CN111626323A - 一种基于深度学习的电表状态检测和评估方法 - Google Patents
一种基于深度学习的电表状态检测和评估方法 Download PDFInfo
- Publication number
- CN111626323A CN111626323A CN202010280318.5A CN202010280318A CN111626323A CN 111626323 A CN111626323 A CN 111626323A CN 202010280318 A CN202010280318 A CN 202010280318A CN 111626323 A CN111626323 A CN 111626323A
- Authority
- CN
- China
- Prior art keywords
- photo
- ammeter
- deep learning
- detected
- electric meter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 5
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及照片采集技术领域,尤其涉及一种基于深度学习的电表状态检测和评估方法,包括如下步骤:获取电表的样本照片,并进行预处理;将预处理后的电表照片分成训练集和测试集,采用深度学习算法对训练集进行多次训练,得到模型的参数,并在测试集上验证,选取效果最优的模型参数;将待检测的电表的照片输入到训练完的模型中,输出检测结果;根据检测结果对电表状态进行评估。本发明基于深度学习算法训练得到的模型进行电表的检测,具有更高的识别准确度、定位精确程度以及检测效率。
Description
技术领域
本发明涉及照片采集技术领域,尤其涉及一种基于深度学习的电表状态检测和评估方法。
背景技术
电表是重要的电力计量装置,了解其安全状态非常重要,关系千家万户的安全用电。智能电网引入计算机技术,使用移动端进行拍照,进行电表状况的检测评估,能够节省大量人力物力。评估电表的安全状况依赖于对电表及其部件的精确检测,包括对电表和各个部件的准确识别和精确的定位。
传统的检测方法依赖于人工检测,其识别准确度、定位精确程度以及检测效率都较低。
发明内容
为解决上述问题,本发明提出一种基于深度学习的电表状态检测和评估方法。
一种基于深度学习的电表状态检测和评估方法,包括如下步骤:
获取电表的样本照片,并进行预处理;
将预处理后的电表照片分成训练集和测试集,采用深度学习算法对训练集进行多次训练,得到模型的参数,并在测试集上验证,选取效果最优的模型参数;
将待检测的电表的照片输入到训练完的模型中,输出检测结果;
根据检测结果对电表状态进行评估。
优选的,所述获取电表的样本照片,并进行预处理包括以下步骤:
对样本照片进行直方图均衡化的处理,增加照片的对比度;
对样本照片以k的概率施加旋转、缩放、平移、仿射变化的操作以达到数据扩充,其中k为数据扩充的概率;
使用标注工具对于每一张电表的照片进行数据标注,用矩形框分别标注出电表中各部件的位置和大小。
优选的,所述电表中各部件包括:电表主体、采集器、封印、进线出线开关、指示灯。
优选的,所述将待检测的电表的照片输入到训练完的模型中,输出检测结果包括以下步骤:
若未能检测到封印,则判断存在封印缺失的缺陷;
若未能检测到采集器,则判断存在采集器缺失的缺陷;
若检测到破损的进线出线开关而没有检测到正常的进线出线开关,则判断存在进线出线开关破损;
检测指示灯信号的颜色,若是警告色,则判断存在信号灯异常。
优选的,所述根据检测结果对电表状态进行评估包括以下步骤:
针对电表不同的缺陷设定对应的扣分系数;
根据待检测电表照片的检测结果计算得到对应的分数;
根据分数对待检测电表进行评估。
本发明的有益效果:通过获取电表的样本照片,并进行预处理;将预处理后的电表照片分成训练集和测试集,采用深度学习算法对训练集进行多次训练,得到模型的参数,并在测试集上验证,选取效果最优的模型参数;将待检测的电表的照片输入到训练完的模型中,输出检测结果;根据检测结果对电表状态进行评估。本发明基于深度学习算法训练得到的模型进行电表的检测,具有更高的识别准确度、定位精确程度以及检测效率。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明一实施例一种基于深度学习的电表状态检测和评估方法的示意性流程图;
图2是本发明一实施例一种基于深度学习的电表状态检测和评估方法中步骤S1的示意性流程图;
图3是本发明一实施例一种基于深度学习的电表状态检测和评估方法中步骤S3的示意性流程图;
图4是本发明一实施例一种基于深度学习的电表状态检测和评估方法中步骤S4的示意性流程图。
具体实施方式
以下结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本发明的基本思想是获取电表的样本照片,并进行预处理;将预处理后的电表照片分成训练集和测试集,采用深度学习算法对训练集进行多次训练,得到模型的参数,并在测试集上验证,选取效果最优的模型参数;将待检测的电表的照片输入到训练完的模型中,输出检测结果;根据检测结果对电表状态进行评估。本发明基于深度学习算法训练得到的模型进行电表的检测,相对于人工检测具有更高的识别准确度、定位精确程度以及检测效率。
基于以上思想,本发明提出了一种基于深度学习的电表状态检测和评估方法,如图1所示,包括如下步骤:
S1:获取电表的样本照片,并进行预处理。
首先通过照片采集装置采集电表的照片,大约采集10000张左右的照片。照片采集装置可以是手机等。
为了训练得到更准确的模型,如图2所示,在本实施例中对样本照片进行预处理,具体包括以下步骤:
S11:对样本照片进行直方图均衡化的处理,增加照片的对比度;
S12:对样本照片以k的概率施加旋转、缩放、平移、仿射变化的操作以达到数据扩充,其中k为数据扩充的概率;
S13:使用标注工具对于每一张电表的照片进行数据标注,用矩形框分别标注出电表中各部件的位置和大小。
首先对所有的照片进行直方图均衡化的处理,增加照片的对比度,有利于后续的目标检测,然后对数据集中的照片以0.5的概率施加旋转、缩放、平移、仿射变化的操作,达到扩充数据集的目的,最后使用标注工具对于每一张电表的照片进行数据标注,用矩形框分别标注出电表主体、采集器、封印、进线出线开关、指示灯的位置和大小。
S2:将预处理后的电表照片分成训练集和测试集,采用深度学习算法对训练集进行多次训练,得到模型的参数,并在测试集上验证,选取效果最优的模型参数。
在本实施例中,把所有标注完成之后的电表照片分成两部分,其中8000张为训练集,其余2000张为测试集。
用深度学习方法对在训练集进行多次训练,得到的DCNN模型的参数,并在测试集上验证效果,分别记录电表、采集器、封印、进出线开关和指示灯检测的准确率和整个检测的时间,选取效果最优的模型参数进行应用。
深度学习的概念源于人工神经网络的研究,含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等,而使用某些特定的表示方法更容易从实例中学习任务。
S3:将待检测的电表的照片输入到训练完的模型中,输出检测结果。
在本实施例中,如图3所示,所述将待检测的电表的照片输入到训练完的模型中,输出检测结果包括以下步骤:
S31:若未能检测到封印,则判断存在封印缺失的缺陷;
S32:若未能检测到采集器,则判断存在采集器缺失的缺陷;
S33:若检测到破损的进线出线开关而没有检测到正常的进线出线开关,则判断存在进线出线开关破损;
S34:检测指示灯信号的颜色,若是警告色,则判断存在信号灯异常。
将待检测的照片输入到模型中,检测电表、采集器、封印、破损的进线出线开关和指示灯区域的位置和大小,记录模型返回的检测结果。
S4:根据检测结果对电表状态进行评估。
在本实施例中,如图4所示,所述根据检测结果对电表状态进行评估包括以下步骤:
S41:针对电表不同的缺陷设定对应的扣分系数;
S42:根据待检测电表照片的检测结果计算得到对应的分数;
S43:根据分数对待检测电表进行评估。
按最后得分把电表的缺陷等级划分为五个等级:I类:分数<60;Ⅱ类:评分≥60且<70;III类:评分≥70且<80;IV类:得分≥80且<90;其它:得分≥90。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于深度学习的电表状态检测和评估方法,其特征在于,包括如下步骤:
获取电表的样本照片,并进行预处理;
将预处理后的电表照片分成训练集和测试集,采用深度学习算法对训练集进行多次训练,得到模型的参数,并在测试集上验证,选取效果最优的模型参数;
将待检测的电表的照片输入到训练完的模型中,输出检测结果;
根据检测结果对电表状态进行评估。
2.根据权利要求1所述的一种基于深度学习的电表状态检测和评估方法,其特征在于,所述获取电表的样本照片,并进行预处理包括以下步骤:
对样本照片进行直方图均衡化的处理,增加照片的对比度;
对样本照片以k的概率施加旋转、缩放、平移、仿射变化的操作以达到数据扩充,其中k为数据扩充的概率;
使用标注工具对于每一张电表的照片进行数据标注,用矩形框分别标注出电表中各部件的位置和大小。
3.根据权利要求1所述的一种基于深度学习的电表状态检测和评估方法,其特征在于,所述电表中各部件包括:电表主体、采集器、封印、进线出线开关、指示灯。
4.根据权利要求3所述的一种基于深度学习的电表状态检测和评估方法,其特征在于,所述将待检测的电表的照片输入到训练完的模型中,输出检测结果包括以下步骤:
若未能检测到封印,则判断存在封印缺失的缺陷;
若未能检测到采集器,则判断存在采集器缺失的缺陷;
若检测到破损的进线出线开关而没有检测到正常的进线出线开关,则判断存在进线出线开关破损;
检测指示灯信号的颜色,若是警告色,则判断存在信号灯异常。
5.根据权利要求4所述的一种基于深度学习的电表状态检测和评估方法,其特征在于,所述根据检测结果对电表状态进行评估包括以下步骤:
针对电表不同的缺陷设定对应的扣分系数;
根据待检测电表照片的检测结果计算得到对应的分数;
根据分数对待检测电表进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280318.5A CN111626323A (zh) | 2020-04-10 | 2020-04-10 | 一种基于深度学习的电表状态检测和评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280318.5A CN111626323A (zh) | 2020-04-10 | 2020-04-10 | 一种基于深度学习的电表状态检测和评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626323A true CN111626323A (zh) | 2020-09-04 |
Family
ID=72259630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010280318.5A Pending CN111626323A (zh) | 2020-04-10 | 2020-04-10 | 一种基于深度学习的电表状态检测和评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626323A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633739A (zh) * | 2020-12-30 | 2021-04-09 | 安徽广志电气有限公司 | 一种配电控制柜能量损失评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017214503A1 (en) * | 2016-06-10 | 2017-12-14 | Brain Corporation | Systems and methods for automatic detection of spills |
CN108647677A (zh) * | 2018-05-14 | 2018-10-12 | 山东师范大学 | 基于视觉计算的电表外观和性能智能检测方法及装置 |
CN110046617A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于深度学习的数字电表读数自适应识别方法 |
WO2019208066A1 (ja) * | 2018-04-25 | 2019-10-31 | 株式会社リンクジャパン | 撮像装置及びシステム |
CN110503046A (zh) * | 2019-08-26 | 2019-11-26 | 华北电力大学(保定) | 一种基于图像识别技术的铅封识别法 |
-
2020
- 2020-04-10 CN CN202010280318.5A patent/CN111626323A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017214503A1 (en) * | 2016-06-10 | 2017-12-14 | Brain Corporation | Systems and methods for automatic detection of spills |
WO2019208066A1 (ja) * | 2018-04-25 | 2019-10-31 | 株式会社リンクジャパン | 撮像装置及びシステム |
CN108647677A (zh) * | 2018-05-14 | 2018-10-12 | 山东师范大学 | 基于视觉计算的电表外观和性能智能检测方法及装置 |
CN110046617A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于深度学习的数字电表读数自适应识别方法 |
CN110503046A (zh) * | 2019-08-26 | 2019-11-26 | 华北电力大学(保定) | 一种基于图像识别技术的铅封识别法 |
Non-Patent Citations (5)
Title |
---|
CHENG DAI 等: "Intelligent Ammeter Reading Recognition Method", 《2019 IEEE 8TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》 * |
商曦文 等: "智能电能表运行状态评估技术研究综述", 《电测与仪表》 * |
宋青松 等: "基于多尺度卷积神经网络的交通标志识别", 《湖南大学学报(自然科学版)》 * |
彭宇: "基于卷积神经网络的电能表液晶屏缺陷检测***设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
朱天宇 等: "基于指标权重分析的电能表智能管理体系", 《国网技术学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633739A (zh) * | 2020-12-30 | 2021-04-09 | 安徽广志电气有限公司 | 一种配电控制柜能量损失评估方法 |
CN112633739B (zh) * | 2020-12-30 | 2024-07-19 | 安徽广志电气有限公司 | 一种配电控制柜能量损失评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN110782461A (zh) | 一种基于Mask-RCNN的电力设备红外图像分割方法 | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及*** | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN111127448B (zh) | 一种基于孤立森林检测空气弹簧故障的方法 | |
CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测***及检测方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN114627082A (zh) | 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法 | |
TW202219494A (zh) | 缺陷檢測方法及檢測裝置 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及*** | |
CN111626323A (zh) | 一种基于深度学习的电表状态检测和评估方法 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
CN113780484A (zh) | 工业产品缺陷检测方法和装置 | |
CN109376738A (zh) | 基于车辆vin码起止符类型的篡改检测方法 | |
CN117635905A (zh) | 基于图像识别算法的电能表装接质量智能监测方法 | |
CN111291691B (zh) | 一种基于深度学习的变电站二次设备仪表盘读数检测方法 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |