CN113379006A - 图像识别方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了图像识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像；对上述外壳图像进行特征提取处理，得到外壳图像特征向量；将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果；响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。该实施方式可以及时对异常的电表箱外壳进行维护，降低了因电表箱外壳异常而造成的安全隐患。

Description

图像识别方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及图像识别方法、装置、电子设备和计算机可读介质。

背景技术

随着电力技术的快速发展，已经形成了密集的电路网络。由于，电表箱24小时不间断运行，系统性维护的难度较大。目前，对电表箱外壳的检测维护时，通常采用的方式为：通过拍摄电表箱外壳图像，利用VGG（Visual Geometry Group Network，视觉几何群网络）16模型提取电表箱外壳图像的图像特征向量，响应于检测到电表箱外壳上的部件掉落或者检测到人为破坏电表箱，及时通知维修人员进行维修。

然而，采用上述维护检测的方式，通常会存在以下技术问题：

第一，未对所拍摄的电表箱外壳图像进行分类检测，无法准确识别出异常的电表箱外壳（例如，外壳锈蚀），并及时对异常的电表箱外壳进行维护，导致因电表箱外壳异常而造成电表箱的安全隐患（例如，漏电）较高；

第二，利用VGG提取的图像特征向量的向量维度较高，导致计算量较大，对图像检测的时间较长。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于电表箱维修的图像识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种用于电表箱维修的图像识别方法，该方法包括：响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像；对上述外壳图像进行特征提取处理，得到外壳图像特征向量；将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果；响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。

第二方面，本公开的一些实施例提供了一种用于电表箱维修的图像识别装置，装置包括：采集单元，被配置成响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像；提取单元，被配置成对上述外壳图像进行特征提取处理，得到外壳图像特征向量；输入单元，被配置成将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果；控制单元，被配置成响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用于电表箱维修的图像识别方法，实现了对电表箱外壳图像的分类检测，可以准确识别异常的电表箱外壳，并及时对异常的电表箱外壳进行维护，降低了因电表箱外壳异常而造成的安全隐患。具体来说，造成电表箱的安全隐患较高的原因在于：未对所拍摄的电表箱外壳图像进行分类检测，无法准确识别出异常的电表箱外壳（例如，外壳锈蚀），并及时对异常的电表箱外壳进行维护，导致因电表箱外壳异常而造成电表箱的安全隐患（例如，漏电）较高。基于此，本公开的一些实施例的用于电表箱维修的图像识别方法，首先，响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像。由此，为后续检测电表箱外壳的状态，提供了数据支持。接着，对上述外壳图像进行特征提取处理，得到外壳图像特征向量。然后，将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果。由此，可以利用预先训练好的级联分类器对外壳图像特征向量进行分类检测，可以准确识别出异常的电表箱外壳。最后，响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。由此，可以及时对异常的电表箱外壳进行维护，降低了因电表箱外壳异常而造成的安全隐患。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的用于电表箱维修的图像识别方法的一个应用场景的示意图；

图2是根据本公开的用于电表箱维修的图像识别方法的一些实施例的流程图；

图3是根据本公开的用于电表箱维修的图像识别方法的又一些实施例的流程图；

图4-图8是根据本公开的用于电表箱维修的图像识别方法对上述外壳图像进行特征提取处理的应用场景示意图；

图9是根据本公开的用于电表箱维修的图像识别装置的一些实施例的结构示意图；

图10是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的用于电表箱维修的图像识别方法的应用场景的一个示意图。

在图1的应用场景中，首先，计算设备101可以响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像102。接着，计算设备101可以对上述外壳图像102进行特征提取处理，得到外壳图像特征向量103。然后，计算设备101可以将上述外壳图像特征向量103输入至预先训练好的级联分类器104中，得到图像识别结果105。最后，响应于检测到上述图像识别结果105满足电表箱维修条件，根据上述图像识别结果105，控制相关联的维修机器人106对上述电表箱外壳进行维修。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的用于电表箱维修的图像识别方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该用于电表箱维修的图像识别方法，包括以下步骤：

步骤201，响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像。

在一些实施例中，用于电表箱维修的图像识别方法的执行主体（例如，图1所示的计算设备101）可以响应于接收到维修终端发送的检测电表箱外壳的请求，通过控制安置在电表箱正面的摄像头采集上述电表箱的外壳图像。这里，维修终端可以是每间隔预设时长向上述执行主体发送检测电表箱外壳的请求的终端。例如，维修终端可以是维修机器人。例如，预设时长可以是60分钟。这里，摄像头与上述执行主体通信连接。

