[發明專利]基于深度學習的FDAS告警圖像文字驗證方法

在審

• 申請號: 202210110325.X
• 申請日: 2022-01-29
• 公開（公告）號: CN114445810A
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 楊洪瑜;潘玉娥;施敏;周卓;陳芳
• 申請（專利權）人: 中國航空無線電電子研究所
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V10/40;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海和躍知識產權代理事務所(普通合伙) 31239
• 代理人: 楊慧

1.一種基于深度學習的FDAS告警圖片文字驗證方法，包含以下步驟：

步驟1)、將采集的包含字符的FDAS告警圖像進行預處理后構成FDAS告警圖像數據集；

步驟2)、對FDAS告警圖像數據集中的FDAS告警圖像中的字符進行特征標注，將標注好的FDAS告警圖像分成測試集合和訓練集合；

步驟3)將訓練集合中的FDAS告警圖像輸入A-LSTM模型進行基于上下文的特征提取；

步驟4)、將提取的特征輸入分類器中進行分類，根據測試集合得出準確率，從而根據準確率不斷調整優化A-LSTM模型；

步驟5)、將驗證的FDAS告警圖像輸入A-LSTM模型，將識別出的字母、特殊字符組成獲取告警文本與目標告警信息對比。

2.根據權利要求1所述的基于深度學習的FDAS告警圖像文字驗證方法，其特征在于，所述步驟1具體包括：

觸發FDAS所有告警，采集包含所有定義的字符的FDAS告警圖像后，對圖像進行處理，包含篩選出的圖像數據需要包含所有告警、字母、特殊符號，圖像要清晰，然后將圖像處理為統一的格式，保持一樣的像素與大小；其中，定義的字符包含字母、空格、+and-、/、數字。

3.根據權利要求1所述的基于深度學習的FDAS告警圖像文字驗證方法，其特征在于，所述步驟2中使用圖像處理工具對FDAS告警圖像進行特征標注，將FDAS告警圖像中的字母、特殊符號作為單獨特征標注。

4.根據權利要求1所述的基于深度學習的FDAS告警圖像文字驗證方法，其特征在于，所述步驟3具體包括：

步驟31)、將訓練集合中的FDAS告警圖像輸入自編碼器模型中，自編碼器模型對輸入的FDAS告警圖像先進行去噪處理，得到每張FDAS告警圖像的特征矩陣G；再通過解碼對特征矩陣G進行降維得到初級特征圖矩陣X；

步驟32)、將初級特征圖矩陣X劃分為若干向量x_t，LSTM模型每個時刻t的神經元通過輸入門輸入上一個神經元輸出的特征向量h_t-1和特征圖中t時刻對應的向量x_t，處理得到神經元的輸入i_t和神經元輸入權重

然后通過遺忘門對輸入門得到的向量信息進行處理，同時根據得到的遺忘信息對神經元信息進行更新，得到代表本神經元的特征向量C_t；

最后，輸出門將本神經元處理得到的特征向量h_t傳入下一個神經元中，同時傳入FDAS告警圖像的輸出矩陣中；

通過LSTM模型最終得到的輸出矩陣為H＝[h₁,h₂,...,h_n]，h_t都是圖像特征中的包含了上下文信息的第t個位置的特征向量。

5.根據權利要求1所述的基于深度學習的FDAS告警圖像文字驗證方法，其特征在于，所述步驟4具體包括：

通過softmax分類器為FDAS告警圖像中的字符進行定位與分類，將特征矩陣轉換成向量B后輸入softmax模型中，通過訓練得到定位字符的得分矩陣z_i＝[z_i1,z_i2,....,z_inum]，num為FDAS告警中字符的種類數量；再計算最終每個字符為目標字符的類別概率c_i＝[c_i1,c_i2,...,c_inum]，最終得到分類結果C＝[c₁,c₂,...,c_number]^T，其中number為字符的數量；

在訓練階段，采取Logistic回歸的對數似然損失函數，衡量預測FDAS告警圖像識別結果和真實FDAS告警圖像中告警字符結果的差距，通過反向傳播算法更新神經網絡參數值，完成網絡的訓練。

6.根據權利要求1所述的基于深度學習的FDAS告警圖像文字驗證方法，其特征在于，所述步驟5具體包括：

步驟51)、觸發某個告警后，將拍攝的FDAS告警圖片輸入A-LSTM模型中；

步驟52)、將通過A-LSTM模型識別出的字母、特殊字符組成告警文本，將拼接后的結果組成FDAS告警圖像文本信息；

步驟53)、FDAS告警圖像信息與觸發的告警信息進行對比，驗證結果是否一致；

步驟54)、將驗證的結果自動寫入自動化測試的結果中，生成FDAS告警測試報告結果。