基于深度学习智能仪表检测模型研究.pdf
《基于深度学习智能仪表检测模型研究.pdf》由会员分享,可在线阅读,更多相关《基于深度学习智能仪表检测模型研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、测试与故障诊断计算机测量与控制 ()C o m p u t e r M e a s u r e m e n t&C o n t r o l 收稿日期:;修回日期:.作者简介:朱志猛(),男,天津人,大学本科,工程师,主要从事产品技术研发及管理方向的研究.引用格式:朱志猛基于深度学习智能仪表检测模型研究J计算机测量与控制,():文章编号:()D O I:/j c n k i /t p 中图分类号:T P 文献标识码:A基于深度学习智能仪表检测模型研究朱志猛(中关村硬创空间集团有限公司,北京 )摘要:为改善现有电力仪表识别时存在的效率低、成本高等缺陷,提出了一种基于深度学习智能仪表检测模型研究;研
2、究了包含感知层、网络层、信息层、应用层的系统架构,并对系统原理进行分析;研究了一种包括数字区域检测网络和数字识别网络的智能仪表检测模型,从而提高仪表识别的准确率;研究了一种遮挡字符数据增强方法,从而有效提高数据集的多样性;通过仿真,与VG G 和F a s tY o l o方法相比,所提基于深度学习的智能仪表检测模型识别准确率为 ;仿真结果验证了所提模型可有效实现电力仪表识别,满足智能仪表检测需求,可为智能电力监控的发展提供一定的借鉴作用.关键词:电力监控;智能仪表;物联网;区域检测;数字识别;数据增强R e s e a r c ho nI n t e l l i g e n t I n s
3、t r u m e n tD e t e c t i o nM o d e lB a s e do nD e e pL e a r n i n gZ HUZ h i m e n g(Z h o n g g u a n c u nH a r d w a r eS p a c eG r o u pC o,L t d,B e i j i n g ,C h i n a)A b s t r a c t:I no r d e r t o i m p r o v e t h e l o we f f i c i e n c y a n dh i g h c o s t o f t h e e x i s t
4、 i n gp o w e r i n s t r u m e n t i d e n t i f i c a t i o n,a r e s e a r c ho n i n t e l l i g e n t i n s t r u m e n t d e t e c t i o nm o d e l b a s e do nd e e p l e a r n i n g i sp r o p o s e d T h es y s t e ma r c h i t e c t u r e i n c l u d i n gp e r c e p t i o nl a y e r,n e t
5、 w o r kl a y e r,i n f o r m a t i o nl a y e r a n da p p l i c a t i o n l a y e r i s s t u d i e d,a n d t h e s y s t e mp r i n c i p l e i s a n a l y z e d A n i n t e l l i g e n t i n s t r u m e n t d e t e c t i o nm o d e l i n c l u d i n gd i g i t a l a r e ad e t e c t i o nn e t w
6、 o r ka n dd i g i t a l r e c o g n i t i o nn e t w o r k i s s t u d i e d t o i m p r o v e t h ea c c u r a c yo f i n s t r u m e n t r e c o g n i t i o n Ad a t ae n h a n c e m e n tm e t h o df o ro c c l u d e dc h a r a c t e r s i ss t u d i e dt oe f f e c t i v e l yi m p r o v et h e
7、d i v e r s i t yo fd a t as e t s T h r o u g hs i m u l a t i o n,c o m p a r e dw i t hV G G a n dF a s tY o l om e t h o d s,t h e r e c o g n i t i o n a c c u r a c yo f t h e i n t e l l i g e n t i n s t r u m e n t d e t e c t i o nm o d e l b a s e do nd e e p l e a r n i n g i s T h e s i
8、 m u l a t i o n r e s u l t s v e r i f yt h a t t h ep r o p o s e dm o d e l c a ne f f e c t i v e l yr e a l i z et h e i d e n t i f i c a t i o no fp o w e r i n s t r u m e n t s,m e e t t h ed e t e c t i o nr e q u i r e m e n t so f i n t e l l i g e n t i n s t r u m e n t s,a n dp r o v
