本發(fā)明涉及電能計(jì)量裝置故障識(shí)別領(lǐng)域，具體涉及基于mobilenetv3的電表異常識(shí)別方法及系統(tǒng)。

背景技術(shù)：

1、當(dāng)前智能電表異常識(shí)別主要依賴傳統(tǒng)圖像處理方法以及較為基礎(chǔ)的深度學(xué)習(xí)網(wǎng)絡(luò)。在智能電表的檢測(cè)中，傳統(tǒng)方法通過(guò)邊緣檢測(cè)、顏色特征提取等方式，結(jié)合特征匹配方法(例如sift或surf)，對(duì)電表的外觀進(jìn)行檢測(cè)。然而，由于這些方法容易受到光照、角度等外部條件的影響，其識(shí)別效果并不穩(wěn)定，且特征提取耗時(shí)較長(zhǎng)，難以滿足實(shí)際流水線的高效要求。

2、此外，已有的一些基于深度學(xué)習(xí)的模型(如vgg16、resnet50等)雖然在圖像分類中表現(xiàn)優(yōu)異，但其結(jié)構(gòu)較為復(fù)雜，模型參數(shù)量大，難以部署到計(jì)算能力有限的設(shè)備上。特別是在異常檢測(cè)場(chǎng)景中，這些網(wǎng)絡(luò)的特征提取效果受到限制，導(dǎo)致其在識(shí)別電表外觀異常的準(zhǔn)確率不高，同時(shí)檢測(cè)速度較慢，不利于實(shí)際應(yīng)用中的實(shí)時(shí)性要求。因此，現(xiàn)有技術(shù)方案在模型的輕量化和識(shí)別準(zhǔn)確率方面仍然存在不足。

3、有鑒于此，特提出本技術(shù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題是現(xiàn)有技術(shù)中識(shí)別電表外觀異常的準(zhǔn)確率不高，同時(shí)檢測(cè)速度較慢，不利于實(shí)際應(yīng)用中的實(shí)時(shí)性要求，不能適應(yīng)不同型號(hào)電能表的異常識(shí)別。本發(fā)明目的在于提供基于mobilenetv3的電表異常識(shí)別方法及系統(tǒng)，本發(fā)明通過(guò)改進(jìn)mobilenetv3網(wǎng)絡(luò)實(shí)現(xiàn)了電能表的外觀異常識(shí)別模型的自動(dòng)化構(gòu)建，能夠生成專屬識(shí)別模型以適應(yīng)不同型號(hào)的電能表，提高了模型的泛化能力和適應(yīng)性。本發(fā)明提高了對(duì)電表外觀特征的提取能力，顯著提升了異常識(shí)別的準(zhǔn)確率，可自適應(yīng)地生成不同型號(hào)電能表的專屬異常識(shí)別模型，有效應(yīng)對(duì)了不同環(huán)境下的識(shí)別需求，且檢測(cè)速度快。

2、本發(fā)明通過(guò)下述技術(shù)方案實(shí)現(xiàn)：

3、第一方面，本發(fā)明提供了基于mobilenetv3的電表異常識(shí)別方法，該方法包括：

4、獲取異常電能表與正常電能表的圖像數(shù)據(jù)，對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理得到樣本數(shù)據(jù)集，并按照比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集；

5、基于訓(xùn)練集訓(xùn)練改進(jìn)mobilenetv3網(wǎng)絡(luò)，并基于驗(yàn)證集驗(yàn)證改進(jìn)mobilenetv3網(wǎng)絡(luò)判斷的準(zhǔn)確性，并將訓(xùn)練好的改進(jìn)mobilenetv3網(wǎng)絡(luò)作為異常電能表識(shí)別模型；改進(jìn)mobilenetv3網(wǎng)絡(luò)是帶反向殘差的瓶頸模塊的mobilenetv3網(wǎng)絡(luò)；

6、將待識(shí)別電能表的圖像數(shù)據(jù)輸入異常電能表識(shí)別模型中，并輸出電能表異常識(shí)別結(jié)果。

7、本發(fā)明適應(yīng)于電能表集中檢測(cè)檢定自動(dòng)化生產(chǎn)條件下的電能表外觀異常識(shí)別，可自適應(yīng)地生成不同型號(hào)電能表的專屬異常識(shí)別模型，能有效提升模型的準(zhǔn)確度，同時(shí)兼顧流水線條件下的識(shí)別速率。

8、進(jìn)一步地，對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理得到樣本數(shù)據(jù)集，包括：

