[发明专利]机器人巡检图像的表计位置检测方法、装置及存储介质

说明书

本发明公开了一种机器人巡检图像的表计位置检测方法，包括：将巡检图像按预设的比例分为训练图像和待测试图像；构建初始训练神经网络，并去除初始训练神经网络中的小尺度的训练卷积层，得到表计训练神经网络；表计训练神经网络接收训练图像，训练图像经过第一层卷积层后，对训练图像进行一次下采样；训练图像经过采样单元后，对训练图像进行下采样；根据采样结果训练表计神经网络；其中，采样单元包括两层卷积层及一层残差层；将待测试图像输入训练后的表计训练神经网络，得到表计检测结果。本发明公开的一种机器人巡检图像的表计位置检测方法，能够提高检测速度，降低背景检测错误率，避免重复识别现象。本发明还公开了一种机器人巡检图像的表计位置检测装置和存储介质。

技术领域

本发明涉及表计位置检测技术领域，尤其涉及一种机器人巡检图像的表计位置检测方法、装置及存储介质。

背景技术

变电站是电力系统的重要组成部分，因而需要通过变电站智能监控作业，来有效保证变电站的运行安全。当前，许多变电站的智能监控依靠智能机器人巡检的方法来完成。相较于传统的定点监控方法，利用智能机器人对变电站巡检具有部署方便，节约开销的优点。表计是变电站中监控安全情况的重要设备，通过读取变电站表计的显示状态或当前数值，可以明确当前变电站的运行状态。

正确识别表计类型是对变电站表计状态及显示数值读取的必要前提。利用智能机器人巡检采集到的图像包含多种类型的表计，其中有压力表，液压表，油位表，避雷针指示器等。除此之外，相同类型的表计又有多种型号，因此设计一种能够对不同类型多型号的表计进行识别的模型是当前实现机器人智能巡检所面临的的一项巨大挑战。

现有技术中，表计的检测方法有：(1)以RCNN、Fast-RCNN为代表的基于预选框的思想来实现目标检测；(2)以YOLO为代表的基于回归思想的目标检测算法。

本发明人在实施本发明的过程中发现，现有技术中存在以下技术问题：

(1)RCNN、Fast-RCNN算法结构相对复杂，运行速率较慢；(2)YOLO 算法会出现重复检测出同一物体的现象。

发明内容

本发明实施例提供一种机器人巡检图像的表计位置检测方法，提高了检测速度，降低了背景检测错误率，避免了重复识别现象。

本发明实施例一提供一种机器人巡检图像的表计位置检测方法，包括：

将巡检图像按预设的比例分为训练图像和待测试图像；

构建初始训练神经网络，并去除所述初始训练神经网络中的小尺度的训练卷积层，得到表计训练神经网络；

所述表计训练神经网络接收所述训练图像，所述训练图像经过第一层卷积层后，对所述训练图像进行一次下采样；所述训练图像经过采样单元后，对所述训练图像进行下采样；根据采样结果训练所述表计神经网络；其中，所述采样单元包括两层卷积层及一层残差层；

将所述待测试图像输入训练后的所述表计训练神经网络，得到表计检测结果。

作为上述方案的改进，所述训练图像经过采样单元后，对所述训练图像进行下采样，具体包括：

所述训练图像经在第一个所述采样单元之后进行，对所述训练图像进行下采样；再经过两个所述采样单元后，对所述训练图像进行下采样；经过八个所述采样单元后，对所述训练图像进行下采样。

本发明实施例二对应提供了一种机器人巡检图像的表计位置检测装置，包括：

图像分类单元，用于将巡检图像按预设的比例分为训练图像和待测试图像；

网络构建单元，用于构建初始训练神经网络，并去除所述初始训练神经网络中的小尺度的训练卷积层，得到表计训练神经网络；