基于深度学习的变电站仪表盘读数边缘检测方法与流程

本发明涉及电力系统，具体为基于深度学习的变电站仪表盘读数边缘检测方法。

背景技术：

1、在变电站智能运维体系中，仪表盘读数识别是设备状态巡检的核心环节之一，边缘检测作为读数识别的前置关键步骤，其检测精度直接决定了最终读数的准确性。早期仪表盘边缘检测多采用canny、sobel等传统图像处理算法，这类算法原理简单、运行速度快，在光照均匀、表盘清洁无污损的理想场景下能够获得稳定的检测效果。随着深度学习技术在机器视觉领域的普及，基于卷积神经网络的边缘检测方法逐步被引入工业巡检场景，通过对大量样本的特征学习，其在复杂环境下的鲁棒性相比传统算法有明显提升。

2、但在实际变电站现场环境中，现有技术仍存在诸多不足。一方面，传统边缘检测算法对现场光照波动、表盘积灰污损、玻璃反光等干扰十分敏感，检测阈值需要人工根据单一场景反复调试，普遍存在边缘断裂、伪边缘冗余的问题，无法适配变电站复杂多变的现场工况。另一方面，现有基于深度学习的边缘检测方法多面向通用场景设计，未针对变电站仪表盘的圆形结构特征做针对性优化，检测过程中容易将背景中的设备轮廓、管线、支架等误识别为有效边缘，对后续读数识别造成严重干扰；同时多数通用深度模型参数量大、计算开销高，难以直接部署在变电站现场的嵌入式巡检终端上，无法满足实时巡检的要求。此外，现有方案大多直接对整幅巡检图像进行边缘检测，未预先对表盘区域进行定位裁剪，大量计算资源消耗在无关背景区域，检测效率偏低。

3、因此，亟需开发一种适配变电站现场环境的仪表盘边缘检测方法，既能够结合深度学习与传统图像处理的各自优势，提升复杂工况下边缘检测的准确率，又能够充分利用仪表盘的圆形几何特征过滤干扰，同时控制整体计算量以适配边缘终端部署，满足变电站智能巡检的实际应用需求。

技术实现思路

1、本发明的目的在于提供基于深度学习的变电站仪表盘读数边缘检测方法，以解决上述背景技术中提出的现有技术存在的问题。

2、为实现上述目的，本发明提供如下技术方案，基于深度学习的变电站仪表盘读数边缘检测方法，包括如下步骤：

3、s1）采集变电站现场各类指针式仪表盘的图像，对每幅图像中的表盘外圆轮廓、刻度线和指针分别进行标注，建立训练样本集；

4、s2）构建边缘检测模型，所述边缘检测模型由特征提取网络和解码网络串联构成，将训练样本集中的图像输入特征提取网络，得到多尺度特征图，再经解码网络输出与输入图像尺寸相同的边缘概率图，采用交叉熵损失函数对边缘检测模型进行训练，得到训练好的边缘检测模型；

5、s3）获取待检测的变电站仪表盘图像，先对其进行灰度化和直方图均衡化处理，再采用霍夫圆变换从处理后的图像中识别出表盘所在的圆形区域，裁剪得到表盘区域图像；

6、s4）将所述表盘区域图像输入训练好的边缘检测模型，得到初始边缘概率图，同时对所述表盘区域图像执行canny边缘检测得到传统边缘图，将初始边缘概率图与传统边缘图按像素取最大值融合，得到融合边缘图；

7、s5）对所述融合边缘图进行二值化处理，基于步骤s3识别出的表盘圆形区域参数，剔除落在圆形区域外的边缘像素，并对圆形区域内断裂的边缘线段进行连接，得到最终的仪表盘边缘检测结果，用于后续读数识别。