9、 i d e s o m e r e f e r e n c e f o r t h ed e v e l o p m e n t o f i n t e l l i g e n tp o w e rm o n i t o r i n g K e y w o r d s:p o w e rm o n i t o r i n g;i n t e l l i g e n t i n s t r u m e n t;i n t e r n e to f t h i n g s;a r e ad e t e c t i o n;d i g i t a l r e c o g n i t i o n;d
10、 a t ae n h a n c e m e n t引言随着物联网、大数据、通信、和图像识别领域深度学习技术的深入和普及,电力监控系统迅速发展,各项成本得到一定程度地降低.电力监控系统是一种集视觉、红外、声音传感器于一体,可以对电力设备的热缺陷、断电状态、异常现象进行检测的系统.系统还可读取指针或数字指示仪表的编号,包括压力表、油温表、避雷器指示灯等,从而可快速分析设备运行状态,便于设备管理.因此,实现智能指针或数字识别是智能电力监控重要的前提之一.近年来,许多学者对电力监控中智能仪表识别相关的工作进行了研究.文献 提出了一种基于O p e n C V的变电站仪表识别方法.该方法利用图像处理
11、分割表盘单个数字图片后,基于卷积神经网络进行数字识别.文献 提出了一种融合感知与控制的数显仪表识别方法.该方法使用图像目标检测网络识别数显仪表,标出目标区域.接着,通过卷积循环神经网络进行实时仪表数字识别.文献 针对海上升压作业的特征对仪表识别技术做了改进,在嵌入深度学习技术后,使系统能够分别完成仪表检测与识别任务.由于该识别技术分两个步骤完成,为此,还须根据各步骤的难度、特征设计对应的深度学习模型.现有的基于计算机视觉的仪表识别技术虽然具有较高的准确率,但其大多数方法只能在仿真环境中表现出良好的性能,很难应用于复杂多变的真实场景.此外,大部分仪表图像处于良好的拍摄条件下,当读数区域受到气泡、
12、污渍和光点干扰时,很难正确的读数.为改善上述问题,本文提出了一种智能仪表监控系统.首先,对系统的架构进行设计.其次,对系统中最为重要的识别任务环节,设计了基于深度学习的智能仪表检测模型,从而实现电力仪表的智能识别.系统架构及原理 系统架构智能仪表监控系统架构如图所示,主要由感知层、网络层、信息层、应用层四部分组成.首先,每个智能仪表都附有一个G P S、摄像头、通信模块,便于本地监控视投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 图智能仪表监控系统结构频关键帧发送至云端进行识别并产生预警信息.其次,采用互联网和窄带物联网(N B I o T,n a r
13、r o wb a n di n t e r n e to f t h i n g s)进行通信,其中N B I o T用于与仪表间的有效通信,互联网用于最终用户管理.最后,建立了一个基于云的智能处理方案,从而实现处理、识别、存储和决策各个待监控仪表的状态信息.感知层由大量感知设备及传感器构成如光学传感器、振动和位置传感器等.基于这些感知单元,系统可以实时感应到仪表的振动、表盘读数等信息.网络层是实现智能仪表监控系统最重要的组成部分之一.一方面云服务器需要与所有仪表通信,另一方面管理人员必须跟踪所有的仪表,从而预警相关设备运行状态,如遇故障或突发事件也可安排人员执行维修工作.信息层根据感知层级网
14、络层传输的数据进行响应控制.当从仪表监控系统根据摄像头采集的数据产生报警信息时,立即响应异常情况非常重要.例如,如果仪表读数异常,则基于G P S位置传感器,云服务器能够获取异常仪表的位置信息.同时,系统可基于位置信息调度距离最近的维修人员到现场确认情况,从而使得智能监控过程形成闭环,及时处理报警信息.应用层主要包括智能监控、空间感知以及智能管理等模块.主要完成不同仪表监控视频展示,位置标识(经纬度),以及遇到突发事件的预警提醒、维修人员调度等.系统原理智能仪表监控系统原理如图所示.系统在工作过程中,感知层中信息采集单元主要采集表盘信息.当信息采集完成后,图像将基于网络层将数据发送到云服务器.
15、同时,系统基于深度学习的智能仪表检测模型执行目标检测.需注意,基于深度学习的智能仪表检测模型是智能仪表监控系统中最为重要的一环.此外,为提高系统工作效率,可利用多核、P C集群和G P U集群计算等并行计算技术 ,从而将云端的数据按需共享给多个计算单元.为了保证系统灵活性和可扩展性,图智能仪表监控原理通信或信息共享时采用HT T P传输协议,从而满足易于监控和维护需求.基于深度学习的智能仪表检测模型本文所提基于深度学习的智能仪表检测模型如图所示.模型可分为数字区域检测网络(D a N e t,d i g i t a l a r e ad e t e c t i o nn e t w o r k
16、)和数字识别网络(D i N e t,d i g i t a l i d e n t i f i c a t i o nn e t w o r k)两大模块.首先,对原始图像进行预处理;其次,将R G B转换到Y C b C r颜色,从而提出颜色干扰;再次,利用目标检测技术检测电力仪表读数区域,然后进行旋转校正以确定仪表类型.接着,针对不同类型的仪表采用不同的识别算法,最终得到并保存识别结果.图智能仪表检测模型 预处理为了对异常用电情况进行实时侦测,智能电表对用户的用电信息进行有规律地监测.设Dn为一维用电数据.则:Dnxdh,xdh,xdh,xdh,xdihj()式中,在第di天的hj时间内
