CN111507316A - 一种光交箱智能识别方法及系统 - Google Patents
一种光交箱智能识别方法及系统 Download PDFInfo
- Publication number
- CN111507316A CN111507316A CN202010582244.0A CN202010582244A CN111507316A CN 111507316 A CN111507316 A CN 111507316A CN 202010582244 A CN202010582244 A CN 202010582244A CN 111507316 A CN111507316 A CN 111507316A
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- port
- result
- module
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000007689 inspection Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 4
- 238000012800 visualization Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种光交箱智能识别方法及其对应系统,该方法包括:处理包含光交箱端口的待处理图像得到第一图像;将第一图像中的端口部分和字符部分分别分割出来,得到多个端口图像及其对应的第一位置关系和多个字符图像及其对应的的第二位置关系;识别各端口图像和字符图像,得到相对应的第一识别结果和第二识别结果;根据第一位置关系和第二位置关系将第一识别结果和第二识别结果以矩阵展示。其对应的系统包括:图像处理模块、第一分割模块、第一识别模块、第二分割模块、第二识别模块、识别综合模块和远程收发模块。通过对光交箱的端口状态以及字符状态进行定位识别,快速得到光交箱端口以及字符的状态,缩短巡检人员的巡检时间,提高工作效率。
Description
技术领域
本发明涉及智能识别领域,特别涉及一种光交箱智能识别方法及系统。
背景技术
随着网络光纤的普及,电信光交箱已经遍布大街小巷。为了保障用户的最佳体验,通信公司会定期的抽人进行光交箱巡检。传统的巡检方式是人工对箱体上端口使用状态逐一验证,但是由于光交箱内部布线杂乱、端口众多,如果一一进行排查,巡检人员将会因为工作量太大而无法在规定时间内完成巡检任务。
发明内容
本发明实施例的目的在于解决现有技术存在的缺陷。
为了达到上述目的,一方面,本发明实施例公开了一种光交箱智能识别方法,通过下列步骤,实现对光交箱的智能识别。
对包含光交箱端口的待处理图像进行预处理,得到可视化效果理想的第一图像;将第一图像中的端口部分分割出来,得到多个端口图像,以及各端口图像在第一图像中的第一位置关系;将第一图像中的字符部分分割出来,得到多个字符图像,以及各字符图像在第一图像中的第二位置关系;通过端口分类器识别各端口图像,得到相对应的多个第一识别结果;通过神经网络模型识别各字符图像,得到相对应的多个第二识别结果;根据第一位置关系和第二位置关系,将对应的第一识别结果和第二识别结果,以矩阵的形式生成第三识别结果。
一个实例中,根据实际情况,由巡检人员修正第三识别结果中不符合预设规则的第一识别结果和/或第二识别结果,生成第四识别结果并上传至云端存储。
一个实例中,端口分类器识别各端口图像得到相对应的多个第一识别结果的过程可以细化为:设置包括多个模型的端口分类器,其中多个模型包括第一模型和第二模型;
通过第一模型对端口图像进行识别,生成一阶识别结果;如果一阶识别结果符合预设规则,则作为第一识别结果输出;如果一阶识别结果不符合预设规则,则通过第二模型对端口图像进行再次识别,生成二阶识别结果,并将一阶识别结果和二阶识别结果中接近预设规则的结果作为第一识别结果输出;或者,通过第一模型和第二模型分别对端口图像进行识别,得到两个识别结果,并将两个识别结果构成结果集,将结果集作为第一识别结果输出。
另一方面,本发明实施例公开了一种光交箱智能识别系统,包括图像处理模块、第一分割模块、第一识别模块、第二分割模块、第二识别模块、识别综合模块和远程收发模块。其中,
