CN107622253B - 一种基于神经网络识别设备类型的图像识别方法 - Google Patents
一种基于神经网络识别设备类型的图像识别方法 Download PDFInfo
- Publication number
- CN107622253B CN107622253B CN201710919179.4A CN201710919179A CN107622253B CN 107622253 B CN107622253 B CN 107622253B CN 201710919179 A CN201710919179 A CN 201710919179A CN 107622253 B CN107622253 B CN 107622253B
- Authority
- CN
- China
- Prior art keywords
- inspection
- image
- neural network
- channel vehicle
- main channel
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007689 inspection Methods 0.000 claims description 87
- 230000007246 mechanism Effects 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 11
- 238000004804 winding Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络识别设备类型的图像识别方法，包括如下步骤：步骤1：神经网络的训练过程；步骤2：利用训练后的神经网络进行图像识别的过程。与现有技术相比，本发明的有益效果为，1.神经网络具有初步的自适应与自组织能力，因此，能简化图片输入流程；2.神经网络的准确率比传统的模式识别方式要高得多。
Description
技术领域
本发明涉及图像识别技术领域，特别是涉及一种基于神经网络识别设备类型的图像识别方法。
背景技术
神经网络作为一种信息处理器，是目前最被广泛关注的研究领域之一，它的主要特性在于使用空间分布元件将输入信号非线性变换为输出信号和在密集互连结构中大量地并行处理信息，这种处理器是一种具有强大功能和容错的处理器件。神经网络还可以通过依据于实例的训练加以编程，而不是通过例如常规处理器领域中的规定算法，其训练可以在或不在管理程序下而达到。因此，在某些需要对复杂信息进行实时处理的场合，例如在语音识别、图像识别等方面，人工神经网络结构就比数字式计算机结构显示出了巨大的优越性，不仅信息处理功能强、而且处理速度快。
利用图像识别出机器的型号和类别在工业和生活中很常见，目前比较成功的识别机器型号和类别的方法最小距离分类、模板匹配(Match Template)都是比较经典的算法。然而使用目前的这些算法进行设备图像识别，存在一些缺陷：
1.速度慢，由于设备的图像面积较大，在模板匹配过程中模板大，速度慢。由于存在多种设备类型，所以就会有多个模板。当模板数量增加的时候，识别速度会进一步降低；
2.准确率低，当采集图像的大小和方向发生变化时，原有技术的误检和检出率都很低。只能通过辅助定位等手段实现，限制了应用范围；
3.处理流程复杂，每新增加一种模板，都需要收集图片，分析设备特征，调整参数，生成模板等一系列操作，流程复杂。
发明内容
针对上述现有技术中存在的技术问题，本发明的目的是提供一种基于神经网络识别设备类型的图像识别方法，。
为实现本发明的目的，本发明提供了一种基于神经网络识别设备类型的图像识别方法，包括如下步骤：
步骤1：神经网络的训练过程；
步骤2：利用训练后的神经网络进行图像识别的过程。
其中，
所述步骤1具体包括如下步骤：
步骤1.1：输入编码：将采集到的数据统一化为128*32的彩色图像，并将全部像素作为输入特征；
步骤1.2：图像重采样：将步长设置为4，重新采样后的图像大小为32*8；
步骤1.3：数据归一化：采用最大最小规格化方法对被初始化数据镜像一种线性变换，转换公式如下：
其中：v1为规格化后的数据；
v为A属性的原始数据中的一个；
minA为A属性中的最小值；
maxA为A属性中的最大值；
new_maxA为归一化后的区间数据的最大值；
new_minA为归一化后的区间数据的最小值；
步骤1.4：采用BP算法训练数据：包括如下步骤：
步骤1.4.1：权值和阈值的初始化；
步骤1.4.2：输入训练样本；
步骤1.4.3：计算隐含层各神经元的输出；
步骤1.4.4：计算输出层各神经元的输出；
步骤1.4.5：计算隐含层各神经元的误差；
步骤1.4.5：计算输出层各神经元的误差；
步骤1.4.6：隐含层和输出层权值及输出层各神经元阈值的更新；
步骤1.4.7：输入层和隐含层权值及隐含层各神经元阈值的更新；
步骤1.4.8：训练样本载入完毕，若完毕，训练结束，若未完毕，返回步骤步骤1.4.2，继续输入样本。