步骤202，对上述外壳图像进行特征提取处理，得到外壳图像特征向量。

在一些实施例中，上述执行主体可以通过预先训练的初始图像提取网络模型对上述外壳图像进行特征提取处理，得到外壳图像特征向量。这里，初始图像提取网络模型可以是VGG（Visual Geometry Group Network，视觉几何群网络）16模型、VGG19模型等模型。

步骤203，将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果。

在一些实施例中，上述执行主体可以将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果。这里，上述级联分类器包括：第一分类器、第二分类器、第三分类器、第四分类器、第五分类器和第六分类器。上述第一分类器为根据电表箱的外壳破损样本图像训练的分类器。上述第二分类器为根据电表箱的窥视窗破损样本图像训练的分类器。上述第三分类器为根据电表箱的外壳锈蚀样本图像训练的分类器。上述第四分类器为根据缺失标识牌的电表箱的外壳样本图像训练的分类器。上述第五分类器为根据缺失锁具的电表箱的外壳样本图像训练的分类器。上述第六分类器为根据缺失封条的电表箱的外壳样本图像训练的分类器。这里，第一分类器、第二分类器、第三分类器、第四分类器、第五分类器和第六分类器是通过AdaBoost算法迭代训练的。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤得到图像识别结果：

第一步，将上述外壳图像特征向量输入至上述第一分类器中，得到第一图像识别结果。例如，第一图像识别结果可以是“外壳破损”。

第二步，将上述外壳图像特征向量输入至上述第二分类器中，得到第二图像识别结果。例如，第二图像识别结果可以是“窥视窗完整”。

第三步，将上述外壳图像特征向量输入至上述第三分类器中，得到第三图像识别结果。例如，第三图像识别结果可以是“外壳锈蚀”。

第四步，将上述外壳图像特征向量输入至上述第四分类器中，得到第四图像识别结果。例如，第四图像识别结果可以是“标识牌完整”。

第五步，将上述外壳图像特征向量输入至上述第五分类器中，得到第五图像识别结果。例如，第五图像识别结果可以是“锁具完整”。

第六步，将上述外壳图像特征向量输入至上述第六分类器中，得到第六图像识别结果。例如，第六图像识别结果可以是“封条完整”。

第七步，对上述第一图像识别结果、上述第二图像识别结果、上述第三图像识别结果、上述第四图像识别结果、上述第五图像识别结果和上述第六图像识别结果进行组合处理，得到图像识别结果。这里，拼接处理可以是指组合处理。例如，图像识别结果可以是“[外壳破损]-[窥视窗完整]-[外壳锈蚀]-[标识牌完整]-[锁具完整]-[封条完整]”。

步骤204，响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。

在一些实施例中，上述执行主体可以响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。这里，电表箱维修条件可以是“图像识别结果中包括第一图像识别结果为外壳破损，或图像识别结果中包括第二图像识别结果为窥视窗破损，或图像识别结果中包括第三图像识别结果为外壳锈蚀，或图像识别结果中包括第四图像识别结果为标识牌缺失/破损，或图像识别结果中包括第五图像识别结果为锁具缺失，或图像识别结果中包括第六图像识别结果为封条缺失/破损”。实践中，首先，上述执行主体可以从上述图像识别结果包括的各个识别结果中选择满足电表箱维修条件的识别结果作为子识别结果，得到子识别结果组。然后，控制与上述执行主体通信连接的维修机器人依次对子识别结果组中的每个子识别结果所表征电表箱外壳的问题进行修复。这里，维修机器人可以是指具有维修功能的智能机器人。

实践中，上述执行主体可以响应于检测到子识别结果组中存在表征外壳破损的子识别结果，控制维修机器人对上述电表箱的外壳进行更换。响应于检测到子识别结果组中存在表征窥视窗破损的子识别结果，控制维修机器人对上述电表箱的窥视窗进行更换。响应于检测到子识别结果组中存在表征外壳锈蚀的子识别结果，检测上述外壳的锈蚀面积；响应于检测到上述外壳的锈蚀面积大于等于预设阈值，控制维修机器人对上述外壳进行更换。响应于检测到子识别结果组中存在表征标识牌缺失/破损的子识别结果，控制维修机器人重新贴上标识牌。响应于检测到子识别结果组中存在表征锁具缺失的子识别结果，控制维修机器人加装锁具。响应于检测到子识别结果组中存在表征封条缺失/破损的子识别结果，控制维修机器人补贴封条。