图像处理模块用于对待处理图像进行预处理,得到可视化效果理想的第一图像;
第一分割模块用于将第一图像中的端口部分分割出来,得到多个端口图像,以及各端口图像在第一图像中的第一位置关系;
第一识别模块用于通过端口分类器识别各端口图像,得到相对应的多个第一识别结果;
第二分割模块用于将第一图像中的字符部分分割出来,得到多个字符图像,以及各字符图像在第一图像中的第二位置关系;
第二识别模块用于通过神经网络模型识别各字符图像,得到相对应的多个第二识别结果;
识别综合模块用于根据第一位置关系和第二位置关系,将对应的第一识别结果和第二识别结果,以矩阵的形式生成第三识别结果;
远程收发模块用于将第三识别结果上传至云端存储。
一个实例中,还可以设置检查修订模块;检查修订模块根据实际情况,由巡检人员对第三识别结果进行修正,得到第四识别结果;第四识别结果通过远程收发模块上传至云端存储。
一个实例中,通过在第一识别模块中设置多个识别子模块提高识别率,其中,多个识别子模块包括第一子模块和第二子模块。
第一子模块对端口图像进行识别,生成一阶识别结果;如果一阶识别结果符合预设规则,则作为第一识别结果输出;如果一阶识别结果不符合预设规则,则第二子模块对端口图像进行再次识别,生成二阶识别结果,并将一阶识别结果和二阶识别结果中接近预设规则的结果作为第一识别结果输出;或者,第一子模块和第二子模块分别对端口图像进行识别,得到两个识别结果,并将两个识别结果构成结果集,将结果集作为第一识别结果输出。
本发明实施例的优点在于:提出了一种光交箱智能识别方法及其系统,通过机器视觉、深度学习、人机交互等等方面的知识对光交箱的端口状态以及字符状态进行定位识别,旨在通过人工智能的方法快速得到光交箱端口以及字符的状态,以缩短巡检人员的巡检时间,提高工作效率。
附图说明
图1为本发明实施例的一种光交箱只能识别方法流程框图;
图2为本发明实施例的一种光交箱只能识别系统框图;
图3为本发明实施例的含有光交箱端口的待处理图像;
图4为本发明实施例的端口图像矩阵示意图;
图5为本发明实施例的字符图像示意图;
图6为本发明实施例的第三识别结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例的一种光交箱只能识别方法流程框图,如图1所示。该方法包括下列步骤:
步骤S110图像预处理
对包含光交箱端口的待处理图像进行预处理,得到可视化效果理想的第一图像。
在实际生活中,大多通过巡检人员采用手机拍照,或者相机拍照的方法得到待处理图像。由于拍摄角度、拍摄光线、拍摄设备等多种因素的影响,待处理图像可能出现过曝、欠曝等一系列不利于图像识别的干扰成分。通过使用数字图像处理技术对待处理图像进行处理,可以得到可视化效果理想的第一图像。
一个实例中,通过调整待处理图像的γ曲线,对待处理图像进行动态压缩,使得低亮度的像素(欠曝部分)变亮,高亮度的像素(过曝部分)变暗。然后通过拟合待处理图像的亮度、轮廓和细节等信息处理图像曝光不均的问题。
步骤S121:分割端口图像
使用棋盘算法将第一图像中的端口部分分割出来。得到多个端口图像,并且同时获得各个端口图像位于第一图像中的第一位置关系。
根据光交箱的图像自身具备的端口矩阵式排列的这一特点,可以使用棋盘算法对第一图像进行分割,得到端口图像以及端口图像位于第一图像中的位置关系。考虑到包含光交箱端口的第一图像中,布线分布杂乱且数量众多,同时还可能存在遮挡端口的情况,直接使用机器学习或者深度学习的方法难以在保证较好泛性的情况下完整的定位并识别出各个端口的位置得到端口图像。因此,在一个实施例中,可以先行确定各个端口具备的特征,并确定某一特征为第一特征。根据端口的第一特征,确定第一图像中含有第一特征的端口的位置,并将这些含有第一特征的端口分割出来;根据确定好的具备第一特征的端口位于第一图像中的位置,通过自适应棋盘算法将余下不具备第一特征的端口分割出来。
步骤S122:分割字符图像
将第一图像中的字符部分分割出来,得到多个字符图像,以及各字符图像在第一图像中的第二位置关系。
根据光交箱的图像中,字符部分与端口矩阵的行所形成的对应关系这一特点,确定端口矩阵中每行行首或者行尾的字符部分。以至少两层所对应的字符部分为一个分割单位,将字符部分分割出来生成字符图像。并根据字符部分与端口矩阵的行所具备的对应关系,获得各字符图像位于第一图像中的位置关系。
