[发明专利]一种基于杆号识别的综合缺陷分析方法

说明书

本发明公开了一种基于杆号识别的综合缺陷分析方法，包括S1：报警数据、巡检数据入库；S2：支柱唯一位置计算；S3：缺陷多维综合分析。采用基于深度学习的杆号识别方法能够将图像基于杆号对齐，矫正1C、3C、4C、5C、6C定位位置和识别2C图像杆号。识别效率很高，能够准确识别出杆牌中的数字，避免杆牌漏判，增加召回率，提高效率同时兼顾准确性。支持单种检测设备历史维度的检测结果对比分析以及不同检测类型（1C、2C、3C、4C、5C、6C）对当前支柱的历史所有检测结果进行关联查看、对比分析的能力，具有很高的缺陷判断分析有效性和效率。

技术领域

本发明涉及铁路6C数据中心的综合分析领域，尤其涉及一种基于杆号识别的综合缺陷分析方法。

背景技术

铁路6C数据中心的综合缺陷分析，需要将1C、2C、3C、4C、5C、6C告警数据和硬盘数据基于同支柱对齐，也就是说某一个支柱附近的1C-6C告警数据和硬盘数据都要放入该支柱对应数据库，主要目的在于提供多维度缺陷分析，某个供电设备（1C-6C中任何一个设备）发现缺陷，但由于天气、摄像头角度或清晰度等影响，需要借助其他C设备提供检测数据（图像、检测值），综合分析判断缺陷的真实性，影响原因。同时也需要查看同支柱的历史检测数据，对缺陷的变化趋势进行分析，对检修结果进行复核。

综合分析存在难点是1C-6C图像数据需要依据支柱对齐，只有同一支柱图像对齐才能进行综合分析，如果同支柱图像错位，无法进行综合分析；1C、3C、4C、5C、6C采集图像时通过GPS、LKJ设备等能够将图像基于支柱对齐，如果有某些错位图像（基于支柱）需要人工调整，而2C设备未安装GPS、LKJ因此无法定位，需要人工对齐，消耗大量的人力和物力。

常用的杆号识别方法类似车牌识别：第一步，从图像中通过目标检测识别出杆牌；第二步，通过杆牌识别出数字。由于铁路检测背景非常复杂，加之摄像头拍摄面积大，杆牌相对于整个图像目标太小，增加识别难度，往往第一步杆牌识别出来就是错误的，因此无法从图像中准确识别出杆号。

1C-6C杆号对齐之后，进行综合缺陷分析，获得三个方面内容：找到正真缺陷原因、观测缺陷发展趋势，对已维修缺陷进行复核。

发明内容

为了解决上述问题，本发明提出一种基于深度学习的铁路杆号识别方法，采用基于深度学习的杆号识别能够将图像基于杆号对齐，矫正1C、3C、4C、5C、6C定位位置和识别2C图像杆号。

一种基于支柱号识别的综合缺陷分析方法，包括以下步骤：

S1：报警数据、巡检数据入库；

S2：支柱唯一位置计算；

S3：缺陷多维综合分析。

所述步骤S2包括以下子步骤：

S21：从原始图像中提取支柱图像；

S22：从支柱图像中提取杆牌图像；

S23：从杆牌图像中提取数字信息；

S24：支柱定位位置矫正。

优选的，S1采用YoloV3目标检测网络算法，从原始图像中获取支柱图像。

优选的，S2从支柱图像中提取杆牌图像，如果采用YoloV3目标检测网络算法从支柱图像中检测出杆牌，存在较多的误报，主要原因是杆牌相对于整个图像很小，也就是针对杆牌这种小目标YoloV3目标检测网络算法在检测的准确度较低，因此需要一种改进的方法。

如图2 所示，将底层的提取到的特征也作为目标检测的对象，这样就能够对小目标进行检测，并且YoloV3采用3层9个anchor作为检测目标（每层3个），本发明扩展了4层12个anchor，这样避免杆牌漏判，增加召回率。