【技术实现步骤摘要】
一种面向暗室照度计检定的低对比度示值图像智能识别方法
本专利技术涉及机器视觉领域，尤其涉及一种低照度环境下照度计示值智能识别方法。
技术介绍
在照度计检定行业中，由于照度计检定需要在暗室且无杂光干扰条件下进行，这大大增加了检定人员在弱光环境中识别照度计示值的难度，同时也容易引起疲劳工作，影响识别准确度；从另一个方面讲，在光线严重受限的暗室内工作容易引发检定人员健康问题和安全问题。目前使用广泛的光学字符识别方法需要具有良好光照条件才能准确识别出图像中的字符，这与照度计检定的环境所冲突，为此寻找一种能高效、准确、智能地识别检定过程中照度计示值的方法具有重要现实意义。
技术实现思路
为解决上述存在的问题，本专利技术采用卷积神经网络(ConvolutionalNeuralNetworks,CNN)目标检测框架，通过构建数据集与数据增强算法训练CNN目标检测框架，寻找最佳预测对比度，实现低对比度环境下照度计示数的准确识别。本专利技术的目的通过以下的技术方案来实现：一种面向暗室照度计检定的低对比度示值图像智能识别方法，包括：A、制作卷积神经网络目标检测框架的训练与测试数据集，训练...
【技术保护点】
1.一种面向暗室照度计检定的低对比度示值图像智能识别方法，其特征在于，具体步骤包括：A、制作卷积神经网络目标检测框架的训练与测试数据集，训练数据集包含高对比度数码管图像集IH和低对比度数码管图像集IL，并计算出IH集合图像对比度最小值CH_min、IL集合图像对比度最大值CL_max；B、训练与测试时计算出每次输入CNN目标检测框架中的图像对比度Ctr，判断其所属集合并通过使用相应数据增强算法来改变输入图像的对比度；C、CNN目标检测框架对于输入图像会产生预测目标框与概率P输出，训练结束后，根据P—C曲线，计算出最佳识别对比度Cbest；D、计算实际使用CNN目标检测框架预...
【技术特征摘要】
1.一种面向暗室照度计检定的低对比度示值图像智能识别方法，其特征在于，具体步骤包括：A、制作卷积神经网络目标检测框架的训练与测试数据集，训练数据集包含高对比度数码管图像集IH和低对比度数码管图像集IL，并计算出IH集合图像对比度最小值CH_min、IL集合图像对比度最大值CL_max；B、训练与测试时计算出每次输入CNN目标检测框架中的图像对比度Ctr，判断其所属集合并通过使用相应数据增强算法来改变输入图像的对比度；C、CNN目标检测框架对于输入图像会产生预测目标框与概率P输出，训练结束后，根据P—C曲线，计算出最佳识别对比度Cbest；D、计算实际使用CNN目标检测框架预测暗室中低对比度照度计示值图像对比度Creal，并进行增强。2.根据权利要求1所述的面向暗室照度计检定的低对比度示值图像智能识别方法，其特征在于，所述步骤A中，IH图像数据集为{FH,1,FH,2,FH,3,……,FH,Num_H}，IL图像数据集为{FL,1,FL,2,FL,3,……,FL,Num_L}，其中Num_H与Num_L分别为IH、IL中图像数量，F＝(fijk)m×n×3为RGB颜色空间图像矩阵；计算图像对比度时把RGB图像转换为灰度图像Fgray＝(fij)m×n，则图像的对比度C计算方法为：根据上述公式可以计算出IH与IL训练数据集中所有图像的对比度集合{CH,1,CH,2,CH,2,……,CH,Num_H...
【专利技术属性】
技术研发人员：南瑞亭，
申请(专利权)人：广州市交通高级技工学校广州市交通技师学院，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。