步骤S131:端口图像识别
使用训练好的支持向量机分类器、卷积神经网络模型等智能识别方式识别各端口图像,得到对应于端口图像的第一识别结果。
这里提到的训练好的支持向量机分类器,在一个实例中,以端口图像为样本,以端口图像的梯度直方图HOG为特征,使用支持向量机SVM对其特征向量进行训练。训练好的卷积神经网络则同样以端口图像为样本进行训练得到。
实际使用中可以仅使用一种识别方式来获取端口图像及其对应的位置关系,但考虑到单独使用某一种识别方法可能存在识别准确率不足的问题,可以对端口图像同时进行两种以上的智能识别,以提高识别的准确度。
在采用至少两种以上的识别方法进行智能识别的过程中,可以设计识别顺序。例如先使用SVM-HOG端口分类器对端口图像进行识别,对识别准确的端口直接生成识别结果。对识别不准确的端口再进行基于卷积神经网络的识别,得到更接近真实结果的识别结果,并将两次的结果进行汇总生成第一识别结果。除设计特定的识别顺序,进行多阶识别之外,还可以对同一样本进行多次不同方式的识别,将多个识别结果作为第一识别结果的结果集,由人工确认结果集中多个识别结果的准确性。例如对某一端口图像,将其作为SVM-HOG端口分类器和CNN识别模型的样本,并得到分别对应的两个识别结果。将这两个识别结果均作为第一识别结果输出,在步骤S150时,由人工对两个结果进行判别。
步骤S132:字符图像识别
使用训练好的YOLO网络模型识别各字符图像,得到相对应的多个第二识别结果。
步骤S140:综合识别结果
根据预设的规则建立可视化的矩阵模型展示第一识别结果和第二识别结果。根据对端口图像识别得到的第一识别结果及其第一位置关系,以及对字符图像识别得到的第二识别结果及其第二位置关系,以二维矩阵的形式生成第三识别结果。其中,第三识别结果中的每一个元素对应一个第一识别结果或者第二识别结果。
步骤S150:人机交互校正
巡检人员查询第三识别结果。根据实际情况修正第三识别结果中与网络模型的标签拟合较差的第一识别结果或第二识别结果,生成第四识别结果。将得到的与真实情况最为相似的第四识别结果并上传至云端存储。
采用上述方法可以通过机器学习、深度学习、人机交互等等技术来完成移动光缆光交箱端口以及端口状态的定位识别,缩短巡检人员的巡检工时,同时将每次的识别结果直接传输到云端进行储存。
建立基于上述方法的系统可以包括:图像处理模块、第一分割模块、第一识别模块、第二分割模块、第二识别模块、识别综合模块、检查修订模块和远程收发模块。如图2所示。
图像处理模块用于对获取的待处理图像进行处理,具体针对于包含光交箱端口的待处理图像。大多通过巡检人员采用手机拍照,或者相机拍照的方法获得。由于拍摄角度、拍摄光线、拍摄设备等多种因素的影响,待处理图像可能出现过曝、欠曝等一系列不利于图像识别的干扰成分。通过使用数字图像处理技术对待处理图像进行处理,可以得到可视化效果理想的第一图像。
一个实例中,通过调整待处理图像的γ曲线,对待处理图像进行动态压缩,使得低亮度的像素(欠曝部分)变亮,高亮度的像素(过曝部分)变暗。然后通过拟合待处理图像的亮度、轮廓和细节等信息处理图像曝光不均的问题。
第一分割模块使用棋盘算法将第一图像中的端口部分分割出来。得到多个端口图像,并且同时获得各个端口图像位于第一图像中的第一位置关系。根据光交箱的图像自身具备的端口矩阵式排列的这一特点,可以使用棋盘算法对第一图像进行分割,得到端口图像以及端口图像位于第一图像中的位置关系。考虑到包含光交箱端口的第一图像中,布线分布杂乱且数量众多,同时还可能存在遮挡端口的情况,直接使用机器学习或者深度学习的方法难以在保证较好泛性的情况下完整的定位并识别出各个端口的位置得到端口图像。因此,在一个实施例中,可以先行确定各个端口具备的特征,并确定某一特征为第一特征。根据端口的第一特征,确定第一图像中含有第一特征的端口的位置,并将这些含有第一特征的端口分割出来;根据确定好的具备第一特征的端口位于第一图像中的位置,通过自适应棋盘算法将余下不具备第一特征的端口分割出来。
第一识别模块使用训练好的支持向量机分类器、卷积神经网络模型等智能识别方式识别各端口图像,得到对应于端口图像的第一识别结果。
这里提到的训练好的支持向量机分类器,在一个实例中,以端口图像为样本,以端口图像的梯度直方图HOG为特征,使用支持向量机SVM对其特征向量进行训练。训练好的卷积神经网络则同样以端口图像为样本进行训练得到。
