[發(fā)明專(zhuān)利]一種基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210360712.9
• 申請(qǐng)日: 2022-04-07
• 公開(kāi)（公告）號(hào): CN114694128A
• 公開(kāi)（公告）日: 2022-07-01
• 發(fā)明（設(shè)計(jì)）人: 翟永杰;趙振遠(yuǎn);楊珂
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華北電力大學(xué)（保定）
• 主分類(lèi)號(hào): G06V20/60
• 分類(lèi)號(hào): G06V20/60;G06V10/22;G06V10/40;G06V10/764;G06V10/82;G06V10/74;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 韓雪梅

1.一種基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)方法，其特征在于，所述基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)方法包括：

獲取待檢測(cè)儀表圖像；

根據(jù)所述待檢測(cè)儀表圖像，基于儀表檢測(cè)模型，確定所述待檢測(cè)儀表圖像中的儀表類(lèi)別和儀表位置；所述儀表檢測(cè)模型為預(yù)先采用訓(xùn)練樣本集，基于度量學(xué)習(xí)方法，對(duì)FasterR-CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的；所述訓(xùn)練樣本集包括真實(shí)樣本圖像集、人工樣本圖像集以及真實(shí)樣本圖像集和人工樣本圖像集中的儀表標(biāo)記；所述儀表標(biāo)記包括類(lèi)別標(biāo)記和位置標(biāo)記。

2.根據(jù)權(quán)利要求1所述的基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)方法，其特征在于，所述人工樣本圖像集的建立方法包括：

在HSV顏色空間中，隨機(jī)初始化儀表的背景顏色及刻度線特征，得到多張初始人工樣本圖像；

對(duì)每張初始人工樣本圖像進(jìn)行拉伸、旋轉(zhuǎn)和平移變換，得到對(duì)應(yīng)的人工基準(zhǔn)圖像；

在每張人工基準(zhǔn)圖像中對(duì)儀表的位置和類(lèi)別進(jìn)行標(biāo)記，得到人工樣本圖像集。

3.根據(jù)權(quán)利要求1所述的基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)方法，其特征在于，所述FasterR-CNN網(wǎng)絡(luò)包括特征提取網(wǎng)絡(luò)及目標(biāo)檢測(cè)網(wǎng)絡(luò)；

所述儀表檢測(cè)模型的建立方法包括：

針對(duì)每張真實(shí)樣本圖像，通過(guò)所述特征提取網(wǎng)絡(luò)提取所述真實(shí)樣本圖像的多通道特征，得到真實(shí)樣本特征圖；

針對(duì)每張人工樣本圖像，通過(guò)所述特征提取網(wǎng)絡(luò)提取所述人工樣本圖像的多通道特征，得到人工樣本特征圖；

對(duì)所述真實(shí)樣本特征圖及所述人工樣本特征圖進(jìn)行特征相似性度量，得到所述真實(shí)樣本特征圖與所述人工樣本特征圖之間的相似度；

根據(jù)所述相似度確定第一損失函數(shù)；

通過(guò)所述目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)所述真實(shí)樣本圖像進(jìn)行目標(biāo)檢測(cè)，得到所述真實(shí)樣本圖像中目標(biāo)的預(yù)測(cè)類(lèi)別及預(yù)測(cè)位置；

根據(jù)所述真實(shí)樣本圖像中目標(biāo)的預(yù)測(cè)類(lèi)別、預(yù)測(cè)位置、類(lèi)別標(biāo)記及位置標(biāo)記，確定第二損失函數(shù)；

基于所述第一損失函數(shù)及所述第二損失函數(shù)，對(duì)Faster R-CNN網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，直至所述第一損失函數(shù)及所述第二損失函數(shù)均收斂，以得到最優(yōu)的Faster R-CNN網(wǎng)絡(luò)，最優(yōu)的FasterR-CNN網(wǎng)絡(luò)為儀表檢測(cè)模型。

4.根據(jù)權(quán)利要求3所述的基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)方法，其特征在于，所述對(duì)所述真實(shí)樣本特征圖及所述人工樣本特征圖進(jìn)行特征相似性度量，得到所述真實(shí)樣本特征圖與所述人工樣本特征圖之間的相似度，具體包括：

采用自適應(yīng)全局平均池化操作，分別對(duì)所述真實(shí)樣本特征圖及所述人工樣本特征圖進(jìn)行壓縮處理，得到真實(shí)特征向量和人工特征向量；

計(jì)算所述真實(shí)特征向量圖像與所述人工特征向量之間的余弦距離；

根據(jù)所述余弦距離，確定所述真實(shí)樣本特征圖與所述人工樣本特征圖之間的相似度。

5.根據(jù)權(quán)利要求3所述的基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)方法，其特征在于，所述第一損失函數(shù)為：

其中，loss_T為第一損失函數(shù)的函數(shù)值，M為真實(shí)樣本圖像集中儀表標(biāo)記的總數(shù)量，S_i為每對(duì)真實(shí)樣本特征圖與人工樣本特征圖之間的相似度。

6.一種基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)系統(tǒng)，其特征在于，所述基于抽象度量學(xué)習(xí)的指針式儀表檢測(cè)系統(tǒng)包括：

數(shù)據(jù)獲取模塊，用于獲取待檢測(cè)儀表圖像；

檢測(cè)模塊，與所述數(shù)據(jù)獲取模塊連接，用于根據(jù)所述待檢測(cè)儀表圖像，基于儀表檢測(cè)模型，確定所述待檢測(cè)儀表圖像中的儀表類(lèi)別和儀表位置；所述儀表檢測(cè)模型為預(yù)先采用訓(xùn)練樣本集，基于度量學(xué)習(xí)方法，對(duì)Faster R-CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的；所述訓(xùn)練樣本集包括真實(shí)樣本圖像集、人工樣本圖像集以及真實(shí)樣本圖像集和人工樣本圖像集中的儀表標(biāo)記；所述儀表標(biāo)記包括類(lèi)別標(biāo)記和位置標(biāo)記。