一种基于车载移动深度学习平台的杆号识别方法技术

本发明专利技术公开了一种基于车载移动深度学习平台的杆号识别方法，包括以下步骤：1、获取高铁接触网零部件图像并标记，再筛选得到接触网杆号图像的数据集；2、使用加速区域卷积神经网络模型Faster R‑CNN对步骤1的接触网杆号图像数据集进行训练，对全局接触网杆号图像中的杆号牌定位，得到杆号牌图片数据集；3、使用快速定位模型SSD对步骤2的杆号牌图片数据集进行训练，对杆号牌图片中的数字定位，得到杆号牌数字图片数据集；4、在嵌入式深度学习移动平台部署深度学习模型；5、使用多类别非极大抑制算法对步骤4得到的识别目标进行筛选，得到杆号数字文本；本发明专利技术针对高铁接触网杆号识别，定位准确率高、检测时间短。

A pole number recognition method based on vehicle mobile depth learning platform

【技术实现步骤摘要】
一种基于车载移动深度学习平台的杆号识别方法
本专利技术属于图像识别
，具体涉及一种基于车载移动深度学习平台的杆号识别方法。
技术介绍
接触网2C检测标准中对高铁轨道两侧支柱上的杆号检测有明确要求，是高铁2C的重要检测项目之一，起着故障定位、位置检测等功能；目前，接触网两侧的杆号检测仍处于离线的传统图像处理模式，实际使用仍然存在一定的难度；因此本专利技术基于车载移动深度学习平台结合深度学习定位检测方法，对高铁轨道两侧支柱杆号做识别输出杆号数字文本。
技术实现思路
为实现上述目的，本专利技术提供一种基于车载移动深度学习平台的杆号识别方法。本专利技术采用的一种基于车载移动深度学习平台的杆号识别方法，包括以下步骤：步骤1：获取高铁接触网零部件图像并标记，再筛选得到接触网杆号图像的数据集。步骤2：使用加速区域卷积神经网络模型FasterR-CNN对步骤1的接触网杆号图像数据集进行训练，对全局接触网杆号图像中的杆号牌定位，得到杆号牌图片数据集。步骤3：使用快速定位模型SSD对步骤2的杆号牌图片数据集本文档来自技高网...

【技术保护点】
1.一种基于车载移动深度学习平台的杆号识别方法，其特征在于，包括以下步骤：/n步骤1：获取高铁接触网零部件图像并标记，再筛选得到接触网杆号图像的数据集；/n步骤2：使用加速区域卷积神经网络模型Faster R-CNN对步骤1的接触网杆号图像数据集进行训练，对全局接触网杆号图像中的杆号牌定位，得到杆号牌图片数据集；/n步骤3：使用快速定位模型SSD对步骤2的杆号牌图片数据集进行训练，对杆号牌图片中的数字定位，得到杆号牌数字图片数据集；/n步骤4：在嵌入式深度学习移动平台部署深度学习模型；/n步骤5：使用多类别非极大抑制算法对步骤4得到的识别目标进行筛选，得到杆号数字文本。/n

【技术特征摘要】
1.一种基于车载移动深度学习平台的杆号识别方法，其特征在于，包括以下步骤：
步骤1：获取高铁接触网零部件图像并标记，再筛选得到接触网杆号图像的数据集；
步骤2：使用加速区域卷积神经网络模型FasterR-CNN对步骤1的接触网杆号图像数据集进行训练，对全局接触网杆号图像中的杆号牌定位，得到杆号牌图片数据集；
步骤3：使用快速定位模型SSD对步骤2的杆号牌图片数据集进行训练，对杆号牌图片中的数字定位，得到杆号牌数字图片数据集；
步骤4：在嵌入式深度学习移动平台部署深度学习模型；
步骤5：使用多类别非极大抑制算法对步骤4得到的识别目标进行筛选，得到杆号数字文本。


2.根据权利要求1所述的一种基于车载移动深度学习平台的杆号识别方法，其特征在于，所述步骤1中的高铁接触网零部件图像为高铁检测车天窗拍摄收集的图像，并通过人工标记的方式生成含有零部件位置及种类信息的xml文件，其中数字1被标记为“1”，数字2被标记为“2”，以此类推。


3.根据权利要求1所述的一种基于车载移动深度学习平台的杆号识别方法，其特征在于，所述步骤4中嵌入式深度学习移动平台部署过程如下：
S41：所使用的嵌入式移动深度学习平台为NvidiaJetsonTX2，该平台面向移动嵌入式系统市场中的GPU加速并行处理；
S42：对深度学习平台进行刷机并安装JetPack3.1与CTI-L4T，开启平台多核模式，编译安装tensorflow1.3.0版...

【专利技术属性】
技术研发人员：刘志刚，刘凯，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51