其中，
所述步骤2具体包括：
该方法读入指定的待识别图像文件，做出分类决策并返回类别标号，返回数值是一个0～1之间的数值，代表了识别结果的置信程度；
步骤2.1：图像分割，输入原始图，转为灰度图像，使用高斯法滤波去噪，saber算子提取边缘，二值化处理，找出连通区域，找到轮廓；
步骤2.2：验证存在区域，验证矩形大小，长宽比；
步骤2.3：特征提取，调整图像为128*128，转为灰度图像，高斯滤波，直方图均衡化，将对象输入神经网络；
步骤2.4：神经网络计算；
步骤2.5：输出结果。
其中，所述彩色图像通过巡检小车采集，所述巡检小车在机房内巡检，
所述机房设置：
在机房通道上铺设磁轨，一个纵向通道，和多条横向通道；
在每个机柜所在点，粘贴可读取标签，通过读取所述标签，巡检小车获取停止点信息；
所述巡检小车的巡检流程：
所述巡检小车包括巡检主通道车和巡检辅通道车，所述巡检主通道车载着巡检辅通道车移动，所述巡检主通道车载着巡检辅通道车从开始点出发，沿着纵向通道到达一个横向通道后，放出副通道车；
巡检辅通道车通过在所述横向通道上滑动，寻找到地上粘贴的标签时停止，则为到了一个制定机柜后，控制升降系统启动，在升降系统升降的过程中，识别机柜上的标签，若识别出一个标签，则为一台机器，针对于机器上的指示灯、数字显示器进行扫描，通过指示灯颜色判断机器是否正常，读取数字显示器的数字信息，进行记录和之前的数据对比，如果出现异常则发出警报；
依次巡检该条横向通道上所有的机柜后，巡检辅通道车滑动回巡检主通道车上，巡检主通道车载着巡检辅通道车继续向下一个横向通道移动，如此循环，直到巡检完所有的机柜。
其中，所述升降系统上设置有自然光摄像头和热感摄像头，所述自然光摄像头用于读取数字显示器，其拍摄自然光照片，将拍照数据上传服务器，服务器进行甄别后，判断机器是好是坏；所述热感摄像头用于读取显示灯的颜色，拍摄热感图片，比较颜色，分析出是否热度超过标准值，若超过报警。
其中，所述升降控制系统包括第三控制电机以及升降杆，所述第三控制电机控制所述升降杆升降，所述升降杆的上端安装有自然光摄像头和热感摄像头。
其中，所述巡检主通道车包括巡检主通道车车体和设置于主通道车车体上的收放线机构，所述收放线机构包括用于巡检辅通道车运动方向上的X轴收放线机构和用于巡检辅通道车运动方向上的Y轴收放线机构。
其中，所述X轴收放线机构包括第一控制电机、第一电缆绞盘以及第一拖链，所述第一控制电机与所述第一电缆绞盘传动连接，驱动所述第一电缆绞盘旋转，所述第一拖链铺设有线缆，其缠绕在所述第一电缆绞盘上，一端与所述巡检小车连接；所述Y轴收放线机构包括第二控制电机、第二电缆绞盘以及第二拖链，所述第二控制电机与所述第二电缆绞盘传动连接，驱动所述第二电缆绞盘旋转，所述第二拖链铺设有线缆，其缠绕在所述第二电缆绞盘上。
其中，在巡检过程中，所述巡检主通道车与Y轴收放线机构的控制电机同步开启和关闭，所述巡检辅助通道车与X轴收放线机构的控制电机同步开启和关闭；所述巡检主通道车处于移动状态时，所述巡检辅助通道车处于停止状态，反之，所述巡检主通道车处于停止状态时，所述巡检辅助通道车处于移动状态。
与现有技术相比，本发明的有益效果为，1.神经网络具有初步的自适应与自组织能力，因此，能简化图片输入流程；2.神经网络的准确率比传统的模式识别方式要高得多。
附图说明
图1所示为本申请的图像识别方法流程示意图；
图2所示为本申请的神经训练网络的一种实施例的示意图；
图3所示为本申请巡检主通道车的结构示意图；
图4所示为本申请机房内纵向通道和横向通道设置的一种实施例示意图；
图5所示为本申请巡检辅通道车的结构第一示意图；
图6所示为本申请巡检辅通道车的结构第二示意图；
图7所示为本申请巡检辅通道车的升降杆结构示意图；
图中，1-第一控制电机，2-第一电缆绞盘，3-巡检主通道车车体，4-第二控制电机，5-第二拖链，6-第二电缆绞盘，7-第一拖链，9-220V交流电源，10-蓄电池，301-摄像头，302-升降杆，303-第三控制电机，201-固定外筒，202-升降内筒，203-螺纹柱，61-摄像头座，71-连接块，81-仰俯调节电机。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
应当说明的是，本申请中所述的“连接”和用于表达“连接”的词语，如“相连接”、“相连”等，既包括某一部件与另一部件直接连接，也包括某一部件通过其他部件与另一部件相连接。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示，为实现本发明的目的，本发明提供了一种基于神经网络识别设备类型的图像识别方法，包括如下步骤：
步骤1：神经网络的训练过程；
步骤2：利用训练后的神经网络进行图像识别的过程。
