[發(fā)明專利]接觸網(wǎng)支柱的支柱號識別方法、存儲介質(zhì)、處理設(shè)備

在審

• 申請?zhí)枺?/td>: 201710437485.4
• 申請日: 2017-06-09
• 公開（公告）號: CN107392201A
• 公開（公告）日: 2017-11-24
• 發(fā)明（設(shè)計）人: 張文生;楊陽;胡文銳;陳東杰;何澤文
• 申請（專利權(quán)）人: 中國科學(xué)院自動化研究所
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04
• 代理公司: 北京瀚仁知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)11482
• 代理人: 郭文浩,王世超

1.一種接觸網(wǎng)支柱的支柱號識別方法，包括：

步驟S1，對所獲取的全局圖像，利用號牌檢測模型獲取全局圖像中號牌區(qū)域圖像；

步驟S2，對所述號牌區(qū)域圖像，利用字符檢測模型獲取字符區(qū)域圖像，通過字符識別算法獲取支柱號牌字符組；

步驟S3，基于全局圖像采集的順序、及預(yù)設(shè)的接觸網(wǎng)支柱排序規(guī)則，結(jié)合已識別的支柱號牌修正步驟S2所識別的支柱號牌字符組；

其中，

所述的號牌檢測模型為依據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的檢測模型，用于定位號牌區(qū)域；

所述的字符檢測模型為依據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的檢測模型，用于識別號牌區(qū)域的字符。

2.根據(jù)權(quán)利要求1所述的接觸網(wǎng)支柱的支柱號識別方法，其特征在于，步驟S2中所述通過字符識別算法獲取支柱號牌字符組，包括：

通過字符識別算法進行各字符區(qū)域圖像中字符的識別；

根據(jù)字符在所述號牌區(qū)域圖像中的位置信息，對字符進行排列。

3.根據(jù)權(quán)利要求1所述的接觸網(wǎng)支柱的支柱號識別方法，其特征在于，所述號牌檢測模型包括第一深度卷積神經(jīng)網(wǎng)絡(luò)，第一深度卷積神經(jīng)網(wǎng)絡(luò)包括若干個卷積層、降采樣層、全連接層和分類器層；

其中，

所述第一深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層用于計算提取全局圖像的局部特征；

所述第一深度卷積神經(jīng)網(wǎng)絡(luò)中的降采樣層通過池化對全局圖像的局部特征做降采樣處理；

所述第一深度卷積神經(jīng)網(wǎng)絡(luò)中的全連接層用于逐層特征提取處理；

所述第一深度卷積神經(jīng)網(wǎng)絡(luò)中的分類器層用于分析全局圖像支柱號牌的類別概率和位置信息。

4.根據(jù)權(quán)利要求3所述的接觸網(wǎng)支柱的支柱號識別方法，其特征在于，所述號牌檢測模型，其訓(xùn)練優(yōu)化方法，包括：

步驟A1，將第一訓(xùn)練樣本輸入所述號牌檢測模型；所述第一訓(xùn)練樣本包括全局圖像樣本和號牌區(qū)域樣本；

步驟A2，通過所述號牌檢測模型分析并輸出支柱號牌的類別概率和精確位置；

步驟A3，依據(jù)預(yù)設(shè)的第一深度卷積神經(jīng)網(wǎng)絡(luò)中的分類器損失函數(shù)，基于步驟A2輸出的信息對所述號牌檢測模型中第一深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化；其中，所述第一深度卷積神經(jīng)網(wǎng)絡(luò)中的分類器損失函數(shù)包括類別損失和位置損失。

5.根據(jù)權(quán)利要求3所述的接觸網(wǎng)支柱的支柱號識別方法，其特征在于，步驟S1中所述利用號牌檢測模型獲取全局圖像中號牌區(qū)域圖像，包括：

步驟S11，將全局圖像輸入所述號牌檢測模型得到局部圖像及對應(yīng)的類別概率值、和各局部圖像的位置信息；

步驟S12，選擇類別概率值滿足預(yù)設(shè)閾值的局部圖像為號牌區(qū)域；

步驟S13，依據(jù)所述號牌區(qū)域?qū)?yīng)的位置信息，提取所述號牌區(qū)域圖像；

其中，

所述的局部圖像的位置信息包括局部圖像的中心點坐標(biāo)、長度和寬度。

6.根據(jù)權(quán)利要求1所述的接觸網(wǎng)支柱的支柱號識別方法，其特征在于，所述字符檢測模型包括第二深度卷積神經(jīng)網(wǎng)絡(luò)，第二深度卷積神經(jīng)網(wǎng)絡(luò)包括若干個卷積層、降采樣層、全連接層和分類器層；

其中，

所述第二深度卷積神經(jīng)網(wǎng)絡(luò)中的卷積層用于計算提取號牌區(qū)域圖像的局部特征；

所述第二深度卷積神經(jīng)網(wǎng)絡(luò)中的降采樣層通過池化對號牌區(qū)域圖像的局部特征做降采樣處理；

所述第二深度卷積神經(jīng)網(wǎng)絡(luò)中的全連接層用于逐層特征提取處理；

所述第二深度卷積神經(jīng)網(wǎng)絡(luò)中的分類器層用于分析號牌區(qū)域圖像各字符區(qū)域的類別概率和位置信息。

7.根據(jù)權(quán)利要求6所述的接觸網(wǎng)支柱的支柱號識別方法，其特征在于，所述字符檢測模型，其訓(xùn)練優(yōu)化方法，包括：

步驟B1，將第二訓(xùn)練樣本輸入所述字符檢測模型；所述第二訓(xùn)練樣本包括號牌區(qū)域圖像樣本和字符區(qū)域樣本；

步驟B2，通過所述字符檢測模型分析并輸出字符的類別概率和精確位置；

步驟B3，依據(jù)預(yù)設(shè)的第二深度卷積神經(jīng)網(wǎng)絡(luò)中的分類器損失函數(shù)，基于步驟B2輸出的信息對所述字符檢測模型中第二深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化；其中，所述第二深度卷積神經(jīng)網(wǎng)絡(luò)中的分類器損失函數(shù)包括類別損失和位置損失。