基于融合注意力特征UNet的指针式压力仪表读数方法

基于融合注意力特征unet的指针式压力仪表读数方法
技术领域
1.本发明属于模式识别与人工智能技术领域，具体涉及基于融合注意力特征unet的指针式压力仪表读数方法。


背景技术：

2.变电站是电能传输的重要枢纽，为了保证电能的稳定传输，势必要加强对变电站中电气设备的状态监测。变电站中常见的电气设备是sf6断路器，sf6气体因具有卓越的绝缘能力，所以被广泛应用于变电站中的高压电气设备灭弧。同时sf6气体的压力值会影响设备的运行状态，为了防止因sf6压力不足而导致高压设备拒动，造成电力事故，就需要定期对sf6指针式压力仪表进行准确读数。
3.传统的监测手段主要以专业人员定期现场采集为主，检测效率低下。数字图像处理技术快速发展推动了变电站的智能化建设，该项技术也用于变电站中仪表盘的智能识读。目前常见的指针式仪表盘识别技术主要是依靠剪影法与hough变换法实现。剪影法是利用图像与模板图像之差，完成对指针与刻度的识别；hough变换法通过空间转换，将线检测问题转换为点检测问题，从而完成仪表指针与刻度检测；为提高识别精度，宁柏锋]等人使用lsd算法对仪表刻度与指针进行定位；曾令诚使用高斯滤波与自适应阈值算法完成对仪表指针信息的提取；赵丽娜
7.使用k最近邻算法对仪表盘进行校正后再进行读数。但上述算法的使用存在一定局限性，由于sf6压力仪表盘中的镂空圆部分，使仪表圆心定位精度下降；同时受变电站复杂环境因素的影响，上述算法对刻度与指针的分割效果也较差，所以造成读数精度降低。


技术实现要素：

4.针对现有技术中的上述不足，本发明提供的基于融合注意力特征unet的指针式压力仪表读数方法解决了现有的复杂环境系啊，对指针式压力仪表读数时，刻度与指针的分割效果差，读数精度降低的问题。
5.为了达到上述发明目的，本发明采用的技术方案为：基于融合注意力特征unet的指针式压力仪表读数方法，包括以下步骤：
6.s1、基于融合注意力特征unet神经网络完成指针式压力仪表的表盘刻度与指针分割，获得分割结果图；
7.s2、对分割结果图进行图层划分，获得刻度图层和指针图层，并对其最小外接矩形进行直线拟合及拟合直线交点保存；
8.s3、基于保存的拟合直线交点，确定表盘圆心，并结合指针拟合直线，计算表盘读数。
9.进一步地，所述步骤s1中，所述融合注意力特征unet神经网络包括依次连接的编码层和译码层；
10.所述编码层包括依次连接的第一ghost卷积模块、第二ghost卷积模块、第一最大
池化层、第三ghost卷积模块、第四ghost卷积模块、第二最大池化层、第五ghost卷积模块、第六ghost卷积模块、第七ghost卷积模块、第三最大池化层、第八ghost卷积模块、第九ghost卷积模块、第十ghost卷积模块和深层特征融合模块；
11.所述译码层包括依次连接的第一向上卷积模块、第一concat模块、第一3
×
3卷积模块、第二3
×
3卷积模块、第二向上卷积模块、第二concat模块、第三3
×
3卷积模块、第四3
×
3卷积模块、第三向上卷积模块、第三concat模块、第五3
×
3卷积模块、第六3
×
3卷积模块、第四向上卷积模块、第四concat模块、第七3
×
3卷积模块和第八3
×
3卷积模块；
12.其中，所述第二ghost卷积模块还通过第一金字塔拆分注意力模块与第四concat模块连接，所述第四ghost卷积模块还通过第二金字塔拆分注意力模块与第三concat模块连接，所述第七ghost模块还通过第三金字塔拆分注意力模块与第二concat模块连接，所述第十ghost模块还通过第四金字塔拆分注意力模块与第一concat模块连接。
13.进一步地，所述第一～第十ghost卷积模块的网格结构相同，其对输入特征进行处理的方法为：
14.a1、使用1
×
1卷积将输入特征层的通道数调整为输出通道的一半；
15.a2、使用并列的φi对通道调整后特征层中的不同通道进行线性运算，产生与输入特征通道相同的影子特征；其中，φi为线性运算所需的权值参数；
16.a3、将1
×
1卷积运算后的特征与影子特征在通道维度进行拼接，得到输出特征图。