17、的记录数据表示为xdihj;用户n的电力数据表示为Dn.因为一维数据没有考虑当天用电量的变化,如果侦测天数多,那么Dn将不能反映不同时段电力数据间的深层联系.为提取不同时段、不同日期间的电力特征,文章给出了二维电力数据.其表达式为:Dnxdhxdhxdihxdhxdhxdihxdh xdh xdih()投稿网址:w w wj s j c l y k z c o m第期朱志猛:基于深度学习智能仪表检测模型研究 式中,列项表示单天的用电数据.在各种技术支持下,智能电表可对多种用电数据进行收集.比如,功率因数、三相电流与电压.考虑到篇幅限制,为简化运算,文章只讨论第Di天中所收集的数据量,其列向量为
18、:xdix,x,xj,xFT()式中,智能电表收集的总的用电数据数表示为F.针对某一用户,其用电数据集公式是:Dnxd,xd,xdi()最后,由于数字电表位于不同的环境条件下,拍摄距离不同,因此捕获的电表图像的大小也不同.为了在同一程序中处理所有捕获的电表图像,需要调整捕获的输入数字电表图像的大小.为此,将输入图像的大小调整为 .图像转换由于R G B对照明变化敏感,因此原始图像可能存在一定照明干扰,为此,本文将原始R G B图像将转换为Y C b C r图像.Y C b C r颜色空间 是一种典型的线性亮度颜色空间.在Y C b C r中,Y代表亮度,C b和C r分别是蓝色和红色的色度.通
19、过转换过程,对R G B信息进行编码,并将Y的信息范围调整为 到 ,C b和C r的信息范围调整为 到 .R G B图像转换为Y C b C r颜色空间公式如下:Y(R G B)C b (R G B)C r (R G B)()D a N e t网络由于传统方法适应性差,本文采用D a N e t来检测电力仪表数字读数区域.图为D a N e t网络模型结构.该网络模型共分为 三层:特 征 提 取、候 补指 针 区 域 生成 和 区 域检测.图多层深度网络模型结构 特征提取对于特征提取过程,本文通过多次卷积融合池化层进行处理,从而生成大小为原始图像八分之一的特征图.特征图将有助于获得电力抄表所需
20、的细粒度细节.因此,经特征提取后,即使照明条件低,图像质量差,网络也可学习部分特征,从而在一定程度提高模型精度.特征提取网络相关配置如表所示.其中C o n v为卷积层,M a x为最大池化层,I n c e p t i o n为G o o g L e N e t网络.特征提取网络中卷积层主要利用一定大小的卷积滤波器来提取电力数据特征,因此卷积层是深度神经网络的基本算子.在前一层卷积核处理之后,可以基于如下激活函数获得卷积层的新层特征图:表特征提取网络相关配置网络名称卷积核大小C o n v M a x C o n v/C o n v/C o n v/M a x I n c e p t i o
21、 n M a x I n c e p t i o n C o n v /C o n v /C o n v /I n c e p t i o n I n c e p t i o n C o n v/C o n v/C o n v YljfsMj(l)(u,v)K(l)wsj s(u,v)x(l)s(cu,ru)b(l)j()()式中,K(l)为卷积核;u和v分别为卷积核的宽度和高度;l为当前层数;b(l)j为卷积层中第j个特征图的神经元偏置;sMj(l)为先前特征映射的集合.卷积层之后的最大池化层主要进行下采样,从而使得特征提取网络具备抗过拟合和保持特征不变能力.最大池化层描述如下:Yljdw(
22、Yl j)()式中,dw()为下采样函数.候补区域生成本研究使用MA S K R C NN 完成候补指针区域生成过程.图MA S K R C NN网络结构MA S K R C NN是在F A S T E R R C NN的基础上添加了一个预测分割MA S K的分支,其网络结构如图所示.然而MA S K R C NN中特征金字塔网络(F P N,f e a t u r ep y r a m i dn e t w o r k)使用多出度特征作为输入,并使用全连接分类器生成候补框.对于电力仪表,一般情况下候补区域相对较固定,但是不同电表差异明显,因此需要对电力仪表候补指针区域生成中锚点框进行计算.考
23、虑到电力仪表的纵横比和比例大小,选取k 个锚点框,并将其应用于输入特征图的每个位置.这些特征进一步与通道连接以形成 维特征向量.接着,将这些特征向量输入两个卷积层生成候补指针区域边界框.投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 表MA S K R C NN网络中锚点框取序号宽高 对于神经网络中各层的输出,可由MA S K R C NN的前向传播加以运算.设C是卷积层输出特征映射,有:C(H(x,y)()(H(x,y)m a x(,H(x,y)()H(x,y)m,nsW(m,n)f(xm,yn)b()式中,卷积层的输入/输出分别为x、y;映射函数为f(
24、);卷积核权重矩阵为W,值为mn;R e L U激活函数为();偏置为b.实践证明,R e L U函数能弥补梯度消失缺陷,促进网络收敛,且极大程度地减少了输出计算量,这是s i g m o i d、t a n h等函数所不具有的优势.池化层能避免出现过拟合现象,用于控制网络的参数数量,减小空间面积.文中将所提网络设置核为.以P作为输出映射,其方程为:Pg(C)()式中,g()函数的功能是求解最大值.如果C中有池化层窗口穿过,那么g()会直接摈弃其它小值,而选定最大的窗口值.根据已有研究经验,文章在优化过拟合时采用了D r o p o u t操作,且设置了 的更新概率.D r o p o u t
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 智能仪表 检测 模型 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。