CN107392201A - 接触网支柱的支柱号识别方法、存储介质、处理设备 - Google Patents
接触网支柱的支柱号识别方法、存储介质、处理设备 Download PDFInfo
- Publication number
- CN107392201A CN107392201A CN201710437485.4A CN201710437485A CN107392201A CN 107392201 A CN107392201 A CN 107392201A CN 201710437485 A CN201710437485 A CN 201710437485A CN 107392201 A CN107392201 A CN 107392201A
- Authority
- CN
- China
- Prior art keywords
- number plate
- character
- pillar
- image
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000003754 machining Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 21
- 238000012876 topography Methods 0.000 claims description 13
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000010276 construction Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像识别领域，具体提出一种接触网支柱的支柱号识别方法、存储介质、处理设备，旨在解决接触网的全局图像效果较差时，不能快速准确地识别接触网支柱号牌的问题。本发明的接触网支柱的支柱号识别方法将设计优化后的号牌检测模型、字符检测模型，依次用于对全局图像进行号牌区域图像的提取、字符区域图像的提取，通过字符识别算法获取支柱号牌字符组，然后基于全局图像采集的顺序、预设的接触网支柱排序规则、已识别的支柱号牌对支柱号牌字符组进行修正。通过本发明可以在接触网的全局图像效果较差时也能准确快速地识别出接触网支柱号牌。
Description
技术领域
本发明属于图像识别领域，具体涉及一种接触网支柱的支柱号识别方法、存储介质、处理设备。
背景技术
发展电气化铁路是铁路现代化建设的必然趋势。电力列车必须在高速运行条件下可靠地从接触网上取得电能，否则将影响列车运行和电气驱动系统的性能。
接触网是在铁路沿线上空架设的向电力列车供电的输电线路。为保证电气化铁路正常运营，需要对发生接触网故障的位置进行精准定位。电气化铁路接触网系统包含在铁路沿线架设的大量支柱，在铁路沿线架设的支柱通常按顺序吊挂支柱号牌，用于对接触网故障位置进行快速的定位，及时准确的对接触网故障位置进行维修。
目前电气化铁路接触网中对支柱号牌中支柱号的识别，一般通过支柱与号牌位置关系和轮廓提取的方法来获取号牌的位置区域，随后对号牌区域进行二值化处理与字符分割来实现字符识别。然而，这种识别方式对成像质量要求较高，当图像背景复杂，光照条件不佳时，识别效果往往不能让人满意。
因此，如果可以解决在接触网支柱的全局图像成像效果较差的情况下，快速、准确的识别出接触网支柱的支柱号的问题，将有利于快速定位接触网故障位置，及时准确的对接触网进行维修，保证电气化列车正常运营。
发明内容
为了解决现有技术中的上述问题，即为了解决接触网支柱全局图像成像效果较差情况下快速准确的识别接触网支柱的支柱号牌的问题，本发明提出了一种接触网支柱的支柱号识别方法，包括：
步骤S1，对所获取的全局图像，利用号牌检测模型获取全局图像中号牌区域图像；
步骤S2，对所述号牌区域图像，利用字符检测模型获取支柱号牌的字符区域图像，通过字符识别算法获取支柱号牌字符组；
步骤S3，基于全局图像采集的顺序、及预设的接触网支柱排序规则，结合已识别的支柱号牌修正步骤S2所识别的支柱号牌字符组；
其中，
所述的号牌检测模型为依据深度卷积神经网络构建的检测模型，用于定位支柱号牌区域；所述的字符检测模型为依据深度卷积神经网络构建的检测模型，用于识别支柱号牌区域的字符。
优选地，所述步骤S2中通过字符识别算法获取支柱号牌字符组，包括：
通过字符识别算法进行各字符区域图像中字符的识别；
根据字符在号牌区域图像中的位置信息，对字符进行排列。
优选地，号牌检测模型包括第一深度卷积神经网络，第一深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；
其中，
第一深度卷积神经网络中的卷积层用于计算提取全局图像的局部特征；
第一深度卷积神经网络中的降采样层通过池化对全局图像的局部特征做降采样处理；
第一深度卷积神经网络中的全连接层用于逐层特征提取处理；
第一深度卷积神经网络中的分类器层用于分析全局图像支柱号牌的类别概率和位置信息。
优选地，号牌检测模型的训练优化方法，包括：
