FSU设备工作状态的AI智能检测方法技术

本申请公开了一种FSU设备工作状态的AI智能检测方法，涉及图像处理领域，该FSU设备工作状态的AI智能检测方法包括：基于预设的目标识别模型识别采集图像中的指示灯位置，并截取所述指示灯位置所在的区域图像作为指示灯图像；将所述指示灯图像转换为HSV指示灯图像，并基于预设的颜色阈值范围针对所述HSV指示灯图像进行颜色提取，以得到目标指示灯图像；针对所述目标指示灯图像进行轮廓提取以得到目标指示灯轮廓图像，并根据所述目标指示灯轮廓图像中轮廓的面积确定与所述采集图像对应的FSU设备的工作状态。采用本申请技术方案能够提高对FSU设备工作状态识别的效率和准确率。FSU设备工作状态识别的效率和准确率。FSU设备工作状态识别的效率和准确率。

【技术实现步骤摘要】
FSU设备工作状态的AI智能检测方法


[0001]本申请涉及图像处理
，尤其涉及一种FSU设备工作状态的AI智能检测方法。

技术介绍

[0002]FSU(Field Supervision Unit，端站数据采集器)设备作为单个的数据管理单元存在，用于采集智能设备数据或本板传感器数据，并上传所采集的数据到服务器平台，FSU还可以对所接设备的状态进行监控，以便随时了解设备的运行状态。
[0003]目前FSU设备工作状态质检方法主要采用人工质检或者单纯的目标检测质检方法。其中，人工质检由一线施工人员拍照上传系统，然后由质检人员人工打开上传的FSU设备照片，对FSU工作状态进行核查，而且人工质检是事后质检，当遇到不合格的情况，需要施工人员二次回到现场进行整改，效率低下，此外人工质检存在质检不透明、不规范的情况，监管较难。而单纯的目标检测质检方法主要是采集FSU设备的相关图片，简单的训练直接识别检测目标，但是由于现场环境复杂，存在诸多干扰因素，识别准确率低，不能保障质检质量。
[0004]综上，如何提高对FSU设备工作状态识别的效率和准确率，俨然已成为本领域亟需解决的技术问题。

