一种基于OpenCV的核电现场设备图像分类方法技术

本发明专利技术属于图像处理技术领域，具体涉及一种基于OpenCV的核电现场设备图像分类方法，本发明专利技术根据核电现场设备或元件种类，将不同设备或不同元件图像分类至相应的文件夹中，如气动阀门上的气动执行机构：定位器一类、反馈器一类、过滤减压阀一类、反馈器一类等。本方法以替代传统依赖人眼去分类的方式，对目标图像进行快速分类，并将分类结果存储至相应的地点，达到高效精准的目的，大大提高了工作效率。

【技术实现步骤摘要】
一种基于OpenCV的核电现场设备图像分类方法
本专利技术属于图像处理
，具体涉及一种基于OpenCV的核电现场设备图像分类方法。
技术介绍
随着工业化时代的发展，图像作为设备信息的载体，其图像处理技术广泛使用在核工业领域，其中自动图像分类技术作为人工智能技术的一个重要分支不断深入应用到工业生产中。核电厂现场设计的设备种类繁多、数量巨大，又长时间受环境、湿度、温度、亮度、辐照等影响，极大程度上增加了设备图像识别分类的困难。目前核电厂在设备信息收集的过程中，采用的是人为使用摄像机拍摄采集核电现场设备图像进行筛选和分类方法，此方法需耗费大量的时间和人力，工作效率极低，且存在人因失误的可能，时常出现采集照片像素低、信息模糊等导致目标设备图像分类不准确问题，造成工作不便，信息收集不全和遗漏等问题。
技术实现思路
针对以上不足，本专利技术的目的是提供一种基于OpenCV的核电现场设备图像分类方法，以替代传统依赖人眼去分类的方式，对目标图像进行快速分类，并将分类结果存储至相应的地点，达到高效精准的目的，大大提高了工作效率。本专利技术的技术方案如下：一种基于OpenCV的核电现场设备图像分类方法，包括14个步骤；S1:调用OpenCV；S2:使用摄像机拍摄采集核电现场不同设备图像，每类图像采集100张；S3:将S2中采集的设备图像处理保存为.jpg；S4:将S3中的图片进行归一化处理；S5:将S4中的图像根据核电现场设备类别进行划分，给每类图像定一个标签，同类图像文件存放在一个文件夹内；S6:调用OpenCV中的SurfFeatureDetector方法检测S5中图像特征点；S7:调用OpenCV中的SurfDescriptorExtractor方法抽取S6中特征点描述符；S8:将S7中获得的特征描述符存储作为图像的特征向量；S9:将S8中的图像特征向量利用OpenCV的K-Means算法进行聚类，聚为1000类；S10：将S8中每张图像的特征向量归类到S9聚合的类别中，统计每张图片各个类别出现的特征频率；S11:将S10中获得的特征频率保存作为图片的词袋，bagofwords；S12:使用基于OpenCV的SVM分类算法以S11中的图片词袋以及S5中的分类标签为训练数据对每个图像类别都训练一个二元分类器；S13:输入待分类图像，经过步骤S6、S7以及S8提取图像特征向量，使用S12中训练好的每一类分类器判断输入图像为该类的概率，记录概率最高的一类；S14：将图片保存至对应类别文件夹下，完成分类。所述步骤S2中，使用摄像机拍摄采集核电现场不同设备上不同元件图像。所述步骤S3中将S2中采集的设备图像处理保存为.png格式。所述步骤S5中，核电现场设备类别包括定位器，反馈器或仪表盘。所述步骤S5在首次采集设备图像进行分类时进行。所述步骤S13中，若概率大于0.7，则作为这张图像的类别。所述步骤S14中文件夹包括阀门定位器、反馈器、变送器、仪表盘类别。本专利技术的有益效果在于：本专利技术根据核电现场设备或元件种类，将不同设备或不同元件图像分类至相应的文件夹中，如气动阀门上的气动执行机构：定位器一类、反馈器一类、过滤减压阀一类、反馈器一类等。与传统人为分类方式相比，此方法大大减少了分类所需时间，同时也避免出现人因失误导致设备图像分类存在遗漏和信息缺失的现象，实现高效精准分类。附图说明图1为本专利技术的方法流程示意图。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。一种基于OpenCV的核电现场设备图像分类方法S1:调用OpenCV(开源计算机视觉库)；S2:使用摄像机拍摄采集核电现场不同设备(或设备上不同元件)图像，每类图像采集100张；S3:将S2中采集的设备图像处理保存为.jpg或者.png格式；S4:将S3中的图片进行归一化处理；S5:将S4中的图像根据核电现场设备类别(如定位器、反馈器、仪表盘等)进行划分，给每类图像定一个标签，同类图像文件存放在一个文件夹内；(此步骤只需在首次采集设备图像进行分类时进行)S6:调用OpenCV中的SurfFeatureDetector方法检测S5中图像特征点；S7:调用OpenCV中的SurfDescriptorExtractor方法抽取S6中特征点描述符；S8:将S7中获得的特征描述符存储作为图像的特征向量；S9:将S8中的图像特征向量利用OpenCV的K-Means算法进行聚类，聚为1000类；S10：将S8中每张图像的特征向量归类到S9聚合的类别中，统计每张图片各个类别出现的特征频率；S11:将S10中获得的特征频率保存作为图片的词袋(bagofwords)；S12:使用基于OpenCV的SVM分类算法以S11中的图片词袋以及S5中的分类标签为训练数据对每个图像类别都训练一个二元分类器；S13:输入待分类图像，经过步骤S6、S7以及S8提取图像特征向量，使用S12中训练好的每一类分类器判断输入图像为该类的概率，记录概率最高的一类，若概率大于0.7，则作为这张图像的类别；S14：将图片保存至对应类别文件夹下(如阀门定位器、反馈器、变送器、仪表盘等类别)，完成分类。本专利技术公开实施例附图中，只涉及到与本公开实施例涉及到的方法，其他方法可参考通常设计，在不冲突情况下，本专利技术同一实施例及不同实施例可以相互组合；以上所述仅为本专利技术的优选实施例而已，并不用于限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于OpenCV的核电现场设备图像分类方法，包括14个步骤，其特征在于：S1:调用OpenCV；/nS2:使用摄像机拍摄采集核电现场不同设备图像，每类图像采集100张；/nS3:将S2中采集的设备图像处理保存为.jpg；/nS4:将S3中的图片进行归一化处理；/nS5:将S4中的图像根据核电现场设备类别进行划分，给每类图像定一个标签，同类图像文件存放在一个文件夹内；/nS6:调用OpenCV中的SurfFeatureDetector方法检测S5中图像特征点；/nS7:调用OpenCV中的SurfDescriptorExtractor方法抽取S6中特征点描述符；/nS8:将S7中获得的特征描述符存储作为图像的特征向量；/nS9:将S8中的图像特征向量利用OpenCV的K-Means算法进行聚类，聚为1000类；/nS10：将S8中每张图像的特征向量归类到S9聚合的类别中，统计每张图片各个类别出现的特征频率；/nS11:将S10中获得的特征频率保存作为图片的词袋，bag of words；/nS12:使用基于OpenCV的SVM分类算法以S11中的图片词袋以及S5中的分类标签为训练数据对每个图像类别都训练一个二元分类器；/nS13:输入待分类图像，经过步骤S6、S7以及S8提取图像特征向量，使用S12中训练好的每一类分类器判断输入图像为该类的概率，记录概率最高的一类；/nS14：将图片保存至对应类别文件夹下，完成分类。/n...