步骤A1，将第一训练样本输入所述号牌检测模型；第一训练样本包括全局图像样本和号牌区域图像样本；
步骤A2，通过号牌检测模型分析并输出支柱号牌的类别概率和精确位置；
步骤A3，依据预设的第一深度卷积神经网络中的分类器损失函数，基于步骤A2输出的信息对号牌检测模型中第一深度卷积神经络参数进行优化；其中，第一深度卷积神经网络的分类器损失函数包括类别损失和位置损失。
优选地，步骤S1中利用号牌检测模型获取全局图像中号牌区域图像，包括：
步骤S11，将全局图像输入所述号牌检测模型得到局部图像及对应的类别概率值、和各局部图像的位置信息；
步骤S12，选择类别概率值满足预设阈值的局部图像为号牌区域；
步骤S13，依据所述号牌区域对应的位置信息，提取所述号牌区域图像；
其中，所述的局部图像的位置信息包括局部图像的中心点坐标、长度和宽度。
优选地，所述字符检测模型包括第二深度卷积神经网络，第二深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；其中，
第二深度卷积神经网络中的卷积层用于计算提取号牌区域图像的局部特征；
第二深度卷积神经网络中的降采样层通过池化对号牌区域图像的局部特征做降采样处理；
第二深度卷积神经网络中的全连接层用于逐层特征提取处理；
第二深度卷积神经网络中的分类器层用于分析号牌区域图像中各字符区域的类别概率和位置信息。
优选地，所述字符检测模型的训练优化方法，包括：
步骤B1，将第二训练样本输入所述字符检测模型；第二训练样本包括号牌区域图像样本和字符区域图像样本；
步骤B2，通过字符检测模型分析并输出字符的类别概率和精确位置；
步骤B3，依据预设的第二深度卷积神经网络的分类器损失函数，基于步骤B2输出的信息对所述字符检测模型中的第二深度卷积神经网络参数进行优化；其中，第二深度卷积神经网络的分类器损失函数包括类别损失和位置损失。
优选地，所述步骤S2中利用字符检测模型获取支柱号牌的字符区域图像，包括：
步骤S21，将所述号牌区域图像输入所述字符检测模型得到多个图像区域及其类别概率值，和各图像区域的位置信息；
步骤S22，选择类别概率值满足预设阈值的图像区域为输出的包含字符的区域；
步骤S23，依据所述包含字符的区域对应的位置信息，提取所述字符区域图像；
其中，所述的图像区域的位置信息包括图像区域的中心点坐标、长度和宽度。
本发明的另一方面，提出了一种存储介质，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的接触网支柱的支柱号识别方法中的内容。
本发明的第三方面，提出了一种处理装置，包括
处理器，适于执行各条程序；以及
存储设备，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
上述的接触网支柱的支柱号识别方法中的内容。
本发明的有益效果如下：
一方面，本发明通过基于全局图像采集的顺序、及预设的接触网支柱排序规则，结合已识别的支柱号牌修正步骤S2所识别的支柱号牌字符组，通过对步骤S2所识别的支柱号牌字符组进行修正，避免了数据的误差，从而得出更为精准的接触网支柱的支柱号牌。
另一方面，本发明中修正步骤的引入，降低了对全局图像的像素要求，从而降低了图像采集装置的要求，提升了图像采集时的环境适应度，例如降低了天气情况、光照的强度、周围遮挡物等因素对图像采集的影响。
第三方面，本发明字符识别算法前通过号牌检测模型识别号牌区域、通过字符检测模型识别字符区域，提升了字符区域识别的准确度，进一步提升了字符识别的准确度。
附图说明
图1是本发明实施例的号牌检测模型训练流程框架示意图；
图2是本发明实施例的字符检测模型训练流程框架示意图；
图3是本发明实施例接触网支柱的支柱号识别方法流程示意图；
图4是本发明实施例接触网支柱的支柱号识别方法中步骤S1的流程示意图；
图5是本发明实施例接触网支柱的支柱号识别方法中步骤S11的流程示意图；
图6是本发明实施例接触网支柱的支柱号识别方法中步骤S2的流程示意图；
图7是本发明实施例接触网支柱的支柱号识别方法中步骤S21的流程示意图。
具体实施方式
下面参照附图来描述本发明的实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明中设计了号牌检测模型、字符检测模型，依次用于对全局图像进行号牌区域图像的提取、字符区域图像的提取，通过字符识别算法从所提取的字符区域图像中识别支柱号牌字符，并结合字符在其字符区域图像的位置信息对所识别的各支柱号牌字符进行排序，生成支柱号牌字符组，然后基于全局图像采集的顺序、预设的接触网支柱排序规则、已识别的支柱号牌对所得到的支柱号牌字符组进行修正。
本发明实施例中，号牌检测模型、字符检测模型可以依据深度卷积神经网络构建。
号牌检测模型包括第一深度卷积神经网络，第一深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；第一深度卷积神经网络中，卷积层用于计算提取全局图像的局部特征，采样层通过池化对全局图像的局部特征做降采样处理，全连接层用于逐层特征提取处理，分类器层用于分析全局图像支柱号牌的类别概率和位置信息。本实施例中号牌的位置信息包括号牌区域中心点坐标、长度和宽度。