9、通過(guò)人工篩選的方式將拍攝的智能電能表分類兩類：第一類為正常電表，第二類為異常電表；分類完成后將獲得分類好的樣本數(shù)據(jù)集；

10、分類的方式為，將正常電表圖片保存在一個(gè)文件夾內(nèi)，將異常電表圖片保存在另一個(gè)文件夾內(nèi)。

11、進(jìn)一步地，改進(jìn)mobilenetv3網(wǎng)絡(luò)包括依次連接的輸入層、卷積層、激活層、帶反向殘差的瓶頸模塊、全局池化層、激活層、全連接層、判斷層和輸出層；

12、帶反向殘差的瓶頸模塊是通過(guò)擴(kuò)展、深度卷積、壓縮的結(jié)構(gòu)在保持性能的情況下減少計(jì)算量，獲得經(jīng)過(guò)帶反向殘差的瓶頸模塊后的數(shù)據(jù)。

13、其中，整個(gè)帶反向殘差的瓶頸模塊可表示為：

14、x3＝bneck(x2)

15、其中x3表示經(jīng)過(guò)帶反向殘差的瓶頸模塊后的數(shù)據(jù)，bneck()表示逐點(diǎn)卷積擴(kuò)展→深度卷積→逐點(diǎn)卷積壓縮三重操作的組合。

16、進(jìn)一步地，帶反向殘差的瓶頸模塊包括逐點(diǎn)卷積擴(kuò)展單元、深度卷積單元和逐點(diǎn)卷積壓縮單元；

17、逐點(diǎn)卷積擴(kuò)展單元，用于通過(guò)第一逐點(diǎn)卷積擴(kuò)展操作，將較低通道數(shù)的數(shù)據(jù)進(jìn)行擴(kuò)展，得到具有較高通道數(shù)的數(shù)據(jù)，作為擴(kuò)展后的數(shù)據(jù)；

18、深度卷積單元，用于在擴(kuò)展后的數(shù)據(jù)中，對(duì)每個(gè)通道進(jìn)行獨(dú)立的深度卷積，得到深度卷積后的數(shù)據(jù)；

19、逐點(diǎn)卷積壓縮單元，用于將深度卷積后的數(shù)據(jù)通過(guò)第二逐點(diǎn)卷積以壓縮回較低通道數(shù)的數(shù)據(jù)。

20、進(jìn)一步地，第一逐點(diǎn)卷積的表達(dá)式為：xexpand＝h_swish(conv1×1(x))，其中xexpand是經(jīng)過(guò)逐點(diǎn)卷積擴(kuò)展后的數(shù)據(jù)，conv1×1()表示使用1×1的卷積核進(jìn)行卷積操作，x為輸入進(jìn)該操作的自變量；

21、第二逐點(diǎn)卷積的表達(dá)式為：xcompress＝conv1×1(xdepthwise)，其中xcompress表示經(jīng)過(guò)逐點(diǎn)卷積壓縮后的數(shù)據(jù)。

22、進(jìn)一步地，深度卷積的操作表達(dá)式為：

23、xdepthwise＝h_swish(depthwiseconv?3×3(xexpand

24、其中xdepthwise為經(jīng)過(guò)深度卷積后的數(shù)據(jù)，depthwiseconv?3×3()表示3×3的卷積核進(jìn)行深度卷積操作，該操作表示為：

25、

26、其中yh,w,c表示經(jīng)過(guò)深度卷積后的數(shù)據(jù)在位置(h,w)，通道c的值。xh+i-1,w+j-1,c表示需要進(jìn)行深度卷積操作的數(shù)據(jù)在位置(h+i-1,w+j-1)，通道c的值；ki,j,c表示第c個(gè)通道上3×3卷積核的權(quán)重(可學(xué)習(xí))；bc表示第c個(gè)通道的偏置(可學(xué)習(xí))。

27、進(jìn)一步地，改進(jìn)mobilenetv3網(wǎng)絡(luò)的損失函數(shù)為：

28、

29、式中，i為樣本，yi為真實(shí)標(biāo)簽，為預(yù)測(cè)的標(biāo)簽。

30、第二方面，本發(fā)明又提供了基于mobilenetv3的電表異常識(shí)別系統(tǒng)，該系統(tǒng)包括：

31、獲取單元，用于獲取異常電能表與正常電能表的圖像數(shù)據(jù)；

32、預(yù)處理及劃分單元，用于對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理得到樣本數(shù)據(jù)集，并按照比例隨機(jī)劃分為訓(xùn)練集和驗(yàn)證集；