技术实现思路

[0005]本申请的主要目的在于提供一种FSU设备工作状态的AI(Artificial Intelligence人工智能)智能检测方法，旨在提高对FSU设备工作状态识别的效率和准确率。
[0006]为实现上述目的，本申请提供一种FSU设备工作状态的AI智能检测方法，所述FSU设备工作状态的AI智能检测方法包括：
[0007]基于预设的目标识别模型识别采集图像中的指示灯位置，并截取所述指示灯位置所在的区域图像作为指示灯图像；
[0008]将所述指示灯图像转换为HSV(Hue Saturation Value一种图像格式)指示灯图像，并基于预设的颜色阈值范围针对所述HSV指示灯图像进行颜色提取，以得到目标指示灯图像；
[0009]针对所述目标指示灯图像进行轮廓提取以得到目标指示灯轮廓图像，并根据所述目标指示灯轮廓图像中轮廓的面积确定与所述采集图像对应的FSU设备的工作状态。
[0010]可选地，所述根据所述目标指示灯轮廓图像中轮廓的面积确定与所述采集图像对应的FSU设备的工作状态的步骤，包括：
[0011]过滤所述目标指示灯轮廓图像中面积小于预设的第一面积阈值的轮廓以得到目标轮廓；
[0012]判断所述目标轮廓的面积是否超过预设的第二面积阈值，其中，所述第二面积阈
值大于或等于所述第一面积阈值；
[0013]若所述目标轮廓的面积超过所述第二面积阈值时，则确定与所述采集图像对应的FSU设备的工作状态为正常状态。
[0014]可选地，在所述基于预设的目标识别模型识别采集图像中的指示灯位置的步骤之前，所述方法还包括：
[0015]将训练数据输入至基于YOLO(You Only Look Once一种目标检测算法)目标检测算法的初始目标识别模型中进行训练，以得到包括权重参数文件和目标检测框的目标识别模型，其中，所述训练数据为已使用检测框标注指示灯位置的FSU设备图像。
[0016]可选地，所述基于预设的目标识别模型识别采集图像中的指示灯位置的步骤，包括：
[0017]将采集图像输入至所述目标识别模型；
[0018]根据所述权重参数文件识别所述采集图像中的指示灯位置，并通过所述目标检测框标注所述指示灯位置。
[0019]可选地，所述基于预设的颜色阈值范围针对所述HSV指示灯图像进行颜色提取，以得到目标指示灯图像的步骤，包括：
[0020]遍历所述HSV指示灯图像中的像素点，并判断所述像素点的颜色是否属于预设的颜色阈值范围；
[0021]若所述像素点的颜色属于所述颜色阈值范围，则提取所述像素点；
[0022]根据提取的各所述像素点生成目标指示灯图像。
[0023]可选地，所述针对所述目标指示灯图像进行轮廓提取以得到目标指示灯轮廓图像的步骤，包括：
[0024]基于Canny边缘检测算法识别所述目标指示灯图像中的轮廓边缘；
[0025]根据所述轮廓边缘对所述目标指示灯图像进行轮廓提取以得到目标指示灯轮廓图像。
[0026]可选地，在所述根据所述目标指示灯轮廓图像中轮廓的面积确定与所述采集图像对应的FSU设备的工作状态的步骤之后，所述方法还包括：
[0027]若所述工作状态为正常状态，则输出正常提示信息；
[0028]若所述工作状态为非正常状态，则输出非正常提示信息和调试建议。
[0029]本申请实施例提出的一种FSU设备工作状态的AI智能检测方法，该FSU设备工作状态的AI智能检测方法包括：基于预设的目标识别模型识别采集图像中的指示灯位置，并截取所述指示灯位置所在的区域图像作为指示灯图像；将所述指示灯图像转换为HSV指示灯图像，并基于预设的颜色阈值范围针对所述HSV指示灯图像进行颜色提取，以得到目标指示灯图像；针对所述目标指示灯图像进行轮廓提取以得到目标指示灯轮廓图像，并根据所述目标指示灯轮廓图像中轮廓的面积确定与所述采集图像对应的FSU设备的工作状态。
[0030]相比于传统的FSU设备工作状态的AI智能检测方法，本申请通过预设的目标识别模型识别采集图像中的指示灯位置，并截取指示灯位置所在的区域图像，将该区域图像作为指示灯图像；然后，将指示灯图像转换为HSV指示灯图像，并基于预设的颜色阈值范围在HSV指示灯图像中提取对应的颜色，将根据颜色阈值范围提取的颜色作为目标指示灯图像；最后，针对目标指示灯图像进行轮廓提取以得到目标指示灯轮廓图像，并根据目标指示灯
轮廓图像中一个或多个轮廓的面积确定与采集图像对应的FSU设备的工作状态。
[0031]如此，本申请通过预设的目标识别模型识别采集图像的指示灯位置，然后对识别区域进行HSV颜色提取，并采用边缘检测技术确定FSU设备的工作状态，从而极大地提高了对FSU设备工作状态识别的效率和准确率。
附图说明
[0032]图1为本申请FSU设备工作状态的AI智能检测方法第一实施例的流程示意图；
[0033]图2为本申请FSU设备工作状态的AI智能检测方法第二实施例涉及的流程示意图。
[0034]本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0035]应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0036]下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0037]需要说明，本申请实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种FSU设备工作状态的AI智能检测方法，其特征在于，所述FSU设备工作状态的AI智能检测方法包括：基于预设的目标识别模型识别采集图像中的指示灯位置，并截取所述指示灯位置所在的区域图像作为指示灯图像；将所述指示灯图像转换为HSV指示灯图像，并基于预设的颜色阈值范围针对所述HSV指示灯图像进行颜色提取，以得到目标指示灯图像；针对所述目标指示灯图像进行轮廓提取以得到目标指示灯轮廓图像，并根据所述目标指示灯轮廓图像中轮廓的面积确定与所述采集图像对应的FSU设备的工作状态。2.如权利要求1所述的FSU设备工作状态的AI智能检测方法，其特征在于，所述根据所述目标指示灯轮廓图像中轮廓的面积确定与所述采集图像对应的FSU设备的工作状态的步骤，包括：过滤所述目标指示灯轮廓图像中面积小于预设的第一面积阈值的轮廓以得到目标轮廓；判断所述目标轮廓的面积是否超过预设的第二面积阈值，其中，所述第二面积阈值大于或等于所述第一面积阈值；若所述目标轮廓的面积超过所述第二面积阈值时，则确定与所述采集图像对应的FSU设备的工作状态为正常状态。3.如权利要求1所述的FSU设备工作状态的AI智能检测方法，其特征在于，在所述基于预设的目标识别模型识别采集图像中的指示灯位置的步骤之前，所述方法还包括：将训练数据输入至基于YOLO目标检测算法的初始目标识别模型中进行训练，以得到包括权重参数文件和目标检测框的目标识别模型，其中，所述训练数据为已使用检测框标注指示灯位置的FS...

【专利技术属性】
技术研发人员：李欠平，唐建中，温庆芝，孙宗宗，裴福平，罗焕平，张华斯，
申请(专利权)人：深圳市名通科技股份有限公司，
类型：发明
国别省市：