字符检测模型包括第二深度卷积神经网络，第二深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；第二深度卷积神经网络中，卷积层用于计算提取号牌区域图像的局部特征，降采样层通过池化对号牌区域图像的局部特征做降采样处理，全连接层用于逐层特征提取处理，分类器层用于分析号牌区域图像中各字符区域的类别概率和位置信息。本实施例中字符区域的位置信息包括字符区域的中心点、长度和宽度。
上述卷积层、降采样层、全连接层和分类器层的构建方法在Lecun等人1998年发表在IEEE上的文章“Gradient-based learning applied to document recognition”有具体介绍，此处不再赘述。
在号牌检测模型、字符检测模型构建完成之后，需要利用相应的训练样本分别对号牌检测模型、字符检测模型进行训练，以优化模型中的参数，进而增加号牌检测模型、字符检测模型进行局部图像区域获取的准确度。
针对号牌检测模型，利用包括全局图像样本和号牌区域图像样本的第一训练样本进行优化，如图1所示，号牌检测模型训练方法包括以下步骤：
步骤A1：将第一训练样本输入到号牌检测模型中；
步骤A2：通过第一深度卷积神经网络中的卷积层计算提取全局图像的局部特征并传送到第一深度卷积神经网络中的采样层进行降采样处理，再通过第一深度卷积神经网络中的全连接层进行逐层特征提取处理，最后通过第一深度卷积神经网络中的分类器层分析支柱号牌的类别概率和位置信息；
步骤A3：根据全局图像样本和号牌区域图像样本设置第一深度卷积神经网络中的分类器损失函数，依据预设的第一深度卷积神经网络中的分类器损失函数对步骤A2中输出的信息对号牌检测模型中的第一深度卷积神经网络参数进行优化。
针对字符检测模型，利用号牌区域图像样本和字符区域图像样本的第二训练样本进行优化，如图2所示，字符检测模型训练方法包括以下步骤：
步骤B1：将第二训练样本输入到字符检测模型中；
步骤B2：通过第二深度卷积神经网络中的卷积层计算提取号牌区域图像的局部特征并传送到第二深度卷积神经网络中的降采样层进行降采样处理，再通过第二深度卷积神经网络中的全连接层进行逐层特征提取处理，最后通过第二深度卷积神经网络中的分类器层分析号牌区域图像中各字符区域的类别概率和位置信息；
步骤B3：根据号牌区域图像样本和字符区域图像样本设置第二深度卷积神经网络中的分类器损失函数，依据预设的第二深度卷积神经网络中的分类器损失函数对步骤B2中输出的信息对字符检测模型中的第二深度卷积神经网络参数进行优化。
本实施例中，第一深度卷积神经网络中的分类器损失函数、第二深度卷积神经网络中的分类器损失函数中均包括类别损失和位置损失；第一深度卷积神经网络中的分类器损失函数、第二深度卷积神经网络中的分类器损失函数均为目标真实类别和位置与深度卷积神经网络输出值中类别与位置的最小均方误差。
本实施例中，第一训练样本中的号牌区域图像样本为从对应的全局图像样本中抠取的包含号牌区域的图像块，并记录该图像块的位置信息，该位置信息包含图像块的中心位置在全图的坐标和图像块的长和宽；第二训练样本中的字符区域图像样本为从对应的号牌区域图像样本中抠取的包含字符的图像块，并记录该图像块的位置信息和字符类别信息，该位置信息包含图像块的中心位置在全图的坐标和图像块的长和宽，字符类别信息可以包括阿拉伯数字十个字符和若干个英文字符。
本实施例中，号牌检测模型、字符检测模型的优化过程中，均采用梯度下降算法来最小化输出层分类器损失函数，从而以迭代的方式对相应的深度卷积神经网络参数进行调整。求解方法在Rumelhart等人1986年发表在Nature上的文章″Learning representationsby back-propagating errors″中有具体介绍，此处不再赘述。
在本技术方案的应用过程中，直接利用上述构建并优化好的号牌检测模型、字符检测模型进行接触网支柱的支柱号识别方法的构建，为了更清晰的对本发明的技术方案进行描述，下面结合本发明的接触网支柱的支柱号识别方法的实施例进行详细说明。本发明一种实施例的接触网支柱的支柱号识别方法，如图3所示，包括步骤S1、步骤S2和步骤S3。
步骤S1：对所获取的全局图像，利用号牌检测模型获取全局图像中号牌区域图像。
本实施例中，步骤S1如图4所示可以包括步骤S11、步骤S12和步骤S13。
步骤S11，将全局图像输入号牌检测模型得到局部图像及对应的类别概率值、和各局部图像的位置信息；
步骤S12，选择类别概率值满足预设阈值的局部图像为号牌区域；
步骤S13，依据号牌区域对应的位置信息，提取号牌区域图像。
本实施例中，步骤S11如图5所示，包括：
(1)将获取的全局图像输入到号牌检测模型中，利用第一深度卷积神经网络中的卷积层计算提取全局图像的局部特征；
(2)利用第一深度卷积神经网络中的降采样层通过池化对全局图像进行降采样处理；
