[发明专利]一种应用深度学习特征点定位技术的闸门开关检测算法系统

说明书

本发明公开了一种应用深度学习特征点定位技术的闸门开关检测算法系统，涉及闸门开关检测算法系统技术领域，包括数据集的来源，所述该闸门开关检测算法系统具体有数据集的来源、数据预处理、网络架构的预训练、特征点坐标转换标准和损失函数定义组成，所述基于深度学习的特征点检测对数据集的数量和质量要求很高。该应用深度学习特征点定位技术的闸门开关检测算法系统，能够利用深度卷积神经网络特征点欧式距离回归方法，有效地完成了闸门特征点的准确回归，能够通过自定义的深度卷积神经网络，使其在高准确率下实时完成行人检测，能够通过采用自定义的特征点坐标转换标准，解决了特征点因相互遮挡、视角变化等因素干扰造成的漏检误检等问题。

技术领域

本发明涉及闸门开关检测算法系统技术领域，具体为一种应用深度学习特征点定位技术的闸门开关检测算法系统。

背景技术

闸门开关系统，现主要通过机械方式手动旋转开关阀门操作闸门的打开与闭合，从阀门角度看有时可能忽略了闸门是否处在某个状态，造成了此时无法知道闸门是否打开或者闭合，往往导致了水位的不稳定性，无法准确掌握水位高度，造成了经济等方面的损失，目前主要解决方案是通过在闸门内部安装摄像头，通过人工监管，观看闸门是否处在某个状态，进而判断闸门是否需要打开或者闭合，但是人力工作方式有很大的弊端，长时间监管会导致视觉疲劳，降低工作效率，同时因摄像头过多，导致监管人员数量大量提升，成本较高，随着科学技术的进步，深度学习的长足发展，传统的视频或图像识别技术虽然在一定程度上能解决摄像头监管问题，但是存在遮挡限制和光线限制的缺陷。

闸门开关检测主要存在以下难点：摄像头视角多样性导致特征点检测不精准、物体遮挡导致特征点误检、闸门区域光线变化导致特征点漏检等。

发明内容

本发明的目的在于提供一种应用深度学习特征点定位技术的闸门开关检测算法系统，以解决上述背景技术中提出的摄像头视角多样性导致特征点检测不精准、物体遮挡导致特征点误检、闸门区域光线变化导致特征点漏检等问题。

为实现上述目的，本发明提供如下技术方案：一种应用深度学习特征点定位技术的闸门开关检测算法系统，包括数据集的来源，所述该闸门开关检测算法系统具体有数据集的来源、数据预处理、网络架构的预训练、特征点坐标转换标准和损失函数定义组成，所述基于深度学习的特征点检测对数据集的数量和质量要求很高，大量高质量的数据集才能作为深度学习网络训练的基础。

本发明技术方案的进一步改进在于：所述数据集的来源是标注的数据集取自真实应用场景数据集，训练集5000张，验证集500张，测试集1000张。

本发明技术方案的进一步改进在于：所述数据预处理对神经网络训练有着至关重要的作用，一般将输入归一化至0-1区间，这样不容易丢失图像信息，因为某些激活函数的存在，可能造成网络训练无法收敛，所以我们将输入归一化，所述数据预处理采用缩放因子1/255对原始图像进行归一化处理，同时我们采用数据增强方式，用以解决因数据集少而造成的训练不收敛问题。数据增强用到的方法主要是镜像化、模糊化、灰度化和加噪声方式，镜像主要是垂直镜像，将原始图像按照中心垂直线进行左右翻转，得到反转图像，模糊化主要采用高斯模糊方式，对原始图像进行模糊化处理，因为相机在拍摄时往往会造成图像模糊，灰度化主要是将原始RGB图像转成灰度值，因为相机在夜晚拍摄主要通过红外线成像，所以我们采用灰度图替代红外成像，噪声主要是椒盐噪声，随机取点完成图像加噪声处理。