可选地，响应于预设时长内未检测到图像识别结果满足上述电表箱维修条件，控制相关联的巡检机器人对上述电表箱外壳进行检测。

在一些实施例中，上述执行主体可以响应于预设时长内未检测到图像识别结果满足上述电表箱维修条件，控制与上述执行主体通信连接的巡检机器人对上述电表箱外壳进行检测。这里，对预设时长的设定不作限制。例如，预设时长可以是一周。由此，可以提高对电表箱的外壳的维护效率。这里，巡检机器人可以是指用于巡回监测电表箱外壳的机器人。

可选地，响应于当前时间满足级联分类器循环训练条件，获取训练样本集，以及根据训练样本集，对上述级联分类器进行训练。

在一些实施例中，上述执行主体可以响应于当前时间满足级联分类器循环训练条件，通过有线连接或无线连接的方式从终端设备中获取训练样本集。以及根据上述训练样本集，通过AdaBoost算法对上述级联分类器进行迭代训练。这里，级联分类器循环训练条件可以是“当前时间为预设日期”。例如，预设日期可以为“每周的周五晚上6点”。

由此，保证了级联分类器的时效性，可以不断对级联分类器进行完善，以提高级联分类器对图像识别的准确度。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用于电表箱维修的图像识别方法，实现了对电表箱外壳图像的分类检测，可以准确识别异常的电表箱外壳，并及时对异常的电表箱外壳进行维护，降低了因电表箱外壳异常而造成的安全隐患。具体来说，造成电表箱的安全隐患较高的原因在于：未对所拍摄的电表箱外壳图像进行分类检测，无法准确识别出异常的电表箱外壳（例如，外壳锈蚀），并及时对异常的电表箱外壳进行维护，导致因电表箱外壳异常而造成电表箱的安全隐患（例如，漏电）较高。基于此，本公开的一些实施例的用于电表箱维修的图像识别方法，首先，响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像。由此，为后续检测电表箱外壳的状态，提供了数据支持。接着，对上述外壳图像进行特征提取处理，得到外壳图像特征向量。然后，将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果。由此，可以利用预先训练好的级联分类器对外壳图像特征向量进行分类检测，可以准确识别出异常的电表箱外壳。最后，响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。由此，可以及时对异常的电表箱外壳进行维护，降低了因电表箱外壳异常而造成的安全隐患。

进一步参考图3，示出了根据本公开的用于电表箱维修的图像识别方法的另一些实施例的流程300。该方法可以由图1的计算设备101来执行。该用于电表箱维修的图像识别方法，包括以下步骤：

步骤301，响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像。

在一些实施例中，步骤301的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。

步骤302，以上述外壳图像的边长的最小质因数为窗口长度，将上述外壳图像划分为不重叠子图像，得到不重叠子图像序列。

在一些实施例中，如图4所示，用于电表箱维修的图像识别方法的执行主体（例如，图1所示的计算设备101）可以以上述外壳图像的边长的最小质因数为窗口长度，将上述外壳图像划分为不重叠子图像，得到不重叠子图像序列。这里，最小质因数不为2。其中，上述外壳图像为正四边形图像。其中，上述外壳图像的边长的长度为上述外壳图像的边长所对应的像素的数量，上述不重叠子图像的边长为上述窗口长度。例如，外壳图像的边长所对应的像素的数量为15个，则上述外壳图像的边长的最小质因数为3。即，不重叠子图像的边长所对应的像素的数量为3。即，不重叠子图像的边长为3。这里，不重叠子图像为正四边形图像。

步骤303，对于上述不重叠子图像序列中每个不重叠子图像，执行如下处理步骤：提取上述不重叠子图像中心像素的灰度值作为中心灰度值；以上述不重叠子图像中心像素为中心，按照顺时针的方式，依次提取上述不重叠子图像边缘每个像素的灰度值作为边缘灰度值，得到边缘灰度值序列；基于上述边缘灰度值序列和上述中心灰度值，生成对应上述不重叠子图像的子特征值。

在一些实施例中，上述执行主体可以对于上述不重叠子图像序列中每个不重叠子图像，执行如下处理步骤：

第一步，提取上述不重叠子图像中心像素的灰度值作为中心灰度值。首先，可以对上述不重叠子图像进行灰度化处理。从而，可以得到上述不重叠子图像中每个像素的灰度值。接着，提取上述不重叠子图像中心像素的灰度值作为中心灰度值。