(3)利用第一深度卷积神经网络中的全连接层进行逐层特征提取处理；
(4)利用第一深度卷积神经网络中的分类器层分析全局图像支柱号牌的类别概率和位置信息。
本实施例中所输入的全局图像的获取方法为：在计算机的控制之下，利用工业相机等图像拍摄设备，对铁路沿线支柱杆号进行拍摄得到。
步骤S2：对号牌区域图像，利用字符检测模型获取支柱号牌的字符区域图像，通过字符识别算法获取支柱号牌字符组。
本实施例中，步骤S2中利用字符检测模型获取支柱号牌的字符区域图像的步骤如图6所示，包括：
步骤S21，将号牌区域图像输入字符检测模型得到多个图像区域及其类别概率值，和各图像区域的位置信息；
步骤S22，选择类别概率值满足预设阈值的图像区域为输出的包含字符的区域；
步骤S23，依据包含字符的区域对应的位置信息，提取字符区域图像。
本实施例中，步骤S2中通过字符识别算法获取支柱号牌字符组包括：
(1)通过字符识别算法进行各字符区域图像中字符的识别；
(2)根据字符在号牌区域图像中的位置信息，对字符进行排列。
上述字符的识别和字符进行排列两个步骤的先后顺序可以调换，并不影响本实施例技术方案的实施和技术效果的实现。
本实施例中，步骤S21如图7所示，包括：
(1)将获取号牌区域图像输入到号牌检测模型中，利用第二深度卷积神经网络中的卷积层计算提取号牌区域图像的局部特征；
(2)利用第二深度卷积神经网络中的降采样层通过池化对号牌区域图像进行降采样处理；
(3)利用第二深度卷积神经网络中的全连接层进行逐层特征提取处理；
(4)利用第二深度卷积神经网络中的分类器层分析号牌区域图像中各字符区域的类别概率和位置信息。
步骤S3：基于全局图像采集的顺序、及预设的接触网支柱排序规则，结合已识别的支柱号牌修正步骤S2所识别的支柱号牌字符组。
各接触网支柱的支柱号根据接触网支柱铺设的位置呈一定的连续性，其支柱号按照预设的规则设置，例如，针对复线铁路，某一侧的预设的接触网支柱排序规则为“001，003，005……n”、“T001，T003，T005……Tn”等。
本实施例通过步骤S3，对获取的支柱号牌字符组进行了修正。避免了数据的误差，从而使得出更为精准的接触网支柱的支柱号牌，从而定位接触网故障位置。
本发明的一种实施例的存储介质，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的接触网支柱的支柱号识别方法中的内容。
本发明的一种实施例的处理装置，包括处理器、存储设备；处理器适于执行各条程序；存储设备适于存储多条程序；所述程序适于由处理器加载并执行以实现上述接触网支柱的支柱号识别方法中的内容。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本领域技术人员应该能够意识到，本文中所公开的实施例描述的各示例的方法步骤可以进行软件程序化设计，并可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种接触网支柱的支柱号识别方法，包括：
步骤S1，对所获取的全局图像，利用号牌检测模型获取全局图像中号牌区域图像；
步骤S2，对所述号牌区域图像，利用字符检测模型获取字符区域图像，通过字符识别算法获取支柱号牌字符组；
步骤S3，基于全局图像采集的顺序、及预设的接触网支柱排序规则，结合已识别的支柱号牌修正步骤S2所识别的支柱号牌字符组；
其中，
所述的号牌检测模型为依据深度卷积神经网络构建的检测模型，用于定位号牌区域；
所述的字符检测模型为依据深度卷积神经网络构建的检测模型，用于识别号牌区域的字符。
2.根据权利要求1所述的接触网支柱的支柱号识别方法，其特征在于，步骤S2中所述通过字符识别算法获取支柱号牌字符组，包括：
通过字符识别算法进行各字符区域图像中字符的识别；
根据字符在所述号牌区域图像中的位置信息，对字符进行排列。
3.根据权利要求1所述的接触网支柱的支柱号识别方法，其特征在于，所述号牌检测模型包括第一深度卷积神经网络，第一深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；
其中，
所述第一深度卷积神经网络中的卷积层用于计算提取全局图像的局部特征；
所述第一深度卷积神经网络中的降采样层通过池化对全局图像的局部特征做降采样处理；
所述第一深度卷积神经网络中的全连接层用于逐层特征提取处理；
所述第一深度卷积神经网络中的分类器层用于分析全局图像支柱号牌的类别概率和位置信息。
4.根据权利要求3所述的接触网支柱的支柱号识别方法，其特征在于，所述号牌检测模型，其训练优化方法，包括：
步骤A1，将第一训练样本输入所述号牌检测模型；所述第一训练样本包括全局图像样本和号牌区域样本；
步骤A2，通过所述号牌检测模型分析并输出支柱号牌的类别概率和精确位置；
步骤A3，依据预设的第一深度卷积神经网络中的分类器损失函数，基于步骤A2输出的信息对所述号牌检测模型中第一深度卷积神经网络参数进行优化；其中，所述第一深度卷积神经网络中的分类器损失函数包括类别损失和位置损失。
