一种基于PANet网络和先验知识的变电站电气表计识别方法

一种基于panet网络和先验知识的变电站电气表计识别方法
技术领域
1.本发明涉及变电站电气表计识别的技术领域，尤其涉及一种基于panet网络和先验知识的变电站电气表计识别方法。


背景技术：

2.近年来，随着社会经济的发展，企业和用户对电力系统供电可靠性的要求逐步提高；作为电力系统的重要组成部分，变电站中高压设备的安全、稳定运行成为运维关键；对于上述关键设备，往往会配置各种电气仪表，以显示该设备的工作状态；因此，执行站内巡检任务时，识别并记录表计示数的重要性不言而喻；由于受到现场复杂环境的影响，人工巡检劳动强度大、工作时间长，且巡检质量得不到保证。
3.此外，在部分地区变电站分布散乱，巡检人员数量与分配工作量不匹配，少数巡检人员甚至面临安全问题；因此，对变电站自动化巡检技术的需求日益增加，尽管目前不少变电站已投入使用巡检机器人解决巡检图像拍摄问题，室外环境下电气表计识别由于光照、拍摄角度变化等干扰因素，仍然是一个难点。
4.现有的电气表计图像识别研究主要分为两种：传统图像处理方法以及深度学习算法；传统图像处理方法根据指针和表盘的颜色差异，先提取hsv(hue，saturation，value)色域下的图像，再利用表盘轮廓和指针连通域分别确定表盘圆心和指针角度，最终计算读数；还有将表盘图像转化为灰度图，利用中值滤波去噪，之后利用边缘检测和霍夫变换检测指针角度并计算读数，传统方法对于小样本学习领域比较友好，但本身带有很强的前提条件，算法的鲁棒性得不到保证，比如无法处理拍摄角度变化问题。
5.另一种则是基于深度学习的图像识别方法，直接对读数进行回归，或者识别表盘、指针、刻度数字等关键信息后再计算读数；根据alexnet网络结构提出基于卷积神经网络的回归模型，对于定位后的表盘图像，直接输入该模型即可获得最终读数；采用深度回归算法识别指针式仪表的七个关键点，利用上述关键点计算指针旋转角度，并最终获得读数，虽然深度学习模型普遍具有很强的泛化性能，但对数据需求量大，如何利用电气领域的先验知识减少模型数据量需求成为关键。