17.进一步地，所述深层特征融合模块包括并列的混合池化单元和空洞卷积单元，所述混合池化单元和空洞卷积单元在分别完成对输入特征的处理后，其输出特征通过add方式进行特征融合；
18.所述混合池化单元通过金字塔池化和条形池化对长短特征信息的提取与融合；所述空洞卷积单元通过不同感受视野的空洞卷积对输入特征进行计算，获得更大感受视野的全局特征信息。
19.进一步地，所述第一～第四金字塔拆分注意力模块的网络结构相同，其对输入特征进行处理的方法具体为：
20.b1、通过spc模块对输入特征进行分割合并，得到不同尺度的仪表特征图；
21.b2、通过se通道注意力机制为不同尺度的仪表特征图分配不同权重，对在通道维度进行拼接的不同尺度特征使用softmax激活函数进行非线性运算得到注意力权重；
22.b3、使用注意力权重与不同尺度的仪表特征图相乘，得到具有细化特征信息的仪表特征图。
23.进一步地，所述融合注意力特征unet神经网络的损失函数包括交叉熵损失函数和dice损失函数；
24.其中，所述交叉熵损失函数用于计算通过softmax对特征图中的像素点进行分类的准确率；
25.所述dice损失函数用于计算融合注意力特征unet神经网络进行语义分割时两个样本的相似度；
26.所述dice损失函数的表达式为：
27.28.式中，s为两个样本的相似度，|x|和|y|分别计算集合x与y的元素个数。
29.进一步地，所述步骤s2具体为：
30.s21、设置红色和绿色的阈值条件，对分割结果图中的刻度和指针分别进行图层划分，获得刻度图层和指针图层；
31.s22、使用轮廓查询算法和最小外接矩阵算法，分别计算刻度图层和指针图层中刻度和指针的最小外接矩形；
32.s23、对刻度外接矩形中每个刻度的外接矩形顶点以及外接矩形中心点，使用最小二乘法进行直线拟合，并保存每条拟合直线的斜率k与参数b；
33.s24、将每条拟合直线的参数列表随机划分成两组，分别提取一组斜率k与参数b的拟合直线，计算其与其他拟合直线的交点并保存。
34.进一步地，所述步骤s3具体为：
35.s31、使用k-means聚类方法对保存的拟合直线交点进行聚类，确定表盘圆心；
36.s32、根据初始刻度最小外接矩形与指针最小外接矩形的中心，分别使用表盘圆心进行直线拟合，进而计算两条拟合直线的角度；
37.其中，初始刻度为表盘圆心左侧区域的刻度坐标中，竖直坐标最大的刻度；
38.s33、根据两条拟合直线的角度，计算表盘读数。
39.进一步地，所述步骤s32中，两条拟合直线的角度θ为：
[0040][0041][0042]
式中，α表示中间参数，x0、x1、x2分别表示0刻度外接矩形中心的横轴坐标、圆心的横轴坐标、指针外接矩形中心的横轴坐标；y0、y1、y2分别表示0刻度外接矩形中心的纵轴坐标、圆心的纵轴坐标、指针外接矩形中心的纵轴坐标；arctan()表示反正切值计算。
[0043]
进一步地，所述步骤s33中，表盘读数f(θ)为：
[0044][0045]
本发明的有益效果为：
[0046]
(1)本发明设计了融合注意力特征unet神经网络，对仪表盘的密集刻度线与指针进行准确分割，unet神经网络的编码层使用ghost卷积模块，在保证特征提取的同时，减小计算量；编码层与译码层的跳跃连接部分加入金字塔切分注意力机制psa
[10]
(pyramid split attention，psa)产生像素级的注意力，加强对潜在特征的提取；最后的编码层搭建深层特征融合模块，模块中的混合池化(mix pooling moudle，mpm)与空洞卷积(dilated convolution)能使用不同的感受野提取更多的深层语义特征；
[0047]
(2)本发明对分割后的指针与密集刻度根据颜色进行图层划分，结合最小外接矩形算法与直线拟合算法，分别得到拟合直线交点集合与指针拟合直线；对拟合直线交点集合使用k-means聚类算法更精确的定位仪表盘圆心，提高仪表盘的读数精度；最后通过计算指针拟合直线与初始刻度线角度，得到sf6指针式压力仪表读数。
[0048]
(3)本发明利用改进后unet神经网络能更好的分割仪表盘指针与密集刻度，同时
使用神经网络分割后的结果进行仪表盘读数，不会受变电站复杂环境的影响，能保证读数精度。
附图说明
[0049]
图1为本发明提供的基于融合注意力特征unet的指针式压力仪表读数方法流程图。