5.根据权利要求3所述的接触网支柱的支柱号识别方法，其特征在于，步骤S1中所述利用号牌检测模型获取全局图像中号牌区域图像，包括：
步骤S11，将全局图像输入所述号牌检测模型得到局部图像及对应的类别概率值、和各局部图像的位置信息；
步骤S12，选择类别概率值满足预设阈值的局部图像为号牌区域；
步骤S13，依据所述号牌区域对应的位置信息，提取所述号牌区域图像；
其中，
所述的局部图像的位置信息包括局部图像的中心点坐标、长度和宽度。
6.根据权利要求1所述的接触网支柱的支柱号识别方法，其特征在于，所述字符检测模型包括第二深度卷积神经网络，第二深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；
其中，
所述第二深度卷积神经网络中的卷积层用于计算提取号牌区域图像的局部特征；
所述第二深度卷积神经网络中的降采样层通过池化对号牌区域图像的局部特征做降采样处理；
所述第二深度卷积神经网络中的全连接层用于逐层特征提取处理；
所述第二深度卷积神经网络中的分类器层用于分析号牌区域图像各字符区域的类别概率和位置信息。
7.根据权利要求6所述的接触网支柱的支柱号识别方法，其特征在于，所述字符检测模型，其训练优化方法，包括：
步骤B1，将第二训练样本输入所述字符检测模型；所述第二训练样本包括号牌区域图像样本和字符区域样本；
步骤B2，通过所述字符检测模型分析并输出字符的类别概率和精确位置；
步骤B3，依据预设的第二深度卷积神经网络中的分类器损失函数，基于步骤B2输出的信息对所述字符检测模型中第二深度卷积神经网络参数进行优化；其中，所述第二深度卷积神经网络中的分类器损失函数包括类别损失和位置损失。
8.根据权利要求7所述的接触网支柱的支柱号识别方法，其特征在于，步骤S2中所述利用字符检测模型获取支柱号牌的字符区域图像，包括：
步骤S21，将所述号牌区域图像输入所述字符检测模型得到多个图像区域及其类别概率值，和各图像区域的位置信息；
步骤S22，选择类别概率值满足预设阈值的图像区域为输出的包含字符的区域；
步骤S23，依据所述包含字符的区域对应的位置信息，提取所述字符区域图像；
其中，
所述的图像区域的位置信息包括图像区域的中心点坐标、长度和宽度。
9.一种存储介质，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-8所述的接触网支柱的支柱号识别方法中的内容。
10.一种处理装置，包括
处理器，适于执行各条程序；以及
存储设备，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：权利要求1-8所述的接触网支柱的支柱号识别方法中的内容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710437485.4A CN107392201A (zh) | 2017-06-09 | 2017-06-09 | 接触网支柱的支柱号识别方法、存储介质、处理设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710437485.4A CN107392201A (zh) | 2017-06-09 | 2017-06-09 | 接触网支柱的支柱号识别方法、存储介质、处理设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107392201A true CN107392201A (zh) | 2017-11-24 |
Family
ID=60332318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710437485.4A Pending CN107392201A (zh) | 2017-06-09 | 2017-06-09 | 接触网支柱的支柱号识别方法、存储介质、处理设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392201A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021914A (zh) * | 2017-12-27 | 2018-05-11 | 清华大学 | 基于卷积神经网络的印刷品字符区域提取方法 |
| CN108509950A (zh) * | 2018-03-27 | 2018-09-07 | 吴泽彬 | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
| CN109117753A (zh) * | 2018-07-24 | 2019-01-01 | 广州虎牙信息科技有限公司 | 部位识别方法、装置、终端及存储介质 |
| CN110659643A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种集装箱号的识别方法和装置 |