实际使用中可以仅使用一种识别方式来获取端口图像及其对应的位置关系,但考虑到单独使用某一种识别方法可能存在识别准确率不足的问题,可以对端口图像同时进行两种以上的智能识别,以提高识别的准确度。
因此,第一识别模块可以包含多个识别子模块以实现多种方式的智能识别。在采用至少两种以上的识别方法进行智能识别的过程中,可以设计识别顺序。例如先使用SVM-HOG端口分类器对端口图像进行识别,对识别准确的端口直接生成识别结果。对识别不准确的端口再进行基于卷积神经网络的识别,得到更接近真实结果的识别结果,并将两次的结果进行汇总生成第一识别结果。除设计特定的识别顺序,进行多阶识别之外,还可以对同一样本进行多次不同方式的识别,将多个识别结果作为第一识别结果的结果集,由人工确认结果集中多个识别结果的准确性。例如对某一端口图像,将其作为SVM-HOG端口分类器和CNN识别模型的样本,并得到分别对应的两个识别结果。将这两个识别结果均作为第一识别结果输出,在步骤S150时,由人工对两个结果进行判别。
第二分割模块将第一图像中的字符部分分割出来,得到多个字符图像,以及各字符图像在第一图像中的第二位置关系。根据光交箱的图像中,字符部分与端口矩阵的行所形成的对应关系这一特点,确定端口矩阵中每行行首或者行尾的字符部分。以至少两层所对应的字符部分为一个分割单位,将字符部分分割出来生成字符图像。并根据字符部分与端口矩阵的行所具备的对应关系,获得各字符图像位于第一图像中的位置关系。
第二识别模块使用训练好的YOLO网络模型识别各字符图像,得到相对应的多个第二识别结果。
识别综合模块建立可视化的矩阵模型,用以展示第一识别模块和第二识别模块生成的识别结果。根据对端口图像识别得到的第一识别结果及其第一位置关系,以及对字符图像识别得到的第二识别结果及其第二位置关系,以二维矩阵的形式生成第三识别结果。其中,第三识别结果中的每一个元素对应一个第一识别结果或者第二识别结果。
检查修订模块用于向巡检人员提供第三识别结果的查询和修订。巡检人员根据实际情况修正第三识别结果中与网络模型的标签拟合较差的第一识别结果或第二识别结果,生成第四识别结果。
远程收发模块将第三识别结果和第四识别结果上传至云端存储,以便于查询。
在一个具体实施例中,将上述系统中的识别结果通过移动设备上的应用软件进行展示,可以方便快捷的使巡查人员了解光交箱的具体情况。该系统快速的对采集到的待处理图像进行识别,得到识别结果,巡检人员根据实际情况修订识别结果中的错误。
巡检人员采集到的含有光交箱端口的待处理图像如图3所示。其中的光交箱显示了共26行,每行12个端口,以及每行对应的字符。
对该待处理图像进行预处理,得到可视化效果理想的第一图像。
对第一图像进行分割得到312(26行乘以每行12个)个端口图像。312个端口图像按照每个端口图像在第一图像中的位置关系可以组成如图4所示的矩阵。其中,为了便与描述对部分端口图像进行了省略,在后续描述过程中,也将着重对具体显示的20个端口图像进行陈述。但需要理解,未具体显示的其他端口图像将与具体显示的20个端口图像进行同样的处理。
如图4所示的端口图像矩阵中,编号1-1、1-2、1-12、25-2的端口图像中,端口上套有红色帽装胶套;编号2-1、2-12、25-1、25-11的端口图像中,端口未正常显示并且端口轮廓不清;编号3-1、3-12、26-1、26-11的端口图像中,端口为圆形金属帽;编号1-11、2-2、2-11、25-12的端口图像中,端口连接有线缆;编号3-2、3-11、26-2、26-12的端口图像中,端口轮廓清晰但不具备连接端或连接端损坏外露。
首先使用SVM-HOG端口分类器对图4中的端口进行识别,生成第一阶段的识别结果。为避免该次识别结果的准确率不足,再使用CNN识别模型对第一阶段的识别结果中与标签拟合情况较差的端口图像进行第二次识别,生成第二阶段的识别结果。综合第一阶段的识别结果和第二阶段的识别结果生成第一识别结果。
