一种基于YOLOV4的电力表计的故障识别方法和系统与流程

一种基于yolov4的电力表计的故障识别方法和系统
技术领域
1.本发明属于电子信息技术技术领域，具体涉及一种基于yolov4的电力表计的故障识别方法和系统。


背景技术：

2.随着科学技术的不断提高，电力系统的规模更为庞大，结构日益复杂；电力系统在朝着智能化和信息化的方向发展。电力系统在不断智能化的同时如何确保系统运行安全稳定是一项非常关键的问题，而电力视觉在仪表识别中的应用在电网智能与信息的发展历程中扮演者不可或缺的角色，所谓电力视觉在仪表识别中的应用，即用摄像头代替人眼进行识别与判断，实时监控电力表计的示数变化并且上报后台系统进行判断，一旦出现异常便能快速准确地做出相应。
3.电气设备自身故障是造成电网大面积停电事故的重要原因之一，导致电力故障约占所有电网事故的一半。因此，尽量减少电网的事故，对于电气设备的状态检测和故障诊断十分重要。随着大量图像传感器在电力系统中的广泛应用，对方便、有效的处理故障提供了有力的技术支持，因此加快电力视觉研究发展显得尤为重要。在电力系统中，指针式电力表计仍然无处不在，然而对其的读取与识别一直是传统上的肉眼识别，这种方法读数精度不高、工作量大、效率低下。当工作现场环境恶劣时(如高温、高压、高辐射或恶劣天气)也不适合人眼识别。因此实现指针式仪表的自动识别与故障诊断具有十分重要的意义。