第二步，以上述不重叠子图像中心像素为中心，按照顺时针的方式，依次提取上述不重叠子图像边缘每个像素的灰度值作为边缘灰度值，得到边缘灰度值序列。实践中，上述执行主体可以以上述不重叠子图像中心像素为中心，将上述不重叠子图像的左上角第一个像素为起点，按照顺时针的方式，依次提取上述不重叠子图像边缘每个像素的灰度值作为边缘灰度值，得到边缘灰度值序列。如图5所示，上述执行主体可以按照顺时针a-b-c-d-e-f-g-h的顺序依次提取上述不重叠子图像边缘每个像素的灰度值作为边缘灰度值，得到边缘灰度值序列。例如，提取到的a像素的灰度值可以为87。提取到的b像素的灰度值可以为99。提取到的c像素的灰度值可以为96。提取到的d像素的灰度值可以为75。提取到的e像素的灰度值可以为95。提取到的f像素的灰度值可以为78。提取到的g像素的灰度值可以为98。提取到的h像素的灰度值可以为92。这里，图5所示例的不重叠子图像可以是指图4中的不重叠子图像A。

第三步，基于上述边缘灰度值序列和上述中心灰度值，生成对应上述不重叠子图像的子特征值.

实践中，上述第三步可以包括以下子步骤：

第一子步骤，对于上述边缘灰度值序列中每个边缘灰度值，执行如下处理步骤：响应于上述边缘灰度值大于等于上述中心灰度值，将上述边缘灰度值对应的像素标记为第一特征值，其中，上述第一特征值为1；响应于上述边缘灰度值小于上述中心灰度值，将上述边缘灰度值对应的像素标记为第二特征值，其中，上述第二特征值为0。请参见图6，例如，边缘灰度值为87，中心灰度值为90，则将边缘灰度值87对应的像素标记为第一特征值“1”。又例如，边缘灰度值为75，中心灰度值为90，则将边缘灰度值75对应的像素标记为第二特征值“0”。

第二子步骤，将上述边缘灰度值序列所对应的第一特征值的数量确定为第一数量。如图6所示，可以将上述边缘灰度值序列所对应的第一特征值“1”的数量“5”确定为第一数量。

第三子步骤，将上述边缘灰度值序列所对应的第二特征值的数量确定为第二数量。如图6所示，可以将上述边缘灰度值序列所对应的第二特征值“0”的数量“3”确定为第二数量。

第四子步骤，响应于上述第一数量大于上述第二数量，将上述第一特征值确定为上述不重叠子图像的子特征值。如图7所示，上述执行主体可以响应于上述第一数量“5”大于上述第二数量“3”，将上述第一特征值“1”确定为上述不重叠子图像的子特征值。

第五子步骤，响应于上述第一数量小于上述第二数量，将上述第二特征值确定为上述不重叠子图像的子特征值。

第六子步骤，响应于上述第一数量等于上述第二数量，将上述边缘灰度值序列的最后一个边缘灰度值删除，以对上述边缘灰度值序列进行更新。如图8所示，上述执行主体可以响应于上述第一数量“4”等于上述第二数量“4”，将上述边缘灰度值序列的最后一个边缘灰度值删除，以对上述边缘灰度值序列进行更新。

第七子步骤，将更新后的边缘灰度值序列所对应的第一特征值的数量确定为第三数量。例如，更新后的边缘灰度值序列所对应的第一特征值“1”的数量为“4”。

第八子步骤，将更新后的边缘灰度值序列所对应的第二特征值的数量确定为第四数量。

第九子步骤，响应于上述第三数量大于上述第四数量，将上述第一特征值确定为上述不重叠子图像的子特征值。

第十子步骤，响应于上述第三数量小于上述第四数量，将上述第二特征值确定为上述不重叠子图像的子特征值。

步骤304，依次将所生成的子特征值进行拼接处理，得到拼接后的子特征值作为外壳图像特征向量。

在一些实施例中，上述执行主体可以依次将所生成的子特征值进行拼接处理，得到拼接后的子特征值作为外壳图像特征向量。例如，所生成得子特征值依次可以为：1、0、0、1、0、1、1、0、1、0、1、0、0、0、1、1、1、1、0、1、1、0、1、0、1。可以依次将所生成的子特征值进行拼接处理，得到拼接后的子特征值[1，0，0，1，0，1，1，0，1，0，1，0，0，0，1，1，1，1，0，1，1，0，1，0，1]作为外壳图像特征向量。

步骤302-304中的相关内容作为本公开的一个发明点，由此解决了背景技术提及的技术问题二“利用VGG提取的图像特征向量的向量维度较高，导致计算量较大，对图像检测的时间较长”。造成对图像检测的时间较长的因素往往如下：利用VGG提取的图像特征向量的向量维度较高，导致计算量较大。如果解决了上述因素，就能达到提高对图像检测的速度的效果。为了达到这一效果，本公开，首先，以上述外壳图像的边长的最小质因数为窗口长度，将上述外壳图像划分为不重叠子图像，得到不重叠子图像序列。由此，可以对外壳图像的纹理特征进行划分提取，便于提高对外壳图像检测的准确度。其次，以上述不重叠子图像中心像素为中心，按照顺时针的方式，依次提取上述不重叠子图像边缘每个像素的灰度值作为边缘灰度值，得到边缘灰度值序列。由此，为后续生成不重叠子图像的子特征值提供了数据支持。接着，对于上述边缘灰度值序列中每个边缘灰度值，执行如下处理步骤：响应于上述边缘灰度值大于等于上述中心灰度值，将上述边缘灰度值对应的像素标记为第一特征值；响应于上述边缘灰度值小于上述中心灰度值，将上述边缘灰度值对应的像素标记为第二特征值。由此，可以标记出不重叠子图像中每个像素的特征值。然后，响应于上述第一数量大于上述第二数量，将上述第一特征值确定为上述不重叠子图像的子特征值；响应于上述第一数量小于上述第二数量，将上述第二特征值确定为上述不重叠子图像的子特征值。由此，可以使得不重叠子图像的特征值的维度为1。从而，降低了不重叠子图像的向量维度。也因为不重叠子图像的维度降低，使得整个外壳图像的向量维度大幅度降低。从而，降低了图像特征向量的计算量，提高了对图像检测的速度，缩短了对图像检测的时间。

步骤305，将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果。

步骤306，响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。

在一些实施例中，步骤305-306的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤203-204，在此不再赘述。

从图3可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的用于电表箱维修的图像识别方法的流程300降低了不重叠子图像的向量维度。也因为不重叠子图像的维度降低，使得整个外壳图像的向量维度大幅度降低。从而，降低了图像特征向量的计算量，提高了对图像检测的速度，缩短了对图像检测的时间。

进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种用于电表箱维修的图像识别装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图9所示，一些实施例的用于电表箱维修的图像识别装置900包括：采集单元901、提取单元902、输入单元903和控制单元904。其中，采集单元901被配置成响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像；提取单元902被配置成对上述外壳图像进行特征提取处理，得到外壳图像特征向量；输入单元903被配置成将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果；控制单元904被配置成响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。

可以理解的是，该装置900中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置900及其中包含的单元，在此不再赘述。

下面参考图10，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图10所示，电子设备1000可以包括处理装置（例如中央处理器、图形处理器等）1001，其可以根据存储在只读存储器（ROM）1002中的程序或者从存储装置1008加载到随机访问存储器（RAM）1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。

通常，以下装置可以连接至I/O接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图10中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到检测电表箱外壳的请求，采集上述电表箱的外壳图像；对上述外壳图像进行特征提取处理，得到外壳图像特征向量；将上述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果；响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集单元、提取单元、输入单元和控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，控制单元还可以被描述为“响应于检测到上述图像识别结果满足电表箱维修条件，根据上述图像识别结果，控制相关联的维修机器人对上述电表箱外壳进行维修的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于电表箱维修的图像识别方法，包括：

响应于接收到检测电表箱外壳的请求，采集所述电表箱的外壳图像；

对所述外壳图像进行特征提取处理，得到外壳图像特征向量；

将所述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果；

响应于检测到所述图像识别结果满足电表箱维修条件，根据所述图像识别结果，控制相关联的维修机器人对所述电表箱外壳进行维修。

2.根据权利要求1所述的方法，其中，所述外壳图像为正四边形图像；以及

所述对所述外壳图像进行特征提取处理，得到外壳图像特征向量，包括：

以所述外壳图像的边长的最小质因数为窗口长度，将所述外壳图像划分为不重叠子图像，得到不重叠子图像序列，其中，所述外壳图像的边长的长度为所述外壳图像的边长所对应的像素的数量，所述不重叠子图像的边长为所述窗口长度；

