[發明專利]一種基于YOLOv4的設備指示燈識別方法及系統

在審

• 申請號: 202110192869.0
• 申請日: 2021-02-20
• 公開（公告）號: CN112560816A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 東虎;韓丹;李斌山;周龍飛;王輝
• 申請（專利權）人: 北京蒙帕信創科技有限公司;上海蒙帕信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京市隆安律師事務所 11323
• 代理人: 楊云

本發明提供了一種基于YOLOv4的設備指示燈識別方法及系統，其中，方法包括以下步驟：S1：建立歷史圖像數據集；S2：對歷史圖像數據集數據增強處理，得到增強歷史圖像數據集；S3：模型構建模塊構建目標檢測模型；S4：對目標檢測模型機進行訓練；S5：對設備指示燈識別實時識別；S6：獲取設備指示燈對應狀態；S7：出現故障時進行故障處理。系統主要包括：采集模塊、圖像數據集模塊、數據增強處理模塊、模型構建模塊、圖像識別模塊。本發明解決了目前應用于指示燈識別方法的目標檢測模型存在訓練耗時過長、冗余計算，對多目標小目標檢測效果不佳、硬件消耗大的問題，具有實時識別、對多目標小目標識別效果好的優點。

技術領域

本發明涉及設備識別技術領域，具體是涉及一種基于YOLOv4的設備指示燈識別方法及系統。

背景技術

在工業環境中存在著大量的指示燈，用來判斷各個設備是否正常工作。當指示燈出現某種狀態時，表明有故障發生需要工作人員及時處理。因此就需要實時監控指示燈的狀態，而在傳統的人工監控方式中，進行長期的監控是一件繁重而乏味的工作，當指示燈較多時采用人工的方式幾乎無法做到全面而準確的監控，同時由于指示燈出現異常情況占少數，這樣的情況使得人工監控就會造成巨大的人力浪費且效率低下。對于傳統意義的工業指示燈狀態監控來講，不僅耗費人力而且由于監控人員的疏忽會很容易造成漏報，因此監控的效率低下，無法很好的適應于現有的機房指示燈監控。

隨著近年來深度學習在計算機視覺領域的發展，常采用神經網絡來解決目標檢測等相關問題，而且得到不錯效果。隨著卷積神經網絡的不斷發展，深度學習對解決目標檢測問題提供了解決方案。在研究無人值守的數字化機房環境下，智能巡檢機器人針對設備指示燈識別等方面，利用目標檢測方法不僅可以使識別準確率與識別速度指標顯著提升，而且極大提升了運維人員的工作效率，同時也可以節約人力成本，提高自動化水平。

在眾多深度學習算法中，YOLO算法（You Only Look Once）將整個圖像放在一個實例中，并預測這些框的邊界框坐標和及所屬類別概率。使用YOLO算法最大的優點是速度極快，對每幀圖片只需掃描一遍即可檢測到對象與其所在位置，每秒可處理45幀，因此，使得YOLO算法可以達到實時動態對目標的識別。

除了速度快之外，YOLO算法還有利用圖片的全局信息做預測的優勢，YOLO算法在模型的訓練和測試的時候隱式地對上下文信息進行編碼，因此，與FASTER-RCNN這一類先提取圖片中的RIO（感興趣區，及識別對象所在區域）再做分類的算法相比，YOLO算法具有更高的正確率。

近年來，YOLO算法不斷地推新升級，其中YOLOv4算法相對于上一代的YOLOv3算法，具有以下優勢：

在輸入端通過Mosaic數據增強等處理方法對訓練圖像進行數據增強，使得單個GPU（圖形處理器）就能達到比較好的訓練效果，降低了算法對于硬件的高要求；

在BackBone主干網絡結合多種優秀函數以適應不同的應用場景；

目標檢測網絡在BackBone和最后的輸出層之間往往會插入一些層，比如YOLOv4中的SPP模塊、FPN+PAN結構。

在COCO數據集上，同樣在FPS（每秒鐘幀數）等于83左右時，YOLOv4的AP（某個IOU閾值下某個類別的PR曲線的面積）是43，而YOLOv3是33，直接上漲了10個百分點，即YOLOv4具有更高的位置尺寸標記效果。

而目前應用于指示燈識別方法的目標檢測模型存在訓練耗時過長，冗余計算，目標變形，對多目標、小目標檢測效果不佳以及硬件消耗大，需要大的存儲空間等問題，以及對于不同尺寸圖像，現有模型大都采用直接插值方式使得圖片尺寸滿足網絡輸入的要求，如：Yolov3網絡要求輸入圖片為608*608*3 或512*512*3等，而這對于小尺寸圖片，如設備指示燈圖片，插值后圖片外貌降質，影響識別效果。因此，如何利用YOLOv4算法提升指示燈識別的效果，成了我們需要解決的問題。

發明內容