一种设备信号灯的智能识别方法技术

本发明专利技术公开了一种设备信号灯的智能识别方法，包括：S1：对获取到的信号灯图像进行预处理；S2：对经过预处理的信号灯图像进行RGB极大比值特征提取；S3：对DBN网络进行训练，并对DBN网络进行微调；S4：将提取到的RGB极大比值特征输入到微调后的DBN网络进行识别。利用本发明专利技术提供的方法能够有效识别信号灯，对信号灯图像的综合识别率达到98％。

An Intelligent Recognition Method for Equipment Signal Lamp

The invention discloses an intelligent recognition method for equipment signal lamp, which includes: S1: preprocessing the acquired signal lamp image; S2: extracting RGB maximum ratio feature from the preprocessed signal lamp image; S3: training the DBN network and fine-tuning the DBN network; S4: input the extracted RGB maximum ratio feature into the fine-tuned DBN network for recognition. \u3002 The method provided by the invention can effectively recognize the signal lamp, and the comprehensive recognition rate of the signal lamp image reaches 98%.

【技术实现步骤摘要】
一种设备信号灯的智能识别方法
本专利技术涉及设备信号灯检测
，更具体的说是涉及一种设备信号灯的智能识别方法。
技术介绍
随着电力系统信息化程度的不断加深，其机房设备的种类和数量越来越多，网络拓扑结构也变得越来越复杂。工作人员很难准确掌握设备运行情况，不利于掌握信息系统整体运行状况，更不利于统一优化调配信息资源和保障信息系统可靠运行。因此，及时准确的掌握各个机房设备的运行状态对电力企业内各系统高效安全的运行至关重要。目前，监测机房设备运行情况的一个核心任务是及时准确识别工业相机捕获的各系统服务器的信号灯状态图像，以此来判断相关设备是否运行正常。目前，在识别交通信号灯状态方面，常用算法大多是利用其不同的方向形状和颜色信息进行检测和识别。但是，与交通信号灯不同的是，服务器信号灯没有可用的形状特征，并且其尺寸更小，而且更加密集，所以感知其状态信息更为困难。而且目前国内外在这方面的研究鲜有报道。因此，如何提供一种对设备信号灯进行智能识别的方法是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种设备信号灯的智能识别方法，提取信号灯状态图像特征RGBMR，在提取该特征数据之后运用DBN网络模型对信号灯图像进行评估识别，从而能够掌握机房服务器的运行状态。为了实现上述目的，本专利技术采用如下技术方案：一种设备信号灯的智能识别方法，包括：S1：对获取到的信号灯图像进行预处理；S2：对经过预处理的信号灯图像进行RGB极大比值特征提取；S3：对DBN网络进行训练，并对DBN网络进行微调；S4：将提取到的RGB极大比值特征输入到微调后的DBN网络进行识别，得到识别结果。优选的，步骤S1具体包括：对获取到的信号灯图像进行去噪处理。优选的，步骤S2的具体算法流程包括：S21：对经过预处理的信号灯图像运用卡尔曼跟踪算法提取并分割出包含有信号灯的各个感兴趣区域，且每个所述感兴趣区域中仅包含一个信号灯；S22：计算各个感兴趣区域中像素的个数，并获取各个像素的RGB三基色亮度值；S23：分别将各个像素的RGB三基色亮度值按照从大到小进行排序，读取前10％的RGB三基色亮度值，作为RGB极大值序列，分别记为序列RM10、GM10和BM10；S24：分别计算RM10、GM10和BM10的平均值，得到极大平均值，分别记为RMa、GMa和BMa；S25：分别计算各个极大平均值RMa、GMa和BMa的相对比值，作为RGB极大比值特征，分别记为MRr、MRg和MRb，其中，优选的，对DBN网络进行微调的方法包括：利用BP算法来对训练后的DBN网络进行微调。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种设备信号灯的智能识别方法，提取信号灯状态图像特征RGBMR(RGB极大比值特征)，在提取该特征数据之后运用DBN网络模型对信号灯图像进行评估识别。经过大量的实验分析，本专利技术提供的方法与常用的图像HSV空间特征结合BPNN网络识别方法相比，能够更准确的识别信号灯状态，从而准确掌握机房服务器的运行状态。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本专利技术提供的设备信号灯的智能识别方法的流程图；图2附图为本专利技术提供的DBN结构示意图；图3附图为本专利技术提供的信号灯识别实验系统图；图4附图为本专利技术提供的工业相机拍摄的服务器状态的图像；图5附图为本专利技术提供的分离出的绿红黄信号灯图像样本；图6附图为本专利技术提供的绿红黄灯图像RGBMR平均值分布图；图7附图为本专利技术提供的信号灯识别方法的识别结果；图8附图为本专利技术提供的提取HSV特征对应的识别结果。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种设备信号灯的智能识别方法，利用该方法能够更准确的识别信号灯状态，从而准确掌握机房服务器的运行状态。首先，介绍一下提取图像RGBMR特征的流程。机房服务器设备的信号灯主要有绿灯、红灯及黄灯三种状态，其分别对应设备处于运行正常、故障及有待检查三种情况，所以判断设备运行情况的主要途径就是准确识别这3种颜色信号灯的亮与灭。但是，服务器信号灯一方面其本身较小并发光，会对拍摄图像形成很大干扰；另一方面，在一幅拍摄的图像中往往分布有多个信号灯，拍摄时无法聚焦，造成其成像色彩对外部光线的变化非常敏感，所以从图像中感知其状态信息较为困难。鉴于现有的利用RGB特征值、HSV与HSI颜色空间特征值及颜色直方图来识别信号灯的方法存在很大不足，本专利技术提出了一种新的信号灯图像颜色特征——RGB极大比值(RGBMR)特征。在信号灯图像去噪之后，其RGBMR特征的提取算法流程如下：S21：对经过预处理的信号灯图像运用卡尔曼跟踪算法提取并分割出包含有信号灯的各个感兴趣区域，且每个所述感兴趣区域中仅包含一个信号灯；S22：计算各个感兴趣区域中像素的个数，并获取各个像素的RGB三基色亮度值；S23：分别将各个像素的RGB三基色亮度值按照从大到小进行排序，读取前10％的RGB三基色亮度值，作为RGB极大值序列，分别记为序列RM10、GM10和BM10；S24：分别计算RM10、GM10和BM10的平均值，得到极大平均值，分别记为RMa、GMa和BMa；S25：分别计算各个极大平均值RMa、GMa和BMa的相对比值，作为RGB极大比值特征，分别记为MRr、MRg和MRb，其中，下面具体介绍本专利技术所采用的DBN模型。DBN是一种基于概率生成的深度学习模型，其可以有效地通过各种非线性变换和近似的复杂非线性函数从原始数据中捕获重要信息，适用于分类和评估。DBN通过逐层堆叠一系列的限制玻尔兹曼机(RBM)来进行构建，如图2所示，第1层(输入层V)和第2层(隐含层H1)构成了RBM1，第2层(隐含层H1)和第3层(隐含层H2)构成了RBM2，以此往复，其中，hl，hk分别代表其所在隐含层的第l和k个隐含单元，w1、w2表示各层之间的权值系数。每个RBM由一个隐含层和一个可视层构成，每层都是由二进制随机单元组成，这些单元只与不同层的单元相连接而不与同层内单元相连接。可视单元与隐含单元的一个连接节的能量可以定义为：这里w表示可视层与隐含层之间的权重值，向量a和b分别是隐含单元hj与可视单元vi的偏置，而θ＝{w,b,a}代表模型参数。输入节点数、隐藏节点数、隐层数和输出节点数是DBN模型最重要的参数。在本专利技术中，DBN模型的体系结构定义如下：DBN[param1；param21,……,param2j；param3]其中，param1代表输入节点数,param2i代表第i隐含层的隐含节点数，而param3表示输出节点数。DBN的独特结构使得其能够应用对比散度(CD)算法通过训练一系列的RBMs而得到训练。初级训练过程可以概括为：每个本文档来自技高网...

