基于深度学习的数显信号识别方法、系统、设备和介质技术方案

本公开涉及基于深度学习的数显信号识别方法、系统、设备和介质，所述方法包括如下步骤：获取含有多路非色散红外甲烷传感器数显信号的图像；采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；将所述数值区域图像输入预测模型进行匹配得到数值，实现对多个非色散红外甲烷传感器数显信号的精确识别，在无人工参与的情况下，保证了对于传感器示值变化的把控，并实现全程监控。适应性强，稳定性高。定性高。定性高。

【技术实现步骤摘要】
基于深度学习的数显信号识别方法、系统、设备和介质


[0001]本公开涉及图像信号识别领域，具体涉及基于深度学习的数显信号识别方法、系统、设备和介质。

技术介绍

[0002]在煤矿环境中，瓦斯爆炸一直是矿井下工作人员生命安全的最大威胁。瓦斯爆炸的很大部分原因是矿井下瓦斯浓度过高所引发的灾难，因此，对于避免瓦斯爆炸事故的发生，控制瓦斯浓度是其中一项有效的措施。为精准探测井下甲烷浓度，用于检测甲烷气体浓度的传感器不但要有足够高的精度，而且要通过仪器设备的检定及校准来确保其测量结果的可靠性，仪器设备检定、校准是保证测量结果准确的主要手段，因此对这些传感器进行检定成为了一项基础且必不可少的工作。
[0003]传统的甲烷传感器数值信号图像识别中，只能对单一甲烷传感器数值信号进行识别，无法对于数量和位置未知的甲烷传感器数值信号进行有效区分。传统的甲烷传感器数值提取中，是基于RGB颜色空间，通过阈值对图像进行二值化处理，存在噪声大，鲁棒性低，识别不精确，易受干扰等问题。传统的甲烷传感器数值匹配中，先对数码管进行灰度化和二值化，将数字变为255，背景变为0，然后利用穿线法，对abcdefg七个区域依次穿线，判断是否有255的值，有则表示该区域高亮，最后结合七个区域的高亮信息，综合判断数值，而对于一些整体亮度低的数码管灰度化后，会丢失数字信息。
[0004]目前数显仪表的显示方式主要有数码管和液晶两种。常用的甲烷传感器多为非色散红外甲烷传感器，主要采用数码管显示。甲烷传感器自动检定系统采集传感器数值图像时，由于传感器本身材质存在光反射，且显示面板上有附着物，同时采集到的数值图像质量较差，对字符识别造成困难，降低了识别准确率。采用基于深度学习的图像识别算法，可以很好地解决传统图像处理方法对图像噪声敏感且鲁棒性差的问题。

