[發明專利]一種基于卷積神經網絡的變電站指針式儀表的識別方法

有效

• 申請號: 201911143610.6
• 申請日: 2019-11-20
• 公開（公告）號: CN110929723B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 范衠;安康;姜濤;邱本章;朱貴杰;卞新超;孫福贊
• 申請（專利權）人: 汕頭大學
• 主分類號: G06V30/146
• 分類號: G06V30/146;G06V30/148;G06V10/26;G06V10/82;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

1.一種基于卷積神經網絡的變電站指針式儀表的識別方法，其特征在于，包括以下步驟：

S1：獲取包括變電站指針式儀表的圖像，建立儀表圖像庫；

S2：利用步驟S1中的儀表圖像庫訓練第一卷積神經網絡和第二卷積神經網絡，所述第一卷積神經網絡用于定位指針式儀表區域，所述第二卷積神經網絡用于識別指針式儀表種類；

S3：利用訓練好的第一卷積神經網絡定位儀表圖像中儀表所處的儀表區；

S4：利用訓練好的第二卷積神經網絡識別儀表種類，輸出儀表識別的結果；

S5：根據S4識別結果，不同類型的儀表采用相應的方法進行讀數；

步驟S1中獲取的包括變電站指針式儀表的圖像包括量程為0-70A的指針式圓形電流表、0-1A的指針式圓形電力表、0-20A的指針式方式電流表；

步驟S5中，所述儀表識別結果為指針式圓形電流表時，讀數由下式：

得到最后的讀數，其中，Angle為0刻度到指針的偏轉角度，θ為0角度到指針偏轉的角度，Value為指針最后的讀數，A為指針的最大量程；

步驟S5中，所述儀表識別結果為指針式方形電流表時，讀數使用神經網絡回歸的方法來進行讀數，該神經網絡輸入為真實電流值，輸出為預測電流值，具體為：采用隨機梯度下降法不斷降低價值函數的函數值來學習建立的第三卷積神經網絡的參數，所述價值函數表示為：

其中，ω是所述第三卷積神經網絡的權值參數，n是所述第三卷積神經網絡訓練的樣本數，x_i是第i個訓練樣本的特征向量，y_i是第i個訓練樣本的標簽；f(·)為第三卷積神經網絡的激勵函數，L(·)為第三卷積神經網絡的損失函數；

第三卷積神經網絡在每一次迭代中只使用一部分所述訓練樣本(x_i，y_i)進行權值參數的學習和更新，每一代的權值參數可表示為：

其中，t表示迭代的次數，取值范圍為[3000,+∞]；α表示學習速率，取值范圍為：[0.0003,0.01]；表示價值函數的偏微分。

2.根據權利要求1所述的基于卷積神經網絡的變電站指針式儀表的識別方法，其特征在于，步驟S3后，步驟S4前，還對S3得到的儀表區進行裁剪。

3.根據權利要求1所述的基于卷積神經網絡的變電站指針式儀表的識別方法，其特征在于，步驟S2中訓練第一卷積神經網絡中包括對第一卷積神經網絡的參數學習，通過不斷降低損失函數的函數值來學習得到第一卷積神經網絡的參數，其中，第一卷積神經網絡的損失函數L({p_i},{t_i})為：

式中，i表示第一卷積神經網絡中第i個錨點，p_i為第i個錨點為儀表區域的預測概率，如果錨點為正則標簽的真實值為1，錨點為負則為0，當為1時，回歸損失函數L_reg被激活；t_i為包含儀表區的定位框四個頂點坐標參數的向量，為定位框的真實值；L_cls為兩個類包括目標以及非目標的log損失函數；L_reg表示定位框的回歸損失函數，取為其中R為1范數損失函數；N_CLS＝256，為cls項的歸一化值；N_reg～2400(40*60)，為定位框的數量；λ＝10，為平衡因子。

4.根據權利要求1所述的基于卷積神經網絡的變電站指針式儀表的識別方法，其特征在于，步驟S2中訓練第二卷積神經網絡中包括對第二卷積神經網絡的參數學習，通過不斷降低損失函數的函數值來學習得到第二卷積神經網絡的參數，其中，第二卷積神經網絡的損失函數l為：

式中，g和分別表示圖像屬于儀表的真實值和預測值，g＝1表示圖像屬于儀表的某一種類，g＝0則為非此儀表種類，預測值表示屬于儀表的預測概率，分布在[0,1]之間；每張圖像的大小為N×W×H，其中N表示輸出的類別數目，W和H表示圖像的寬和高，n表示像素(i,j)的真實標記。