[0050]
图2为本发明提供的融合注意力特征unet神经网络示意图图。
[0051]
图3为本发明提供的ghost卷积模块示意图。
[0052]
图4为本发明提供的混合池化单元示意图。
[0053]
图5为本发明提供的空洞卷积单元示意图。
[0054]
图6为本发明提供的金字塔拆分注意力模块示意图。
具体实施方式
[0055]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0056]
本发明实施例提供了一种基于融合注意力特征unet的指针式压力仪表读数方法，如图1所示，包括以下步骤：
[0057]
s1、基于融合注意力特征unet神经网络完成指针式压力仪表的表盘刻度与指针分割，获得分割结果图；
[0058]
s2、对分割结果图进行图层划分，获得刻度图层和指针图层，并对其最小外接矩形进行直线拟合及拟合直线交点保存；
[0059]
s3、基于保存的拟合直线交点，确定表盘圆心，并结合指针拟合直线，计算表盘读数。
[0060]
本发明实施例步骤s1中的基于融合注意力特征unet神经网络针对的是sf6压力仪表指针与密集刻度的分割，传统的语义分割算法，由于不能兼顾图像浅层特征与深层特征的提取，在进行特征提取时同一造成刻度语义信息丢失的情况，同时深层的卷积计算结构不利于细小密集目标的提取；因此，本发明实施例中使用基于融合注意力特征unet神经网络对密集的sf6压力仪表刻度与指针进行准确分割。
[0061]
在本发明实施例的步骤s1中，融合注意力特征unet神经网络包括依次连接的编码层和译码层；具体地，unet语义分割网络都需要编码与解码过程，在编码过程中，由于resnet残差结构堆叠使用了大量的残差卷积模块，会过分增大卷积运算感受野，从而降低网络对密集细小目标的分割精度。所以一般unet网络的编码层会采用vgg卷积结构作为编码层的基础运算单元；但传统的vgg卷积运算结构不能合理利用特征图中的潜在信息，为了提升网络对密集刻度线以及指针的分割精度，本发明实施例提出融合注意力特征unet神经网络(psa-unet)，通过psa注意力机制增强网络对图像潜在特征信息的提取，加强上下文语义信息的融合，同时保证提取特征的轮廓完整性；设计具有不同感受野的混合池化与空洞卷积构建深层特征融合模块，让网络对深层语义特征信息进行充分融合；使用ghost卷积进
行编码层的卷积运算优化，加快网络的计算速度，提升网络对细小目标的分割精度，融合注意力特征unet网络结构如图2所示。
[0062]
如图2所示，本发明实施例中的编码层包括依次连接的第一ghost卷积模块、第二ghost卷积模块、第一最大池化层、第三ghost卷积模块、第四ghost卷积模块、第二最大池化层、第五ghost卷积模块、第六ghost卷积模块、第七ghost卷积模块、第三最大池化层、第八ghost卷积模块、第九ghost卷积模块、第十ghost卷积模块和深层特征融合模块；
[0063]
所述译码层包括依次连接的第一向上卷积模块、第一concat模块、第一3
×
3卷积模块、第二3
×
3卷积模块、第二向上卷积模块、第二concat模块、第三3
×
3卷积模块、第四3
×
3卷积模块、第三向上卷积模块、第三concat模块、第五3
×
3卷积模块、第六3
×
3卷积模块、第四向上卷积模块、第四concat模块、第七3
×
3卷积模块和第八3
×
3卷积模块；
[0064]
其中，所述第二ghost卷积模块还通过第一金字塔拆分注意力模块与第四concat模块连接，所述第四ghost卷积模块还通过第二金字塔拆分注意力模块与第三concat模块连接，所述第七ghost模块还通过第三金字塔拆分注意力模块与第二concat模块连接，所述第十ghost模块还通过第四金字塔拆分注意力模块与第一concat模块连接。
[0065]
具体地，在本实施例中，为了提取图像中的潜在信息，提高细小目标的分割精度，本实施例中使用ghost卷积模块优化网络编码层，让网络的编码层能充分利用卷积计算时产生的冗余特征。本实施例中的第一～第十ghost卷积模块的网格结构相同，其结构如图3所示，为了保证输出特征通道数目为设定值，其对输入特征进行处理的方法为：
