CN113627430A - 线缆线号的检测方法、装置和电子设备 - Google Patents
线缆线号的检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113627430A CN113627430A CN202110933219.7A CN202110933219A CN113627430A CN 113627430 A CN113627430 A CN 113627430A CN 202110933219 A CN202110933219 A CN 202110933219A CN 113627430 A CN113627430 A CN 113627430A
- Authority
- CN
- China
- Prior art keywords
- target
- interest
- line number
- cable
- region
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000003287 optical effect Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种线缆线号的检测方法、装置和电子设备。该方法包括:获取目标区域的图像数据;按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域;对目标感兴趣区域进行光学字符检测,得到目标感兴趣区域中的目标字符图片;利用预先训练的字符识别模型对目标字符图片进行识别,得到目标感兴趣区域对应的第一线号名称;根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称;根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。本发明能够同时提高线号的检测效率和检测准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种线缆线号的检测方法、装置和电子设备。
背景技术
随着科技和社会经济的飞速发展,设备的种类越来越多,例如各类配电柜,设备之间的连接也由各种线缆来承担,如公用电缆、民用电线等,其作用也由传统的供电增加到信号传输。任何设备的故障都会导致生产生活的损失,故而线缆位置的正确与否关系重大。
为了标记和区分线缆,可以采用线号标签。线号标签一般采用可以穿过线缆的中空管,在中空管的表面记录该线缆的线号,如所属机柜的柜号、所属控制线路的线路号等。目前,普遍采用自动布线机对配电柜中的线缆进行布线,当布线完毕后,由人工对配电柜中线缆的线号进行检查,并对不正确的线号进行修改。
然而,由于有时工作环境狭窄且人眼对密集数字存在视觉疲劳,导致人工检查线缆线号时容易出现误判,存在费时费力且准确率不高的问题。
发明内容
本发明实施例提供了一种线缆线号的检测方法、装置和电子设备,以解决人工检查线缆线号存在的费时费力且准确率不高的问题。
第一方面,本发明实施例提供了一种线缆线号的检测方法,包括:
获取目标区域的图像数据;其中,图像数据中包含目标区域内各线缆的线号;
按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域;
对目标感兴趣区域进行光学字符检测,得到目标感兴趣区域中的目标字符图片;其中,目标感兴趣区域为各线缆的线号相对应的感兴趣区域中的任意一个感兴趣区域;
利用预先训练的字符识别模型对目标字符图片进行识别,得到目标感兴趣区域对应的第一线号名称;
根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称;
根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。
在一种可能的实现方式中,获取目标区域的图像数据,包括:
接收由预设图像采集设备对目标区域内各线缆的线号进行图像采集所得到的图片数据;
对图片数据依次进行噪声去除、图像增强、灰度化转换以及对比度拉伸,得到目标区域的图像数据。
在一种可能的实现方式中,提取图像数据中与各线缆的线号相对应的感兴趣区域,包括:
按照与线缆线号相对应的预设自适应阈值对图像数据进行二值化,得到二值化后的图像数据;
采用预设尺寸的核对二值化后的图像数据先后进行开、闭运算,得到多个连通区域;
对每个连通区域的外边框进行检测及提取,得到相应连通区域的感兴趣区域。
在一种可能的实现方式中,对目标感兴趣区域进行光学字符检测,得到目标感兴趣区域中的目标字符图片,包括:
