本发明涉及图像识别算法领域，特别是涉及一种基于ae-svm变电站巡检机器人的仪表图像识别方法。
背景技术：
随着我国电力技术的不断发展，电网的建设运检体量越来越大、电力体制的改革也越来越深入，我国电力系统正朝着机械化、自动化、智能化方向发展。电力系统的蓬勃发展，伴随着的是变电站的日常监盘、巡视、维护、消缺工作的任务量变得繁重。传统的例行及特殊巡视、日常维护等工作需要变电运行人员或操作队班组成员定期去往各个变电站、换流站进行巡检工作，用人工采集的方式收集大量的数据，并且需要做很多繁琐的周期性、重复性、机械性的工作，消耗了大量的人力物力。
巡视检查工作是变电站日常运维工作的重中之重，国家电网公司一直以来对变电站巡视工作要求非常严格，各网省公司变电运维专业也提出一系列的举措来强化变电巡视业务，但是由于人员数量配置不足等原因导致的巡视不到位、数据不准确、巡视流于形式等情况依然存在。
变电站智能巡检机器人是身上安装有红外测温仪、高清摄像头、音频信号接收器等先进设备的巡检机器人。变电站智能巡检机器人可按照提前设置好的巡检任务，分时段、分区域的对全站设备进行全面巡检，及时发现各类隐患问题，抄表、测温、声音采集、功能性巡视所有任务模块一并处理，及时对发现的设备异常、缺陷、隐患进行识别和报警。另外，机器人后台将巡视中存储的设备的各项运行数据指标直观的形成图表及周、月报，从而使得运维人员能够更好的对设备进行检修和故障分析等。当前巡检机器人使用传统的图像识别算法，传统图像识别算法使用人工提取的图像特征，对每个表计单独建立模型，需要进行字符切割以及大量人工建模操作，受环境变化影响大。
技术实现要素：
为了解决上述存在问题。本发明提供基于ae-svm变电站巡检机器人的仪表图像识别方法，解决变电站巡检机器人仪表图像识别问题。为达此目的：
本发明提供基于ae-svm变电站巡检机器人的仪表图像识别方法，具体步骤如下：
步骤1:巡检机器人使用ccd图像传感器采集被测设备各时间段的仪表图像，通过wifi上传至基站系统的仪表数据识别系统；
步骤2：仪表数据识别系统通过预训练好的ae模型提取仪表数据的图像特征；
步骤3：将提取的仪表数据图像特征输入到训练好的svm模型中，对仪表数据进行分类，并按照设备编号读出数字型仪表数据，存入数据库；
步骤4：对于仪表数据错分的情况，系统会将该数据送入分类模型中，对svm模型进行增量学习，从而不断提升模型分类的准确率。
作为本发明进一步改进，所述步骤1中的巡检机器人如下：
变电站巡检机器人的控制系统主要分为：基站系统、巡检机器人系统。
基站系统主要由后台工程机、仪表数据识别系统、无线通讯设备和基站导航定位规划系统等系统组成。其中后台工程机主要为操作人员提供操作交互界面、监控机器人的各项状态信息、规划机器人的运动路线。仪表数据识别系统主要存储ccd传感器采集的仪表图像，并完成仪表图像识别和保存数据等功能。
巡检机器人系统主要分为移动控制系统和仪表检测系统。基站系统主要由后台工程机、仪表数据识别系统、无线通讯设备和基站导航定位规划系统等系统组成。其中移动控制系统主要通过传感器采集巡检机器人的导航定位信息，同时反馈给后台工程机控制巡检机器人的运动路线，根据后台工程机的控制命令控制机器人的运动，上传巡检机器人的状态信息和巡检机器人的运动状态。仪表检测系统主要将传感器采集的仪表图像数据传输到基站系统。
作为本发明进一步改进，所述步骤2中的ae模型如下：
ae模型网络结构设置为256-80-256的网络结构，隐含层权重惩罚系数λ为0.003，输入层激活函数是logsig函数，输出层激活函数是purelin函数，最大迭代次数设置为300，学习率设置为0.05，误差函数采用均方根误差。
作为本发明进一步改进，所述步骤2中的自编码模型提取仪表图像特征方法如下：
仪表数据识别系统将巡检机器人拍摄的原始图像输入训练好的ae模型中，在隐含层提取图像特征hd；对含有m个图像样本数据集