[0066]
a1、使用1
×
1卷积将输入特征层的通道数调整为输出通道的一半；
[0067]
a2、使用并列的φi对通道调整后特征层中的不同通道进行线性运算，产生与输入特征通道相同的影子特征；其中，φi为线性运算所需的权值参数；
[0068]
a3、将1
×
1卷积运算后的特征与影子特征在通道维度进行拼接，得到输出特征图。
[0069]
本实施例提供的ghost卷积模块运算后会产生冗余特征，这些特征中含有丰富的轮廓信息与语义信息，与传统的卷积模块相比，ghost卷积模块能更合理的利用冗余特征对图像中潜在的特征信息进行融合，进一步增强网络的特征表达能力，提高网络对密集细小表盘刻度的分割精度，同时ghost卷积模块使用了分组卷积的方式，在保证分割精度的情况下，极大程度上减小了网络计算量，提高网络的推理速度。
[0070]
在本发明实施例中，在编码层的最后一层，若使用常规的卷积模块，会由于卷积核的固定尺寸，造成卷积运算时感受野不足，导致难以对深层图像特征进行完整提取；本发明实施例设计了深度特征融合模块进行深层语义信息提取，其包括并列的混合池化单元和空洞卷积单元，所述混合池化单元和空洞卷积单元在分别完成对输入特征的处理后，其输出特征通过add方式进行特征融合；其中，混合池化单元通过金字塔池化和条形池化对长短特征信息的提取与融合；空洞卷积单元通过不同感受视野的空洞卷积对输入特征进行计算，获得更大感受视野的全局特征信息。
[0071]
具体地，在本实施例中，为了充分利用深层特征中的语义信息，使网络对深层特征有更高的利用率，同时防止由于感受野过大造成不能合理分割细小目标的问题，本实施例在深度特征融合模块中构建具有不同感受野的池化核进行池化运算，在抑制噪声的同时降低网络的计算量，防止网络过拟合。混合池化单元结构如图4所示，该模块由金字塔池化与条形池化两部分构成。金字塔池化先分别使用池化核大小为2
×
2、3
×
3、4
×
4、5
×
5的算子
对输入特征进行池化运算，再对运算后的结果使用上采样卷积使输出特征层保持统一尺寸；条形池化分别使用1
×
3与3
×
1的卷积核进行卷积运算，再使用上采样卷积对输出特征进行特征尺寸调整。将金字塔池化与条形池化的输出特征层在通道维度进行拼接，最后使用1
×
1卷积进行调整，使用sigmoid激活函数进行非线性计算得出最后的输出特征层。
[0072]
在进行特征融合时，混合池化单元中的金字塔池化能更好的捕捉特征层中的长距离依赖关系，条形池化能更好的捕捉特征层中的短距离依赖关系，使网络能更好的适应不同形状特征，同时发掘局部特征中的潜在语义信息。相较于使用卷积模块进行特征融合，混合池化模块极大程度上减少了计算参数，同时降低了网络训练时过拟合的风险，增强了网络的鲁棒性。
[0073]
在本实施例中，为了通过较小的计算量获得较大的感受野，使卷积运算后像素中心能获取更多的语义信息，加强对深层语义信息的提取。通过设置不同的膨胀系数，设计具有大感受野的空洞卷积模块，提取深层特征的语义信息。空洞卷积单元结构如图5所示，使用3个具有残差结构的膨胀卷积模块串联，这些卷积模块的膨胀系数为2、3、4。
[0074]
在本发明实施例中，unet神经网络能通过编码层与译码层之间的跳跃连接，进行不同深度特征层之间的信息融合，使网络在对深层语义信息特征提取的同时，也能融合浅层特征的轮廓信息，但直接使用浅层的输入特征进行特征融合会忽略图像中的轮廓语义信息。为了更有效地利用不同尺度特征图的空间信息来丰富特征空间以及捕获局部信息建立远程信道依赖关系，本发明实施例设计了一种轻量级的金字塔拆分注意力模块完成特征信息的融合，其网络结构如图6所示，第一～第四金字塔拆分注意力模块的网络结构相同，其对输入特征进行处理的方法具体为：
[0075]
b1、通过spc模块对输入特征进行分割合并，得到不同尺度的仪表特征图；
[0076]
b2、通过se通道注意力机制为不同尺度的仪表特征图分配不同权重，对在通道维度进行拼接的不同尺度特征使用softmax激活函数进行非线性运算得到注意力权重；
[0077]
b3、使用注意力权重与不同尺度的仪表特征图相乘，得到具有细化特征信息的仪表特征图。
[0078]