神经网络是由多个神经元按照一定的排列顺序构成的,是一个非线性动力学系统,其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单,功能有限,但由大量神经元所构成的网络系统却能够实现复杂丰富的功能。神经网络系统除了具有集体运算的能力和自适应的学习能力外,还有很强的容错性和鲁棒性,善于联想、综合和推广。严格地说,神经网络是一个具有下列性质的有向图：
每个神经元有一个输入状态变量；
神经元到神经元有一个连接权值系数；
每个神经元有一个阀值；
每个神经元定义一个变换函数；
如图2所示，给出了一个具有s个输入分量，s个神经元组成的单层神经网络结构示意图，本申请可采用该神经网络结构。其中：P(s)代表输入节点，即是来自前级n个神经元的轴突的信息；w(S,R)代表权值；n(s)代表神经元的阈值；a(s)代表神经元的输出。
其中，
所述步骤1具体包括如下步骤：
步骤1.1：输入编码：将采集到的数据统一化为128*32的彩色图像，并将全部像素作为输入特征；
步骤1.2：图像重采样：将步长设置为4，重新采样后的图像大小为32*8；
步骤1.3：数据归一化：采用最大最小规格化方法对被初始化数据镜像一种线性变换，转换公式如下：
其中：v1为规格化后的数据；
v为A属性的原始数据中的一个；
minA为A属性中的最小值；
maxA为A属性中的最大值；
new_maxA为归一化后的区间数据的最大值；
new_minA为归一化后的区间数据的最小值；
步骤1.4：采用BP算法训练数据：包括如下步骤：
步骤1.4.1：权值和阈值的初始化；
步骤1.4.2：输入训练样本；
步骤1.4.3：计算隐含层各神经元的输出；
步骤1.4.4：计算输出层各神经元的输出；
步骤1.4.5：计算隐含层各神经元的误差；
步骤1.4.5：计算输出层各神经元的误差；
步骤1.4.6：隐含层和输出层权值及输出层各神经元阈值的更新；
步骤1.4.7：输入层和隐含层权值及隐含层各神经元阈值的更新；
步骤1.4.8：训练样本载入完毕，若完毕，训练结束，若未完毕，返回步骤步骤1.4.2，继续输入样本。
其中，
所述步骤2具体包括：
该方法读入指定的待识别图像文件，做出分类决策并返回类别标号，返回数值是一个0～1之间的数值，代表了识别结果的置信程度；
步骤2.1：图像分割，输入原始图，转为灰度图像，使用高斯法滤波去噪，saber算子提取边缘，二值化处理，找出连通区域，找到轮廓；
步骤2.2：验证存在区域，验证矩形大小，长宽比；
步骤2.3：特征提取，调整图像为128*128，转为灰度图像，高斯滤波，直方图均衡化，将对象输入神经网络；
步骤2.4：神经网络计算；
步骤2.5：输出结果。
利用该算法具有如下优势：
1、特别适合于求解内部机制复杂的问题；
2、能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力；
3、具有一定的推广、概括能力。
其中，所述彩色图像通过巡检小车采集，所述巡检小车在机房内巡检，
所述机房设置：
在机房通道上铺设磁轨，一个纵向通道，和多条横向通道；如图4所示，为一种具体的设置实施例。
在每个机柜所在点，粘贴可读取标签，通过读取所述标签，巡检辅通道车获取停止点信息；
巡检流程
所述巡检辅通道车包括巡检主通道车和巡检辅通道车，所述巡检主通道车载着巡检辅通道车移动，所述巡检主通道车载着巡检辅通道车从开始点出发，沿着纵向通道到达一个横向通道后，放出副通道车；
巡检辅通道车通过在所述横向通道上滑动，寻找到地上粘贴的标签时停止，则为到了一个制定机柜后，控制升降系统启动，在升降系统升降的过程中，识别机柜上的标签，若识别出一个标签，则为一台机器，针对于机器上的指示灯、数字显示器进行扫描，通过指示灯颜色判断机器是否正常，读取数字显示器的数字信息，进行记录和之前的数据对比，如果出现异常则发出警报；
依次巡检该条横向通道上所有的机柜后，巡检辅通道车滑动回巡检主通道车上，巡检主通道车载着巡检辅通道车继续向下一个横向通道移动，如此循环，直到巡检完所有的机柜。
需要说明的是，上述的标签可以为二维码或者条码等。
优选地，所述升降系统上设置有自然光摄像头和热感摄像头，所述自然光摄像头用于读取数字显示器，其拍摄自然光照片，将拍照数据上传服务器，服务器进行甄别后，判断机器是好是坏；所述热感摄像头用于读取显示灯的颜色，拍摄热感图片，比较颜色，分析出是否热度超过标准值，若超过报警。
优选地，如图1所示，所述巡检主通道车，包括巡检主通道车车体3和设置于巡检主通道车车体3上的收放线机构，所述收放线机构包括用于巡检辅通道车运动方向上的X轴收放线机构和用于巡检主通道车运动方向上的Y轴收放线机构。
需要说明的是，本申请中的X轴收放线机构和Y轴收放线机构在以巡检辅通道车8出发点为原点的直角坐标系中，分别位于X轴向和Y轴向。巡检辅通道车8的行进轨迹包括X轴向和Y轴向巡检主通道车的行进轨迹为Y轴向。
具体地，所述X轴收放线机构包括第一控制电机1、第一电缆绞盘2以及第一拖链7，所述第一控制电机1与所述第一电缆绞盘2传动连接，驱动所述第一电缆绞盘2旋转，所述第一拖链7铺设有线缆，其缠绕在所述第一电缆绞盘2上，一端与所述巡检辅通道车连接。巡检辅通道车在X轴上运动，第一控制电机1控制第一电缆绞盘2旋转，使得第一拖链7随着巡检辅通道车的运动而运动。