| CN110728269A (zh) * | 2019-12-17 | 2020-01-24 | 西南交通大学 | 一种高铁接触网支柱杆号牌识别方法 |
| CN110929726A (zh) * | 2020-02-11 | 2020-03-27 | 南京智莲森信息技术有限公司 | 一种铁路接触网支柱号牌识别方法及系统 |
| CN111008619A (zh) * | 2020-01-19 | 2020-04-14 | 南京智莲森信息技术有限公司 | 基于深度语义抽取的高铁接触网支柱号牌检测与识别方法 |
| CN112927186A (zh) * | 2021-01-26 | 2021-06-08 | 中国铁道科学研究院集团有限公司 | 用于识别无砟轨道板号的方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
| CN104299006A (zh) * | 2014-07-23 | 2015-01-21 | 中国传媒大学 | 一种基于深度神经网络的车牌识别方法 |
| CN105719302A (zh) * | 2016-01-25 | 2016-06-29 | 成都国铁电气设备有限公司 | 接触网支柱装置的识别定位方法及系统 |
| CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及系统 |
| CN106447699A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院自动化研究所 | 基于卡尔曼滤波的高铁接触网目标检测与跟踪方法 |
| CN106599900A (zh) * | 2015-10-20 | 2017-04-26 | 华中科技大学 | 一种识别图像中的字符串的方法和装置 |
-
2017
- 2017-06-09 CN CN201710437485.4A patent/CN107392201A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299006A (zh) * | 2014-07-23 | 2015-01-21 | 中国传媒大学 | 一种基于深度神经网络的车牌识别方法 |
| CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
| CN106599900A (zh) * | 2015-10-20 | 2017-04-26 | 华中科技大学 | 一种识别图像中的字符串的方法和装置 |
| CN105719302A (zh) * | 2016-01-25 | 2016-06-29 | 成都国铁电气设备有限公司 | 接触网支柱装置的识别定位方法及系统 |
| CN106447699A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院自动化研究所 | 基于卡尔曼滤波的高铁接触网目标检测与跟踪方法 |
| CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及系统 |
Non-Patent Citations (4)
| Title |
|---|
| DONGJIE CHEN 等: "High-speed Railway Real-time Localization Auxiliary Method based on Deep Neural Network", 《13TH INTERNATIONAL CONFERENCE OF COMPUTATIONAL METHODS IN SCIENCES AND ENGINEERING》 * |
| JOSEPH REDMON等: "You Only Look Once:Unified, Real-Time Object Detection", 《CVPR 2016》 * |
| VISHAL JAIN 等: "Deep Automatic Licence Plate Recognition system", 《ICVGIP 2016》 * |
| 周莉莉 等: "图像分割方法综述研究", 《计算机应用研究》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021914B (zh) * | 2017-12-27 | 2020-07-28 | 清华大学 | 基于卷积神经网络的印刷品字符区域提取方法 |
| CN108021914A (zh) * | 2017-12-27 | 2018-05-11 | 清华大学 | 基于卷积神经网络的印刷品字符区域提取方法 |
| CN108509950A (zh) * | 2018-03-27 | 2018-09-07 | 吴泽彬 | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
