[发明专利]一种复杂背景下的变电站指针式仪表的智能检测与识别方法

权利要求书

1.一种复杂背景下的变电站指针式仪表的智能检测与识别方法，其特征在于，包括以下步骤；

步骤一：利用真实拍摄的仪表图片，结合仿真数据构成仪表自动检测识别数据集，并使用LabelImg对数据集进行标记；

步骤二：利用步骤一中得到的数据集对SSD模型进行训练，使SSD模型具备变电站指针式仪表目标区域检测的能力，然后使用训练好的目标检测算法SSD检测变电站真实仪表图片，截取图像中目标仪表区域，实现指针式仪表表盘自动检测；

步骤三：基于步骤二中截取出的指针式仪表表盘，采用VGG16模型作为仪表表盘关键点检测模型，并重构该模型最后一个卷积层，同时添加一个最大池化层和两个全连通层，实现仪表表盘关键点检测，最后对该模型进行微调，如中心点O(x_o,y_o)、零点Z(x_z,y_z)和满量程点以及指针的端点E(x_e,y_e)；

步骤四：基于步骤三完成变电站指针式仪表关键点检测后，利用关键点的位置计算仪表示数。

2.根据权利要求1所述的一种复杂背景下的变电站指针式仪表的智能检测与识别方法，其特征在于，所述步骤一中的数据集构建及数据标注，通过UI界面设计软件Qt编写程序构造数据集，准备目标仪表和少量实际工况图像，然后将仪表随机添加到实际工况图像的任意位置上，记录目标仪表的位置(x_min,x_max,y_min,y_max)并进行训练；收集变电站目标仪表的样本图像，对目标仪表分类，构建真实仪表图像数据集，最后使用LabelImg标记仿真数据集和真实图像数据集中的图像数据，记录目标仪表的位置，每个图像的标记信息保存在同名的“.xml”文件中，该文件包含文件名、文件路径、图像大小信息、每个目标的类别id和边框的位置信息，标记关键点时，选择目标仪表的关键点。

3.根据权利要求1所述的一种复杂背景下的变电站指针式仪表的智能检测与识别方法，其特征在于，所述步骤二中的仪表目标区域检测，选用SSD目标检测模型，其网络结构为VGG16，该网络中增加了四个卷积层，并将最后两个全连接层替换成两个卷积层，然后将5个不同卷积层输出的特征图与2个不同的3×3卷积核进行卷积，其中一个卷积核输出分类的概率，其中每个默认边框生成21个类别的概率；另外一个卷积核输出回归的位置左边，其中每个默认边框生成一个四维坐标向量(x,y,w，h)，此外，前面的边框通过带有以上5个卷积层的特征图的Prior-Box层生成，这5个特征图中，每一层的默认边框数为4，最终生成的默认边框的数为8732，将所有的计算结果合并，然后输入到损失层，损失层的损失函数包括位置损失函数和回归损失函数。

4.根据权利要求3所述的一种复杂背景下的变电站指针式仪表的智能检测与识别方法，其特征在于，为使SSD目标检测模型更适应变电站仪表目标检测，需要对该模型进行调整和训练，具体为：

由于收集到的变电站指针式仪表数据较小，在训练过程中，使用PASCALVOC数据集训练的模型初始化参数，将基本网络层冻结，只使用最后几层网络进行训练，使其更适用于指针式仪表自动检测，自动检测模型的全局目标损失函数由两部分组成，其中Lconf代表类别损失，Lloc代表位置回滚损失，用表示与类别p的第j个真实边框相匹配的第i个默认边框的杰卡德系数，定义为:

其中N为默认边框数，如果N＝0，则全局目标损失函数值设为0，位置回归损失(Lloc)的公式如下；

其中，位置回归损失L_loc是边界框参数l的一个光滑L1损失，背景边框g用于回归计算默认边框d的中心坐标(c_x,c_y)、宽度w和高度h的偏移量，在如下公式中：

类别损失函数(L_conf)是多类别概率的Softmax损失；

其中，

通过交叉验证，全局目标损失函数的参数α为1。