具体地,对于图4中,编号1-1、1-2、1-12、25-2的端口图像,根据端口上套有红色帽装胶套,端口分类器将其判定为“红帽”状态;编号2-1、2-12、25-1、25-11的端口图像,根据端口未正常显示并且端口轮廓不清,端口分类器将其判定为“遮挡”状态;编号3-1、3-12、26-1、26-11的端口图像,根据端口为圆形金属帽,端口分类器将其判定为“圆帽”状态;编号1-11、2-2、2-11、25-12的端口图像,根据端口连接有线缆,端口分类器将其判定为“连线”状态;编号3-2、3-11、26-2、26-12的端口图像,根据端口轮廓清晰但不具备连接端或连接端损坏外露,端口分类器将其判定为“缺损”状态。其中,针对于编号2-1、2-12、25-1、25-11的端口图像。其“遮挡”状态极大概率是由于采集图像时被其他端口的连线或者其他遮挡物遮挡导致的。需要巡检人员根据现场情况对“遮挡”状态的端口图像所对应的端口进行检查,并根据检查结果对第一识别结果中的“遮挡”状态这一类结果进行修正。
字符图像以每3个相邻行所对应的字符为1个单位,对第一图像进行分割。分割得到的字符图像如图5所示。
使用YOLO网络模型对每3个相邻行所对应的字符进行识别,得到每行字符所对应的第二识别结果。第二识别结果以文本的形式体现,文本的内容用于对该行进行标记或说明。
建立26行,每行13个元素的矩阵模型。将对端口图像进行识别得到的312个第一识别结果,根据其对应的端口图像位于第一图像中的第一位置关系,显示在26ⅹ13的矩阵模型中。具体地,可以为显示在共26行,每行的前12个元素对应的位置上。将对字符图像进行识别的第二识别结果,根据每个字符图像所对应的行所在的第二位置关系,显示在26ⅹ13的矩阵模型中。具体地,可以显示在共26行,每行的第13个元素对应的位置上。得到如图6所示的可视化矩阵模型,即第三识别结果。该可视化矩阵模型中包含第一图像中全部端口图像和字符图像的识别结果。
巡检人员查询第三识别结果。根据第三识别结果中显示的“遮挡”状态在矩阵模型中的位置对应寻找现实的光交箱中被识别为“遮挡”的端口,并对其进行人工识别,根据人工识别的结果对第三识别结果进行更新,生成第四识别结果。在这一过程中,第三识别结果和第四识别结果均会上传至云端服务器进行存储,方便其他用户查询机器识别的内容与人机交互识别的内容。
本发明实施例提出的一种光交箱智能识别方法及其系统,通过机器视觉、深度学习、人机交互等等方面的知识对光交箱的端口状态以及字符状态进行定位识别,旨在通过人工智能的方法快速得到光交箱端口以及字符的状态,以缩短巡检人员的巡检时间,提高工作效率。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种光交箱智能识别方法,其特征在于,包括下列步骤:
对包含光交箱端口的待处理图像进行预处理,得到可视化效果理想的第一图像;
将所述第一图像中的端口部分分割出来,得到多个端口图像,以及各端口图像在第一图像中的第一位置关系;将所述第一图像中的字符部分分割出来,得到多个字符图像,以及各字符图像在第一图像中的第二位置关系;
通过端口分类器识别各端口图像,得到相对应的多个第一识别结果;通过神经网络模型识别各字符图像,得到相对应的多个第二识别结果;
根据第一位置关系和第二位置关系,将对应的第一识别结果和第二识别结果,以矩阵的形式生成第三识别结果。
2.根据权利要求1所述的方法,其特征在于,还包括:根据实际情况,修正所述第三识别结果中不符合预设规则的第一识别结果和/或第二识别结果,生成第四识别结果并上传至云端存储。
3.根据权利要求1所述的方法,其特征在于,所述通过端口分类器识别各端口图像,得到相对应的多个第一识别结果的步骤,具体为:
所述端口分类器包括多个模型,所述多个模型包括第一模型和第二模型;
通过第一模型对端口图像进行识别,生成一阶识别结果;如果一阶识别结果符合预设规则,则作为第一识别结果输出;如果一阶识别结果不符合预设规则,则通过第二模型对端口图像进行再次识别,生成二阶识别结果,并将一阶识别结果和二阶识别结果中接近预设规则的结果作为第一识别结果输出;
通过第一模型和第二模型分别对端口图像进行识别,得到两个识别结果,并将所述两个识别结果构成结果集,将所述结果集作为第一识别结果输出。
4.一种光交箱智能识别系统,其特征在于,包括图像处理模块、第一分割模块、第一识别模块、第二分割模块、第二识别模块、识别综合模块和远程收发模块;其中,
图像处理模块用于对待处理图像进行预处理,得到可视化效果理想的第一图像;
第一分割模块用于将所述第一图像中的端口部分分割出来,得到多个端口图像,以及各端口图像在第一图像中的第一位置关系;