技术实现要素：

4.本发明的目的在于提供一种基于yolov4的电力表计的故障识别方法和系统，以克服现有技术的不足。
5.为达到上述目的，本发明采用如下技术方案：
6.一种基于yolov4的电力表计的故障识别方法，包括以下步骤：
7.s1，将已知类别的电力系统指针式仪表图像进行标注，然后利用标注后的电力系统指针式仪表图像训练yolov4模型得到识别模型；
8.s2，采用训练后的yolov4模型对待识别电力系统指针式表计进行特征提取，然后对提取的特征进行聚类、拟合后获取待识别电力系统指针式表计特征图，将获取的特征图与yolov4模型内存储的标注特征图进行对比得到最接近的标注特征图，该标注特征图对应的仪表状态即为待识别电力系统指针式表计的状态。
9.进一步的，对电力系统指针式仪表图像进行标注前先进行预处理，归一化为416
×
416大小的统一图片。
10.进一步的，利用标注后的电力系统指针式仪表图像训练yolov4模型中，采用cspdarknet53作为基准网络，利用mish激活函数替代原始的relu激活函数，同时采用dropblock块进行数据处理；利用mosaic数据增强操作，同时利用cmbn及sat自对抗训练。
11.进一步的，采用mish激活函数为：
12.mish＝x
×
tanh(ln(1 e
x
))。
13.进一步的，利用spp模块将不同尺度大小的特征图进行融合，利用从上而下的fpn特征金字塔与从下而上的pan特征金字塔实现特征的提取。
14.进一步的，利用ciou
loss
函数代替smooth l1 loss函数，并利用diou
nms
函数来代替传统的nms操作，从而进一步提升算法的检测精度，ciou
loss
函数为：
[0015][0016][0017]
进一步的，在opencv中调用模板匹配的函数库，对经过yolov4训练分类之后的图像进行表盘特征图的提取与定位，然后对提取之后的表盘图进行k
‑
means聚类算法进行聚类处理，将聚类图像使用直线拟合法进行指针拟合得到实际表盘读数。
[0018]
进一步的，具体的，通过原点画一条虚拟直线，再以原点为定点绕其旋转一圈，发现旋转时重合度最高的便是指针位置，得到的指针角度再通过刻度线计算得到实际表盘读数。
[0019]
进一步的，在opencv中采用函数matchtemplate实现模板匹配算法，模板在原图像上从原点开始滑动以从左到右、从上到下的顺序遍历这一幅图像，将获取的图像特征融合到一个矩阵中得到匹配结果。
[0020]
一种电力表计的故障识别系统，包括识别模块和预处理训练模块；
[0021]
预处理训练模块用于对电力系统指针式仪表图像进行预处理，然后进行标注，利用标注后的电力系统指针式仪表图像训练yolov4模型得到识别模型，将识别模型传输至识别模块；
[0022]
识别模块用于输入对待识别电力系统指针式表计图片，并进行进行特征提取，然后对提取的特征进行聚类、拟合后获取待识别电力系统指针式表计特征图，将获取的特征图与yolov4模型内存储的标注特征图进行对比得到最接近的标注特征图作为输出结果。
[0023]
与现有技术相比，本发明具有以下有益的技术效果：
[0024]
本发明一种基于yolov4的电力表计的故障识别方法，通过将已知类别的电力系统指针式仪表图像进行标注，然后利用标注后的电力系统指针式仪表图像训练yolov4模型得到识别模型，对电力系统指针式仪表的识别与读数准确而高效，然后利用训练后的yolov4模型对待识别电力系统指针式表计进行特征提取，然后对提取的特征进行聚类、拟合后获取待识别电力系统指针式表计特征图，将获取的特征图与yolov4模型内存储的标注特征图进行对比得到最接近的标注特征图，能够快速准确获取电力表计数据，得表盘定位更加精准，表盘指针的读数更加准确。从而使得在电力系统中能够更加准确地对故障进行识别并及时报警，以至于能够及时处理并确保电力系统的安全稳定运行。
[0025]
进一步的，根据提取的图像使用模板匹配 k
‑
means算法 直线拟合相结合的算法对指针式电力表计进行表盘定位，刻度计算以及直线拟合，最终计算出表盘读数并输出，大大提高了电力表计的识别速度和准确度。本发明采用聚类之后的图像旋转虚拟直线拟合算法，也就是以表盘圆点为起点画一条虚拟直线并顺时针旋转一圈，在旋转过程的同时检测与聚类之后的表盘之间的重合度，根据提取出的刻度线输出该点读数便为表盘最终示数，
简单快捷，解决以往表计识别方法准确度不高，效率低下的问题。
[0026]
本发明一种电力表计的故障识别系统，对电力系统指针式仪表的识别与读数准确而高效，可以大大提高故障诊断效率和准确率，使得准确率达到90％。同时满足了智能电网建设的需要。
附图说明
[0027]
图1是本发明实施例中系统实现流程图；
[0028]
图2是本发明实施例中yolov4网络结构图；
[0029]
图3是本发明实施例中预处理示意图；
[0030]
图4是本发明实施例中数据样本在yolov4模型训练结果示意图；
[0031]
图5是本发明实施例中数据库检测结果分析示意图；
[0032]
图6是本发明实施例中平均检测率示意图；
[0033]
图7是本发明实施例中表盘模板匹配实验结果示意图；
[0034]
图8是本发明实施例中表盘k
‑
means聚类实验结果示意图；
[0035]
图9是本发明实施例中表盘直线拟合实验结果示意图；
[0036]
图10是本发明实施例中表盘读数识别输出实验结果示意图。
具体实施方式
[0037]
下面结合附图对本发明做进一步详细描述：
[0038]
如图1所示，一种基于yolov4的电力表计的故障识别方法，包括以下步骤：
[0039]
s1，将已知类别的电力系统指针式仪表图像进行标注，然后利用标注后的电力系统指针式仪表图像训练yolov4模型得到识别模型；本技术采用yolov4模型如图2所示；
[0040]
具体的，如图3所示，对电力系统指针式仪表图像进行标注前先进行预处理，归一化为416
×
416大小的统一图片，然后取尽可能多的图片作为训练数据集，本技术取107张放入数据集作为训练数据集，增加训练样本数量，使得训练结果更加具有说服力；
[0041]
如图4所示，将训练数据集放入到yolov4模型中进行训练，
[0042]