对于所述不重叠子图像序列中每个不重叠子图像，执行如下处理步骤：

提取所述不重叠子图像中心像素的灰度值作为中心灰度值；

以所述不重叠子图像中心像素为中心，按照顺时针的方式，依次提取所述不重叠子图像边缘每个像素的灰度值作为边缘灰度值，得到边缘灰度值序列；

基于所述边缘灰度值序列和所述中心灰度值，生成对应所述不重叠子图像的子特征值；

依次将所生成的子特征值进行拼接处理，得到拼接后的子特征值作为外壳图像特征向量。

3.根据权利要求2所述的方法，其中，所述基于所述边缘灰度值序列和所述中心灰度值，生成对应所述不重叠子图像的子特征值，包括：

对于所述边缘灰度值序列中每个边缘灰度值，执行如下处理步骤：

响应于所述边缘灰度值大于等于所述中心灰度值，将所述边缘灰度值对应的像素标记为第一特征值，其中，所述第一特征值为1；

响应于所述边缘灰度值小于所述中心灰度值，将所述边缘灰度值对应的像素标记为第二特征值，其中，所述第二特征值为0；

将所述边缘灰度值序列所对应的第一特征值的数量确定为第一数量；

将所述边缘灰度值序列所对应的第二特征值的数量确定为第二数量；

响应于所述第一数量大于所述第二数量，将所述第一特征值确定为所述不重叠子图像的子特征值；

响应于所述第一数量小于所述第二数量，将所述第二特征值确定为所述不重叠子图像的子特征值。

4.根据权利要求3所述的方法，其中，所述方法还包括：

响应于所述第一数量等于所述第二数量，将所述边缘灰度值序列的最后一个边缘灰度值删除，以对所述边缘灰度值序列进行更新；

将更新后的边缘灰度值序列所对应的第一特征值的数量确定为第三数量；

将更新后的边缘灰度值序列所对应的第二特征值的数量确定为第四数量；

响应于所述第三数量大于所述第四数量，将所述第一特征值确定为所述不重叠子图像的子特征值；

响应于所述第三数量小于所述第四数量，将所述第二特征值确定为所述不重叠子图像的子特征值。

5.根据权利要求1所述的方法，其中，所述级联分类器包括：第一分类器、第二分类器、第三分类器、第四分类器、第五分类器和第六分类器；所述第一分类器为根据电表箱的外壳破损样本图像训练的分类器；所述第二分类器为根据电表箱的窥视窗破损样本图像训练的分类器；所述第三分类器为根据电表箱的外壳锈蚀样本图像训练的分类器；所述第四分类器为根据缺失标识牌的电表箱的外壳样本图像训练的分类器；所述第五分类器为根据缺失锁具的电表箱的外壳样本图像训练的分类器；所述第六分类器为根据缺失封条的电表箱的外壳样本图像训练的分类器。

6.根据权利要求5所述的方法，其中，所述将所述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果，包括：

将所述外壳图像特征向量输入至所述第一分类器中，得到第一图像识别结果；

将所述外壳图像特征向量输入至所述第二分类器中，得到第二图像识别结果；

将所述外壳图像特征向量输入至所述第三分类器中，得到第三图像识别结果；

将所述外壳图像特征向量输入至所述第四分类器中，得到第四图像识别结果；

将所述外壳图像特征向量输入至所述第五分类器中，得到第五图像识别结果；

将所述外壳图像特征向量输入至所述第六分类器中，得到第六图像识别结果；

对所述第一图像识别结果、所述第二图像识别结果、所述第三图像识别结果、所述第四图像识别结果、所述第五图像识别结果和所述第六图像识别结果进行组合处理，得到图像识别结果。

7.根据权利要求1所述的方法，其中，所述方法还包括：

响应于当前时间满足级联分类器循环训练条件，获取训练样本集，以及根据训练样本集，对所述级联分类器进行训练。

8.一种用于电表箱维修的图像识别装置，包括：

采集单元，被配置成响应于接收到检测电表箱外壳的请求，采集所述电表箱的外壳图像；

提取单元，被配置成对所述外壳图像进行特征提取处理，得到外壳图像特征向量；

输入单元，被配置成将所述外壳图像特征向量输入至预先训练好的级联分类器中，得到图像识别结果；

控制单元，被配置成响应于检测到所述图像识别结果满足电表箱维修条件，根据所述图像识别结果，控制相关联的维修机器人对所述电表箱外壳进行维修。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images