在本实施例中，通过上述四金字塔拆分注意力模块处理后，网络跳跃连接融合的特征更加丰富，对sf6仪表盘的信息提取更加充分。
[0079]
在本发明实施例中，融合注意力特征unet神经网络的损失函数包括交叉熵损失函数和dice损失函数；
[0080]
其中，所述交叉熵损失函数用于计算通过softmax对特征图中的像素点进行分类的准确率；
[0081]
所述dice损失函数用于计算融合注意力特征unet神经网络进行语义分割时两个样本的相似度；
[0082]
所述dice损失函数的表达式为：
[0083][0084]
式中，s为两个样本的相似度，|x|和|y|分别计算集合x与y的元素个数。
[0085]
在本发明实施例的步骤s2具体为：
[0086]
s21、设置红色和绿色的阈值条件，对分割结果图中的刻度和指针分别进行图层划
分，获得刻度图层和指针图层；
[0087]
s22、使用轮廓查询算法和最小外接矩阵算法，分别计算刻度图层和指针图层中刻度和指针的最小外接矩形；
[0088]
s23、对刻度外接矩形中每个刻度的外接矩形顶点以及外接矩形中心点，使用最小二乘法进行直线拟合，并保存每条拟合直线的斜率k与参数b；
[0089]
s24、将每条拟合直线的参数列表随机划分成两组，分别提取一组斜率k与参数b的拟合直线，计算其与其他拟合直线的交点并保存。
[0090]
在上述直线拟合及交点保存后，为了提高智能仪表读数识别的精确度，就势必要准确定位压力仪表盘圆心。传统算法先是对压力仪表图片使用灰度变换与二值变换，再结合canny算子完成对表盘刻度的检测，结合轮廓检测算法与直线拟合算法确定交点集合，最后利用交点集合计算平均值作为表盘的圆心。但图片中存在镂空圆等干扰因素，会降低圆心定位的准确性，造成读数误差过大。为了对指针式压力仪表圆心进行精确定位，提高仪表盘读数的精度。本实施例提出基于k-means聚类算法的仪表读数识别算法，基于此，本发明实施例的步骤s3具体为：
[0091]
s31、使用k-means聚类方法对保存的拟合直线交点进行聚类，确定表盘圆心；
[0092]
s32、根据初始刻度最小外接矩形与指针最小外接矩形的中心，分别使用表盘圆心进行直线拟合，进而计算两条拟合直线的角度；
[0093]
其中，初始刻度为表盘圆心左侧区域的刻度坐标中，竖直坐标最大的刻度；
[0094]
s33、根据两条拟合直线的角度，计算表盘读数。
[0095]
在本实施例的步骤s32中，两条拟合直线的角度θ为：
[0096][0097][0098]
式中，α表示中间参数，x0、x1、x2分别表示0刻度外接矩形中心的横轴坐标、圆心的横轴坐标、指针外接矩形中心的横轴坐标；y0、y1、y2分别表示0刻度外接矩形中心的纵轴坐标、圆心的纵轴坐标、指针外接矩形中心的纵轴坐标；arctan()表示反正切值计算。
[0099]
在本实施例的步骤s33中，表盘读数f(θ)为：
[0100][0101]
实施例2：
[0102]
本发明实施例提供了上述实施例1中读数方法的实例：
[0103]
为了能准确分割sf6压力仪表中的指针与密集刻度，本发明先针对融合注意力特征unet神经网络进行训练。本实施例使用的数据集主要包含2040张sf6指针式压力仪表图片，其中1836张数据用于网络训练，204张数据用于网络测试。网络训练时对输入的图片进行随机裁剪与旋转后，输入网络的训练图片尺寸为512
×
512。
[0104]
为了进一步验证本发明方法对sf6指针式压力仪表指针以及密集刻度的分割效果；本实施例使用相同的网络训练策略，用本发明的psa-unet神经网络算法分别与pspnet、deeplab v3、vgg-unet、resnet50-unet神经网络算法进行对比实验，实验结果如表1所示。
经实验结果表明，本发明方法对sf6压力仪表盘的指针分割以及密集刻度的分割效果更好。
[0105]
表1：不同网络分割结果对比
[0106][0107][0108]
同时为了验证算法中所使用的改进点对sf6压力仪表指针以及密集刻度分割效果的影响。在相同的硬件条件下进行消融实验，实验结果如表2所示。算法1中，ghost卷积模块能进行充分利用冗余特征中的潜在信息，同时能减小网络的计算参数，与原算法进行对比，平均交并比提高了0.8，平均像素精确度mpa提高了0.51，准确率提高了0.01。算法2加入了psa注意力机制模块，进一步加强网络跳跃连接的信息交互，算法2的改进使平均交并比提高了0.97，平均像素精确度mpa提高了0.28，准确率提高了0.02。本算法构建了深层特征融合模块，使网络能捕捉特征层中的长短距离依赖关系，加强网络中深层特征信息的交互与融合，平均交并比提高了1.02，平均像素精确度mpa提高了0.49，准确率提高了0.02。
[0109]
表2消融实验结果对比
[0110][0111]
为了验证本发明提出的psa-unet在sf6读数算法的可行性以及准确性，本发明先分别使用vgg-unet算法、resnet50-unet算法以及本发明的psa-unet算法对sf6压力仪表进行指针与密集刻度进行分割，再使用本发明提出的基于k-means聚类算法的仪表读数方法对不同算法的分割结果进行实验，图中的grand truth代表标准测量值。sf6压力仪表的读数结果如表3所示。通过分析表3中的读数结果，本发明算法与人工测量之间的绝对偏差值较小，能针对复杂的变电站环境准确完成sf6压力仪表盘的读数。
[0112]
表3不同分割算法读数实验结果对比
[0113][0114]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
[0115]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

技术特征：
1.基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，包括以下步骤：s1、基于融合注意力特征unet神经网络完成指针式压力仪表的表盘刻度与指针分割，获得分割结果图；s2、对分割结果图进行图层划分，获得刻度图层和指针图层，并对其最小外接矩形进行直线拟合及拟合直线交点保存；s3、基于保存的拟合直线交点，确定表盘圆心，并结合指针拟合直线，计算表盘读数。2.根据权利要求1所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述步骤s1中，所述融合注意力特征unet神经网络包括依次连接的编码层和译码层；所述编码层包括依次连接的第一ghost卷积模块、第二ghost卷积模块、第一最大池化层、第三ghost卷积模块、第四ghost卷积模块、第二最大池化层、第五ghost卷积模块、第六ghost卷积模块、第七ghost卷积模块、第三最大池化层、第八ghost卷积模块、第九ghost卷积模块、第十ghost卷积模块和深层特征融合模块；所述译码层包括依次连接的第一向上卷积模块、第一concat模块、第一3
×
3卷积模块、第二3
×
3卷积模块、第二向上卷积模块、第二concat模块、第三3
×
3卷积模块、第四3
×
3卷积模块、第三向上卷积模块、第三concat模块、第五3
×
3卷积模块、第六3
×
3卷积模块、第四向上卷积模块、第四concat模块、第七3
×
3卷积模块和第八3
×
3卷积模块；其中，所述第二ghost卷积模块还通过第一金字塔拆分注意力模块与第四concat模块连接，所述第四ghost卷积模块还通过第二金字塔拆分注意力模块与第三concat模块连接，所述第七ghost模块还通过第三金字塔拆分注意力模块与第二concat模块连接，所述第十ghost模块还通过第四金字塔拆分注意力模块与第一concat模块连接。3.根据权利要求2所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述第一～第十ghost卷积模块的网格结构相同，其对输入特征进行处理的方法为：a1、使用1
×
1卷积将输入特征层的通道数调整为输出通道的一半；a2、使用并列的φ
i
对通道调整后特征层中的不同通道进行线性运算，产生与输入特征通道相同的影子特征；其中，φ
i
为线性运算所需的权值参数；a3、将1
×
