[发明专利]基于图像分析的集装箱锁销拆装安全管理方法及系统

权利要求书

1.一种基于图像分析的集装箱锁销拆装安全管理方法，其特征在于，所述方法包括：

采集目标集装箱的相关图像；

对所述相关图像进行预处理，生成目标图像；

提取所述目标图像中的特征向量；

将所述特征向量输入至预构建的卷积神经网络模型中，得到第一识别结果；

对所述第一识别结果进行二次处理生成第二识别结果；

基于所述第二识别结果对所述目标集装箱的锁销进行拆卸或安装，实现目标集装箱锁销拆装的安全管理。

2.根据权利要求1所述的基于图像分析的集装箱锁销拆装安全管理方法，其特征在于，对所述相关图像进行预处理，生成目标图像包括：

基于所述目标集装箱的相关数据对所述目标集装箱进行分类：

当所述目标集装箱的使用年限大于第一预设年限值且在恶劣环境中运行时长大于第一预设时间时，将所述目标集装箱归类于第一类别；

当所述目标集装箱的使用年限小于或等于第一预设年限值且在恶劣环境中运行时长大于第一预设时间时，将所述目标集装箱归类于第二类别；

当所述目标集装箱的使用年限小于或等于第一预设年限值且在恶劣环境中运行时长小于或等于第一预设时间时，将所述目标集装箱归类于第三类别；

当所述目标集装箱的使用年限大于第一预设年限值且在恶劣环境中运行时长小于或等于第一预设时间时，将所述目标集装箱归类于第四类别；

所述恶劣环境包括以下至少一项：下雨天气、下雪天气、风雪交加天气和沙尘暴天气；

基于上述分类类别与所述相关图像形成一一映射关系，生成所述目标图像。

3.根据权利要求2所述的基于图像分析的集装箱锁销拆装安全管理方法，其特征在于，提取所述目标图像中的特征向量包括：

灰度化所述目标图像，生成灰度图像：

Gray＝0.3R+0.59G+0.11B

其中，R、B、G分别表示红色、绿色和蓝色通道的原始像素值，Gray表示灰度化通道像素值；

归一化处理所述灰度图像：

其中，I(x,y)表示灰度图像，(x,y)表示灰度图像中的像素点；

计算所述灰度图像中像素点的梯度幅值与梯度方向：

其中，G(x,y)表示梯度幅值，s(x,y)表示梯度方向，G_x(x,y)表示水平方向梯度，G_y(x,y)表示垂直方向梯度；

将所述灰度图像划分为大小相同的细胞单元，将固定个数的细胞单元组合成一个块，为每个所述细胞单元构建方向梯度直方图，将每个块所含细胞单元的方向梯度直方图进行串联得到整个块的方向梯度直方图，将块内所有细胞单元的特征向量进行合并，得到所述目标图像中的特征向量，其维度k为：

其中，a、d分别表示输入图像的高和宽，e、b分别表示单元和块的大小值，c表示移动步长，q表示一个单元内所含梯度方向的总数。

4.根据权利要求3所述的基于图像分析的集装箱锁销拆装安全管理方法，其特征在于，对所述第一类别的目标图像进行降维处理，包括：

将所述目标图像中的特征向量组成z行k列的矩阵X，其中，z表示特征向量数量，k表示特征向量维度；

将所述矩阵X的所有行进行零均值化；

求取所述矩阵X的协方差矩阵；

求取所述协方差矩阵的特征值以及对应的特征向量；

将所述特征向量按对应特征值大小从上到下按行排列成矩阵，取前m行组成矩阵R，即为所述第一类别的目标图像降维到m维后的数据。

5.根据权利要求4所述的基于图像分析的集装箱锁销拆装安全管理方法，其特征在于，所述卷积神经网络模型的构建过程包括：

获取训练图像样本；

构建初始卷积神经网络模型，所述初始卷积神经网络模型包括以下其中一项：LeNet网络模型、VGGNet网络模型、ResNet网络模型或Goog leNet网络模型；

将所述训练图像样本输入至所述初始卷积神经网络模型中进行训练；

当训练学习率达到预设值时，判断所述初始卷积神经网络模型训练完成，得到所述卷积神经网络模型。