利用最大稳定极值区域算法,框选出目标感兴趣区域中的文本区域;
根据非极大值抑制算法去除文本区域中的选框,以确定出文本区域中的所有字符位置;
提取所有字符位置的字符,生成目标字符图片。
在一种可能的实现方式中,在利用预先训练的字符识别模型对目标字符图片进行识别,得到目标感兴趣区域对应的第一线号名称之前,线缆线号的检测方法还包括:
将预先经过归一化处理的包括数字图片和字母图片的数据库数据作为训练样本,对预设支持向量机进行训练,得到字符识别模型。
在一种可能的实现方式中,利用预先训练的字符识别模型对目标字符图片进行识别,得到目标感兴趣区域对应的第一线号名称,包括:
将目标字符图片输入至字符识别模型,以得到目标字符图片的字符名称和置信度;
在置信度大于预设置信度的情况下,将目标字符图片的字符名称确定为目标感兴趣区域对应的第一线号名称;
在置信度小于或者等于预设置信度的情况下,输出与目标感兴趣区域相对应的警告信息。
在一种可能的实现方式中,根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果,包括:
在第一线号名称和第二线号名称不相同的情况下,输出与目标感兴趣区域相对应的线缆线号不符合布线要求的检测结果;
在第一线号名称和第二线号名称相同的情况下,输出与目标感兴趣区域相对应的线缆线号符合布线要求的检测结果。
第二方面,本发明实施例提供了一种线缆线号的检测装置,包括:
获取模块,用于获取目标区域的图像数据;其中,图像数据中包含目标区域内各线缆的线号;
提取模块,用于按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域;
字符检测模块,用于对目标感兴趣区域进行光学字符检测,得到目标感兴趣区域中的目标字符图片;其中,目标感兴趣区域为各线缆的线号相对应的感兴趣区域中的任意一个感兴趣区域;
识别模块,用于利用预先训练的字符识别模型对目标字符图片进行识别,得到目标感兴趣区域对应的第一线号名称;
确定模块,用于根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称;
匹配模块,用于根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。
在一种可能的实现方式中,获取模块还用于:
接收由预设图像采集设备对目标区域内各线缆的线号进行图像采集所得到的图片数据;
对图片数据依次进行噪声去除、图像增强、灰度化转换以及对比度拉伸,得到目标区域的图像数据。
在一种可能的实现方式中,提取模块还用于:
按照与线缆线号相对应的预设自适应阈值对图像数据进行二值化,得到二值化后的图像数据;
采用预设尺寸的核对二值化后的图像数据先后进行开、闭运算,得到多个连通区域;
对每个连通区域的外边框进行检测及提取,得到相应连通区域的感兴趣区域。
在一种可能的实现方式中,字符检测模块还用于:
利用最大稳定极值区域算法,框选出目标感兴趣区域中的文本区域;
根据非极大值抑制算法去除文本区域中的选框,以确定出文本区域中的所有字符位置;
提取所有字符位置的字符,生成目标字符图片。
在一种可能的实现方式中,线缆线号的检测装置还包括训练模块,用于:
将预先经过归一化处理的包括数字图片和字母图片的数据库数据作为训练样本,对预设支持向量机进行训练,得到字符识别模型。
在一种可能的实现方式中,识别模块还用于:
将目标字符图片输入至字符识别模型,以得到目标字符图片的字符名称和置信度;
在置信度大于预设置信度的情况下,将目标字符图片的字符名称确定为目标感兴趣区域对应的第一线号名称;
在置信度小于或者等于预设置信度的情况下,输出与目标感兴趣区域相对应的警告信息。
在一种可能的实现方式中,匹配模块还用于:
在第一线号名称和第二线号名称不相同的情况下,输出与目标感兴趣区域相对应的线缆线号不符合布线要求的检测结果;
在第一线号名称和第二线号名称相同的情况下,输出与目标感兴趣区域相对应的线缆线号符合布线要求的检测结果。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本发明实施例提供一种线缆线号的检测方法、装置和电子设备,当自动布线完成后,可以先获取配电柜内目标区域的包含各线缆的线号的图像数据。之后,可以按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域。接着,对每个感兴趣区域进行光学字符检测,得到各个感兴趣区域中的字符图片。然后,可以利用预先训练的字符识别模型对字符图片进行识别,得到感兴趣区域对应的第一线号名称。同时,可以根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称。最后,根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。