【技术保护点】
1.一种设备信号灯的智能识别方法，其特征在于，包括：S1：对获取到的信号灯图像进行预处理；S2：对经过预处理的信号灯图像RGB极大比值特征提取；S3：对DBN网络进行训练，并对DBN网络进行微调；S4：将提取到的RGB极大比值特征输入到微调后的DBN网络进行识别，得到识别结果。

【技术特征摘要】
1.一种设备信号灯的智能识别方法，其特征在于，包括：S1：对获取到的信号灯图像进行预处理；S2：对经过预处理的信号灯图像RGB极大比值特征提取；S3：对DBN网络进行训练，并对DBN网络进行微调；S4：将提取到的RGB极大比值特征输入到微调后的DBN网络进行识别，得到识别结果。2.根据权利要求1所述的一种设备信号灯的智能识别方法，其特征在于，步骤S1具体包括：对获取到的信号灯图像进行去噪处理。3.根据权利要求1所述的一种设备信号灯的智能识别方法，其特征在于，步骤S2的具体算法流程包括：S21：对经过预处理的信号灯图像运用卡尔曼跟踪算法提取并分割出包含有信号灯的各个感兴趣区域，且每个所述感兴趣区域中仅包含一个...

【专利技术属性】
技术研发人员：吴珺，刘明峰，李文坤，田小川，侯路，郭顺森，韩然，李祥新，
申请(专利权)人：国网山东省电力公司青岛供电公司，
类型：发明
国别省市：山东,37