[发明专利]一种基于车载移动深度学习平台的杆号识别方法

说明书

本发明公开了一种基于车载移动深度学习平台的杆号识别方法，包括以下步骤：1、获取高铁接触网零部件图像并标记，再筛选得到接触网杆号图像的数据集；2、使用加速区域卷积神经网络模型Faster R‑CNN对步骤1的接触网杆号图像数据集进行训练，对全局接触网杆号图像中的杆号牌定位，得到杆号牌图片数据集；3、使用快速定位模型SSD对步骤2的杆号牌图片数据集进行训练，对杆号牌图片中的数字定位，得到杆号牌数字图片数据集；4、在嵌入式深度学习移动平台部署深度学习模型；5、使用多类别非极大抑制算法对步骤4得到的识别目标进行筛选，得到杆号数字文本；本发明针对高铁接触网杆号识别，定位准确率高、检测时间短。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于车载移动深度学习平台的杆号识别方法。

背景技术

接触网2C检测标准中对高铁轨道两侧支柱上的杆号检测有明确要求，是高铁2C的重要检测项目之一，起着故障定位、位置检测等功能；目前，接触网两侧的杆号检测仍处于离线的传统图像处理模式，实际使用仍然存在一定的难度；因此本发明基于车载移动深度学习平台结合深度学习定位检测方法，对高铁轨道两侧支柱杆号做识别输出杆号数字文本。

发明内容

为实现上述目的，本发明提供一种基于车载移动深度学习平台的杆号识别方法。

本发明采用的一种基于车载移动深度学习平台的杆号识别方法，包括以下步骤：

步骤1：获取高铁接触网零部件图像并标记，再筛选得到接触网杆号图像的数据集。

步骤2：使用加速区域卷积神经网络模型Faster R-CNN对步骤1的接触网杆号图像数据集进行训练，对全局接触网杆号图像中的杆号牌定位，得到杆号牌图片数据集。

步骤3：使用快速定位模型SSD对步骤2的杆号牌图片数据集进行训练，对杆号牌图片中的数字定位，得到杆号牌数字图片数据集。

步骤4：在嵌入式深度学习移动平台部署深度学习模型。

步骤5：使用多类别非极大抑制算法对步骤4得到的识别目标进行筛选，得到杆号数字文本。

进一步的，步骤1中的高铁接触网零部件图像为高铁检测车天窗拍摄收集的图像，并通过人工标记的方式生成含有零部件位置及种类信息的xml文件，其中数字1被标记为“1”，数字2被标记为“2”，以此类推。

进一步的，步骤2中的加速区域卷积神经网络模型(Faster R-CNN)流程如下：

S21：缩放输入图像及标注信息至统一大小；

S22：将输入图像传入特征提取网络中，通过对图像进行多层卷积计算进行特征提取；

S23：将特征提取网络输出的最后一张特征图输入到区域建议网络(RegionProposal Network,RPN)中，生成可能存在零部件的建议区域；

S24：将建议区域与最后一张特征图输入感兴趣区域(Region ofInterest,RoI)池化层，再传入全连接层；

S25：将S24的输出通过Softmax分类器和Smooth L1回归器得到杆号牌的类别和坐标；

S26：最后计算杆号牌定位框大小并输出S25定位的杆号牌类别、坐标和定位框大小。

进一步的，步骤3中的SSD深度学习定位模型，具体结构流程如下：

S31：缩放输入图像及标注信息至统一大小；

S32：将输入图像传入特征提取网络中，通过对图像进行多层卷积计算进行特征提取；

S33：在后5层网络特征图的每一个像素点生成5个默认框，默认框的长宽比分别为1、2、3、1/2和1/3；