如此,可以自动对自动布线机布线后的线号进行识别检测,不仅可以提高识别效率,还解决了人工误判的问题,具有极高的识别准确率。当输出不符合布线要求的检测结果时,可以输出警示信息,以提醒技术人员进行人工识别或修改线号。
此外,对于一些人工难以接近的配电柜环境,例如空间狭小或者空间较高的配电柜,通过预设图像采集设备仍然可以采集到图像数据,如此,极大地扩大了本发明所提供的线号检测的应用范围。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种线缆线号的检测方法的步骤流程图;
图2是本发明实施例提供的一种图像采集设备的结构示意图;
图3是本发明实施例提供的一种图像采集装置的示意图;
图4是本发明实施例提供的一种图像采集设备采集图片数据时的场景示意图;
图5是本发明实施例提供的一种图片数据预处理的流程示意图;
图6是本发明实施例提供的一种感兴趣区域的外边框示意图;
图7是本发明实施例提供的一种字符图片的示意图;
图8是本发明实施例提供的一种线缆线号的检测装置的结构示意图;
图9是本发明实施例提供的一种电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
如背景技术所描述的,目前,普遍采用自动布线机对配电柜中的线缆进行布线,当布线完毕后,由人工对配电柜中线缆的线号进行检查,并对不正确的线号进行修改。然而,人工检查线缆线号容易出现误判,存在费时费力且准确率不高的问题。
为了解决现有技术问题,本发明实施例提供了一种线缆线号的检测方法、装置和电子设备。下面首先对本发明实施例所提供的线缆线号的检测方法进行介绍。
线缆线号的检测方法的执行主体,可以是线缆线号的检测装置,该线缆线号的检测装置可以是具有处理器和存储器的电子设备,例如移动电子设备或者非移动电子设备,本发明实施例不作具体限定。
参见图1,其示出了本发明实施例提供的线缆线号的检测方法的实现流程图,包括以下步骤:
步骤S110、获取目标区域的图像数据。
其中,图像数据可以是图片,其中包含目标区域内各线缆的线号。
在一些实施例中,目标区域可以是配电柜中布置线缆的相关区域。
可选的,上述步骤S110的具体处理可以如下:接收由预设图像采集设备对目标区域内各线缆的线号进行图像采集所得到的图片数据;对图片数据依次进行噪声去除、图像增强、灰度化转换以及对比度拉伸,得到目标区域的图像数据。
如图2所示,提供一种用于采集图片数据的预设图像采集设备的结构示意图,其包括底座、三维调整机构、照明设备、图像采集装置、工控机、数据传输线、触摸显示屏,其中,工控机、触摸显示屏和三维调整机构都安装在底座上,图像采集装置和照明设备则安装在三维调整机构上,通过调整三维机构来改变图像采集装置的位姿。其中,图像采集装置包括相机、光学识别挡光板、同轴光源、相机安装架和相机安装底座等部分,如图3所示,示出了一种图像采集装置的示意图,相机31固定在相机安装架32上,用螺丝固定在相机安装底座33上,相机安装底座33也固定在三维调整机构上,同轴光源34在相机31的正上方,固定在相机安装架32的上表面,相机31和同轴光源34在同一条直线上,光学识别挡板35固定在相机安装架32的前端,保证相机31拍摄背景的单一性。
具体的,预设图像采集设备可以安装在移动机器人至上,当需要对配电柜内的线缆线号进行识别时,移动机器人可以将预设图像采集设备移动到配电柜的合适位置,以对配电柜的目标区域内各线缆的线号进行图像采集,从而可以采集得到图片数据。
如图4所示,提供了一种预设图像采集设备采集图片数据时的场景示意图。
在一些实施例中,在得到图片数据后,需要对图片数据进行一些预处理,以得到可以用于后续检测处理的图像数据。
值得一提的是,对于一些人工难以接近的配电柜环境,例如空间狭小或者空间较高的配电柜,通过预设图像采集设备仍然可以采集到图像数据,如此,极大地扩大了本发明所提供的线号检测的应用范围。
如图5所示,示出了一种对预设图像采集设备所采集的图片数据进行预处理的流程示意图。
首先,对采集到的图片数据进行噪声的去除。具体的,可以使用双边滤波对图像数据进行去噪,以去除空域和值域两方面的噪声信息,具体如下:
空域表达式为:
值域表达式为:
对空域和值域进行综合,可得如下综合表达式:
其中,对所有像素加权后的归一化因子位于积分号之前,c和s是空域和值域函数,x代表像素点,f(x)表示x点的像素值。
