[发明专利]一种基于边缘智能的硬压板状态识别装置和方法

权利要求书

1.一种基于边缘智能的硬压板状态识别装置，包括图像采集模块(1)、数据处理模块(2)、云端通信模块(3)、伸缩臂系统(4)和底盘动力系统(5)，其特征在于：所述图像采集模块(1)包括双目摄像头(11)和照明补光系统(12)；

所述数据处理模块(2)，包括压板信息存储单元(21)、压板识别模型部署单元(22)和识别结果处理单元(23)；

所述云端通信模块(3)包括无线传输单元(31)、压板信息传输协议(32)和云端信息交互单元(33)，所述的压板信息传输协议(32)定义压板合、压板分或压板无三种状态协议；

所述伸缩臂系统(4)包括基座(41)、伸缩臂支架(42)、齿轮(43)、双电机(44)和伸缩臂控制系统；

所述底盘动力系统(5)包括履带式底盘(51)、循迹模块(52)、视觉二维码定位模块(53)、超声波避障模块(54)、电源模块以及底盘控制系统。

2.如权利要求1所述的一种基于边缘智能的硬压板状态识别装置，其特征在于，所述基座(41)上端通过关节、铰接将每一节伸缩臂链接起来，并通过电机控制伸缩臂移动。

3.如权利要求1所述的一种基于边缘智能的硬压板状态识别装置，其特征在于，所述电源模块包括电源管理模块和自动充电模块，且所述电源管理模块为图像采集模块(1)、数据处理模块(2)、云端通信模块(3)、伸缩臂控制系统以及底盘控制系统提供电力输出。

4.如权利要求3所述的一种基于边缘智能的硬压板状态识别装置，其特征在于，所述自动充电模块采用的是无线充电方式。

5.如权利要求1所述的一种基于边缘智能的硬压板状态识别装置，其特征在于，所述无线传输单元(31)采用WiFi传输。

6.如上述任一权利要求所述的一种基于边缘智能的硬压板状态识别方法，其特征在于，主要包括如下步骤：

S1：建立图像识别标签组，根据现场压板状况，共建立三组标签，即压板合、压板分、压板无；压板合表示压板在合位，压板投入；压板分表示压板在分位，压板没有投入；压板无表示，该压板为备用压板或者未投入压板；

S2：压板数据样本库建立，收集到的压板类型数据越多，模型训练也就越准确，对于同一种压板，从正面、侧面不同角度采集数据，同时考虑在不同光线下采集数据，保证与实际运行环境一致；将收集好的数据进行分成两组，一部分用于模型训练，一部分用于模型验证；

S3：训练组数据标注，在对压板图像识别深度学习训练之前，需要对收集到的数据压板进行标注，人工标注压板合、压板分、压板无三种类型的压板，确保标注清晰、准确；

S4：模型训练，实现对模型的准确配置，以及参数的准确调整；

S5：模型验证，将验证组数据输入模型中，检查模型训练结果准确性符合要求；

S6：模型部署，将训练号的压板识别模型部署在压板识别模型部署单元(22)中，在边缘端实现对压板状态识别；

S7：现场样本数据库建立，对于压板正确投退的屏柜，通过压板状态识别，将正确的压板状态信息和屏柜信息存储在压板信息存储单元(21)中，建立正确的样本数据库；

S8：压板识别与比对，在边缘端识别到的压板数据与样本数据库中的数据进行比对，比对结果输出给云端通信模块(3)，对异常投退的压板实时告警。

7.根据权利要求6所述的S4的具体步骤为：

S4-1：压板图像正则化剔除，对图像进行标准化处理；对图像像素点在红、绿、蓝三个分量上分别减去通道均值，即将图像中每一通道中的每个像素归一化为0到1之间的数据；这样被正则化处理之后的图像数据的宽×高×通道数，作为卷积神经网络的输入矩阵；

S4-2：压板图像数据增强，利用随机截取训练图上的框来生成新的训练样本，同时要保证采样的样本能包含真实的目标；采样之后，为了保持训练数据格式的一致性，还需要对相应的的坐标信息做变换；图像增强相关的函数包括对比度、饱和度、色彩明暗、保持长宽比例的缩放，通过调整不同参数，增加样本维度，提高模型识别度，从而提高模型的抗干扰能力；

S4-3：模型训练，将处理好的压板图像数据输入到深度卷积神经网络中，训练时阶段性调整学习率，直到模型达到学习效果；

S4-4：保存并固化读写参数，将训练好的模型参数单独保存，防止模型重训练过程中参数变化；

S4-5：加载模型，在深度学习框架下加载训练参数，打包模型与参数，便于后续模型部署。