第一识别模块用于通过端口分类器识别各端口图像,得到相对应的多个第一识别结果;
第二分割模块用于将所述第一图像中的字符部分分割出来,得到多个字符图像,以及各字符图像在第一图像中的第二位置关系;
第二识别模块用于通过神经网络模型识别各字符图像,得到相对应的多个第二识别结果;
识别综合模块用于根据第一位置关系和第二位置关系,将对应的第一识别结果和第二识别结果,以矩阵的形式生成第三识别结果;
远程收发模块用于将第三识别结果上传至云端存储。
5.根据权利要求4所述的系统,其特征在于,还包括检查修订模块;
检查修订模块用于根据实际情况,由巡检人员对第三识别结果进行修正,得到第四识别结果;
所述第四识别结果通过远程收发模块上传至云端存储。
6.根据权利要求4所述的系统,其特征在于,所述第一识别模块包括多个识别子模块,所述多个识别子模块包括第一子模块和第二子模块;
所述第一子模块对端口图像进行识别,生成一阶识别结果;如果一阶识别结果符合预设规则,则作为第一识别结果输出;如果一阶识别结果不符合预设规则,则所述第二子模块对端口图像进行再次识别,生成二阶识别结果,并将一阶识别结果和二阶识别结果中接近预设规则的结果作为第一识别结果输出;
所述第一子模块和第二子模块分别对端口图像进行识别,得到两个识别结果,并将所述两个识别结果构成结果集,将所述结果集作为第一识别结果输出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053985.XA CN111222489A (zh) | 2020-01-17 | 2020-01-17 | 一种光交箱智能识别方法及系统 |
CN202010053985X | 2020-01-17 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507316A true CN111507316A (zh) | 2020-08-07 |
Family
ID=70829588
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010053985.XA Withdrawn CN111222489A (zh) | 2020-01-17 | 2020-01-17 | 一种光交箱智能识别方法及系统 |
CN202010582244.0A Pending CN111507316A (zh) | 2020-01-17 | 2020-06-23 | 一种光交箱智能识别方法及系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010053985.XA Withdrawn CN111222489A (zh) | 2020-01-17 | 2020-01-17 | 一种光交箱智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111222489A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225985A (zh) * | 2021-04-17 | 2022-10-21 | 华为技术有限公司 | 一种通信端口管理方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN108596166A (zh) * | 2018-04-13 | 2018-09-28 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
CN109815998A (zh) * | 2019-01-08 | 2019-05-28 | 科大国创软件股份有限公司 | 一种基于yolo算法的ai装维巡检方法及系统 |
CN110309870A (zh) * | 2019-06-24 | 2019-10-08 | 北京工业大学 | 一种图像分类的方法 |
-
2020
- 2020-01-17 CN CN202010053985.XA patent/CN111222489A/zh not_active Withdrawn
