一种基于深度学习的图片识别实现雷达台站无人值守方法技术

本发明专利技术公开了一种基于深度学习的图片识别实现雷达台站无人值守方法，步骤如下:W1：通过摄像装置获取雷达站监控屏幕的图像数据，并存储至数据库；W2：调取数据库内历史图像数据和实时图像数据，对历史图像数据和实时图像数据预处理：W3：提取预处理后的历史图像数据的共享卷积特征，用于训练文字检测和文字识别模型，得到文字检测和文字识别的最优模型；W4：将预处理后的实时图像数据投喂给最优模型，得到感兴趣区域的文字；W5：构建告警字典，将预测感兴趣区域的文字与告警字典进行比较，若预测感兴趣区域的文字出现在告警字典中，则生成异常告警信息。本发明专利技术有效减轻监控业务人员的监屏压力，提升日常监视和异常处置工作的效率。提升日常监视和异常处置工作的效率。提升日常监视和异常处置工作的效率。

【技术实现步骤摘要】
一种基于深度学习的图片识别实现雷达台站无人值守方法


[0001]本专利技术涉及雷达站运维管理
，具体涉及一种基于深度学习的图片识别实现雷达台站无人值守方法。

技术介绍

[0002]近来，随着深度学习技术的兴起，极大推动了计算机视觉领域的发展。在包括目标检测，图像分割，人脸检测与识别，OCR等方向贡献极为突出。图像识别技术应用于医学，军事，金融等各个领域；图像识别需要证件图像清晰，背景纯净，限制了识别方法的鲁棒性和通用性。深度学习彻底解决了这个问题，深度学习具有很强的鲁棒性和通用性，不被复杂的背景和图像质量所限制；
[0003]基于雷达台站的运维管理，FOTS是一个检测和识别一体化的框架，具有模型小，速度快，精度高，支持多角度等特点。大大减少了以下四种类型的错误，遗漏了一些文本区域；将一些非文本区域错误地视为文本区域；错误地将整个文本区域拆分为多个单独的部分；错误地将几个独立的文本区域合并在一起。
[0004]本专利技术涉及的对存储的图像做数据预处理，使用基于卷积的神经网络作为特征提取手段。由于CNN强大的学习能力，配合大量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图片识别实现雷达台站无人值守方法，其特征在于，包括以下步骤:W1：图像获取：通过摄像装置获取雷达站监控屏幕的图像数据，并存储至数据库；W2：调取数据库内历史图像数据和实时图像数据，并对历史图像数据和实时图像数据预处理：W3：提取预处理后的历史图像数据的共享卷积特征，用于训练文字检测和文字识别模型，得到文字检测和文字识别的最优模型；W4：将预处理后的实时图像数据投喂给最优模型，预测得到感兴趣区域的文字；W5：构建告警字典，将预测的感兴趣区域的文字与告警字典进行比较，若预测的感兴趣区域的文字出现在告警字典中，则生成异常告警信息；反之，不做处理，结束。2.根据权利要求1所述的一种基于深度学习的图片识别实现雷达台站无人值守方法,其特征在于，W1中，摄像装置每间隔2分钟对监控屏幕拍摄一次。3.根据权利要求1所述的一种基于深度学习的图片识别实现雷达台站无人值守方法,其特征在于，W2中，图像数据的预处理包括去除模糊、图像增强和光线校正。4.根据权利要求1所述的一种基于深度学习的图片识别实现雷达台站无人值守方法,其特征在于，W3中，对历史图像数据的共享卷积特征是通过CNN神经网络进行特征提取。5.根据权利要求1所述的一种基于深度学习的图片识别实现雷达台站无人值守方法,其特征在于，W3中，训练文字检测和文字识别模型具体步骤如下：S1：选取n张图像预处理的历史图像数据...

【专利技术属性】
技术研发人员：俞中良，宋冕冕，王本革，靳鹏，张跃，李帅帅，高永刚，胡斌，徐小峰，邸晨曦，马庆，水孝敏，郭林辉，孙世龙，王晓艳，颛建，于昊，项陈晨，
申请(专利权)人：四创电子股份有限公司，
类型：发明
国别省市：