一种基于深度卷积神经网络的外表箱类型识别方法与流程

本发明涉及电能计量装置外表箱识别方法领域，尤其涉及一种基于深度卷积神经网络的外表箱类型识别方法。

背景技术：

电能计量装置的安全是十分重要的，关系到千家万户的用电安全，其外表箱是保护电表的第一道屏障，因此对于外表箱的巡视也是不容忽视的。随着人工智能技术在电力行业的深度应用，出现了基于视觉的智能巡查的趋势。在基于计算机视觉技术的智能巡查过程中，如何识别外表箱类型是一项基本的工作。

技术实现要素：

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于深度卷积神经网络的外表箱类型识别方法，以实现智能巡查过程中电能计量装置外表箱的类型识别为目的。为此，本发明采取以下技术方案。

一种基于深度卷积神经网络的外表箱类型识别方法，包括以下步骤：

a）采用深度卷积神经网络模型检测外表箱及其部件区域的位置和大小；

b）对外表箱的视窗进行检测；

c）对检测到视窗进行判断，如果是单个视窗，则执行步骤f），如果是多个视窗，则执行下一步；

d）对检测到的外表箱多视窗布局构建网格；

e）通过构建好的视窗网格与已知的类型的视窗布局进行匹配；

f）识别出外表箱的类型。

本方法利用基于深度卷积网络检测模型，能快速识别和定位外表箱，以及视窗和其他的部件，检测到视窗信息，实现了智能巡查过程中电能计量装置外表箱的类型有效和快速准确的识别，

作为优选技术手段：步骤a）中，所述的深度卷积神经网络dcnn模型的训练方法包括以下步骤：

a1）采集不同类型外表箱的照片，照片数量在3000-8000之间；

a2）对于每一张外表箱的照片进行标注，用矩形框标注出表箱、视窗、封印、锁具的位置和大小；

a3）把所有标注过的外表箱照片分成两部分，一部分作为训练集，另一部分作为测试集；

a4）用深度学习方法在训练集和测试集上训练，得到dcnn模型的参数。通过深度卷积神经网络dcnn模型的训练方法能够有效实现深度学习，为精确识别外表箱类型提供识别基础。

作为优选技术手段：步骤d）中，所述的网格的构建方法包括以下步骤：

d1）选定左上角的视窗作为起点，根据垂直方向的视窗检测矩形重叠情况，向右延伸找到同一排的视窗，根据视窗检测矩形水平方向的重叠情况，向下延伸找到相应各列的视窗；

d2）在此过程中，对视窗网格相邻格点之间的距离进行聚类，求得相邻视窗之间的距离，删除超过这个距离的1.5倍的格线；

d3）以横向和纵向的最大网格长度的连线为基准，向上下和左右延伸构建完整的网络。可有效实现视窗网格的构建。

作为优选技术手段：步骤d1）中，如果某个网格点没有检测到视窗的检测框覆盖，则可判定存在遗漏视窗，针对未加入视窗网格的遗漏视窗，根据垂直方向的检测矩形重叠情况，通过向左右方向延伸搜索视窗加入网格，根据水平方向的检测矩形的重叠情况，向上下方向延伸搜索视窗加入网格，重复此步骤，直到所有视窗都加入了网格。可有效实现遗漏视窗的判断和补入。

有益效果：本方法利用基于深度卷积网络检测模型，能快速识别和定位外表箱，以及视窗和其他的部件，检测到视窗信息，能有效和快速准确的识别出表箱类型，也为内部电能表的检测和分析提供帮助。

附图说明

图1是本发明流程示意图。

图2是本发明深度卷积神经网络模型训练方法流程图。

图3是本发明深度卷积神经网络模型结构示意图。

图4是本发明视窗网格构建示意图。

图5是本发明视窗网格的遗漏视窗补入示意图。

图6是denseyolo图。

图中：1-视窗；2-遗漏视窗。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

我们使用类似于yolo的dcnn结构模型。但骨干网络采用densenet，我们称之为denseyolo，如下图所示。yolo为深度学习目标检测方法，它是一个在pc上能实时的端到端的目标检测算法，不需要预先提取推荐区域，通过一个网络就可以输出目标的类别，置信度和坐标位置。

如图1、4所示，一种基于深度卷积神经网络的外表箱类型识别方法，其过程包括以下步骤：

a）采用深度卷积神经网络dcnn模型检测外表箱及其部件区域的位置和大小；

b）对外表箱的视窗（1）进行检测；

c）对检测到视窗（1）进行判断，如果是单个视窗，则执行步骤f），如果是多个视窗，则执行下一步；

d）对检测到的外表箱多视窗布局构建网格；

e）通过构建好的视窗网格与已知的类型的视窗布局进行匹配；

f）识别出外表箱的类型。

如图2、3所示，为了获得深度学习训练模型，步骤a）中，深度卷积神经网络dcnn模型的训练方法包括以下步骤：

a1）采集不同类型外表箱的照片，照片数量为5000张；

a2）对于每一张外表箱的照片进行标注，用矩形框标注出表箱、视窗（1）、封印、锁具的位置和大小；

a3）把所有标注过的外表箱照片分成两部分，其中4000张作为训练集，其余1000张作为测试集；

a4）用深度学习方法在训练集和测试集上训练，得到深度卷积神经网络模型的参数。通过深度卷积神经网络模型的训练方法能够有效实现深度学习，为精确识别外表箱类型提供识别基础。

如图4、5所示，为了实现视窗（1）的网格的构建，步骤d）中，网格的构建方法包括以下步骤：

d1）选定左上角的视窗1作为起点，根据垂直方向的视窗1检测矩形重叠情况，向右延伸找到同一排的视窗1，根据视窗1检测矩形水平方向的重叠情况，向下延伸找到相应各列的视窗1；

d2）在此过程中，对视窗1网格相邻格点之间的距离进行聚类，求得相邻视窗1之间的评价距离，删除超过这个距离的1.5倍的格线，超过这个距离是因为连接了不相邻的视窗1；

d3）以横向和纵向的最大网格长度的连线为基准，向上下和左右延伸构建完整的网络。可有效实现视窗1网格的构建，通过视窗1网格的构造，能推算出表箱的类型，如3×3的网格表示9表箱。

为了防止视窗遗漏，步骤d1）中，如果某个网格点没有被视窗1的检测框覆盖，则可判定存在遗漏视窗2，针对未加入视窗1网格的遗漏视窗2，根据垂直方向的检测矩形重叠情况，通过向左右方向延伸搜索视窗1加入网格，根据水平方向的检测矩形的重叠情况，向上下方向延伸搜索视窗1加入网格，重复此步骤，直到所有视窗1都加入了网格。可有效实现遗漏视窗2的判断和补入。

本方法利用基于深度卷积网络检测模型，能快速识别和定位外表箱，以及视窗1和其他的部件，检测到视窗1信息，实现了智能巡查过程中电能计量装置外表箱的类型有效和快速准确的识别，为内部电能表的检测和分析提供帮助。

以上图1-5所示的一种基于深度卷积神经网络的外表箱类型识别方法是本发明的具体实施例，已经体现出本发明突出的实质性特点和显著进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。