之后,对去除噪声后的图片数据进行图像增强,以凸显图像的细节信息。
具体的,由于设备移动较快、相机聚焦不好或者滤波去噪可能会造成图像边缘信息丢失或光照不均匀的现象,故而需要对去除噪声后的图像数据进行图像增强。可以采用带色彩恢复的多尺度视网膜增强(Multi-Scale Retinex with Color Restoration,MSRCR)算法进行图像增强,由于该算法加入了色彩恢复因子,故而可以避免图像产生局部失真的现象。MSRCR算法的计算过程如下:
MSRCR算法定义一张图像S(x,y),其由反射图像R(x,y)和亮度图像L(x,y)构成,具体如下:
S(x,y)=R(x,y)*L(x,y);
其中,K是高斯中心环绕函数的个数,一般为3,MSRCR算法的高斯中心环绕函数如下:
其中,c是高斯环绕尺度,满足∫∫F(x,y)dxdy=1;
色彩恢复因子如下:
其中,Ii(x,y)为通道i的图像;Hi为调节三个通道颜色的彩色恢复因子;f[Ii'(x,y)]为色彩空间映射函数;β为增益常数;α为受控制非线性强度;
最终处理完输出图像的表达公式为:
接着,可以对图像增强后的图片数据进行灰度化转换,便于在后续计算中降低数据维度,提高计算速度。
具体的,灰度化转换可以采用加权平均值法,所得到的灰度值具体如下:
I(x,y)=A*IR(x,y)+B*IG(x,y)+C*IB(x,y)
其中,IR、IG、IB为三通道的值。
最后,对灰度化转换后的图片数据进行对比度拉伸,以提高暗淡图像的对比度。
具体的,对比度拉伸的具体公式可以如下:
其中,I1为拉伸后的灰度值。
经过上述噪声去除、图像增强、灰度化转换以及对比度拉伸后,可以得到目标区域的图像数据。
步骤S120、按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域。
在一些实施例中,由于配电柜中的线缆线号通常是从上到下一行进行排列,因此,可以将预设顺序设置为由上至下横向提取的顺序。如此,可以按照线缆线号的排列顺序,得到有序的感兴趣区域。
可选的,上述步骤S120的具体处理可以如下:按照与线缆线号相对应的预设自适应阈值对图像数据进行二值化,得到二值化后的图像数据;采用预设尺寸的核对二值化后的图像数据先后进行开、闭运算,得到多个连通区域;对每个连通区域的外边框进行检测及提取,得到相应连通区域的感兴趣区域。
在一些实施例中,首先对自适应阈值二值化的基本原理进行介绍。自适应阈值二值化,是指进行二值化计算时所需的阈值是一个浮动值,根据其周围的像素计算得出平均阈值,以该平均阈值作为二值化所需的阈值,以避免全局阈值二值化总成带来的信息丢失现象。
首先,使用自适应阈值二值化对上述进行对比度拉伸后的图像数据进行二值化,以使线号标签的信息凸显出来,便于确定线号的位置。
下面以In(p)表示p处周围n个像素总和为例进行介绍,具体处理如下:
其中,点P处的图像是0(黑色)或1(白色),将由上式的平均值决定,即如下结果:
其中,t为权重比例。
之后,使用预设尺寸的核,例如16*5的核,对二值化后的图像数据先后进行开、闭运算,得到多个连通区域,以便于定位标签线号。
最后,对每个连通区域的外边框进行检测,以定位得到线号,从而可以得到相应连通区域的感兴趣区域。
例如,扫描确定的外界边框和孔边框可以如下:
外界边框的起始点f(i,j):f(i,j-1)=0,f(i,j)=1;
外界边框的终止点f(i,j):f(i,j)=1,f(i,j+1)=0;
孔边框的起始点f(i,j):f(i,j)>=1,f(i,j+1)=0;
孔边框的终止点f(i,j):f(i,j)=0,f(i,j+1)>=1。
如图6所示,示出了一种检测得到的感兴趣区域的外边框示意图。
步骤S130、对目标感兴趣区域进行光学字符检测,得到目标感兴趣区域中的目标字符图片。
其中,目标感兴趣区域为各线缆的线号相对应的感兴趣区域中的任意一个感兴趣区域。
在一些实施例中,以目标感兴趣区域为例,对得到感兴趣区域中的字符图片的处理过程进行介绍。
首先,利用最大稳定极值区域(Maximally Stable Extrernal Regions,MSER)算法,框选出目标感兴趣区域中的文本区域。之后,根据非极大值抑制(Non-MaximumSuppression,NMS)算法去除文本区域中的选框,以确定出文本区域中的所有字符位置。最后,提取所有字符位置的字符,生成目标字符图片。
如图7所述,示出了一种字符图片的示意图。
步骤S140、利用预先训练的字符识别模型对目标字符图片进行识别,得到目标感兴趣区域对应的第一线号名称。