yolov4模型的具体训练如下步骤：
[0043]
在网络训练阶段，yolov4使用mosaic数据增强操作提升了模型的训练速度和网络的精度；利用cmbn及sat自对抗训练初步对网络的泛化性能有了提升。接着使用cspdarknet53作为基准网络；利用mish激活函数替代原始的relu激活函数，同时采用dropblock块进一步对模型的泛化能力进行提升。mish激活函数为：
[0044]
mish＝x
×
tanh(ln(1 e
x
))
[0045]
式中，x为输入，tanh(x)为双曲正切函数，ln(1 e
x
)是一个softmax激活函数和；
[0046]
然后利用spp模块将不同尺度大小的特征图进行融合；利用从上而下的fpn特征金字塔与从下而上的pan特征金字塔来提升网络的特征提取能力；通过组合这两个模块，可以很好的完成目标定位的功能。
[0047]
最后采用head来完成对目标检测结果的输出。对于不同的检测算法，输出端的分支个数不同，通常是包含一个分类分支和一个回归分支。利用ciou
loss
函数代替smooth l1 loss函数，并利用diou
nms
函数来代替传统的nms操作，从而进一步提升算法的检测精度。
ciou
loss
函数为：
[0048][0049][0050]
式中，iou为1与预测框与真实框之间交并比的差值，distance
c
为对角线距离，distance2为两个中心点的欧氏距离，v为预测框与真实框的长宽比的距离，w
gt
和h
gt
为真实框的宽和高，w
p
和h
p
为预测框的宽高；
[0051]
训练之后的图片会对需要提取的有效区域进行标注，然后分类显示，在107张的数据集训练效果理想，所有数据图像都能准确分类输出。分析如图5、图6所示，有效的训练与分类输出为电力系统指针式表计识别奠定基础。
[0052]
s2，采用训练后的yolov4模型对待识别电力系统指针式表计进行特征提取，然后对提取的特征进行聚类、拟合后获取待识别电力系统指针式表计特征图，将获取的特征图与yolov4模型内存储的标注特征图进行对比得到最接近的标注特征图，该标注特征图对应的仪表状态即为待识别电力系统指针式表计的状态。
[0053]
具体的，对电力系统指针式表计进行读数识别的实验：首先，在opencv中，调用模板匹配的函数库，对经过yolov4训练分类之后的图像进行表盘特征图的提取与定位，实验结果如图7所示；然后对提取之后的表盘图进行k
‑
means聚类算法聚类处理，去除表盘背景，得到刻度线和指针明显的聚类图像，使得刻度与指针清晰无干扰，便于之后的刻度线计算与指针直线拟合，实验结果如图8所示。最后将聚类图像使用直线拟合法进行指针拟合，方法是先通过原点画一条虚拟直线，再以原点为定点绕其旋转一圈，发现旋转时重合度最高的便是指针位置，实验结果如图9所示。得到的指针角度再通过刻度线计算得到实际表盘读数并输出，实验结果如图10所示。
[0054]
模板匹配法：在opencv中采用函数matchtemplate实现模板匹配算法，模板在原图像上从原点开始滑动以从左到右、从上到下的顺序遍历这一幅图像，计算模板与图像被模板覆盖的地方的差别程度，在opencv中这个差别程度的计算方法共计有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。
[0055]
6种差别程度计算方法：
[0056]
(1)、method＝cv_tm_sqdiff：
[0057]
r(x,y)＝∑
x
′
,y
′
(t(x
′
,y
′
)
‑
i(x x
′
,y y
′
))2；
[0058]
(2)、method＝cv_tm_sqdiff_normed：
[0059][0060]
(3)、method＝cv_tm_ccorr：
[0061]
r(x,y)＝∑
x
′
,y
′
(t(x
′
,y
′
)
·
i(x x
′
,y y
′
))；
[0062]
(4)、method＝cv_tm_ccorr_normed：
[0063][0064]
(5)、method＝cv_tm_ccoeff：
[0065]
r(x,y)＝∑
x
′
,y
′
(t
′
(x
′
,y
′
)
·
i(x x
′
,y y
′
))；
[0066]
(6)、method＝cv_tm_ccoeff_normed：
[0067][0068]
其中，
[0069][0070]
式中，i表示图像，t是模板，r是结果，模板与图像重叠区域x
′
＝0
…
w
‑
1，y
′
＝0
…
h
‑
1之间求和，w和h为图像的长和宽，x和y为原点坐标，x
′
和y
′
为匹配点坐标；
[0071]
本技术对提取之后的表盘图进行k
‑
means聚类算法聚类处理过程为：
[0072]
1)，适当选择c个类的初始中心；
[0073]
2)，在第k次迭代中，对任意一个样本，求其到c各中心的距离，将该样本归到距离最短的那个中心所在的类；
[0074]
3)，利用均值等方法更新该类的中心值；
[0075]
4)，对于所有的c个聚类中心，如果利用步骤2)和步骤3)的迭代法更新后，值保持不变，则迭代结束；否则继续迭代。
[0076]
采用直线绕点旋转算法：
[0077]
r
x
＝(x
‑
x0)
×
cos(a)
‑
(y
‑
y0)
×
sin(a) x0[0078]
r
y
＝(x
‑
x0)
×
sin(a) (y
‑
y0)
×
cos(a) y0[0079]
式中，r
x
和r
y
为旋转后的坐标，x和y为拟合点坐标，x0和y0为旋转原点坐标，a为顺时针旋转角度；用得到的表计读数与电系统正常运行时的读数进行比对，然后做出判断并传送后台系统。
[0080]
本发明采用yolov4模型训练与测试使用模块用于将数据集中不同环境背景下的电力系统指针式表计进行分类提取，并将提取的图像传输至指针式表计读数识别模块。指针式表计读数识别模块根据提取的图像使用模板匹配 k
‑
means算法 直线拟合相结合的算法对指针式电力表计进行表盘定位，刻度计算以及直线拟合，最终计算出表盘读数并输出。本发明方法实现简单，对电力系统指针式仪表的识别与读数准确而高效，可以大大提高故障诊断效率和准确率，使得准确率达到90％。同时满足了智能电网建设的需要。