[发明专利]基于图像识别的全量检测信息采集方法

说明书

本发明公开了基于图像识别的全量检测信息采集方法，用于为神经网络提供预处理后的图像信息，包括：在入库区域设置单一色彩的环境色；分别利用若干不同色彩的光源照射入库区域，利用图像采集装置对入库区域进行图像采集，得到不同色彩下的图像信息；对不同色彩下的图像信息进行差异灰度化；根据灰度化后图像信息的像素灰度值计算方差，筛选出方差最大的灰度化后图像信息；对方差最大的灰度化后图像信息进行二值化，得到预处理后的图像信息。通过环境色的设置从源头减少图像处理的干扰信息，并通过不同光照条件下拍摄的图像信息进行比对和筛选，进而在输入神经网络之前就已经将大量的非必要信息略去，有助于提高后续的处理效率和识别的准确率。

技术领域

本发明涉及图像处理技术领域，特别涉及基于图像识别的全量检测信息采集方法。

背景技术

近年来，结合人工神经网络系统、自动机器人导航系统、自学习自组织系统、图像变换探测技术及文字识别技术等工作的开展，形成了一些有价值的信息融合方法，如补偿性学习融合方法、Mahler的随机融合方法、Mukai Tonshiham提出的主动感知法、专家系统法、参数模板法、物理模型方法等等。多传感器融合系统在民事应用领域得到了较快的发展，主要用于机器人、智能制造、智能交通、医疗诊断、遥感、刑侦和保安等领域。

其中，电力物资检测对入网物资质量有至关重要的影响，但数据直采的问题一直没有完善的解决方案，目前的数据直采装置大多基于智能检测设备和开放传输协议的基础上，但实际应用过程中多品牌智能检测设备混用，传输协议不开放、智能检测设备与传统检测设备、机械式检测设备混用等情况造成大量检测设备无法实现检测数据的自动采集、分析、查询、以及检验报告的自动生成，对检测的客观性和权威性有影响。

因此，借助多传感器信息融合的技术来实现全量检测信息采集，是解决物资检测过程中采集设备不通用问题的理想手段，其中，图像处理是最常用且最直接的方式，如申请号CN202111061921.5的发明公开了一种基于卷积神经网络的片材表面缺陷图像识别处理方法，该方法通过收集多种类型的缺陷图像构建可训练数据库来训练一个卷积神经网络模型；再将现场的片材表面成像图像输入已训练的深度学习模型里，获得对当前输入图像的缺陷类型识别结果，并通过像素级梯度加权类激活映射的方式，可获得当前模型对输出结果的可视化解释；最后在获得模型分类结果的前提下，通过对目标缺陷属性的特征值设定限定规则，提升了现有方法的识别精度和适用范围。

但现有技术主要以神经网络的学习和训练参数的优化为主，对于输入图像的预处理环节优化不够，导致输入神经网络时的图像仍然带有大量的非必要信息或噪音，因此运行效率较低，识别难度较大，导致识别的错误率较高，无法适应物资检测的高标准要求。

发明内容

针对现有技术中输入神经网络时的图像仍然带有大量的非必要信息或噪音问题，本申请提供了基于图像识别的全量检测信息采集方法，通过环境色的设置从源头减少图像处理的干扰信息，并通过不同光照条件下拍摄的图像信息进行比对和筛选，得到特征最明显、干扰因素最少的图像信息，进而在输入神经网络之前就已经将大量的非必要信息略去，有助于大幅提高后续的处理效率和识别的准确率。

以下是本发明的技术方案。

基于图像识别的全量检测信息采集方法，用于为神经网络提供预处理后的图像信息，包括：

S1：在入库区域设置单一色彩的环境色；

S2：分别利用若干不同色彩的光源照射入库区域，利用图像采集装置对入库区域进行图像采集，得到不同色彩下的图像信息；

S3：对不同色彩下的图像信息进行差异灰度化；

S4：根据灰度化后图像信息的像素灰度值计算方差，筛选出方差最大的灰度化后图像信息；

S5：对方差最大的灰度化后图像信息进行二值化，得到预处理后的图像信息。