具体地，所述Y轴收放线机构包括第二控制电机4、第二电缆绞盘6以及第二拖链5，所述第二控制电机4与所述第二电缆绞盘6传动连接，驱动所述第二电缆绞盘6旋转，所述第二拖链5铺设有线缆，其缠绕在所述第二电缆绞盘6上。巡检主通道车车体3在X轴上运动，第一控制电机1控制第一电缆绞盘2旋转，使得第一拖链7随着巡检辅通道车的运动而运动。
需要说明的是，所述线缆包括电源线和/或网线。
具体地，本申请中所述巡检主通道车和巡检辅通道车均为自动寻迹小车，小车实现自动寻迹的结构，可以如下：
1.小车底端设置寻迹头，寻迹头为一个或多个光电传感器，小车的行进路线上预先铺设有寻迹磁条，将寻迹头对准磁条，小车启动后，通过光电传感器自动采集小车位置信号，将小车位置信号输送给小车主控制器，小车主控制器通过控制驱动机构实现自行寻迹行走。小车底部还可安装摄像头对行进路线上的障碍物进行拍摄，摄像头将拍摄的图像发送给主控制器，主控制器判断当判断具有障碍物时，自动报警。
2.或者，在小车底部设置有摄像头，在小车的行进路线上预先设置二维码，通过摄像头扫描二维码进行寻迹，将扫描的数据发送给主控制器，主控制器控制驱动机构进行行走。
优选地，在巡检过程中，所述巡检主通道车与Y轴收放线机构的控制电机同步开启和关闭，所述巡检辅助通道车与X轴收放线机构的控制电机同步开启和关闭；所述巡检主通道车处于移动状态时，所述巡检辅助通道车处于停止状态，反之，所述巡检主通道车处于停止状态时，所述巡检辅助通道车处于移动状态。
其中，如图5、图6、图7所示，所述升降控制系统包括第三控制电机以及升降杆，所述第三控制电机控制所述升降杆302升降，所述升降杆的上端安装有自然光摄像头和热感摄像头。通过自动升降实现高度方向上的自由拍摄。
本申请提供的具体的升降杆的结构，包括固定外筒201、升降内筒202以及螺纹柱203，所述螺纹柱203与第三控制电机303的输出轴固定连接，第三控制电机303带动所述螺纹柱203旋转，所述螺纹柱203与所述升降内筒202螺纹连接，所述螺纹柱203圆周侧面设置外螺纹，所述升降内筒202与螺纹柱203连接的圆周面设置有与外螺纹相配合使用的内螺纹，所述升降内筒202与所述固定外筒201滑动连接，所述固定外筒201下端与所述第三控制电机3上端面固定连接。
螺纹柱203旋转的时候，由于螺纹配合使得升降内筒202上升或下降。
所述升降内筒202上端面固定连接有连接块71，所述连接块71固定连接摄像头座61，摄像头301通过轴与摄像头座61滑动连接，穿过摄像头座61的一侧轴连接有仰俯调节电机81，通过仰俯调节电机81的旋转调节带动轴旋转，从而带动摄像头301旋转，调节摄像头的仰俯角度。
本申请为有线式结构，小车上设置有220V交流电源，可以外接220V交流电源为小车上用电部件供电，电机、摄像头等。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于神经网络识别设备类型的图像识别方法，其特征在于，包括步骤：
步骤1：神经网络的训练过程；
步骤2：利用训练后的神经网络进行图像识别的过程；
其中，待识别图像为彩色图像，所述步骤2具体包括：
步骤2 .1：图像分割，输入原始图，转为灰度图像，使用高斯法滤波去噪，saber算子提取边缘，二值化处理，找出连通区域，找到轮廓；
步骤2 .2：验证存在区域，验证矩形大小，长宽比；
步骤2 .3：特征提取，调整图像为128*128，转为灰度图像，高斯滤波，直方图均衡化，将对象输入神经网络；
步骤2 .4：神经网络计算；
步骤2 .5：输出结果；
所述彩色图像通过巡检小车采集，所述巡检小车在机房内巡检：
在机房通道上铺设磁轨，一个纵向通道和多条横向通道；
在每个机柜所在点，粘贴可读取标签，通过读取所述标签，巡检小车获取停止点信息；
所述巡检小车的巡检流程：
所述巡检小车包括巡检主通道车和巡检辅通道车，所述巡检主通道车载着巡检辅通道车移动，所述巡检主通道车载着巡检辅通道车从开始点出发，沿着纵向通道到达一个横向通道后，放出巡检辅通道车；
巡检辅通道车通过在所述横向通道上滑动，寻找到地上粘贴的标签时停止，则为到了一个制定机柜后，控制升降系统启动，在升降系统升降的过程中，识别机柜上的标签，若识别出一个标签，则为一台机器，针对于机器上的指示灯、数字显示器进行扫描，通过指示灯颜色判断机器是否正常，读取数字显示器的数字信息，进行记录和之前的数据对比，如果出现异常则发出警报；
依次巡检该条横向通道上所有的机柜后，巡检辅通道车滑动回巡检主通道车上，巡检主通道车载着巡检辅通道车继续向下一个横向通道移动，如此循环，直到巡检完所有的机柜。
2.根据权利要求1所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述步骤1具体包括如下步骤：
