[发明专利]灯具故障自动化识别的方法、系统、电子设备及存储介质

权利要求书

1.一种灯具故障自动化识别的方法，包括如下步骤：

S1、视频监控，采用摄像头对准待评估是否存在故障的灯具，将所述灯具分别点亮红、绿、蓝三原色，并保持特定亮灯时间，通过视频监控记录该亮灯过程；

S2、截图图片，接收该视频监控并录像，保存该视频片段中的图片截图，根据图片中红色、绿色、蓝色的灰度值将对应图片位置的红、绿、蓝的灰度值分别标记出来；

S3、分析得到的具体灯具位置，确定红、绿、蓝三次亮灯的图片中公共的区域，作为确定灯具具体位置的基点；

S4、图片识别灯具故障，灯具定期进行故障识别，且进行多次测试，将步骤S3中的得到的灯具位置图与保存的待监测图分别置为图层1和图层2，以图层1为主基准位置在图层2中进行多点取灰度值，再对每个区域的取得的灰度值计算平均值，所述平均值与实际灰度值比较相差在一定范围内，则评估该灯具正常；所述平均值与实际灰度值比较相差超出一定范围，则判定该点位灯具故障。

2.如权利要求1所述的方法，还包括步骤：

S5、优化学习，

其中，步骤S4后，人员根据处理器判断得到的灯具故障图在监控摄像头上进行核对，确认灯具故障判断是否正确；如果判断的结果全部都是真实情况，则认为算法是正确的，如果发现存在点位判断不正确，则需要让处理器再次进行优化学习，

其中，如果判断存在点位判断不正确问题，则通过图片识别灯具故障失败，此时进入步骤S5：进行优化学习，再循环进入步骤S1、S2、S3、S4，直到通过图片成功识别出灯具故障；

其中，所述优化学习过程为，根据不同的算法进行变换不同的采集点位，重新获取灰度值，直到判断正确为止，机器学习多种算法，在下一次判断出来的灯具故障点位进行上报之前，使用多种算法进行多次取点，采集灰度值，再次进行判断分析是否为故障，多次判断结果都判断为故障，则认为此处故障，并上报故障点位。

3.如权利要求2所述的方法，其中，所述优化学习的算法采用卷积神经网络(CNN，Convolutional Neural Network)，选定LeNet-5模型，现场采集数据并标注后进行训练，所述优化学习包括如下步骤：

S51、现场采集图片数据集，将所述数据集进行划分，其中，80％为训练集、20％为测试集；

S52、卷积计算，通过Droupout随机的对卷积神经网络每一层进行丢弃部分神经元操作，使用Droupout正则化进行前向传播和反向传播，对S51输出的训练集和测试机数据进行训练和学习，通过卷积计算由卷积层学习得到特征图；

S53、激活计算，进行激活计算采用激活层对卷积层学习到的特征图进行激活处理；

S54、池化计算，进行池化计算采用池化层对卷积层学习到的特征图进行采样(subsampling)处理，所述池化层的采样处理包括：最大池化和平均池化，其中，所述最大池化取窗口内的最大值作为输出，所述平均池化取窗口内的所有值的均值作为输出，以降低后续网络层的输入维度，缩减模型大小，从而提高计算速度，提高了特征的鲁棒性，防止过拟合；

S55、确定算法，将包括卷积层、激活层和池化层的全连接层作为卷积神经网络的特征学习层和特征提取层，将图片数据学习到的特征最终应用于包括分类和回归的模型任务，所述模型任务先对所述特征进行扁平化，再连接一个或多个全连接层，进行模型学习。

4.如权利要求3所述的方法，其中，步骤S52中，在神经网络中，所述前向传播为信息从上一个神经元直接流转到下一个神经元，直到输出，依据每一个神经元的输入并根据相应规则可以计算出输出，最终得到在当前参数下的损失函数的过程。

5.如权利要求4所述的方法，其中，步骤S52中，在神经网络中，

反向传播是在前向传播的算法基础上，从神经网络的输出层向输入层依次计算损失函数对于各个参数的梯度，并在给定学习率下更新相关参数。

6.如权利要求2所述的方法，还包括步骤：

S6、应用端反馈灯具故障情况，将故障灯具位置标识出来，并发给web端，呈现给用户。