【技术特征摘要】
1.一种基于OpenCV的核电现场设备图像分类方法，包括14个步骤，其特征在于：S1:调用OpenCV；
S2:使用摄像机拍摄采集核电现场不同设备图像，每类图像采集100张；
S3:将S2中采集的设备图像处理保存为.jpg；
S4:将S3中的图片进行归一化处理；
S5:将S4中的图像根据核电现场设备类别进行划分，给每类图像定一个标签，同类图像文件存放在一个文件夹内；
S6:调用OpenCV中的SurfFeatureDetector方法检测S5中图像特征点；
S7:调用OpenCV中的SurfDescriptorExtractor方法抽取S6中特征点描述符；
S8:将S7中获得的特征描述符存储作为图像的特征向量；
S9:将S8中的图像特征向量利用OpenCV的K-Means算法进行聚类，聚为1000类；
S10：将S8中每张图像的特征向量归类到S9聚合的类别中，统计每张图片各个类别出现的特征频率；
S11:将S10中获得的特征频率保存作为图片的词袋，bagofwords；
S12:使用基于OpenCV的SVM分类算法以S11中的图片词袋以及S5中的分类标签为训练数据对每个图像类别都训练一个二元分类器；
S13:输入待分类图像，经过步骤S6、S7以及S8提取图像特征向量，使用S12中训练好的每一类分类器判断输入图像为该类的概率，记录概率最高的一类；
S14：将图片保存至对应类别文件夹下，完成分类。


2.如权利要求1所述的一种基于OpenCV的核电现场设备图像分类方法，其特征在于：所述步骤S2中，使用摄像机拍摄采集核电现场不同设备上不同元件图像。

【专利技术属性】
技术研发人员：高鑫浩，孙俊，陈湛杨，吴松林，肖彦梅，李海涛，杨雅寒，
申请(专利权)人：福建福清核电有限公司，
类型：发明
国别省市：福建;35