步骤1 .1：输入编码：将采集到的数据统一化为128*32的彩色图像，并将全部像素作为输入特征；
步骤1 .2：图像重采样：将步长设置为4，重新采样后的图像大小为32*8；
步骤1 .3：数据归一化；
步骤1 .4：采用BP算法训练数据：包括如下步骤：
步骤1 .4 .1：权值和阈值的初始化；
步骤1 .4 .2：输入训练样本；
步骤1 .4 .3：计算隐含层各神经元的输出；
步骤1 .4 .4：计算输出层各神经元的输出；
步骤1 .4 .5：计算隐含层各神经元的误差；
步骤1 .4 .5：计算输出层各神经元的误差；
步骤1 .4 .6：隐含层和输出层权值及输出层各神经元阈值的更新；
步骤1 .4 .7：输入层和隐含层权值及隐含层各神经元阈值的更新；
步骤1 .4 .8：训练样本载入完毕，若完毕，训练结束，若未完毕，返回步骤步骤1 .4.2，继续输入样本。
3.根据权利要求2所述的基于神经网络识别设备类型的图像识别方法，其特征在于，在步骤1.3中，所述数据归一化是指采用最大最小规格化方法对被初始化数据镜像一种线性变换，转换公式如下：
；其中，v1为规格化后的数据，v为A属性的原始数据中的一个，minA为A属性中的最小值；maxA为A属性中的最大值，new_maxA为归一化后的区间数据的最大值， new_minA为归一化后的区间数据的最小值。
4.根据权利要求1所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述升降系统上设置有自然光摄像头和热感摄像头，所述自然光摄像头配置为读取数字显示器，其拍摄自然光照片，将拍照数据上传服务器，服务器进行甄别后，判断机器是好是坏；所述热感摄像头配置为读取显示灯的颜色，拍摄热感图片，比较颜色，分析出是否热度超过标准值，若超过报警。
5.根据权利要求4所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述升降系统包括第三控制电机以及升降杆，所述第三控制电机控制所述升降杆升降， 所述升降杆的上端安装有自然光摄像头和热感摄像头。
6.根据权利要求1所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述巡检主通道车包括巡检主通道车车体和设置于主通道车车体上的收放线机构，所述收放线机构包括用于巡检辅通道车运动方向上的X轴收放线机构和用于巡检主通道车运动方向上的Y轴收放线机构。
7.根据权利要求6所述的基于神经网络识别设备类型的图像识别方法，其特征在于，所述X轴收放线机构包括第一控制电机、第一电缆绞盘以及第一拖链，所述第一控制电机与所述第一电缆绞盘传动连接，驱动所述第一电缆绞盘旋转，所述第一拖链铺设有线缆，其缠绕在所述第一电缆绞盘上，一端与所述巡检小车连接；
所述Y轴收放线机构包括第二控制电机、第二电缆绞盘以及第二拖链，所述第二控制电机与所述第二电缆绞盘传动连接，驱动所述第二电缆绞盘旋转，所述第二拖链铺设有线缆，其缠绕在所述第二电缆绞盘上。
8.根据权利要求6所述的基于神经网络识别设备类型的图像识别方法，其特征在于 ，在巡检过程中，所述巡检主通道车与Y轴收放线机构的控制电机同步开启和关闭，所述巡检辅通道车与X轴收放线机构的控制电机同步开启和关闭；所述巡检主通道车处于移动状态时，所述巡检辅通道车处于停止状态，反之，所述巡检主通道车处于停止状态时，所述巡检辅通道车处于移动状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710919179.4A CN107622253B (zh) | 2017-09-30 | 2017-09-30 | 一种基于神经网络识别设备类型的图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710919179.4A CN107622253B (zh) | 2017-09-30 | 2017-09-30 | 一种基于神经网络识别设备类型的图像识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107622253A CN107622253A (zh) | 2018-01-23 |
| CN107622253B true CN107622253B (zh) | 2024-02-02 |
Family
ID=61091133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710919179.4A Active CN107622253B (zh) | 2017-09-30 | 2017-09-30 | 一种基于神经网络识别设备类型的图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107622253B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214282B (zh) * | 2018-08-01 | 2019-04-26 | 中南民族大学 | 一种基于神经网络的三维手势关键点检测方法和系统 |
