[发明专利]基于深度学习的净水厂配电房图像采集与识别方法

说明书

本发明公开了一种基于深度学习的净水厂配电房图像采集与识别方法，包括步骤：获取包含指示灯的图片集，对图片集的指示灯位置进行图像裁切并标定点位信息，以建立指示灯训练样本；对指示灯训练样本进行深度学习训练，得到训练权重；获取配电房的图像数据，根据训练权重确定所有指示灯的位置和指示灯识别中心；对图像数据进行HSV色域转换处理，并获取指示灯识别中心的S‑V值，对图像数据进行色值筛选和二值化处理，指示灯亮位置显示为白块；根据所有指示灯的位置信息和白块的位置信息，输出所有指示灯的亮灭状态。能够全天候实时监视配电房的运行数据，以使净水链设备正常可靠运行。

技术领域

本发明涉及配电房管理技术领域，尤其是涉及一种基于深度学习的净水厂配电房图像采集与识别方法。

背景技术

净水厂配电房是整条净水链中电力枢纽，需要时刻关注配电房中展示的各样数据处于正常状态，以便于净水链设备正常可靠运行。

由于配电房中处于各种各样线缆产生的电磁干扰下，更换传感器设备所需成本很高，目前常规配电房采取人员巡检多次记录以及蜂鸣报警的方式，容易忽视许多临界问题，导致处理不及时，便可能产生重大损失。

发明内容

本发明的目的在于克服上述技术不足，提出一种基于深度学习的净水厂配电房图像采集与识别方法，解决现有技术中巡检繁琐、获取设备状态不及时的技术问题。

为达到上述技术目的，第一方面，本发明的技术方案提供一种基于深度学习的净水厂配电房图像采集与识别方法，包括以下步骤：

获取包含指示灯的图片集，对所述图片集的指示灯位置进行图像裁切并标定点位信息，以建立指示灯训练样本；

对所述指示灯训练样本进行深度学习训练，得到训练权重；

获取配电房的图像数据，根据所述训练权重确定所有所述指示灯的位置和指示灯识别中心；

对所述图像数据进行HSV(Hue色调,Saturation饱和度,Value明度)色域转换处理，并获取所述指示灯识别中心的S-V值，对所述图像数据进行色值筛选和二值化处理，所述指示灯亮位置显示为白块；

根据所有所述指示灯的位置信息和白块的位置信息，输出所有所述指示灯的亮灭状态。

与现有技术相比，本发明的有益效果包括：

本发明提供的基于深度学习的净水厂配电房图像采集与识别方法能够全天候实时监视配电房的运行数据，便于净水链设备正常可靠运行。相较于常规配电房采取人员巡检多次记录以及蜂鸣报警的方式，本发明能够极大的降低设备监视成本，降低设备运行的风险，能够及时发现设备运行异常，并对异常情况可以及时处理，减少可能出现的重大损失。

根据本发明的一些实施例，所述对所述图片集的指示灯位置进行图像裁切并标定点位信息，以建立指示灯训练样本，包括步骤：

对所述图片集的指示灯位置进行图像裁切，并标定所述指示灯四角的点位信息，以建立巡检集样本。

根据本发明的一些实施例，所述建立巡检集样本，至少包括以下步骤之一：

对所述巡检集样本，进行透视拉伸处理建立新的训练集样本，以模拟在不同状态下拍摄的图像数据；

对所述巡检集样本，进行改变曝光处理建立新的训练集样本，以模拟在不同状态下拍摄的图像数据；

对所述巡检集样本，进行添加噪点处理建立新的训练集样本，以模拟在不同状态下拍摄的图像数据。

根据本发明的一些实施例，所述对所述指示灯训练样本进行深度学习训练，得到训练权重，包括步骤：

对所述指示灯训练样本采用yolov5算法进行深度学习训练，设置epoch＝300，batchsize＝32，得到训练权重。