电力专业的设备标识牌识别算法制造技术

本发明专利技术提供一种电力专业的设备标识牌识别算法，以多个神经网络搭建模型框架，利用Faster

【技术实现步骤摘要】
电力专业的设备标识牌识别算法


[0001]本专利技术涉及智能识别领域，特别是涉及一种电力专业的设备标识牌识别算法。

技术介绍

[0002]目前，在电力现场作业中，对图片中文字信息的识别通过NFC电子标签识别、射频识别，条形码识别等电子识别手段。上述电子识别技术，需要工作人员对电力设备建立数据库，再进行电力设备编码，前期工作量巨大，数据库的维护耗费人力。
[0003]主流的智能识别技术技术有以下4种：
①
Tesseract、
②
CTPN与EAST、
③
CTPN+DenseNet+CTC与CRNN+CTC，以及
④
OpenCV。经过研究发现，CTPN、EAST、OpenCV无法做文本识别，因此文字识别领域重点研究Tesseract和CTPN+DenseNet+CTC两种技术框架。Tesseract的优点是部署相对简单，可用于C++调用，不需要GPU。但是缺点也非常明显，第一，对中文识别非常差，需要很多的优化；第二，在重新训练数字识别测试时，因为需要知道文字在图片具体的位置，所以需要人工进行标注数据。因此，针对现有技术不足，本专利技术提供一种电力专业的设备标识牌识别算法，以克服现有技术不足甚为必要。

技术实现思路

[0004]本专利技术的目的在于避免现有技术的不足之处而提供一种电力专业的设备标识牌识别算法，该识别算法具有无对设备需建立复杂的识别系统，算法模型体量小，对文字识别准确的特点。
[0005]本专利技术的上述目的通过以下技术措施实现。
[0006]提供一种电力专业的设备标识牌识别算法，按以下步骤进行：
[0007]步骤一，采集标识牌图像数据；
[0008]步骤二，使用CTPN、DenseNet和CTC构成的神经网络框架对标识牌图像数据进行文本检测和识别，获得训练图像数据；
[0009]步骤三，对训练图像数据进行训练，得到电力专业的设备标识牌识别算法模型；
[0010]步骤四，输入真实图像数据对模型进行测试，收集模型的识别准确度，优化模型；
[0011]步骤五，对模型进行实况部署调试，发布模型。
[0012]具体的，步骤一中，所述标识牌图像数据包括使用场景背景图、识别字体的类型及大小、特殊字符。
[0013]具体的，步骤二中，采用Faster
‑
RCNN和BiLSTM对标识牌图像数据进行文本检测。
[0014]具体的，步骤二中，采用DenseNet和CTC对标识牌图像数据进行文本识别。
[0015]本专利技术的电力专业的设备标识牌识别算法，以多个神经网络搭建模型框架，利用Faster
‑
RCNN和BiLSTM对标识牌图像数据进行文本检测，利用DenseNet和CTC对标识牌图像数据进行文本识别。经过对电力现场作业中的设备标识牌图像的数据训练后，得到识别算法模型。该识别算法对水平横排文本信息识别率高，在输入图片清晰度高的情况下，总体识别率≥95％，特殊符号识别率≥90％。该识别算法可以使用于黑底白字、白底黑字、白底红
字、黄底黑字文本检测和识别，字体的类型是黑体、宋体和微软雅黑时效果最佳。
附图说明
[0016]利用附图对本专利技术作进一步的说明，但附图中的内容不构成对本专利技术的任何限制。
[0017]图1是本专利技术的技术路线图。
具体实施方式
[0018]结合以下实施例对本专利技术作进一步说明。
[0019]一种电力专业的设备标识牌识别算法，按以下步骤进行：
[0020]步骤一，采集标识牌图像数据；
[0021]步骤二，使用CTPN、DenseNet和CTC构成的神经网络框架对标识牌图像数据进行文本检测和识别，获得训练图像数据；
[0022]步骤三，对训练图像数据进行训练，得到电力专业的设备标识牌识别算法模型；
[0023]步骤四，输入真实图像数据对模型进行测试，收集模型的识别准确度，优化模型；
[0024]步骤五，对模型进行实况部署调试，发布模型。
[0025]步骤一的标识牌图像数据包括使用场景背景图、识别字体的类型及大小、特殊字符等。本实施例的识别算法基本上支持中文以及英文字母及部分特殊符号的识别。特别针对电力相关领域的一些特有符号，比如Ω，以及对部分斜体字，花式字体等进行了专门的数据训练。每个需要训练的符号提供了100以上的样本。为使算法具有更加鲁棒的特性，对训练背景图像要求形态丰富，并且贴合实际运用场景。专利技术人采集并预先处理了不同颜色、不同大小的训练图像。专利技术人还采集了真实场景的图片用作模型训练数据。
[0026]步骤二中，采用Faster
‑
RCNN和BiLSTM对标识牌图像数据进行文本检测，采用DenseNet和CTC对标识牌图像数据进行文本识别。目前主流的深度学习文本检测识别技术是tesseract，CTPN+DenseNet+CTC和CRNN+CTC。本实施例采用的CTPN+DenseNet+CTC神经网络框架，实际上采用的是Faster
‑
RCNN+BiLSTM对样本进行文本检测，然后使用DenseNet+CTC对样本进行文本识别，所以在速度上稍慢。本实施例的算法模型采用了多个神经网络联用，为提高算法的计算速度，可以采用GPU处理图像数据。在训练时，训练数据可以存放在固态硬盘上，也可以提高训练速度。
[0027]本专利技术的电力专业的设备标识牌识别算法，以多个神经网络搭建模型框架，利用Faster
‑
RCNN和BiLSTM对标识牌图像数据进行文本检测，利用DenseNet和CTC对标识牌图像数据进行文本识别。经过对电力现场作业中的设备标识牌图像的数据训练后，得到识别算法模型。该识别算法对水平横排文本信息识别率高，在输入图片清晰度高的情况下，总体识别率≥95％，特殊符号识别率≥90％。该识别算法可以使用于黑底白字、白底黑字、白底红字、黄底黑字文本检测和识别，字体的类型是黑体、宋体和微软雅黑时效果最佳。为电力现场作业的智能识别提供一种快捷，精准的识别算法，保障了电力现场作业的顺利开展。
[0028]最后应当说明的是，以上实施例仅用以说明本专利技术的技术方案而非对本专利技术保护范围的限制，尽管参照较佳实施例对本专利技术作了详细说明，本领域的普通技术人员应当理解，可以对本专利技术的技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的实质和
范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力专业的设备标识牌识别算法，其特征在于，按以下步骤进行：步骤一，采集标识牌图像数据；步骤二，使用CTPN、DenseNet和CTC构成的神经网络框架对标识牌图像数据进行文本检测和识别，获得训练图像数据；步骤三，对训练图像数据进行训练，得到电力专业的设备标识牌识别算法模型；步骤四，输入真实图像数据对模型进行测试，收集模型的识别准确度，优化模型；步骤五，对模型进行实况部署调试，发布模型。2.根据权利要求1所述的电力专业的设...

【专利技术属性】
技术研发人员：曾纪钧，龙震岳，温柏坚，刘晔，张金波，蒋道环，梁哲恒，沈桂泉，张小陆，沈伍强，邓新华，崔磊，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：