| CN109299670A (zh) * | 2018-09-04 | 2019-02-01 | 浙江梧斯源通信科技股份有限公司 | 基于图像识别的机房设备管理方法 |
| CN112668620A (zh) * | 2020-12-22 | 2021-04-16 | 湖南世优电气股份有限公司 | 一种机器视觉识别方法、装置及可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08324424A (ja) * | 1996-04-02 | 1996-12-10 | Nippon Yusoki Co Ltd | モノレールの軌道点検用作業車 |
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| CN103019262A (zh) * | 2012-12-27 | 2013-04-03 | 北京信息科技大学 | 管道检测机器人的控制系统和方法 |
| CN104268541A (zh) * | 2014-09-15 | 2015-01-07 | 青岛高校信息产业有限公司 | 一种设备铭牌和能效标识的智能化图像识别方法 |
| CN104463209A (zh) * | 2014-12-08 | 2015-03-25 | 厦门理工学院 | 一种基于bp神经网络的pcb板上数字代码识别方法 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN205249400U (zh) * | 2015-12-25 | 2016-05-18 | 福建省烟草公司南平市公司 | 机房故障巡检装置 |
| CN205899378U (zh) * | 2016-04-28 | 2017-01-18 | 中兴长天信息技术(北京)有限公司 | 一种基于rfid的履带式自主巡检机器人 |
| CN106845480A (zh) * | 2017-01-13 | 2017-06-13 | 河海大学 | 一种从图片中识别车牌的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10417525B2 (en) * | 2014-09-22 | 2019-09-17 | Samsung Electronics Co., Ltd. | Object recognition with reduced neural network weight precision |
-
2017
- 2017-09-30 CN CN201710919179.4A patent/CN107622253B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08324424A (ja) * | 1996-04-02 | 1996-12-10 | Nippon Yusoki Co Ltd | モノレールの軌道点検用作業車 |
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| CN103019262A (zh) * | 2012-12-27 | 2013-04-03 | 北京信息科技大学 | 管道检测机器人的控制系统和方法 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN104268541A (zh) * | 2014-09-15 | 2015-01-07 | 青岛高校信息产业有限公司 | 一种设备铭牌和能效标识的智能化图像识别方法 |
| CN104463209A (zh) * | 2014-12-08 | 2015-03-25 | 厦门理工学院 | 一种基于bp神经网络的pcb板上数字代码识别方法 |
| CN205249400U (zh) * | 2015-12-25 | 2016-05-18 | 福建省烟草公司南平市公司 | 机房故障巡检装置 |
| CN205899378U (zh) * | 2016-04-28 | 2017-01-18 | 中兴长天信息技术(北京)有限公司 | 一种基于rfid的履带式自主巡检机器人 |
| CN106845480A (zh) * | 2017-01-13 | 2017-06-13 | 河海大学 | 一种从图片中识别车牌的方法 |
Non-Patent Citations (4)
| Title |
|---|
| Jin-Ho Shin et al..A development of the mobile computing system for repair and patrol of electric power facilities.《 Fourth Annual ACIS International Conference on Computer and Information Science (ICIS'05)》.2006,第1-6页. * |
