一种设备标识牌检测方法技术

本发明专利技术涉及一种设备标识牌检测方法，将设备标识牌对应的标注区域作为区别设备标识牌与周围背景的最为显著性的特征，通过这一主要特征来标识设备标识牌，以排除其他无关特征对检测准确率的干扰，使得更多的神经元集中于设备标识牌特征的学习，更加易于区分设备标识牌与背景信息，从而提高电网设备标识牌的检测准确率。

A method for detecting equipment signs

The present invention relates to a method for detecting device identification plates. The labeled area corresponding to the device identification plates is regarded as the most prominent feature to distinguish the device identification plates from the surrounding background. The device identification plates are identified by this main feature so as to eliminate the interference of other irrelevant features on the detection accuracy and make more neuron sets. In order to improve the detection accuracy of power grid equipment label, it is easier to distinguish equipment label from background information by learning the characteristics of equipment label.

【技术实现步骤摘要】
一种设备标识牌检测方法
本专利技术涉及目标识别
，更具体地说，涉及一种设备标识牌检测方法。
技术介绍
目标检测对于人类来说不难，通过对图片中不同颜色模块的感知，很容易定位并分类出其中目标物体。但对于计算机来说，面对的是红绿蓝像素矩阵，很难从图像中直接得到狗和猫这样的抽象概念并确定其位置，再加上有时候多个物体和杂乱的背景混杂在一起，目标检测就更加困难。传统的目标检测使用滑动窗口加特征值匹配进行检测，基本步骤就是利用不同尺寸的滑动窗口，框住图像的某一部分，将其作为候选区域，提取候选区域相关的视觉特征，比如人脸检测常用的Harr特征、行人检测和普通目标检测常用的HOG特征等，最后利用分类器进行分类识别。传统的方法虽然可以检测出目标，但是存在很严重的两个问题：一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种可提高电网设备标识牌的检测准确率和检测效率的设备标识牌检测方法。本专利技术的技术方案如下：一种设备标识牌检测方法，步骤如下：1)在包含设备标识牌的待训练的样本图像中，将设备标识牌设置为标注区域，根据预设的神经网络模型以及标注区域，对样本图像进行训练，得到权重模型；2)获取待检测图像，并将待检测图像划分为多个区域；3)根据权重模型，分别对待检测图像的各个区域进行检测，得到对应各区域的置信度；4)返回置信度大于或等于预设阈值的区域。作为优选，步骤1)中，样本图像包括在不同气候条件、不同亮度环境下通过不同角度对设备标识牌进行拍摄的原始图像。作为优选，步骤1)中，权重模型的训练步骤具体如下：1.1)获取待训练的样本图像及设备标识牌对应的标注区域；1.2)将所述待训练的样本图像划分为多个区域，其中，包含标注区域的区域为目的区域，其他区域为背景区域；1.3)通过预设的神经网络模型对目标区域和背景区域中的像素值进行训练学习，得到权重模型。作为优选，步骤1.3)中，先根据预设的神经网络配置文件生成网络对象，通过生成的网络对象对样本图像的所有区域中的像素值进行训练学习，训练结束后将迭代过程优化的参数保存至权重模型。作为优选，步骤1)中，通过人工在样本图像上对设备标识牌进行位置标注，得到标注区域。作为优选，步骤1)中，将待训练的样本图像按VOC标准数据集格式构建成训练数据集，具体地，步骤如下：首先，创建Annotation、ImageSets和JPEGImages三个文件夹，ImageSets文件夹下包括Main文件夹；然后，按照统一的命名规则对样本图像进行命名，然后将样本图像存放到JPEGImages文件夹下；接着，利用LabelImg工具对样本图像中的设备标识牌进行位置标注，并生成xml文件；其中，一个xml文件对应一张样本图像，存储的内容包括annotation标注对象、annotation中包含的floder对象、fliename对象、path对象、size对象、多个object对象；最后，将所有生成的xml文件分成两部分，一部分xml文件中的样本图像名称写入trainval.txt文件中用于训练，另一部分xml文件中的样本图像名称写入test.txt文件中用于训练过程中的验证；将trainval.txt文件和test.txt文件存放在ImageSet文件夹中的Main文件夹下；将所有的xml文件存放在Annotation文件夹下。作为优选，步骤4)中，返回置信度大于或等于预设阈值的区域的位置信息及其置信度，所述的位置信息包括区域某一角的x轴坐标、y轴坐标，以及区域宽度与高度。作为优选，通过返回区域的位置信息，使其在待检测图像中进行圈框显示。作为优选，置信度大于或等于预设阈值的区域包含设备标识牌。作为优选，将权重模型集成至后台服务，使用图片检测脚本调用，并提供后台接口至客户端；当客户端获取待检测图像，并上传至后台接口，后台接口调用图片检测脚本，将待检测图像划分为多个区域，根据权重模型中的参数对各区域进行检测并打分，得到各区域的置信度。本专利技术的有益效果如下：本专利技术所述的设备标识牌检测方法中，将设备标识牌对应的标注区域作为区别设备标识牌与周围背景的最为显著性的特征，通过这一主要特征来标识设备标识牌，以排除其他无关特征对检测准确率的干扰，使得更多的神经元集中于设备标识牌特征的学习，更加易于区分设备标识牌与背景信息，从而提高电网设备标识牌的检测准确率。附图说明图1是本专利技术的流程示意图；图2是YOLO神经网络的网络结构示意图。具体实施方式以下结合附图及实施例对本专利技术进行进一步的详细说明。本专利技术为了解决现有技术存在的区域选择策略没有针对性，时间复杂度高，窗口冗余，手工设计的特征对于多样性的变化并没有很好的鲁棒性等不足，提供一种设备标识牌检测方法，只抓取设备标识牌这一显著特征与背景进行区分，排除其他无关特征对检测准确率的干扰，可提高电网设备标识牌的检测准确率和检测效率。如图1所示，所述的设备标识牌检测方法，步骤如下：1)在包含设备标识牌的待训练的样本图像中，将设备标识牌设置为标注区域，根据预设的神经网络模型以及标注区域，对样本图像进行训练，得到权重模型；2)获取待检测图像，并将待检测图像划分为多个区域；3)根据权重模型，分别对待检测图像的各个区域进行检测，得到对应各区域的置信度；4)返回置信度大于或等于预设阈值的区域，其中，置信度大于或等于预设阈值的区域即包含设备标识牌。为了提高后续检测的鲁棒性，本专利技术通过采集不同环境下的设备标识牌照片用于训练，即，样本图像包括在不同气候条件、不同亮度环境下通过不同角度对设备标识牌进行拍摄的原始图像。本专利技术中，将标注设备标识牌部分得到的标注区域作为目标区域，使得更多的神经元集中于设备标识牌特征的学习，更加易于区分设备标识牌与背景信息。则步骤1)中，权重模型的训练步骤具体如下：1.1)获取待训练的样本图像及设备标识牌对应的标注区域；具体实施时，可通过人工在样本图像上对设备标识牌进行位置标注，得到标注区域；本实施例中，利用开源的图片标注工具LabelImg手动对每张样本图像中的设备标识牌部分进行位置标注；1.2)将所述待训练的样本图像划分为多个区域，其中，包含标注区域的区域为目的区域，其他区域为背景区域；1.3)通过预设的神经网络模型对目标区域和背景区域中的像素值进行训练学习，得到权重模型；具体地，先根据预设的神经网络配置文件生成网络对象(开发中面向对象中的类，包含网络的层级属性以及之后的训练方法)，通过生成的网络对象对样本图像的所有区域中的像素值进行训练学习，训练结束后将迭代过程优化的参数保存至权重模型。对于用于训练权重模型的样本图像，本实施例中，将待训练的样本图像按VOC标准数据集格式构建成训练数据集，具体地，步骤如下：首先，创建Annotation、ImageSets和JPEGImages三个文件夹，ImageSets文件夹下包括Main文件夹；然后，按照统一的命名规则对样本图像进行命名，然后将样本图像存放到JPEGImages文件夹下；接着，利用LabelImg工具对样本图像中的设备标识牌进行位置标注，并生成xml文件；其中，一个xml文件对应一张样本图像，本文档来自技高网...