技术实现要素：

6.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
7.鉴于上述现有存在的问题，提出了本发明。
8.因此，本发明提供了一种基于panet网络和先验知识的变电站电气表计识别方法，能够避免(1)图像过暗导致的电气表计的读数不准确的问题；
9.(2)拍摄角度变化导致的电气表计的读数不准确的问题。
10.为解决上述技术问题，本发明提供如下技术方案：包括：基于感知理论的图像光照
补偿算法调整电气表计的图像亮度，得到调整后的图像；利用panet网络识别所述调整后的图像的关键信息；利用先验知识修正所述关键信息；利用修正后的关键信息确定表盘刻度，根据所述表盘刻度得到电气表计的读数。
11.作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：感知理论的图像光照补偿算法包括，
12.对于单通道，利用单通道补偿j(l)调整电气表计的图像亮度；
13.对于多通道，利用多通道补偿调整电气表计的图像亮度。
14.作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：所述单通道补偿j(l)包括：
[0015][0016]
其中，ρ(x,y)为各像素点位置的权重，i(x,y)为图像亮度，l(x,y)为照明度，x和y为光滑性约束的两个方向，和分别为对x和y求偏导，λ为系数，ω为整幅图像。
[0017]
作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：所述多通道补偿包括：
[0018][0019]
其中，g(x,y)为转化得到的灰度值，lg(x,y)为基于灰度值重构的亮度。
[0020]
作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：关键信息包括：表盘和指针。
[0021]
作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：表盘包括：基于圆心(ho,jo)、旋转角θ、半长轴la和半短轴lb，建立表盘内部方程
[0022]
u＝(h-ho)cosθ (j-jo)sinθ
[0023]
v＝(h-ho)sinθ-(j-jo)cosθ
[0024][0025]
其中，(h，j)为表盘内部的任意一点。
[0026]
作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：指针包括：设指针的形状为三角形，三个顶点和三角形内部点基于三角形的三个顶点和三角形内部点建立三角形内部方程
[0027][0028]
其中，(h
′
,j
′
)为指针内部的任意一点，
[0029]
作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：修正后的关键信息包括：
[0030][0031]
其中，ω0为表盘区域的像素点位置，ω1为指针区域的像素点位置。
[0032]
作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：所述表盘刻度：通过修正所述关键信息，确定指针大小和椭圆大小；计算椭圆的周长c：
[0033]
c＝2πlb 4(l
a-lb)
[0034]
根据所述椭圆的周长分别计算指针所在某格两侧的刻度m、n：
[0035]
n＝(2πlb 4(l
a-lb))*n/i
[0036]
m＝(2πlb 4(l
a-lb))*m/i
[0037]
其中，m《n，i为总刻度数，n为指针所在右侧的第n个刻度，m为指针所在左侧的第m个刻度。
[0038]
作为本发明所述的基于panet网络和先验知识的变电站电气表计识别方法的一种优选方案，其中：电气表计的读数r包括：
[0039][0040]
其中，θm和θn分别为刻度m和n对应的弧度，θr为指针对应的弧度。
[0041]
本发明的有益效果：(1)本发明基于感知理论的光照补偿解决户外读数识别时光照变化带来的干扰问题，同时提高局部对比度为目标，提升了识别的准确度；
[0042]
(2)本发明基于panet网络和先验知识，在保证识别准确度的情况下，降低了数据需求。
附图说明
[0043]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0044]
图1为本发明第一个实施例所述的基于panet网络和先验知识的变电站电气表计识别方法的流程图；
[0045]
图2为本发明第一个实施例所述的基于panet网络和先验知识的变电站电气表计识别方法的光照补偿前效果图；
[0046]
图3为本发明第一个实施例所述的基于panet网络和先验知识的变电站电气表计识别方法的光照补偿后效果图。
具体实施方式
[0047]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0048]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0049]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0050]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0051]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0052]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0053]
实施例1
[0054]
参照图1～3，为本发明的第一个实施例，该实施例提供了一种基于panet网络和先验知识的变电站电气表计识别方法，包括：
[0055]
s1：基于感知理论的图像光照补偿算法调整电气表计的图像亮度，得到调整后的图像。
[0056]
(1)感知理论中两个结论：a)人类对环境反射率的敏感程度大于照明条件；b)在感知过程中，局部对比度的作用高于整体亮度。
[0057]
(2)感知理论的图像光照补偿算法包括，对于单通道，利用单通道补偿j(l)调整电气表计的图像亮度；对于多通道，利用多通道补偿调整电气表计的图像亮度。
[0058]