| 故障转子系统轴心轨迹的自动识别研究;刘刚;李明;乔宝明;赵利美;;中国测试(第01期);全文 * |
| 李欣；等.基于BP网络的设备故障诊断研究.科学技术与工程.2006,第6卷(第18期),第2893-2895页. * |
| 王化玲；等.高压换流站组合轨道式巡检机器人的研制.制造业自动化.2014,第36卷(第10期),第20-23页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107622253A (zh) | 2018-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
| CN109753929B (zh) | 一种高铁绝缘子巡检图像识别方法 | |
| CN107622253B (zh) | 一种基于神经网络识别设备类型的图像识别方法 | |
| WO2015184764A1 (zh) | 行人检测方法及装置 | |
| CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
| WO2021203717A1 (zh) | 基于视频帧的复杂场景路侧停车行为识别方法 | |
| CN108334844B (zh) | 一种输电线路巡检的沿线自动跟踪方法 | |
| CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
| CN110298265A (zh) | 一种基于yolo神经网络的电梯中特定目标检测方法 | |
| CN108345842B (zh) | 一种基于大数据的处理方法 | |
| CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
| CN108446696A (zh) | 一种基于深度学习的端到端车牌识别方法 | |
| CN108221755A (zh) | 一种基于车牌识别技术的智能车位锁 | |
| CN113139521A (zh) | 一种用于电力监控的行人越界标监测方法 | |
| US11037319B2 (en) | Contaminant detection and bird risk management at airports | |
| CN112465706A (zh) | 一种闸口集装箱自动验残方法 | |
| CN109325472B (zh) | 一种基于深度信息的人脸活体检测方法 | |
| CN108275530A (zh) | 一种基于机器学习的电梯安全预警方法 | |
| CN111598846A (zh) | 一种基于yolo的隧道内铁轨缺陷检测方法 | |
| CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
| CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
| Diyasa et al. | Multi-face Recognition for the Detection of Prisoners in Jail using a Modified Cascade Classifier and CNN | |
| CN115965934A (zh) | 一种停车位检测方法及装置 | |
| CN113239911B (zh) | 一种无人驾驶智能塔吊视觉场景分析方法和装置 | |
| CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240107 Address after: Room 4057, No. 545-551 Jipu Road, Baoshan District, Shanghai, 200000 Applicant after: Shanghai Yinyu Digital Technology Group Co.,Ltd. Address before: 18-1-411, Ruihang Plaza, northeast of the intersection of Central Avenue and East 2nd Road, Tianjin pilot free trade zone (Airport Economic Zone), Binhai New Area, Tianjin Applicant before: TIANJIN PABITE TECHNOLOGY CO.,LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |