信号灯状态检测方法、装置、设备、介质及产品制造方法及图纸

本申请提供了一种信号灯状态检测方法、装置、设备、介质及产品。该方法包括：获取待检测图像，所述待检测图像包含信号灯；将所述待检测图像输入至可变卷积网络中，得到所述信号灯对应的多个维度的特征信息；对所述多个维度的特征信息进行融合，得到融合后的特征信息；基于前馈卷积神经网络注意力网络对所述融合后的特征信息进行特征增强处理，得到所述信号灯的目标参数信息；基于所述目标参数信息，以及预先设置的参数信息与所述信号灯的状态信息之间的对应关系，确定所述信号灯的所述目标参数信息对应的目标状态信息。根据本申请实施例，可以对信号灯的位置和形状进行准确识别，鲁棒性较高。鲁棒性较高。鲁棒性较高。

【技术实现步骤摘要】
信号灯状态检测方法、装置、设备、介质及产品


[0001]本申请属于设备状态检测领域，尤其涉及一种信号灯状态检测方法、装置、设备、介质及产品。

技术介绍

[0002]工业现场的设备运行正常与否，需要定时的检测与维护。目前应用于实际场景的设备状态巡检装置主要采用非接入式的检测方法，设备面板上的状态指示灯可以判断设备当前运行的状态，因此目前通常通过检测设备面板上的指示灯状态，来实现对设备运行状态监测的要求。其中，指示灯检测技术是能准确、高效巡检的关键。
[0003]目前的自动检测装置主要通过检测设备指示灯的位置、颜色等信息来判断设备的状态，根据检测结果判定是否有异常情况发生，然后对接相应的告警装置，提升检测效率，但是，普通自动检测方法很难对信号灯的位置和形状进行准确识别，鲁棒性较差。

技术实现思路

[0004]本申请实施例提供一种信号灯状态检测方法、装置、设备、可读存储介质及程序产品，以对信号灯的位置和形状进行准确识别，提高鲁棒性。
[0005]第一方面，本申请实施例提供一种信号灯状态检测方法，方法包括：
[0006]获取待检测图像，待检测图像包含信号灯；
[0007]将待检测图像输入至可变卷积网络中，得到信号灯对应的多个维度的特征信息；
[0008]对多个维度的特征信息进行融合，得到融合后的特征信息；
[0009]基于前馈卷积神经网络注意力网络对融合后的特征信息进行特征增强处理，得到信号灯的目标参数信息；
[0010]基于目标参数信息，以及预先设置的参数信息与信号灯的状态信息之间的对应关系，确定信号灯的目标参数信息对应的目标状态信息。
[0011]第二方面，本申请实施例提供了一种信号灯状态检测装置，装置包括：
[0012]获取模块，用于获取待检测图像，待检测图像包含信号灯；
[0013]输入模块，用于将待检测图像输入至可变卷积网络中，得到信号灯对应的多个维度的特征信息；
[0014]融合模块，用于对多个维度的特征信息进行融合，得到融合后的特征信息；
[0015]处理模块，用于基于前馈卷积神经网络注意力网络对融合后的特征信息进行特征增强处理，得到信号灯的目标参数信息；
[0016]确定模块，用于基于目标参数信息，以及预先设置的参数信息与信号灯的状态信息之间的对应关系，确定信号灯的目标参数信息对应的目标状态信息。
[0017]第三方面，本申请实施例提供了一种电子设备，设备包括：
[0018]处理器以及存储有程序或指令的存储器；
[0019]处理器执行程序或指令时实现上述的方法。
[0020]第四方面，本申请实施例提供了一种机器可读存储介质，机器可读存储介质上存储有程序或指令，程序或指令被处理器执行时实现上述的信号灯状态检测方法。
[0021]第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行上述信号灯状态检测方法。
[0022]本申请实施例的信号灯状态检测方法、装置、设备、介质及产品，通过将获取的包含信号灯的待检测图像输入至可变卷积网络中，可得到信号灯对应的多个维度的特征信息，然后对多个维度的特征信息进行融合，得到融合后的特征信息，基于前馈卷积神经网络注意力网络对融合后的特征信息进行特征增强处理，可得到信号灯的目标参数信息，基于目标参数信息，以及预先设置的参数信息与信号灯的状态信息之间的对应关系，可确定出与信号灯的目标参数信息对应的目标状态信息。由于可变卷积网络在采样时可以更贴近物体的形状和尺寸，针对信号灯体积较小的特点，在特征提取时能够得到更加准确的结果，且由于前馈卷积神经网络注意力网络可以针对图像的特殊形状进行精准识别，因此可以针对信号灯的形状，对信号灯进行准确识别，如此提升了信号灯状态检测的鲁棒性。
附图说明
[0023]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本申请第一方面实施例提供的信号灯状态检测方法的流程示意图；
[0025]图2是本申请第一方面实施例涉及的可变卷积网络结构示意图；
[0026]图3是本申请第二方面实施例提供的信号灯状态检测装置的结构示意图；
[0027]图4是本申请第三方面实施例提供的电子设备的结构示意图。
具体实施方式
[0028]下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
[0029]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0030]为了解决现有技术问题，本申请实施例提供了一种信号灯状态检测方法、装置、设备、可读存储介质及程序产品。通过将获取的包含信号灯的待检测图像输入至可变卷积网络中，可得到信号灯对应的多个维度的特征信息，然后对多个维度的特征信息进行融合，得
Detector，SSD)、中央网络模型CenterNet、区域卷积神经网络模型(Regions with CNN features，RCNN)、Fast RCNN、Faster RCNN等目标检测网络中的任意一种用于目标检测的网络模型。其中，本专利技术实施例优选采用的目标检测模型为Yolov5网络模型。
[0046]S140，基于前馈卷积神经网络注意力网络对融合后的特征信息进行特征增强处理，得到信号灯的目标参数信息。
[0047]为了更清楚的理解本方案，下面对前馈卷积神经注意力网络进行详细介绍。
[0048]前馈卷积神经网络注意力网络包括一种注意力模块(Convolutional Block Attention Module，CBAM)。注意力机制模仿了人类大脑的视觉处理机制，人类通过视觉快速扫描全局图像并获得需要重点关注的目标区域，而后对此区域放入更多的注意力资源，以获取感兴趣区域(Region of Interest，ROI)更多的细节。其处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号灯状态检测方法，其特征在于，包括：获取待检测图像，所述待检测图像包含信号灯；将所述待检测图像输入至可变卷积网络中，得到所述信号灯对应的多个维度的特征信息；对所述多个维度的特征信息进行融合，得到融合后的特征信息；基于前馈卷积神经网络注意力网络对所述融合后的特征信息进行特征增强处理，得到所述信号灯的目标参数信息；基于所述目标参数信息，以及预先设置的参数信息与所述信号灯的状态信息之间的对应关系，确定与所述目标参数信息对应的目标状态信息。2.根据权利要求1所述的方法，其特征在于，将所述待检测图像输入至可变卷积网络中，得到多个特征信息之前，所述方法还包括：对所述待检测图像进行归一化处理，得到归一化处理后的待检测图像；将所述待检测图像输入至可变卷积网络中，得到所述信号灯对应的多个维度的特征信息，包括：将所述归一化处理后的待检测图像输入至可变卷积网络中，得到所述信号灯对应的多个维度的特征信息。3.根据权利要求1
‑
2任一项所述的方法，其特征在于，所述可变卷积网络包括至少一个卷积核，所述将所述待检测图像输入至可变卷积网络中，得到所述信号灯对应的多个维度的特征信息，包括：将所述待检测图像输入至可变卷积网络中的目标卷积核中，得到所述目标卷积核输出的与所述目标卷积核对应维度的特征信息；所述目标卷积核为所述至少一个卷积核中的任意一个。4.根据权利要求1所述的方法，其特征在于，对所述多个维度的特征信息进行融合，得到融合后的特征信息，包括：利用特征金字塔FPN对所述多个维度的特征信息进行上采样处理，得到第一特征信息；对所述第一特征信息进行下采样处理，得到融合后的特征信息。5.根据权利要求1所述的方法，其特征在于，所述目标参数信息包括所述信号灯的目标颜色信息以及目标位置信息；所述基于所述目标参数信息，以及预先设置的参数信息与所述信号灯的状态信息之间的对应关系，确定所述信号灯的所述...

【专利技术属性】
技术研发人员：刘金豆，李宁，周洋，孙昊，马田瑶，肖阳，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：