[发明专利]一种基于卷积神经网络的屏柜指示灯识别方法及装置

权利要求书

1.一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：包括如下步骤：

步骤S1：采集屏柜指示灯图像，标注指示灯图像并进行数据增强，将数据增强后的指示灯图像划分训练集和测试集；

步骤S2：初始化图像检测模型参数并设置学习率，利用训练集对图像检测模型进行训练、压缩，并利用测试集测试图像检测模型，获得训练后的图像检测模型；

步骤S3：相机同步采集现场屏柜指示灯图像，将现场屏柜指示灯图像输入到训练后的图像检测模型进行检测，识别出屏柜指示灯类别及以指示灯亮暗状态，根据屏柜指示灯类别及以指示灯亮暗状态得到保护装置的工作状态。

2.根据权利要求1所述的一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：所述屏柜指示灯图像总数量不小于4000张。

3.根据权利要求1所述的一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：所述指示灯图像通过LabeImg进行数据标注，生成的标注文件为PASCAL VOC格式的XML文件。

4.根据权利要求1所述的一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：所述指示灯图像采用tensorflow内的高斯模糊、添加噪音、左右翻转的方式对指示灯图像数量进行增强。

5.根据权利要求1所述的一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：训练集和测试集的数量比例为6：1。

6.根据权利要求1所述的一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：所述图像检测模型以Fsater-RCNN为基础，包括：特征提取模块，RPN网络模块，ROI Pooling模块，分类以及位置回归模块。

7.根据权利要求6所述的一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：所述特征提取模块包括：3层深度可分离卷积和3层降采样比为2的Max Pooling层，3层深度可分离卷积和3层降Max Pooling层组成三组网络块，第一组网络块依次由卷积核为2x2的深度卷积层、归一化层、ReLu激活层、8个卷积核为1x1的逐点卷积、归一化层、ReLu激活层、降采样为2的max pooling层组成；第二组网络块依次由卷积核为3x3的深度卷积层、归一化层、ReLu激活层、16个卷积核为1x1的逐点卷积、归一化层、ReLu激活层、降采样为2的maxpooling层组成；第三组网络块依次由卷积核为4x4的深度卷积层、归一化层、ReLu激活层、16个卷积核为1x1的逐点卷积、归一化层、ReLu激活层、降采样为2的max pooling层组成。

8.根据权利要求1所述的一种基于卷积神经网络的屏柜指示灯识别方法，其特征在于：所述屏柜指示灯类别包括：保护装置运行、告警、检修和对时异常。

9.一种基于卷积神经网络的屏柜指示灯识别装置，其特征在于：包括如下模块：

数据集构建模块：用于采集屏柜指示灯图像，标注指示灯图像并进行数据增强，将数据增强后的指示灯图像划分训练集和测试集；

神经网络构建模块：用于初始化图像检测模型参数并设置学习率，利用训练集对图像检测模型进行训练、压缩，并利用测试集测试图像检测模型，获得训练后的图像检测模型；

指示灯识别模块：相机同步采集现场屏柜指示灯图像，将现场屏柜指示灯图像输入到训练后的图像检测模型进行检测，识别出屏柜指示灯类别及以指示灯亮暗状态，根据屏柜指示灯类别及以指示灯亮暗状态得到保护装置的工作状态。