hd＝f(w(1)xd b(1))(1)
式中，w(1)、b(1)分别为编码网络的权重矩阵和偏置项，w(2)、b(2)分别为解码网络的权重矩阵和偏置项；输入xd与重构输出
对于含有m个样本的数据集的ae的整体代价函数可表示为
式4中，第一项是数据的均方误差,用来衡量原始输入与重构输入的逼近程度；第二项是权重衰减项：l2正则化，用来抑制过拟合；λ为权重惩罚系数，nl为ae网络的总层数，sl为自编码网络第l层的神经元个数，
通过梯度下降法不断地减小自编码的代价函数，更新编码网络和解码网络的权重和偏置，ae尝试学习一个恒等的函数，使得隐含层编码矢量重构得到的输出无限逼近于原始的输入，隐含层的编码矢量就是原始输入提取的图像特征。
作为本发明进一步改进，所述步骤3中的svm分类模型算法如下：
设线性可分的样本图像特征集为(xi,yi)，其中i＝1,2,...,n；x∈rd，y∈{-1，1}是类别标号，通过“间隔最大化”学习策略学习得到分类的最优超平面为：
ω·x b＝0(5)
式中ω是法向量，决定了超平面的方向。b是位移量，决定超平面与原点距离。相应的线性分类函数的一般形式为：
f(x)＝ω·x b(6)
同时最优超平面使所有样本点满足：
|f(x)|≥1(7)
svm的支持向量是使式7成立的样本点，找到支持向量后，可将数据分为两类；svm模型采用高斯径向基核函数，其中高斯径向基核函数如下：
在分类时，svm算法通过核函数将样本数据从低维特征空间非线性的映射到高维特征空间中，在高维特征空间里找出间隔最大化的最优超平面，非线性分类函数为：
svm算法本身是个二分类模型，同时构造多个二分类模型可解决多分类问题，当有n个类别时，需要设计n(n-1)/2个svm模型。
作为本发明进一步改进，所述步骤4中的svm模型的增量学习如下：
将错分的数据集制作为训练集，并正确修改其标签，在已训练好的svm模型的基础上对其进行增量学习，更新模型的阈值和权值，最终实现svm模型的优化升级，增加模型的鲁棒性、泛化能力和识别率。
本发明一种基于ae-svm变电站巡检机器人的仪表图像识别方法，有益效果：本发明的技术效果在于：
1.本发明结合ae和svm算法，通过ae模型提取的仪表图像特征能包含更多的仪表图像信息，避免人工提取特征的盲目性和随意性；
2.将svm应用于变电站的仪表图像分类，提高了图像分类的准确性和效率；
3.本发明利用分错的图像数据对svm模型进行优化升级，实现了svm模型的增量学习，增强了模型的鲁棒性和泛化能力；
4.本发明提供的ae-svm模型为变电站仪表图像提供了一种仪表图像自动识别方法。
附图说明
图1为本发明的流程图；
图2为巡检机器人的系统结构图；
图3为ae网络结构图；
图4为支持向量机分类最优超平面。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种基于ae-svm变电站巡检机器人的仪表图像识别方法，旨在实现变电站仪表图像高效的分类，同时实现分类模型在线优化升级。图1为本发明的流程图，下面结合流程图对本发明的步骤作详细介绍。
步骤1:巡检机器人使用ccd图像传感器采集被测设备各时间段的仪表图像，通过wifi上传至基站系统的仪表数据识别系统；
步骤1中巡检机器人控制系统具体描述如下：
变电站巡检机器人控制系统结构图如图2所示，变电站巡检机器人的控制系统主要分为：基站系统、巡检机器人系统；基站系统主要由后台工程机、仪表数据识别系统、无线通讯设备和基站导航定位规划系统等系统组成；其中后台工程机主要为操作人员提供操作交互界面、监控机器人的各项状态信息、规划机器人的运动路线；仪表数据识别系统主要存储ccd传感器采集的仪表图像，并完成仪表图像识别和保存数据等功能；巡检机器人系统主要分为移动控制系统和仪表检测系统；基站系统主要由后台工程机、仪表数据识别系统、无线通讯设备和基站导航定位规划系统等系统组成；其中移动控制系统主要通过传感器采集巡检机器人的导航定位信息，同时反馈给后台工程机控制巡检机器人的运动路线，根据后台工程机的控制命令控制机器人的运动，上传巡检机器人的状态信息和巡检机器人的运动状态；仪表检测系统主要将传感器采集的仪表图像数据传输到基站系统。
