的连通性、字符的清晰。
8.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是所述的电能表装接质量智能监测方法，为了适应电能表装接的特点，选择SSD和YOLO两种目标检测算法作为系统的核心模型，对这两个算法进行优化；通过调整网络结构、改进损失函数，提高算法在电能表装接监测中的性能；同时，利用GPU加速技术，进一步优化算法的计算效率，实现实时监测。
9.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是所述电能表装接质量智能监测方法，通过对电能表现场图像的智能识别，实现电能表装接质量的自动化监测，减少人力成本，降低电能表装接质量监测成本；同时，通过早期检测装接问题，避免因电能表装接问题引发的损坏和更换成本，减少维修成本。
10.按照权利要求1所述的基于图像识别算法的电能表装接质量智能监测方法，其特征是所述的电能表装接质量智能监测方法，将计算机视觉技术和图像识别算法，应用到电能表装接质量的检查过程中，以电能表现场装接问题场景为基础，定义电能表装接图像采集范围，分析图像质量缺陷分类，制定现场装接图片标签生成策略，规范电能表装接图像质量控制，通过智能监测系统监测数据的分析，连续监测电能表的装接质量，提升电能表现场装接质量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311714645.7A CN117635905A (zh) | 2023-12-13 | 2023-12-13 | 基于图像识别算法的电能表装接质量智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311714645.7A CN117635905A (zh) | 2023-12-13 | 2023-12-13 | 基于图像识别算法的电能表装接质量智能监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117635905A true CN117635905A (zh) | 2024-03-01 |
Family
ID=90026892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311714645.7A Pending CN117635905A (zh) | 2023-12-13 | 2023-12-13 | 基于图像识别算法的电能表装接质量智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635905A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111562540A (zh) * | 2020-05-17 | 2020-08-21 | 宁夏隆基宁光仪表股份有限公司 | 一种基于动态图像识别和分析的电能表检测监控方法 |
| CN112699824A (zh) * | 2021-01-05 | 2021-04-23 | 湖北理工学院 | 电能表仪表常数检测方法、设备及存储介质 |
| WO2021188304A1 (en) * | 2020-03-18 | 2021-09-23 | Landis+Gyr Innovations, Inc. | Programming electric meter global positioning system coordinates using smart device |
| CN113516124A (zh) * | 2021-05-29 | 2021-10-19 | 大连民族大学 | 基于计算机视觉技术的电能表用电信息识别算法 |
| CN113589217A (zh) * | 2021-07-31 | 2021-11-02 | 万安裕高电子科技有限公司 | 智能电表缺陷检测装置 |
| CN114638970A (zh) * | 2022-03-14 | 2022-06-17 | 国网上海市电力公司 | 一种基于机器学习及边缘检测的电力设施规范性判断系统 |
| CN116486240A (zh) * | 2023-05-06 | 2023-07-25 | 国网青海省电力公司海西供电公司 | 图像识别算法在输电线路无人机智能巡检方法上的应用 |
| CN116612343A (zh) * | 2023-03-13 | 2023-08-18 | 华北电力大学（保定） | 一种基于自监督学习的输电线路金具检测方法 |
-
2023
- 2023-12-13 CN CN202311714645.7A patent/CN117635905A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021188304A1 (en) * | 2020-03-18 | 2021-09-23 | Landis+Gyr Innovations, Inc. | Programming electric meter global positioning system coordinates using smart device |
| CN111562540A (zh) * | 2020-05-17 | 2020-08-21 | 宁夏隆基宁光仪表股份有限公司 | 一种基于动态图像识别和分析的电能表检测监控方法 |
| CN112699824A (zh) * | 2021-01-05 | 2021-04-23 | 湖北理工学院 | 电能表仪表常数检测方法、设备及存储介质 |
| CN113516124A (zh) * | 2021-05-29 | 2021-10-19 | 大连民族大学 | 基于计算机视觉技术的电能表用电信息识别算法 |
| CN113589217A (zh) * | 2021-07-31 | 2021-11-02 | 万安裕高电子科技有限公司 | 智能电表缺陷检测装置 |
| CN114638970A (zh) * | 2022-03-14 | 2022-06-17 | 国网上海市电力公司 | 一种基于机器学习及边缘检测的电力设施规范性判断系统 |
| CN116612343A (zh) * | 2023-03-13 | 2023-08-18 | 华北电力大学（保定） | 一种基于自监督学习的输电线路金具检测方法 |
| CN116486240A (zh) * | 2023-05-06 | 2023-07-25 | 国网青海省电力公司海西供电公司 | 图像识别算法在输电线路无人机智能巡检方法上的应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107483014B (zh) | 一种光伏板故障自动检测方法 | |
| CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
| CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
| CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
| CN110119680A (zh) | 一种基于图像识别的电气柜接线自动查错系统 | |
| CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
| CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
| CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
| CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
| CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
| CN111209958A (zh) | 基于深度学习的变电站设备检测方法及装置 | |
| Zhang et al. | A pointer meter recognition algorithm based on deep learning | |
| CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
| CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
| Shuo et al. | Digital recognition of electric meter with deep learning | |
| CN110287967B (zh) | 一种基于图像的数字及机械表数字识别方法 | |
| CN111931721A (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
| CN117635905A (zh) | 基于图像识别算法的电能表装接质量智能监测方法 | |
| CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
| Li et al. | Surface Defect Detection of Seals Based on K‐Means Clustering Algorithm and Particle Swarm Optimization | |
| CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 |
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 |