技术实现思路

[0005]在此本公开提供基于深度学习的数显信号识别方法、系统、设备和介质，能够解决
技术介绍
中提到的最少一个问题。为解决上述技术问题，本公开提供如下技术方案：S1.获取含有多路非色散红外甲烷传感器数显信号的图像；S2.采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；采用漫水填充法实现所述图像的分割还包括如下步骤：对所述图像进行二值化处理得到灰度图像，对所述图像进行高斯滤波得到模糊图像；获取所述灰度图像相邻像素点的变化，和所述模糊图像相邻像素点的变化；根据所述灰度图像相邻像素点的变化和所述模糊图像相邻像素点的变化，将灰度图像和模糊图像的像素值进行归一化处理，若模糊图像中高频分量相比较于灰度图像的高频分量几乎无变化，将其判定为完全模糊图像，不予处理，如果高频分量变化较为明显，则
将其判定为部分模糊图像，如果高频分量变化非常大，则将其判定为清晰图像。比较分析后进行归一化处理；得到部分模糊图像、清晰图像和完全模糊图像；对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否为清晰图像，若是则进行下一个环节的分割处理，对于完全模糊图像，不予处理。
[0006]去模糊化处理包括：对部分模糊图像进行像素灰度统计，得到其灰度图像的像素概率分布；得到图像累积分布函数，获取变换后的去模糊化的图像；对于部分模糊图像先进行像素灰度统计，计算原始图像的像素概率分布，由像素概率分布得到图像的累计分布函数，根据映射函数得到变换后的去模糊化图像，所述映射函数如下：k=0,1,2,3,
···
L
‑
1 其中，n是图像中像素的总和，是当前灰度级的像素个数，L是图像中可能的灰度级总数。
[0007]所述下一个环节的分割处理包括：利用掩码矩阵标记漫水填充区域；将尺寸比输入图像宽和高各大2个像素点的单通道图像，作为掩码矩阵，通过对掩码矩阵中像素点的像素值填充，来标记漫水填充区域（漫水填充区域为多路甲烷传感器数显信号在图像上的显示区域）获取种子点区域条件的上下界值，其中，上下界值包括：上界值和下界值；确定种子点的坐标值；以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；若全部像素点未添加完成，标记位置；将新加入的像素点作为新的种子点，返回上一步：以种子点为中心，当邻域某像素点的像素值与种子点像素值的差值大于下界值时，该像素点被添加进种子点所在的区域；当种子点像素值与邻域某像素点的像素值的差值小于上界值时，该像素点被添加进种子点所在的区域；直至全部像素点添加完成；若全部像素点添加完成；各区域分离并标记输出；S3.基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；HSV中,V通道受光照影响最大，H通道基本不受阴影或过高亮度的影响。H通道将作为本系统颜色提取中的主要依靠，再确立数值信号的颜色分布范围，生成mask掩码，最终对标记区域的数字进行精确提取。
[0008]S4.将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。
[0009]通过训练数据集对神经网络进行训练得到预测模型之前，还包括如下步骤：采集包括不同环境、位置、光照下的非色散红外甲烷传感器数显信号图像作为测试数据集；将所
述测试数据集输入所述预测模型进行测试；在测试结果满足预设识别准确率的要求后停止训练所述预测模型。
[0010]所述预测模型通过训练数据集对神经网络进行训练得到还包括如下步骤：采集不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像得到样本库；根据样本库构建神经网络的训练数据集和测试数据集；根据构建的训练数据集对神经网络进行训练得到数显信号的预测模型。
[0011]将所述数值区域图像输入预测模型进行匹配得到数值，还包括如下步骤：获取数值区域图像并进行尺寸缩放得到数值区域向量；将数值区域向量代入预测模型进行匹配得出数值；根据像素坐标从左到右进行排序得到数字顺序连接为字符串输出。
[0012]采集不同环境，位置，光照下的甲烷传感器数显图，建立样本库，用于构建神经网络的训练数据集和测试数据集。根据构建的训练数据集，采用深层的神经网络，通过增加隐层数目来增加神经元连接权，阈值等参数，用于提高激活函数的神经元数目和嵌套层数。通过预训练和微调的方法对参数进行分组，对每组先找到局部较优设置，基于局部较优的结果联合起来进行全局寻优。使得在利用模型大量参数所提供自由度的同时有效节省了训练开销。通过对训练模型的不断迭代来计算损失，并更新模型参数。最终将待识别的甲烷传感器数显图输入模型中进行匹配，得到数显图像的具体数值。
[0013]通过对现场环境下数显图像的多次采集，构建测试数据集和训练数据集，构建数据集对网络经行训练，完成识别所需模型，将上述提取出来的数值区域，尺寸缩放为模型尺寸并代入模型中进行数值匹配并输出。完成对多路甲烷传感本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的数显信号识别方法，其特征在于，包括如下步骤：获取含有多路非色散红外甲烷传感器数显信号的图像；采用漫水填充法实现所述图像的分割并标记出含有数显信号的标记区域；基于HSV模型的H通道确立所述标记区域中数显信号的颜色分布范围，并获取数值区域图像；将所述数值区域图像输入预测模型进行匹配得到数值，所述预测模型通过训练数据集对神经网络进行训练得到，所述训练数据集包括不同环境、位置或光照下的非色散红外甲烷传感器数显信号图像。2.如权利要求1所述的基于深度学习的数显信号识别方法，其特征在于，通过训练数据集对神经网络进行训练得到预测模型之前，还包括如下步骤：采集包括不同环境、位置、光照下的非色散红外甲烷传感器数显信号图像作为测试数据集；将所述测试数据集输入所述预测模型进行测试；在测试结果满足预设识别准确率的要求后停止训练所述预测模型。3.如权利要求1所述的基于深度学习的数显信号识别方法，其特征在于，采用漫水填充法实现所述图像的分割还包括如下步骤：对所述图像进行二值化处理得到灰度图像，对所述图像进行高斯滤波得到模糊图像；获取所述灰度图像相邻像素点的变化，和所述模糊图像相邻像素点的变化；根据所述灰度图像相邻像素点的变化和所述模糊图像相邻像素点的变化，将灰度图像和模糊图像的像素值进行归一化处理，若模糊图像中高频分量相比较于灰度图像的高频分量几乎无变化，将其判定为完全模糊图像，不予处理，如果高频分量变化较为明显，则将其判定为部分模糊图像，如果高频分量变化非常大，则将其判定为清晰图像；对于清晰图像将直接进行下一个环节的分割处理，对于部分模糊图像将通过去模糊化处理后重新判断图像是否为清晰图像，若是则进行下一个环节的分割处理，对于完全模糊图像，不予处理。4.如权利要求3所述的基于深度学习的数显信号识别方法，其特征在于，所述去模糊化处理包括如下步骤：对部分模糊图像进行像素灰度统计，得到所述灰度图像的像素概率分布；得到图像累积分布函数，获取变换后的去模糊化的图像；对于部分模糊图像先进行像素灰度统计，计算原始图像的像素概率分布，由像素概率分布得到图像的累计分布函数，根据映射函数得到变换后的去模糊化图像，所述映射函数如下：k=0,1,2,3,
···
L
‑
1 其中，n是图像中像素的总和，是当前灰度级的像素个数，L是图像中可能的灰度级总数。5.如权利要求3所述的基于深度学习的数显信号识别方法，其特征在于，所述下一个环节的分割处理包括：将尺寸比输入图像宽和高各大2个像素点的单通道图像，作为掩...

【专利技术属性】
技术研发人员：唐守锋，王震，季鹏，王雨豪，李祖恒，马小竣，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：