【技术保护点】
1.一种设备标识牌检测方法，其特征在于，步骤如下：1)在包含设备标识牌的待训练的样本图像中，将设备标识牌设置为标注区域，根据预设的神经网络模型以及标注区域，对样本图像进行训练，得到权重模型；2)获取待检测图像，并将待检测图像划分为多个区域；3)根据权重模型，分别对待检测图像的各个区域进行检测，得到对应各区域的置信度；4)返回置信度大于或等于预设阈值的区域。

【技术特征摘要】
1.一种设备标识牌检测方法，其特征在于，步骤如下：1)在包含设备标识牌的待训练的样本图像中，将设备标识牌设置为标注区域，根据预设的神经网络模型以及标注区域，对样本图像进行训练，得到权重模型；2)获取待检测图像，并将待检测图像划分为多个区域；3)根据权重模型，分别对待检测图像的各个区域进行检测，得到对应各区域的置信度；4)返回置信度大于或等于预设阈值的区域。2.根据权利要求1所述的设备标识牌检测方法，其特征在于，步骤1)中，样本图像包括在不同气候条件、不同亮度环境下通过不同角度对设备标识牌进行拍摄的原始图像。3.根据权利要求1所述的设备标识牌检测方法，其特征在于，步骤1)中，权重模型的训练步骤具体如下：1.1)获取待训练的样本图像及设备标识牌对应的标注区域；1.2)将所述待训练的样本图像划分为多个区域，其中，包含标注区域的区域为目的区域，其他区域为背景区域；1.3)通过预设的神经网络模型对目标区域和背景区域中的像素值进行训练学习，得到权重模型。4.根据权利要求3所述的设备标识牌检测方法，其特征在于，步骤1.3)中，先根据预设的神经网络配置文件生成网络对象，通过生成的网络对象对样本图像的所有区域中的像素值进行训练学习，训练结束后将迭代过程优化的参数保存至权重模型。5.根据权利要求1所述的设备标识牌检测方法，其特征在于，步骤1)中，通过人工在样本图像上对设备标识牌进行位置标注，得到标注区域。6.根据权利要求5所述的设备标识牌检测方法，其特征在于，步骤1)中，将待训练的样本图像按VOC标准数据集格式构建成训练数据集，具体地，步骤如下：首先，创建Annotation、ImageSets和JPEGImages三个文件夹，ImageSets文件夹下包...

【专利技术属性】
技术研发人员：王永明，黄春红，林国贤，辛佳永，李鹏，李宽宏，黄金魁，林力辉，杨世仁，傅智为，刘旭，林继滨，赖必贵，
申请(专利权)人：国网福建省电力有限公司厦门供电公司，国网福建省电力有限公司，福建省亿鑫海信息科技有限公司，
类型：发明
国别省市：福建,35