1卷积运算后的特征与影子特征在通道维度进行拼接，得到输出特征图。4.根据权利要求2所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述深层特征融合模块包括并列的混合池化单元和空洞卷积单元，所述混合池化单元和空洞卷积单元在分别完成对输入特征的处理后，其输出特征通过add方式进行特征融合；所述混合池化单元通过金字塔池化和条形池化对长短特征信息的提取与融合；所述空洞卷积单元通过不同感受视野的空洞卷积对输入特征进行计算，获得更大感受视野的全局特征信息。5.根据权利要求2所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述第一～第四金字塔拆分注意力模块的网络结构相同，其对输入特征进行处理的方法具体为：b1、通过spc模块对输入特征进行分割合并，得到不同尺度的仪表特征图；
b2、通过se通道注意力机制为不同尺度的仪表特征图分配不同权重，对在通道维度进行拼接的不同尺度特征使用softmax激活函数进行非线性运算得到注意力权重；b3、使用注意力权重与不同尺度的仪表特征图相乘，得到具有细化特征信息的仪表特征图。6.根据权利要求2所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述融合注意力特征unet神经网络的损失函数包括交叉熵损失函数和dice损失函数；其中，所述交叉熵损失函数用于计算通过softmax对特征图中的像素点进行分类的准确率；所述dice损失函数用于计算融合注意力特征unet神经网络进行语义分割时两个样本的相似度；所述dice损失函数的表达式为：式中，s为两个样本的相似度，|x|和|y|分别计算集合x与y的元素个数。7.根据权利要求1所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述步骤s2具体为：s21、设置红色和绿色的阈值条件，对分割结果图中的刻度和指针分别进行图层划分，获得刻度图层和指针图层；s22、使用轮廓查询算法和最小外接矩阵算法，分别计算刻度图层和指针图层中刻度和指针的最小外接矩形；s23、对刻度外接矩形中每个刻度的外接矩形顶点以及外接矩形中心点，使用最小二乘法进行直线拟合，并保存每条拟合直线的斜率k与参数b；s24、将每条拟合直线的参数列表随机划分成两组，分别提取一组斜率k与参数b的拟合直线，计算其与其他拟合直线的交点并保存。8.根据权利要求7所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述步骤s3具体为：s31、使用k-means聚类方法对保存的拟合直线交点进行聚类，确定表盘圆心；s32、根据初始刻度最小外接矩形与指针最小外接矩形的中心，分别使用表盘圆心进行直线拟合，进而计算两条拟合直线的角度；其中，初始刻度为表盘圆心左侧区域的刻度坐标中，竖直坐标最大的刻度；s33、根据两条拟合直线的角度，计算表盘读数。9.根据权利要求8所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述步骤s32中，两条拟合直线的角度θ为：征在于，所述步骤s32中，两条拟合直线的角度θ为：式中，α表示中间参数，x0、x1、x2分别表示0刻度外接矩形中心的横轴坐标、圆心的横轴
坐标、指针外接矩形中心的横轴坐标；y0、y1、y2分别表示0刻度外接矩形中心的纵轴坐标、圆心的纵轴坐标、指针外接矩形中心的纵轴坐标；arctan()表示反正切值计算。10.根据权利要求9所述的基于融合注意力特征unet的指针式压力仪表读数方法，其特征在于，所述步骤s33中，表盘读数f(θ)为：

技术总结
本发明公开了基于融合注意力特征UNet的指针式压力仪表读数方法，包括S1、基于融合注意力特征UNet神经网络完成指针式压力仪表的表盘刻度与指针分割，获得分割结果图；S2、对分割结果图进行图层划分，获得刻度图层和指针图层，并对其最小外接矩形进行直线拟合及拟合直线交点保存；S3、基于保存的拟合直线交点，确定表盘圆心，并结合指针拟合直线，计算表盘读数。本发明利用改进后UNet神经网络能更好的分割仪表盘指针与密集刻度，同时使用神经网络分割后的结果进行仪表盘读数，不会受变电站复杂环境的影响，能保证读数精度。能保证读数精度。能保证读数精度。


技术研发人员：吴浩 漆梓渊 田海鹏 倪之昊 陈伟哲
受保护的技术使用者：四川轻化工大学
技术研发日：2023.07.11
技术公布日：2023/10/15