步骤2：仪表数据识别系统通过预训练好的ae模型提取仪表数据图像特征；
步骤2中ae模型与图像特征提取具体描述如下：
ae网络结构图如图3所示，自编码网络结构设置为256-80-256的网络结构，隐含层权重惩罚系数λ为0.003，输入层激活函数是logsig函数，输出层激活函数是purelin函数，最大迭代次数设置为300，学习率设置为0.05，误差函数采用均方根误差。
仪表数据识别系统将巡检机器人拍摄的原始图像输入训练好的自编码网络中，在隐含层提取图像特征hd；对含有m个图像样本数据集
hd＝f(w(1)xd b(1))(1)
式中，w(1)、b(1)分别为编码网络的权重矩阵和偏置项，w(2)、b(2)分别为解码网络的权重矩阵和偏置项；输入xd与重构输出
对于含有m个样本的数据集的ae的整体代价函数可表示为
式4中，第一项是数据的均方误差,用来衡量原始输入与重构输入的逼近程度；第二项是权重衰减项：l2正则化，用来抑制过拟合；λ为权重惩罚系数，nl为ae网络的总层数，sl为自编码网络第l层的神经元个数，
通过梯度下降法不断地减小自编码的代价函数，更新编码网络和解码网络的权重和偏置，ae尝试学习一个恒等的函数，使得隐含层编码矢量重构得到的输出无限逼近于原始的输入，隐含层的编码矢量就是原始输入提取的图像特征。
步骤3：将提取的仪表数据图像特征输入到训练好的svm模型中，对仪表数据进行分类，并按照设备编号读出数字型仪表数据，存入数据库；
步骤3中svm分类模型具体描述如下：
设线性可分的样本图像特征集为(xi,yi)，其中i＝1,2,...,n；x∈rd，y∈{-1，1}是类别标号，通过“间隔最大化”学习策略学习得到分类的最优超平面为：
ω·x b＝0(5)
式中ω是法向量，决定了超平面的方向。b是位移量，决定超平面与原点距离，分类超平面如图4所示。相应的线性分类函数的一般形式为：
f(x)＝ω·x b(6)
同时最优超平面使所有样本点满足：
|f(x)|≥1(7)
svm的支持向量是使式7成立的样本点，找到支持向量后，可将数据分为两类；svm模型采用高斯径向基核函数，其中高斯径向基核函数函数如下：
在分类时，svm算法通过核函数将样本数据从低维特征空间非线性的映射到高维特征空间中，在高维特征空间里找出间隔最大化的最优超平面，非线性分类函数为：
svm算法本身是个二分类模型，同时构造多个二分类模型可解决多分类问题，当有n个类别时，需要设计n(n-1)/2个svm模型。
步骤4：对于仪表数据错分的情况，系统会将该数据送入分类模型中，对svm模型进行增量学习，从而不断提升模型分类的准确率。
步骤4中svm模型的增量学习描述如下：
将错分的数据集制作为训练集，并正确修改其标签，在已训练好的svm模型的基础上对其进行增量学习，更新模型的阈值和权值，最终实现svm模型的优化升级，增加模型的鲁棒性、泛化能力和识别率。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
1.基于ae-svm变电站巡检机器人的仪表图像识别方法，具体步骤如下，其特征在于：
步骤1:巡检机器人使用ccd图像传感器采集被测设备各时间段的仪表图像，通过wifi上传至基站系统的仪表数据识别系统；
步骤2：仪表数据识别系统通过预训练好的ae模型提取仪表数据的图像特征；
步骤3：将提取的仪表数据图像特征输入到训练好的svm模型中，对仪表数据进行分类，并按照设备编号读出数字型仪表数据，存入数据库；
步骤4：对于仪表数据错分的情况，系统会将该数据送入分类模型中，对svm模型进行增量学习，从而不断提升模型分类的准确率。
