(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210383578.4 (22)申请日 2022.04.12 (71)申请人 福建省海峡智汇科技有限公司 地址 361112 福建省厦门市同安区五显镇 五显街23 3号 (72)发明人 曾远强　李密　陈旭　陈佳期　 唐光铁　魏明泉　林旭　卢雨畋　 (74)专利代理 机构 厦门福贝知识产权代理事务 所(普通合伙) 35235 专利代理师 陈远洋 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 10/26(2022.01)G06V 10/82(2022.01) G06V 10/44(2022.01) (54)发明名称 一种室内变电站开关及指示灯状态识别方 法及系统 (57)摘要 本申请实施例提供了一种室内变电站开关 及指示灯状态识别方法及系统， 方法包括： 获取 多张开关柜图片， 将开关柜图片按照目标器件大 小进行分类裁剪以及进行预处理， 按比例划分为 训练集图像和测试集图像； 将训练集图像导入 yolov3网络结构 模型中进行降维和特征提取， 分 别输出小、 中、 大三种维度的目标器件的位置预 测结果， 并且迭代调整yolov3网络结构模型； 将 训练集图像导入densenet密集卷积网络结构模 型中进行训练， 通过den senet密集卷积网络 结构 模型对目标器件进行类别和状态检测， 迭代调整 densenet密集卷积网络 结构模型； 获得yolov3网 络结构模型和densenet密集卷积网络结构模型 相结合的最终的识别模型； 利用测试集图像对识 别模型进行测试， 获得变电站开 关及指示灯的位 置、 类别和状态。 权利要求书2页 说明书8页 附图4页 CN 114821309 A 2022.07.29 CN 114821309 A 1.一种室内变电站开关及指示灯状态 识别方法， 其特 征在于， 包括以下步骤： S110、 获取多张开关柜图片， 将所述开关柜图片按照目标器件大小进行分类裁剪以及 进行预处理， 按比例划分为训练集图像和 测试集图像； S120、 将所述训练集图像导入yolov3网络结构模型中进行降维和特征提取， 分别输出 小、 中、 大三种维度的目标器件的位置预测结果， 并且 迭代调整所述yo lov3网络结构模型； S130、 将步骤S120中已预测出位置的训练集图像导入densenet密集卷积网络结构模型 中进行训练， 所述densenet密集卷积网络结构模型包括有瓶颈层和过渡层， 通过所述 densenet密集卷积网络结构模型对 所述目标器件进行类别和状态检测， 并且迭代调整 所述 densenet密集卷积网络结构模型； S140、 获得所述yolov3网络结构模型和所述densenet密集卷积网络结构模型相结合的 最终的识别模型； 以及 S150、 利用测试集图像对所述识别 模型进行测试， 获得变电站开关及指示灯的位置、 类 别和状态。 2.根据权利要求1所述的室内变电站开关及指示灯状态识别方法， 其特征在于， 所述步 骤S120将所述训练集图像导入yolov3网络结构模型中进行降维和特征提取， 分别输出小、 中、 大三种维度的目标器件的位置预测结果， 具体包括： S121、 将所述训练集图像的尺寸调整成宽、 高、 通道为 416*416*3大小的图片数组； S122、 经过3*3卷积和1*1卷积将所述图片数组降维至52， 26和13三个维度， 通过所述三 个维度分别预测小、 中、 大的目标器件； S123、 在52， 26和13三个维度上分别有三个全卷积特征提取层， 其中， 所述全卷积特征 提取层包括用于降维度的1*1的卷积核和用于提取 特征的3*3的卷积核； S124、 所述全卷积特 征提取层输出 所述目标器件的位置预测结果。 3.根据权利要求1所述的室内变电站开关及指示灯状态识别方法， 其特征在于， 在步骤 S120中， 迭代调整所述yo lov3网络结构模型包括： 分批次将所述训练集图像导入yolov3网络结构模型中进行降维和特征提取， 获得初步 训练的yo lov3网络结构模型； 将测试集图像导入所述初步训练的yolov3网络结构模型中， 分析所述目标器件位置识 别的准确率， 若 所述准确率低于 设定的阈值， 则 补充采集训练集图像， 继续进 行yolov3网络 结构模型的训练。 4.根据权利要求1所述的室内变电站开关及指示灯状态识别方法， 其特征在于， 在步骤 S130中， 迭代调整所述densenet密集卷积 网络结构模型还包括： 通过最小损化函数使所述 densenet密集卷积网络结构模型达 到收敛状态， 使用的最小损化 函数为： 其中， p为真实分布， q为近似分布。 5.根据权利要求4所述的室内变电站开关及指示灯状态识别方法， 其特征在于， 在步骤 S130中， 还包括在训练过程中根据训练结果对 所述densenet密集卷积网络结构模 型参数进 行优化， 不断改进所述densenet密集卷积网络结构模 型的结构， 其中， 目标函数为所述训练 集图像中各样本损失函数的平均， 则n个样本的目标函数为：权　利　要　求　书 1/2 页 2 CN 114821309 A 2其中， fi(x)为第i个样本的损失函数， x表示模型的参数向量； 所述目标函数对 x的梯度计算公式为： 对随机样本i进行 更新的表达式为： 其中， α为设定的学习率， 通过随机梯度下降在每次训练后随机抽出一组样本， 将参数 按梯度更新 一次。 6.根据权利要求1所述的室内变电站开关及指示灯状态识别方法， 其特征在于， 在步骤 S140中， 所述识别模 型是在GPU3080上训练获得的， 其中， 所述目标器件的类别数为21， 最大 迭代次数为80， 批量大小为18， 步长大小为0.01。 7.根据权利要求1所述的室内变电站开关及指示灯状态识别方法， 其特征在于， 在步骤 S110中， 将所述开关柜图片按照目标器件 大小进行分类裁剪以及进 行预处理， 其中， 所述预 处理包括包括水平镜像、 旋转图像、 随机亮度和对比度增强。 8.根据权利要求1所述的室内变电站开关及指示灯状态识别方法， 其特征在于， 所述目 标器件包括旋转 开关、 合闸指示灯、 分闸指示灯、 手车指示灯、 压 板和空气开关。 9.一种室内变电站开关及指示灯状态 识别系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取多张开关柜图片， 将所述开关柜图片按照目标器件大小进行分类 裁剪以及进行 预处理， 按比例划分为训练集图像和 测试集图像； 以及 位置预测模块， 用于将所述训练集图像导入yolov3 网络结构模型中进行降维和特征提 取， 分别输出小、 中、 大三种维度的目标器件的位置预测结果， 并且迭代调整所述yolov3网 络结构模型； 以及 类别预测模块， 用于将位置预测模块中已预测出位置的训练集图像导入densenet密集 卷积网络结构模 型中进行训练， 所述densenet密集卷积网络结构模 型加入有瓶颈层和过渡 层， 通过所述densenet密集卷积 网络结构模型对所述目标器件进行类别和状态检测， 并且 迭代调整所述densenet密集卷积网络结构模型； 以及 识别模块， 用于获得所述yolov3网络结构模型和所述densenet密集卷积网络结构模型 相结合的最终的识别模型； 以及 输出模块， 用于利用测试集图像对所述识别模型进行测试， 获得变电站开关及指示灯 的位置、 类别和状态。 10.一种计算机可读存储介质， 所述介质中存储有计算机程序， 在所述计算机程序被处 理器执行时， 实施如权利要求1 ‑8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114821309 A 3