一种基于深度学习的智能巡检的目标识别与读取方法技术

本发明专利技术提供了一种基于深度学习的智能巡检的目标识别与读取方法，涉及目标识别算法以及智能巡检领域，该方法通过对工业环境下的真实图片构造数据集，并对图片所包含的仪器仪表、现场明火、烟雾等情况进行标注，然后利用YOLOv5算法构建目标识别模型，并对模型进行优化，从而达到对识别出的目标进行分类，分类后对识别出的仪表进行数字与文字的提取，从而完成对仪表的读数、并且在识别出险情后、自动进行报警。此发明专利技术不仅降低了监测成本与人力成本，还减少了人为原因导致的读数误差，实现全天候巡检，提高了巡检过程中的智能化与稳定性。

【技术实现步骤摘要】

本专利技术涉及目标识别算法、文字识别算法以及智能巡检领域，具体涉及一种基于深度学习的智能巡检的目标识别与读取方法。

技术介绍

1、比于之前的yolov1-v4来说，yolov5更加注重轻量化和高效性，同时保持了较好的检测性能。这使得它更适合在嵌入式设备和移动设备上部署实时目标检测。yolov5采用了新的网络结构，即cspnet(cross stage partial network)。这个结构有助于提高网络的性能和准确性，尤其是在处理大量目标和复杂场景时。yolov5在一些应用场景中表现出更高的训练和推理速度。通过采用一系列优化和加速技术，yolov5在保持准确性的同时，提供了更快的计算速度。

2、配署了识别算法的机器人可以应用于例如变电站、天然气场站以及石油站等重要复杂的各种工业环境的巡检过程中，通过智能巡检机器人的这些重要场所的安全关系到企业的安全生产与人民的正常生活，一旦发生事故后果将不堪设想。对这些工业现场中的表征各个设备状态的仪表进行巡检和读取可保障各个设备正常运行，一旦出现异常可及时发现并上报。目前绝大部分的工业场景下仍然在使用人工本文档来自技高网...

【技术保护点】

1.一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，所述步骤S1中，去除部分重复、难以分辨的图片，采用LabelImg对数据集进行标注，形成VOC格式的数据标签，其中详细记录了每个图像样本中的物体真实边界框信息、图像样本的名字以及图像样本中物体的分类信息，文件名与图片的名称一致。

3.根据权利要求1所述的一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，所述步骤S2中，具体为：在所述的YOLOv5网络模型的训练具体方法为：</p>

4.根据...

【技术特征摘要】

1.一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，所述步骤s1中，去除部分重复、难以分辨的图片，采用labelimg对数据集进行标注，形成voc格式的数据标签，其中详细记录了每个图像样本中的物体真实边界框信息、图像样本的名字以及图像样本中物体的分类信息，文件名与图片的名称一致。

3.根据权利要求1所述的一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，所述步骤s2中，具体为：在所述的yolov5网络模型的训练具体方法为：

4.根据权利要求1所述的一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，所述步骤s3中，具体为：经图片或视频输入到yolov5网络模型当中后，网络模型将图片或者是视频中的关键帧中的目标物体在图片的中的(x,y,w,h)四点坐标，以及目标类别识别出来，通过检测识别的目标类别，即可确定下一步处理的具体操作。

5.根据权利要求1所述的一种基于深度学习的智能巡检的目标识别与读取方法，其特征在于，所述步骤s4对文字与数字的识别当中，具体为：使用crnn算法对端到端地对不定长的文本序列进行识别，使用cnn网络，对输入图像进行特征提取，从而得到特征图，本方法使用的cnn网络同样是轻量化网络mobilenetv3，其中输入图像的高度统一设置为32，宽度可以为...

【专利技术属性】
技术研发人员：张永军，曹阳，
申请(专利权)人：厦门新航世纪信息技术有限公司，
类型：发明
国别省市：