[发明专利]一种指针仪表深度学习网络搭建方法、检测方法及其系统

说明书

本发明涉及指针仪表检测的技术领域，尤其涉及一种指针仪表深度学习网络搭建方法、检测方法及其系统。所述深度学习网络用于识别指针仪表的检测视频，并转换输出指针仪表的坐标像素信息，该搭建方法包括，获取样本视频信息，所述样本视频信息为包括指针仪表多个运动周期的连续视频，根据样本视频信息得到训练视频片段；根据训练视频片段得到图像帧；对图像帧进行预处理，得到指针数据集；根据指针数据集进行深度学习训练，得到指针检测网络模型。本发明的搭建方法简单方便，采集准确，降低了深度学习网络搭建的局限性，保证了深度学习网络模型的性能，保证深度学习网络的测试效果，大大提高了网络模型性能，提高了指针坐标像素信息转换的准确性。

技术领域

本发明涉及指针仪表检测技术领域，尤其涉及一种指针仪表深度学习网络搭建方法、检测方法及其系统。

背景技术

指针仪表在十分广泛的应用在各个领域，特别是应用于汽车车载仪表中，其简单直观，深受用户的喜爱。随着时代的发展，用户对于指针仪表特别是汽车车载仪表的性能要求以及使用体验要求日益提高。而指针仪表容易出现指针卡滞的情况，使用时指针会出现跳动，大大降低了用户的使用体验，因此在指针仪表出厂时，需要对其进行性能检测操作。

目前指针仪表的检测通常采用人工检测、特征模块匹配和减影法进行检测。而在这三种检测方法中，大多工厂采用人工检测的方式，一般是通过检测设备让汽车指针按照固定的角速度旋转，通过人眼观察指针仪表是否有卡滞，该方法效率低下，检测人工成本高，且容易受到人的主观因素的影响，出现错检、漏检的问题。而特征模板匹配在检测过程中，存在极大的时间及空间复杂度，且匹配阈值难以界定，实施起来存在一定的复杂度；减影法在检测过程中则需要采集大量的图像，同时也需要对图像进行预处理及加工，对工控机要求高，且检测速度慢。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷（不足），提供一种指针仪表深度学习网络搭建方法、检测方法及其系统。

为解决上述技术问题，本发明的技术方案如下：

一种指针仪表深度学习网络搭建方法，所述深度学习网络用于识别指针仪表的检测视频，并转换输出指针仪表的坐标像素信息，该搭建方法包括，

获取样本视频信息，所述样本视频信息为包括指针仪表多个运动周期的连续视频，根据样本视频信息得到训练视频片段；

根据训练视频片段得到图像帧；

对图像帧进行预处理，得到指针数据集；

根据指针数据集进行深度学习训练，得到指针检测网络模型。

进一步的，所述获取样本视频信息，所述样本视频信息为包括多个指针仪表运动周期的连续视频，根据样本视频信息得到训练视频片段包括，

对样本视频信息进行特征起点的分析提取；

根据样本视频信息中相邻的特征起点进行视频截取，得到训练视频片段。

进一步的，所述对图像帧进行预处理，得到指针数据集包括，

对图像帧按照预定规则进行命名和格式处理，得到统一规格的预处理图像；

对预处理图像进行指针标注，得到指针数据集。

进一步的，所述指针数据集包括像素数据集、索引数据集和原始图片数据集。

进一步的，所述对指针数据集进行深度学习训练，得到指针模型，完成深度学习指针检测网络搭建包括，

获取指针检测的初始网络模型；

根据指针数据集对初始网络模型进行迭代训练，得到指针检测网络模型。

本发明还提供一种指针仪表检测方法，包括，