[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

说明书

本发明公开了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，包括；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，使模型具备检测的能力，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，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，步骤四：利用关键点的位置计算仪表示数。本发明在部分遮挡或图像模糊的情况下仍然适用，并且非常稳定。

技术领域

本发明属于变电站指针式仪表技术领域，特别涉及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。

背景技术

现有技术中，基于霍夫变换的方法通过霍夫直线检测和弧检测方法分别检测指针和仪表盘的位置，并通过计算指针的偏转角度得到示数，该方法包括高斯滤波、图像二值化、图像细化等诸多步骤，且指针提取过程容易受到图像噪声的影响。基于模板的方法采用SIFT、SURF等特征匹配算法将待识别图像转变为标准图像位置，然后识别仪表示数，这种识别方法对环境十分敏感且对仪表姿态的要求非常高。对于传统方法来说，在复杂背景下无法实现多类仪表检测，且图像预处理过程复杂。方一笑等人提出了一种基于MaskR-CNN的指针式仪表自动识别方法，使用改进的MaskR-CNN算法来实现关键点检测，解决了指针式仪表自动识别对背景环境的敏感问题，提高了仪表识别的精确性和鲁棒性。邢浩强等人使用了卷积神经网络(convolutionalneuralnetwork，CNN)对目标仪表进行检测，提高了复杂背景下不同仪表自动识别的精度与稳定性。但上述方法仍采用传统的霍夫直线检测算法，需要后续的预处理。在实际复杂的条件下使用上述方法时，无法对不同光照条件、仪表姿态、尺度下拍摄的仪表图像进行统一预处理，从而无法识别仪表示数。此外，在图像局部遮挡和图像模糊的情况下，无法有效地识别出仪表示数。

发明内容

为了克服以上技术问题，本发明的目的在于提供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，利用深度学习实现仪表示数的自动识别，解决在不同姿态、尺度、光照条件下，变电站仪表示数自动识别过程中由于预处理困难而影响识别精度的问题。该方法能够在不进行任何预处理的条件下直接检测和识别复杂背景下的多类别仪表，在部分遮挡或图像模糊的情况下仍然适用，并且非常稳定。

为了实现上述目的，本发明采用的技术方案是：

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，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。