33、模型構(gòu)建及訓(xùn)練單元，用于基于訓(xùn)練集訓(xùn)練改進(jìn)mobilenetv3網(wǎng)絡(luò)，并基于驗(yàn)證集驗(yàn)證改進(jìn)mobilenetv3網(wǎng)絡(luò)判斷的準(zhǔn)確性，并將訓(xùn)練好的改進(jìn)mobilenetv3網(wǎng)絡(luò)作為異常電能表識(shí)別模型；改進(jìn)mobilenetv3網(wǎng)絡(luò)是帶反向殘差的瓶頸模塊的mobilenetv3網(wǎng)絡(luò)；

34、異常識(shí)別單元，用于將待識(shí)別電能表的圖像數(shù)據(jù)輸入異常電能表識(shí)別模型中，并輸出電能表異常識(shí)別結(jié)果。

35、進(jìn)一步地，改進(jìn)mobilenetv3網(wǎng)絡(luò)包括依次連接的輸入層、卷積層、激活層、帶反向殘差的瓶頸模塊、全局池化層、激活層、全連接層、判斷層和輸出層；

36、帶反向殘差的瓶頸模塊是通過(guò)擴(kuò)展、深度卷積、壓縮的結(jié)構(gòu)在保持性能的情況下減少計(jì)算量，獲得經(jīng)過(guò)帶反向殘差的瓶頸模塊后的數(shù)據(jù)；

37、帶反向殘差的瓶頸模塊包括逐點(diǎn)卷積擴(kuò)展單元、深度卷積單元和逐點(diǎn)卷積壓縮單元；

38、逐點(diǎn)卷積擴(kuò)展單元，用于通過(guò)第一逐點(diǎn)卷積擴(kuò)展操作，將較低通道數(shù)的數(shù)據(jù)進(jìn)行擴(kuò)展，得到具有較高通道數(shù)的數(shù)據(jù)，作為擴(kuò)展后的數(shù)據(jù)；

39、深度卷積單元，用于在擴(kuò)展后的數(shù)據(jù)中，對(duì)每個(gè)通道進(jìn)行獨(dú)立的深度卷積，得到深度卷積后的數(shù)據(jù)；

40、逐點(diǎn)卷積壓縮單元，用于將深度卷積后的數(shù)據(jù)通過(guò)第二逐點(diǎn)卷積以壓縮回較低通道數(shù)的數(shù)據(jù)。

41、第三方面，本發(fā)明又提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的基于mobilenetv3的電表異常識(shí)別方法。

42、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：

43、1、本發(fā)明基于mobilenetv3的電表異常識(shí)別方法及系統(tǒng)，本發(fā)明適應(yīng)于電能表集中檢測(cè)檢定自動(dòng)化生產(chǎn)條件下的電能表外觀異常識(shí)別，可自適應(yīng)地生成不同型號(hào)電能表的專屬異常識(shí)別模型，能有效提升模型的準(zhǔn)確度，同時(shí)兼顧流水線條件下的識(shí)別速率。

44、2、輕量化與高效性兼?zhèn)洌合噍^于傳統(tǒng)的深度學(xué)習(xí)模型(如resnet50、vgg16等)，本發(fā)明采用改進(jìn)mobilenetv3網(wǎng)絡(luò)，實(shí)現(xiàn)了輕量化的模型設(shè)計(jì)，減少了計(jì)算量，使得本提案能夠在低功耗環(huán)境下實(shí)現(xiàn)高效運(yùn)行，滿足流水線條件的實(shí)時(shí)檢測(cè)需求。

45、3、更高的識(shí)別準(zhǔn)確率：傳統(tǒng)方法易受外部環(huán)境影響，識(shí)別效果不穩(wěn)定。本發(fā)明提案通過(guò)深度卷積和反向殘差瓶頸模塊的組合，提高了對(duì)電表外觀特征的提取能力，顯著提升了異常識(shí)別的準(zhǔn)確率，有效應(yīng)對(duì)了不同環(huán)境下的識(shí)別需求。

46、4、良好的自適應(yīng)性：本提案可以針對(duì)不同型號(hào)的電表進(jìn)行自適應(yīng)建模，生成專屬的異常識(shí)別模型。相比傳統(tǒng)方法，本發(fā)明的方案具備更強(qiáng)的模型泛化能力，能夠根據(jù)不同電表的外觀特征自適應(yīng)調(diào)整模型結(jié)構(gòu)，確保在各種電表型號(hào)下均能保持高識(shí)別準(zhǔn)確率。

47、5、部署便利性：本發(fā)明的基于mobilenetv3的識(shí)別方法具備良好的部署優(yōu)勢(shì)。傳統(tǒng)模型參數(shù)量大，不適合在嵌入式設(shè)備上應(yīng)用，而本提案能夠在邊緣設(shè)備上高效運(yùn)行，便于在實(shí)際場(chǎng)景中的廣泛應(yīng)用推廣。