关键词:
指针式仪表
注意力机制
仪表检测
仪表分割
畸变矫正
示数识别
摘要:
目前,智能机器人广泛地应用于变电站巡检工作,对指针式仪表示数的识别是机器人的一项重要任务。传统图像识别技术在指针式仪表示数识别中存在检测精度低、读数误差大的问题。近年来,深度学习算法与注意力机制在图像识别领域取得了重要突破。因此,本论文根据指针式仪表的特点,在深度学习基础上融合注意力机制,重点对变电站指针式仪表示数识别方法进行研究。主要内容与进展如下:(1)采用基于注意力机制的CenterNet目标检测算法完成仪表表盘定位。该方法首先将原CenterNet模型中的ResNet18替换为轻量级特征提取网络MobileNetV3,并在此基础上,将SE注意力机制替换成不降维的轻量级ECA注意力机制;然后借鉴FPN特征融合思想,将高维特征图上采样后与相同大小的低维特征图进行融合;最后在检测头模块引入CA空间注意力机制,让模型在学习分类特征时也关注对空间特征的学习。(2)采用基于注意力机制的DeepLabV3+语义分割算法将指针从背景中分离出来。首先在DeepLabV3+的ASPP模块并联DAMM双注意力机制,DAMM既能加强模型对指针区域重要空间特征的学习,也能加强对指针重要通道特征的学习,提升指针区域像素的分类精度,达到平滑指针边缘的效果;然后将交叉熵损失函数替换成Focal Loss损失函数,解决刻度盘像素多与指针像素少的分类样本不均衡问题,通过设置不同的超参数引导模型对细指针难例样本的挖掘学习。(3)在仪表示数识别环节,首先根据刻度盘分割结果来矫正椭圆畸变仪表表盘,获取正立的圆形仪表表盘;然后根据指针轮廓最小外包矩形的旋转角来得到指针的倾斜角;最后根据仪表的类别、量程以及角度法来计算仪表示数值。根据上述方法做了大量的仿真与现场测试,实验结果表明,在仪表检测阶段,本文模型的mAP比原始模型提高了 7.51%,FPS提高了 15f/s,模型大小减小了 56MB。在仪表示数识别阶段,矫正前仪表示数预测值和仪表真实值之间的最大误差为6.7%,平均误差为4.2%,矫正后仪表示数预测值和仪表真实值之间的最大误差为2.2%,平均误差为1.3%,从而验证了所提方法的有效性。