| CN108509950B (zh) * | 2018-03-27 | 2021-07-27 | 南京智莲森信息技术有限公司 | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
| CN110659643B (zh) * | 2018-06-29 | 2022-08-26 | 杭州海康威视数字技术股份有限公司 | 一种集装箱号的识别方法和装置 |
| CN110659643A (zh) * | 2018-06-29 | 2020-01-07 | 杭州海康威视数字技术股份有限公司 | 一种集装箱号的识别方法和装置 |
| CN109117753B (zh) * | 2018-07-24 | 2021-04-20 | 广州虎牙信息科技有限公司 | 部位识别方法、装置、终端及存储介质 |
| CN109117753A (zh) * | 2018-07-24 | 2019-01-01 | 广州虎牙信息科技有限公司 | 部位识别方法、装置、终端及存储介质 |
| CN110728269A (zh) * | 2019-12-17 | 2020-01-24 | 西南交通大学 | 一种高铁接触网支柱杆号牌识别方法 |
| CN111008619A (zh) * | 2020-01-19 | 2020-04-14 | 南京智莲森信息技术有限公司 | 基于深度语义抽取的高铁接触网支柱号牌检测与识别方法 |
| CN110929726B (zh) * | 2020-02-11 | 2020-07-03 | 南京智莲森信息技术有限公司 | 一种铁路接触网支柱号牌识别方法及系统 |
| CN110929726A (zh) * | 2020-02-11 | 2020-03-27 | 南京智莲森信息技术有限公司 | 一种铁路接触网支柱号牌识别方法及系统 |
| CN112927186A (zh) * | 2021-01-26 | 2021-06-08 | 中国铁道科学研究院集团有限公司 | 用于识别无砟轨道板号的方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392201A (zh) | 接触网支柱的支柱号识别方法、存储介质、处理设备 | |
| CN111126453B (zh) | 基于注意力机制和切割填充的细粒度图像分类方法及系统 | |
| CN107609485A (zh) | 交通标志的识别方法、存储介质、处理设备 | |
| CN111815605B (zh) | 基于分步深度学习的轨枕缺陷检测方法及存储介质 | |
| CN108173708A (zh) | 基于增量学习的异常流量检测方法、装置及存储介质 | |
| CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
| CN107292870A (zh) | 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统 | |
| CN109409404A (zh) | 一种基于深度学习的高铁接触网防风拉线故障检测方法 | |
| CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
| CN106909886A (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
| CN111080613B (zh) | 一种铁路货车浴盆破损故障图像识别方法 | |
| CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
| CN112381175A (zh) | 一种基于图像处理的电路板识别与分析方法 | |
| CN114363842B (zh) | 基于手机信令数据的公交乘客下车站点预测方法及装置 | |
| CN110147753A (zh) | 一种检测图像中小物体的方法及装置 | |
| CN106503663A (zh) | 一种基于深度学习的信号灯时长检测方法 | |
| CN114937293B (zh) | 基于gis的农业服务管理方法及系统 | |
| CN114882440A (zh) | 一种人头检测方法和系统 | |
| CN111859805A (zh) | 基于人工智能的电力图纸拓扑关系的检测方法 | |
| CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
| CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
| CN111223113B (zh) | 基于双重密集上下文感知网络的核磁共振海马体分割算法 | |
| CN112348170A (zh) | 一种道岔转辙机故障诊断方法及系统 | |
| CN112381031A (zh) | 基于卷积神经网络的实时在线受电弓羊角检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |