[发明专利]一种基于SW-FSSD的数字仪表字符检测方法

说明书

本发明公开了一种基于SW‑FSSD的数字仪表字符检测方法，其包括：构建SW‑FSSD模型作为数字仪表字符检测模型，并进行模型训练；利用IPC采集数字仪表的字符图像；将字符图像输入训练好的数字仪表字符检测模型；利用数字仪表字符检测模型对字符图像进行特征提取并分类，将模型的高低层予以特征融合获得字符类别，输出字符检测结果。本发明能够提升数字仪表字符检测的准确性和有效性，满足牵引变电所数字仪表字符智能化检测的需求。

技术领域

本发明涉及一种基于SW-FSSD的数字仪表字符检测方法，属于数字仪表字符检测技术领域。

背景技术

数字仪表的数码管中包含由金属丝制成的阳极和阴极，并充以不同的稀有气体，借助电极供电，从而发出不同的颜色光，进而显示相关字符数据。由于成本低，稳定性好，数字仪表广泛用于电力行业，累计记录电压、电流等电力数据，以及实时监控显示变电站、供电所等电压、温度的信息，保障电力系统的安全稳定运行。然而，数字仪表只能显示电力数据，之后还需要通过人工对显示的字符数据进行读取和再记录，操作速度慢且容易引入人工误差。社会发展正逐渐向智能化电力系统以及新能源设备倾斜，对电力的依赖程度日益凸显，由人工记录的数字仪表字符明显满足不了电力行业数据的日益增长。通过对数字仪表字符实时图像的采集、图像智能识别，自动读取出数值将是未来电力监控系统发展的趋势，而仪表字符识别的准确性和有效性又进一步影响牵引变电站向自动化、综合化、可视化、智能化方向发展进程。因此，急需一种可靠稳定仪表字符识别方法。

数字仪表字符数值的检测属于字符检测的一个方向，作为计算机视觉领域的研究热点，传统机器学习对字符的检测方法主要通过图像处理技术，研究的字符大多背景简单、不易受环境影响。而数字仪表字符容易受背景字符印迹、发光不均匀、光照等因素影响，采用传统的图像处理方法，人工设计提取特征复杂耗时、鲁棒性差，检测准确率和检测速度难以保证。近几年，随着社会的发展、人工智能技术的出现以及计算机硬件水平的提高，基于深度学习的数字仪表字符检测方法采用端到端的卷积神经网络自动学习特征，相比于分阶段进行的图像处理方法，检测速度有了很大的提升，且由于使用卷积神经网络自动获取目标特征，避免人工设计特征的各种缺陷，获得了较好的性能。但是，基于深度学习的方法在对数字仪表字符检测时依然存在问题，主要原因是主干网络特征提取语义信息不够丰富和采集样本时易产生样本之间数量的类别不平衡，最终拉低了模型的性能。 SSD模型作为深度学习网络中代表性的优秀网络模型，在对数字仪表字符检测时，依然存在前述问题，使得对数字仪表字符检测准确率受到限制。

发明内容

为了解决现有技术中存在的问题，本发明提出了一种基于SW-FSSD的数字仪表字符检测方法，多深度学习模型SSD进行改进，引入高低层语义信息，并根据部分加权分类损失进行模型训练，能够有效提升数字仪表字符检测的准确性和有效性。

为解决上述技术问题，本发明采用了如下技术手段：

本发明提出了一种基于SW-FSSD的数字仪表字符检测方法，包括如下步骤：

利用IPC采集数字仪表的字符图像；

将字符图像输入预先构建的数字仪表字符检测模型，其中，所述数字仪表字符检测模型采用SW-FSSD模型；

利用数字仪表字符检测模型对字符图像进行特征提取并分类，获得字符类别，输出字符检测结果。

进一步的，所述SW-FSSD模型包括依次连接的主干特征提取网络、多尺度特征提取网络、特征融合结构和分类器，其中，主干特征提取网络采用VGG16网络的前十三层卷积层，多尺度特征提取网络包括3组不同尺度分辨率输出的卷积层，特征融合结构采用FPN结构。

进一步的，所述SW-FSSD模型的分类损失函数采用部分加权损失函数 SWLoss。

进一步的，数字仪表字符检测模型的训练方法包括：

获取数字仪表的多幅字符图像；