[發明專利]一種基于NCS、MS的相似物體實時檢測方法及系統

有效

• 申請號: 202010432326.7
• 申請日: 2020-05-20
• 公開（公告）號: CN111652292B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 王元峰;楊鳳生;王林波;曾惜;楊金鐸;王恩偉;王冕;王宏遠;劉暢;蘭雯婷;熊萱;龍思璇;馬庭樺;付濱
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06N3/08
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 劉小莉

1.一種基于NCS、MS的相似物體實時檢測方法，其特征在于：包括，

采集相似物體的圖像數據進行預處理，預處理所述圖像數據包括，消除所述圖像數據的噪聲點，設定檢測值，依次檢測所述圖像數據中的像素；將所述像素與鄰域內其他像素進行比較，判斷是否為噪聲點，若是，則以所述鄰域內所有像素灰度平均值替代，若否，則以原灰度值輸出，利用Sobel算子銳化去噪的所述圖像數據，結合加權平均增強圖像邊緣兩側的像素，利用差分近似微分策略將所述Sobel算子與所述圖像數據進行卷積完成檢測，找到圖像中局部亮度變化最顯著的部分像素的集合，根據所述圖像數據的灰度、顏色、幾何性質將含義不同的圖像區域分開，選取閾值，利用灰度頻率分布信息進行二值化分割，獲得預處理完成的信息特征圖像；提取邊緣特征參數構建樣本數據集，提取所述邊緣特征參數包括，基于邊緣結構相似度引入選擇性搜索策略提取所述信息特征圖像中的特征參數候選區域并進行歸一化處理；利用多特征策略分割所述候選區域，生成分割區域集合；基于所述邊緣結構相似度合并所述分割區域集合，作為卷積神經網絡的輸入，利用七層的CNN網絡模型提取所述邊緣特征參數，構建所述樣本數據集包括，隨機選取一半的所述邊緣特征參數，定義為訓練集，剩余一半的所述邊緣特征參數定義為測試集；

將所述樣本數據集輸入識別模型內進行訓練，訓練所述識別模型包括，

選取徑向基函數作為LSSVM的目標函數，如下

其中，x＝{x₁；x₂；…；x₁₄}：所述訓練集中影響識別因素的歷史數據幅頻特性向量組成的特性矩陣，y：所述訓練集中影響識別因素的幅頻特性向量，σ：目標向量，即所述訓練集的分布或范圍特性；初始化懲罰參數和所述目標向量，利用所述訓練集對所述LSSVM進行訓練，并用所述測試集進行測試；若所述識別模型未達到精度閾值要求，則根據誤差對所述懲罰參數和所述目標向量進行賦值優化，直至滿足所述精度閾值要求，形成所述識別模型，輸出識別結果，所述識別結果包括，是相似物體及不是相似物體；

利用決策模型對所述識別結果進行相應物體編號的檢測分類，結合AI加速器實時推進檢測進程，輸出相應的檢測結果；

將所述檢測結果導入貝葉斯分析模型內進行二次驗證判定，利用移動終端或樹莓派顯示器實時顯示驗證結果及所述檢測結果。

2.根據權利要求1所述的基于NCS、MS的相似物體實時檢測方法，其特征在于：所述決策模型進行檢測分類包括，

基于SVM策略構建所述決策模型，輸入所述識別結果，計算所述邊緣特征參數的LBP；

根據所述識別結果的兩種情況的特征分別構造樣本矩陣和類別矩陣，且所述類別矩陣中的值為1和-1；

所述決策模型對所述樣本矩陣和所述類別矩陣進行SVM分類求解，獲得求解向量且與所述樣本數據集及所述物體編號相對應，得到最終的分類決策函數；

利用所述分類決策函數對輸入的相似物體圖片進行檢測，結合AI加速器實時推進檢測進程，輸出相應的所述檢測結果。

3.根據權利要求2所述的基于NCS、MS的相似物體實時檢測方法，其特征在于：所述二次驗證判定包括，

將所述檢測結果輸入所述貝葉斯分析模型內；

對所述相似物體圖片的特征向量、目標向量和求解向量進行融合處理和錯誤概率計算，如下，

P(B_i|A_i)＝B_i|A_i，i＝1,2,……，n

其中，B_i：第i個協同分析因子中被正確識別的特征參數個數，A_i：第i個協同分析因子中識別的特征參數個數；

若驗證結果概率大于等于0.5，則所述檢測結果正確；

若所述驗證結果概率小于0.5，則所述檢測結果錯誤。