(3)基于上述结论，参照图2～3为光照补偿前后效果图，光照补偿任务可以用以下数学语言描述：已知图像亮度i(x,y)，重构照明度l(x,y)使得局部对比度得到增强，根据韦伯定律，我们可以建立以下优化目标函数：单通道补偿j(l)：
[0059][0060]
其中，ρ(x,y)为各像素点位置的权重，x和y为光滑性约束的两个方向，和分别为对x和y求偏导，λ为系数，ω为整幅图像。
[0061]
(3)对于多通道图像，首先将图像转化为灰度图像，利用灰度图像恢复亮度，再等比例作用于原始图像上，多通道补偿即：
[0062][0063]
其中，g(x,y)为转化得到的灰度值，lg(x,y)为基于灰度值重构的亮度。
[0064]
较佳的是，本发明通过利用感知理论的图像光照补偿算法消除外界明暗度的影响因素，同时提高局部对比度为目标，利于后续图像识别。
[0065]
s2：利用panet网络识别调整后的图像的关键信息。
[0066]
关键信息包括：表盘和指针。
[0067]
较佳的是，由于识别对象目标较小，本发明通过利用panet网络加强不同尺寸小的目标识别准确率，准确识别表盘、指针和刻度数字，提升了识别的准确性。
[0068]
s3：利用先验知识修正关键信息。
[0069]
(1)对于先验知识，表盘和指针的形状固定为椭圆和三角形，并提前存储所有可能的刻度分布，最终利用识别出的表盘和指针像素点位置估计最佳形状参数，利用识别出的刻度位置和数字信息判断最有可能的分布。
[0070]
(2)表盘包括：基于圆心(ho,jo)、旋转角θ、半长轴la和半短轴lb，建立表盘内部方程
[0071]
u＝(h-ho)cosθ (j-jo)sinθ
[0072]
v＝(h-ho)sinθ-(j-jo)cosθ
[0073][0074]
其中，(h，j)为表盘内部的任意一点。
[0075]
(3)指针包括：设指针的形状为三角形，三个顶点和三角形内部点基于三角形的三个顶点和三角形内部点建立三角形内部方程
[0076][0077]
其中，(h
′
,j
′
)为指针内部的任意一点。
[0078]
(4)修正后的关键信息包括：
[0079][0080]
其中，ω0为表盘区域的像素点位置，ω1为指针区域的像素点位置。
[0081]
较佳的是，本发明通过利用先验知识，在保证泛化能力的基础上降低了数据需求；另外，通过先验知识对数据的矫正，进一步保证了读数的可靠性。
[0082]
s4：利用修正后的关键信息确定表盘刻度，根据表盘刻度得到电气表计的读数。
[0083]
(1)表盘刻度：
[0084]
通过修正关键信息，确定指针大小和椭圆大小；
[0085]
计算椭圆的周长c：
[0086]
c＝2πlb 4(l
a-lb)
[0087]
根据椭圆的周长分别计算指针所在某格两侧的刻度m、n：
[0088]
n＝(2πlb 4(l
a-lb))*n/i
[0089]
m＝(2πlb 4(l
a-lb))*m/i
[0090]
其中，m《n，i为总刻度数，n为指针所在右侧的第n个刻度，m为指针所在左侧的第m个刻度。
[0091]
(2)电气表计的读数r包括：
[0092][0093]
其中，θm和θn分别为刻度m和n对应的弧度，θr为指针对应的弧度。
[0094]
较佳的是，本发明通过利用相对弧度，最终读数与弧度计算起始位置无关，进一步增强了本方法的可迁移性。
[0095]
实施例2
[0096]
为了对本方法中采用的技术效果加以验证说明，本实施例选择的不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0097]
本方法在ms coco数据集上预训练panet网络模型，固定层为基础网络，其作用在于提取图像特征，基础网络采用resnet50，区域候选网络特征金字塔网络单独训练，其采样总数为512，正负样本比1：3；网络权重衰减参数设为0.0001，动量参数设为0.9，随着迭代次数增加，学习率从0.02变化到0.002，此外，为了避免过拟合还加入dropout层，参数为0.2，其次是基于卷积和求和操作的特征路径增强，紧接着是基于多层次特征融合的自适应特征池化，最后是包含掩膜分支和分类分支的预测。
[0098]
传统的技术方案：对于户外电力表计识别，存在光照、拍摄角度变化等干扰因素，尽管可以集成光照补偿算法，但拍摄角度变化问题无法解决，这是由于传统方法无法获取刻度信息，在表面旋转时一定会出现读数错误。
[0099]
为验证本方法相对传统图像处理算法、光照补偿算法(ica)和传统图像处理算法、卷积神经网络回归法、光照补偿算法(ica)和卷积神经网络回归法、mask rcnn、光照补偿算法(ica)和mask rcnn具有较高的图像识别准确度和较好的读数识别，本实施例中将采用传统图像处理算法、光照补偿算法(ica)和传统图像处理算法、卷积神经网络回归法、光照补偿算法(ica)和卷积神经网络回归法、mask rcnn、光照补偿算法(ica)和mask rcnn与本方
法分别对同一图像的进行200次实时对比。
[0100]
表1：不同模型对应图像识别和读数准确率对比表。
[0101]
模型图像识别读数传统图像处理算法/63.3％ica 传统图像处理算法/68.2％卷积神经网络回归法/53.6％ica 卷积神经网络回归法/65.8％mask rcnn81.7％78.0％ica mask rcnn84.5％82.9％本方法89.4％95.1％
[0102]
从上表可以看出，本发明的图像识别准确度优于其他方法，且读数的准确度明显大于其他方法。
[0103]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0104]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0105]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0106]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例
如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0107]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。