- 2020-06-23 CN CN202010582244.0A patent/CN111507316A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845478A (zh) * | 2016-12-30 | 2017-06-13 | 同观科技(深圳)有限公司 | 一种字符置信度的二次车牌识别方法及装置 |
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN108596166A (zh) * | 2018-04-13 | 2018-09-28 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
CN109815998A (zh) * | 2019-01-08 | 2019-05-28 | 科大国创软件股份有限公司 | 一种基于yolo算法的ai装维巡检方法及系统 |
CN110309870A (zh) * | 2019-06-24 | 2019-10-08 | 北京工业大学 | 一种图像分类的方法 |
Non-Patent Citations (1)
Title |
---|
陈晓冰等: "基于卷积神经网络的光通信网络端口资源整治方法", 《中国新通信》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222489A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108686978B (zh) | 基于arm的水果类别和色泽的分拣方法及系统 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN110379020B (zh) | 一种基于生成对抗网络的激光点云上色方法和装置 | |
CN110967339B (zh) | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及系统 | |
CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及系统 | |
CN112258491A (zh) | 一种电力设备缺陷三维模拟方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN111507316A (zh) | 一种光交箱智能识别方法及系统 | |
CN111402250A (zh) | 基于边缘计算的机器视觉缺陷检测方法和平台 | |
CN113205507A (zh) | 一种视觉问答方法、系统及服务器 | |
CN111275756A (zh) | 线轴定位方法及装置 | |
CN111126402A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113989684A (zh) | 一种机巡缺陷图片图像标注定级方法及缺陷定级系统 | |
CN114330548A (zh) | 基于背景分类与迁移学习的绝缘子检测方法 | |
CN114299307A (zh) | 一种输电线路图像标注方法及相关装置 | |
CN114757939A (zh) | 一种基于机器视觉的光缆生产检测监管系统 | |
CN113032597A (zh) | 一种基于图像处理的输电设备分类方法及系统 | |
CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
CN113191295A (zh) | 一种基于图像识别的火龙果成熟度识别的方法 | |
CN112507838A (zh) | 一种指针表计识别方法、装置和电力巡检机器人 | |
CN112287898A (zh) | 一种图像的文本检测质量评价方法及系统 | |
CN114897910B (zh) | 内参外参结合的光纤混色识别方法、装置、设备及介质 |
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 |
Application publication date: 20200807 |
|
RJ01 | Rejection of invention patent application after publication |