2.根据权利要求1基于ae-svm变电站巡检机器人的仪表图像识别方法，其特征在于,所述的变电站巡检机器人的控制系统主要分为：基站系统、巡检机器人系统；基站系统主要由后台工程机、仪表数据识别系统、无线通讯设备和基站导航定位规划系统等系统组成；其中后台工程机主要为操作人员提供操作交互界面、监控机器人的各项状态信息、规划机器人的运动路线；仪表数据识别系统主要存储ccd传感器采集的仪表图像，并完成仪表图像识别和保存数据等功能；巡检机器人系统主要分为移动控制系统和仪表检测系统；基站系统主要由后台工程机、仪表数据识别系统、无线通讯设备和基站导航定位规划系统等系统组成；其中移动控制系统主要通过传感器采集巡检机器人的导航定位信息，同时反馈给后台工程机控制巡检机器人的运动路线，根据后台工程机的控制命令控制机器人的运动，上传巡检机器人的状态信息和巡检机器人的运动状态；仪表检测系统主要将传感器采集的仪表图像数据传输到基站系统。
3.根据权利要求1基于ae-svm变电站巡检机器人的仪表图像识别方法，其特征在于,所述的自编码svm模型：
ae网络结构设置为256-80-256的网络结构，隐含层权重惩罚系数为0.003，输入层激活函数是logsig函数，输出层激活函数是purelin函数，最大迭代次数设置为300，学习率设置为0.05，误差函数采用均方根误差。
4.根据权利要求1基于ae-svm变电站巡检机器人的仪表图像识别方法，其特征在于,所述的ae模型提取仪表图像特征：
仪表数据识别系统将巡检机器人拍摄的原始图像输入训练好的自编码网络中，在隐含层提取图像特征hd；对含有m个图像样本数据集
hd＝f(w(1)xd b(1))(1)
式中，w(1)、b(1)分别为编码网络的权重矩阵和偏置项，w(2)、b(2)分别为解码网络的权重矩阵和偏置项；输入xd与重构输出
对于含有m个样本的数据集的ae的整体代价函数可表示为
式4中，第一项是数据的均方误差,用来衡量原始输入与重构输入的逼近程度；第二项是权重衰减项：l2正则化，用来抑制过拟合；λ为权重惩罚系数，nl为ae网络的总层数，sl为自编码网络第l层的神经元个数，
通过梯度下降法不断地减小自编码的代价函数，更新编码网络和解码网络的权重和偏置，ae尝试学习一个恒等的函数，使得隐含层编码矢量重构得到的输出无限逼近于原始的输入，隐含层的编码矢量就是原始输入提取的图像特征。
5.根据权利要求1基于ae-svm变电站巡检机器人的仪表图像识别方法，其特征在于,所述的svm分类模型，其特征在于：
设线性可分的样本图像特征集为(xi,yi)，其中i＝1,2,...,n；x∈rd，y∈{-1，1}是类别标号，通过“间隔最大化”学习策略学习得到分类的最优超平面为：
ω·x b＝0(5)
式中ω是法向量，决定了超平面的方向。b是位移量，决定超平面与原点距离。相应的线性分类函数的一般形式为：
f(x)＝ω·x b(6)
同时最优超平面使所有样本点满足：
|f(x)|≥1(7)
svm的支持向量是使式7成立的样本点，找到支持向量后，可将数据分为两类；svm模型采用高斯径向基核函数，其中高斯径向基核函数函数如下：
在分类时，svm算法通过核函数将样本数据从低维特征空间非线性的映射到高维特征空间中，在高维特征空间里找出间隔最大化的最优超平面，非线性分类函数为：
svm算法本身是个二分类模型，同时构造多个二分类模型可解决多分类问题，当有n个类别时，需要设计n(n-1)/2个svm模型。
6.根据权利要求1基于ae-svm变电站巡检机器人的仪表图像识别方法，其特征在于,所述的svm模型的增量学习，其特征在于：
将错分的数据集制作为训练集，并正确修改其标签，在已训练好的svm模型的基础上对其进行增量学习，更新模型的阈值和权值，最终实现svm模型的优化升级，增加模型的鲁棒性、泛化能力和识别率。
技术总结