[發(fā)明專利]基于深度學習的數顯信號識別方法、系統、設備和介質

在審

• 申請?zhí)枺?/td>: 202310338362.0
• 申請日: 2023-03-31
• 公開（公告）號: CN116363658A
• 公開（公告）日: 2023-06-30
• 發(fā)明（設計）人: 唐守鋒;王震;季鵬;王雨豪;李祖恒;馬小竣
• 申請（專利權）人: 中國礦業(yè)大學
• 主分類號: G06V30/148
• 分類號: G06V30/148;G06V30/19;G06V30/164;G06V30/18;G06V10/82;G06N3/08
• 代理公司: 上海匯知丞企知識產權代理有限公司 31468
• 代理人: 嚴九洲

1.基于深度學習的數顯信號識別方法，其特征在于，包括如下步驟：

獲取含有多路非色散紅外甲烷傳感器數顯信號的圖像；

采用漫水填充法實現所述圖像的分割并標記出含有數顯信號的標記區(qū)域；

基于HSV模型的H通道確立所述標記區(qū)域中數顯信號的顏色分布范圍，并獲取數值區(qū)域圖像；

將所述數值區(qū)域圖像輸入預測模型進行匹配得到數值，所述預測模型通過訓練數據集對神經網絡進行訓練得到，所述訓練數據集包括不同環(huán)境、位置或光照下的非色散紅外甲烷傳感器數顯信號圖像。

2.如權利要求1所述的基于深度學習的數顯信號識別方法，其特征在于，通過訓練數據集對神經網絡進行訓練得到預測模型之前，還包括如下步驟：采集包括不同環(huán)境、位置、光照下的非色散紅外甲烷傳感器數顯信號圖像作為測試數據集；將所述測試數據集輸入所述預測模型進行測試；在測試結果滿足預設識別準確率的要求后停止訓練所述預測模型。

3.如權利要求1所述的基于深度學習的數顯信號識別方法，其特征在于，采用漫水填充法實現所述圖像的分割還包括如下步驟：

對所述圖像進行二值化處理得到灰度圖像，對所述圖像進行高斯濾波得到模糊圖像；

獲取所述灰度圖像相鄰像素點的變化，和所述模糊圖像相鄰像素點的變化；

根據所述灰度圖像相鄰像素點的變化和所述模糊圖像相鄰像素點的變化，將灰度圖像和模糊圖像的像素值進行歸一化處理，若模糊圖像中高頻分量相比較于灰度圖像的高頻分量幾乎無變化，將其判定為完全模糊圖像，不予處理，如果高頻分量變化較為明顯，則將其判定為部分模糊圖像，如果高頻分量變化非常大，則將其判定為清晰圖像；

對于清晰圖像將直接進行下一個環(huán)節(jié)的分割處理，對于部分模糊圖像將通過去模糊化處理后重新判斷圖像是否為清晰圖像，若是則進行下一個環(huán)節(jié)的分割處理，對于完全模糊圖像，不予處理。

4.如權利要求3所述的基于深度學習的數顯信號識別方法，其特征在于，所述去模糊化處理包括如下步驟：對部分模糊圖像進行像素灰度統計，得到所述灰度圖像的像素概率分布；得到圖像累積分布函數，獲取變換后的去模糊化的圖像；對于部分模糊圖像先進行像素灰度統計，計算原始圖像的像素概率分布，由像素概率分布得到圖像的累計分布函數，根據映射函數得到變換后的去模糊化圖像，所述映射函數如下：

?k=?0,1,2,3,···L-1

?其中，n是圖像中像素的總和，是當前灰度級的像素個數，L是圖像中可能的灰度級總數。

5.如權利要求3所述的基于深度學習的數顯信號識別方法，其特征在于，所述下一個環(huán)節(jié)的分割處理包括：

將尺寸比輸入圖像寬和高各大2個像素點的單通道圖像，作為掩碼矩陣，通過對掩碼矩陣中像素點的像素值填充，來標記漫水填充區(qū)域利用掩碼矩陣標記漫水填充的區(qū)域；

獲取種子點區(qū)域條件的上下界值，其中，上下界值包括：上界值和下界值；

確定種子點的坐標值；

以種子點為中心，當鄰域某像素點的像素值與種子點像素值的差值大于下界值時，該像素點被添加進種子點所在的區(qū)域；當種子點像素值與鄰域某像素點的像素值的差值小于上界值時，該像素點被添加進種子點所在的區(qū)域；

若全部像素點未添加完成，標記位置；將新加入的像素點作為新的種子點，返回上一步：以種子點為中心，當鄰域某像素點的像素值與種子點像素值的差值大于下界值時，該像素點被添加進種子點所在的區(qū)域；當種子點像素值與鄰域某像素點的像素值的差值小于上界值時，該像素點被添加進種子點所在的區(qū)域；直至全部像素點添加完成；

若全部像素點添加完成；各區(qū)域分離并標記輸出。

6.如權利要求1所述的基于深度學習的數顯信號識別方法，其特征在于，所述預測模型通過訓練數據集對神經網絡進行訓練得到還包括如下步驟：

采集不同環(huán)境、位置或光照下的非色散紅外甲烷傳感器數顯信號圖像得到樣本庫；

根據樣本庫構建神經網絡的訓練數據集和測試數據集；

根據構建的訓練數據集對神經網絡進行訓練得到數顯信號的預測模型。