本发明涉及仪表状态监测领域,尤其涉及一种基于改进sar的智能巡检led数字仪表读数方法。
背景技术:
1、随着中国电网高速发展,电网规模结构也发生了翻天覆地的改变,基于仪表参数监测作业也得到井喷式发展,其中大量的led数字式仪表被广泛应用于配电站房等电力场景。然而在仪表作业为电力状态监测带来方便的同时,大规模的仪表状态监测任务却面临巨大挑战。
2、传统方法通过人工作业方式对led数字式仪表所监测数据进行采集和记录。面对电厂中大量需要采集和记录数据的仪表,人工作业效率低,并且无法一直保持工作效率,容易产生误记、误读,导致后续工作出错。
3、随着计算机视觉相关技术的发展,特别是深度学习算法的高歌猛进,电厂仪表数据的记录工作已经开始向自动化方向发展。这不仅提高了数据采集效率,同时也降低了数据采集员的作业时的安全风险。
4、目前,对于led数字式仪表的读数方法主要有基于模板匹配,使用预先定义的数字模板来匹配输入图像中的数字,该方法对图像变形和噪声较为敏感,计算量大,不适用于复杂场景;基于特征提取和分类的方法,通过边缘检测、形态学运算、图像分割等从输入图像中提取数字的特征,然后使用支持向量机(svm)、神经网络等分类器对数字进行识别,该方法难以处理复杂场景中多样化的数字样式;基于深度学习的方法,使用深度神经网络对图像中提取特征并识别数字,该方法具有不错的精度和鲁棒性,但深度学习模型参数量往往较大,需要边缘端硬件设备的性能满足一定要求,否则将影响数字识别的速度,甚至模型难以被部署在边缘端。
技术实现思路
1、本发明的目的在于提供一种基于改进sar的智能巡检led数字仪表读数方法,解决了现有技术中指出的上述技术问题。
2、本发明提供了一种基于改进sar的智能巡检led数字仪表读数方法,包括如下操作步骤:
3、巡检机器人采集获取目标仪表的目标仪表图像;所述目标仪表为数字式仪表;所述目标仪表图像为数字式仪表图像;
4、基于所述目标仪表图像通过训练好的超快速轻量目标检测模型进行检测获取数字表盘图像;
5、基于所述数字表盘图像通过训练好的led数字仪表识别sar模型进行识别获取字符序列;
6、根据所述字符序列获取所述目标仪表对应的仪表读数。
7、较佳的,所述训练好的led数字仪表识别sar模型的结构包括resnet34、二维注意力模块、lstm编码/解码器。
8、较佳的,所述基于所述目标仪表图像通过训练好的超快速轻量目标检测模型进行检测获取数字表盘图像,包括如下操作步骤:
9、对初始建立的超快速轻量目标检测模型进行训练,得到训练好的超快速轻量目标检测模型;
10、将所述目标仪表图像输入所述训练好的超快速轻量目标检测模型,输出获取仪表检测结果;
11、根据所述仪表检测结果从所述目标仪表图像中截取得到数字表盘图像。
12、较佳的,所述对初始建立的超快速轻量目标检测模型进行训练,得到训练好的超快速轻量目标检测模型,包括如下操作步骤:
13、获取多个原始仪表图像;所述原始仪表图像是通过巡检机器人采集获取的;
14、对所述原始仪表图像进行标注获取标注仪表图像;
15、将所述标注仪表图像按照预设比例划分为训练集与测试集;
16、利用所述训练集及所述测试集对所述超快速轻量目标检测模型进行训练得到训练好的超快速轻量目标检测模型。
17、较佳的,所述训练好的超快速轻量目标检测模型输出图像大小为8500×33。
18、较佳的,所述基于所述数字表盘图像通过训练好的led数字仪表识别sar模型进行识别获取字符序列,包括如下操作步骤:
19、基于所述数字表盘图像通过卷积层及池化层提取得到特征序列数据;
20、通过编码器将所述特征序列数据转换为向量信息;
21、根据所述特征序列数据分析获取所述数字表盘图像中各区域对应的初始权重信息;并获取所述数字表盘图像中的极左区域以及所述极左区域对应的极左初始权重信息;
22、所述极左区域为数字表盘图像中最左边的区域;
23、在根据所述极左初始权重信息及所述向量信息根据相同时间步长进行解码输出第一字符之后,将所述第一字符对应的极左初始权重信作为第一字符的第二权重信息,利用各区域的初始权重信息及上个字符、上个字符对应的第二权重信息计算获取各区域对应的第二权重信息;并根据各区域对应的第二权重信息及向量信息根据相同时间步长进行解码输出各区域的字符;
24、对所述字符通过序列生成策略进行搜索后通过规整操作输出得到字符序列。
25、较佳的,所述特征序列数据包括低级特征数据、高级特征数据、图像关联信息、分辨率层次。
26、较佳的,上述规整操作包括去重复操作、去空段操作。
27、较佳的,上述序列生成策略为前缀束搜索策略。
28、与现有技术相比,本发明实施例至少存在如下方面的技术优势:
29、分析本发明提供的上述一种基于改进sar的智能巡检led数字仪表读数方法可知,在具体应用时首先通过巡检机器人采集获取目标仪表图像,然后使用超快速轻量目标检测模型对目标仪表图像进行识别分析,从而从目标仪表图像中剪切得到数字表盘图像;超快速轻量目标检测模型参数较少,推理速度更快,从而使数字表盘图像的检测截取速度加快;进而利用改进的sar算法建立得到的训练好的led数字仪表识别sar模型对数字表盘图像进行识别获取字符序列,不仅在规则文本识别上具有更好的识别精度,而且能够识别不规则文本(倾斜文本等),具有更强的鲁棒性,不仅能够支持复杂场景中多样化样式数字的识别(如因为拍摄角度导致的倾斜不规则数字等),解决了现有基于深度学习技术方法中模型在不规则数字上识别精度低的问题;并且改进后的模型做到了轻量化,能够部署到边缘端,拥有实时识别的速度,解决数字式仪表进行快速定位和智能读数问题,并解决了人工监测仪表效率低的问题,规避了因为人工操作产生的不良因素,提高仪表监测效率,提高仪表在光照不均匀、仪表倾斜等条件下仪表读数识别精度,不仅自动化程度高,且易于实现;最终利用字符序列得到目标仪表的仪表读数。
1.一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,包括如下操作步骤:
2.根据权利要求1所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,所述训练好的led数字仪表识别sar模型的结构包括resnet34、二维注意力模块、lstm编码/解码器为resnet34结构。
3.根据权利要求2所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,所述基于所述目标仪表图像通过训练好的超快速轻量目标检测模型进行检测获取数字表盘图像,包括如下操作步骤:
4.根据权利要求3所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,所述对初始建立的超快速轻量目标检测模型进行训练,得到训练好的超快速轻量目标检测模型,包括如下操作步骤:
5.根据权利要求4所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,所述基于所述数字表盘图像通过训练好的led数字仪表识别sar模型进行识别获取字符序列,包括如下操作步骤:
6.根据权利要求5所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,所述特征序列数据包括低级特征数据、高级特征数据、图像关联信息、分辨率层次。
7.根据权利要求6所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,所述极左区域为数字表盘图像中最左边的区域。
8.根据权利要求7所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,上述规整操作包括去重复操作、去空段操作。
9.根据权利要求8所述的一种基于改进sar的智能巡检led数字仪表读数方法,其特征在于,上述序列生成策略为前缀束搜索策略。