8、优选的，步骤s1中，建立训练样本集时，还对采集的图像进行随机旋转、亮度调整和加噪声处理，以扩充样本数量。

9、优选的，步骤s2中，所述特征提取网络采用编码结构，依次通过卷积层、池化层提取四个不同尺度的特征图；

10、所述解码网络通过上采样和特征拼接将四个尺度的特征图逐步融合，最终输出单通道边缘概率图。

11、优选的，步骤s2中，所述交叉熵损失函数在计算时，对边缘像素和非边缘像素设置不同的权重，边缘像素的权重高于非边缘像素的权重。

12、优选的，步骤s3中，采用霍夫圆变换识别表盘圆形区域时，先设定表盘半径的取值范围，再在该范围内进行圆形拟合，取累加器投票数最高的圆形作为表盘所在的圆形区域。

13、优选的，步骤s4中，对表盘区域图像执行canny边缘检测时，先采用高斯滤波对图像进行平滑，再通过双阈值法提取边缘，其中高阈值与低阈值的比值为2比1。

14、优选的，步骤s4中，将初始边缘概率图与传统边缘图融合之前，先对初始边缘概率图进行非极大值抑制处理，使边缘线条细化为单像素宽度。

15、优选的，步骤s5中，对圆形区域内断裂的边缘线段进行连接具体为：

16、计算相邻两条边缘线段端点之间的距离，当距离小于设定阈值时，用直线将两个端点连接。

17、优选的，步骤s2得到的训练好的边缘检测模型部署在变电站现场的边缘计算设备上，步骤s3至s5均在所述边缘计算设备上本地执行。

18、与现有技术相比，本发明的有益效果是：

19、1）本申请通过通过霍夫圆变换识别并裁剪出表盘所在的圆形区域，再开展后续边缘检测，有效缩小了检测范围，提前排除了图像背景中设备、管线、支架等无关元素的干扰，从源头减少了伪边缘的产生，同时降低了后续步骤的计算量，整体检测效率得到明显提升；

20、2）本申请通过将深度学习边缘检测结果与传统canny边缘检测结果进行逐像素取最大值融合，既发挥了深度学习方法在光照不均、表盘污损场景下的特征提取能力，保证了弱刻度、弱指针边缘的检出率，又利用了传统canny算子边缘定位精准、线条清晰的特点，两种检测方式优势互补，相比单一检测方法获得了更完整、定位更准确的边缘结果；

21、3）本申请通过在边缘后处理阶段，利用前期识别得到的表盘圆形区域参数，剔除落在圆形区域外的无效边缘像素，并对区域内断裂的边缘线段进行连接修复，充分利用了仪表盘固有的圆形几何先验信息，进一步过滤伪边缘、提升边缘的连续性，为后续的刻度线识别、指针读数计算提供了可靠的基础数据；

22、4）本申请通过整体流程无需采用复杂的大型深度网络，结合表盘区域裁剪带来的降维效果，整体计算开销低，能够直接部署在变电站现场的边缘计算设备上本地执行检测，无需将图像回传云端处理，既保证了检测的实时性，也提升了变电站运维数据的安全性，适合在变电站巡检场景中大规模推广应用。

1.基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s1中，建立训练样本集时，还对采集的图像进行随机旋转、亮度调整和加噪声处理，以扩充样本数量。

3.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s2中，所述特征提取网络采用编码结构，依次通过卷积层、池化层提取四个不同尺度的特征图；

4.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s2中，所述交叉熵损失函数在计算时，对边缘像素和非边缘像素设置不同的权重，边缘像素的权重高于非边缘像素的权重。

5.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s3中，采用霍夫圆变换识别表盘圆形区域时，先设定表盘半径的取值范围，再在该范围内进行圆形拟合，取累加器投票数最高的圆形作为表盘所在的圆形区域。

6.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s4中，对表盘区域图像执行canny边缘检测时，先采用高斯滤波对图像进行平滑，再通过双阈值法提取边缘，其中高阈值与低阈值的比值为2比1。

7.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s4中，将初始边缘概率图与传统边缘图融合之前，先对初始边缘概率图进行非极大值抑制处理，使边缘线条细化为单像素宽度。

8.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s5中，对圆形区域内断裂的边缘线段进行连接具体为：

9.根据权利要求1所述的基于深度学习的变电站仪表盘读数边缘检测方法，其特征在于，步骤s2得到的训练好的边缘检测模型部署在变电站现场的边缘计算设备上，步骤s3至s5均在所述边缘计算设备上本地执行。