在一些实施例中,可以预先训练字符识别模型。具体的,可以将预先经过归一化处理的包括数字图片和字母图片的数据库数据作为训练样本,然后对预设支持向量机(Support Vector Machines,SVM)进行训练,得到字符识别模型。
在训练时,可以预先提取数字图片和字母图片的图像特征,然后利用这些图像特征对SVM进行训练,如此可以得到字符识别模型。
值得一提的是,特征提取的方法可以是利用相同规格的照片,将其分为20*20的网格,然后统计每行中白色的小格的数目和每列中白色小格的数目,以作为整幅图片的特征。
可选的,上述步骤S140的具体处理可以如下:将目标字符图片输入至字符识别模型,以得到目标字符图片的字符名称和置信度;在置信度大于预设置信度的情况下,将目标字符图片的字符名称确定为目标感兴趣区域对应的第一线号名称;在置信度小于或者等于预设置信度的情况下,输出与目标感兴趣区域相对应的警告信息。
在一些实施例中,为了确保识别准确率,可以用置信度来衡量识别结果的准确程度。如果字符识别模型输出的识别结果的置信度超过预设置信度阈值,例如98%,则认为识别结果准确,如果低于预设置信度阈值,则认为识别结果不准确,此时,可以输出警示信息,以提示技术人员进行人工识别。
步骤S150、根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称。
在一些实施例中,布线数据可以是自动布线机进行布线时所依据的数据,例如布线数据中可以包括所需布置的所有线缆的线号信息以及布置顺序。相应的,可以按照上述预设顺序,即提取感兴趣区域的顺序,在布线数据中确定出当前提取的感兴趣区域的线号名称,该线号名称即为配电柜中相应线缆实际应该布置的线号名称。
步骤S160、根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。
在一些实施例中,在获取到目标感兴趣区域的第二线号名称后,如果第二线号名称和通过识别得到的第一线号名称相同,则认为布线正确,符合布线要求,输出与目标感兴趣区域相对应的线缆线号符合布线要求的检测结果;如果第二线号名称和通过识别得到的第一线号名称不相同,则认为布线错误,不符合布线要求,输出与目标感兴趣区域相对应的线缆线号不符合布线要求的检测结果。
在一些实施例中,当输出不符合布线要求的检测结果时,可以输出警示信息,以提醒技术人员进行人工识别或修改线号。
需要说明的是,上述是以目标感兴趣区域为例,对于其它提取出的感兴趣区域,均可以按照上述方式进行检测,如此,可以自动对自动布线机布线后的线号进行识别检测,不仅可以提高识别效率,还解决了人工误判的问题,具有极高的识别准确率。
在本发明实施例中,当自动布线完成后,可以先获取配电柜内目标区域的包含各线缆的线号的图像数据。之后,可以按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域。接着,对每个感兴趣区域进行光学字符检测,得到各个感兴趣区域中的字符图片。然后,可以利用预先训练的字符识别模型对字符图片进行识别,得到感兴趣区域对应的第一线号名称。同时,可以根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称。最后,根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。
如此,可以自动对自动布线机布线后的线号进行识别检测,不仅可以提高识别效率,还解决了人工误判的问题,具有极高的识别准确率。当输出不符合布线要求的检测结果时,可以输出警示信息,以提醒技术人员进行人工识别或修改线号。
此外,对于一些人工难以接近的配电柜环境,例如空间狭小或者空间较高的配电柜,通过预设图像采集设备仍然可以采集到图像数据,如此,极大地扩大了本发明所提供的线号检测的应用范围。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图8示出了本发明实施例提供的线缆线号的检测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图8所示,线缆线号的检测装置800包括:
获取模块810,用于获取目标区域的图像数据;其中,图像数据中包含目标区域内各线缆的线号;
提取模块820,用于按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域;
字符检测模块830,用于对目标感兴趣区域进行光学字符检测,得到目标感兴趣区域中的目标字符图片;其中,目标感兴趣区域为各线缆的线号相对应的感兴趣区域中的任意一个感兴趣区域;
识别模块840,用于利用预先训练的字符识别模型对目标字符图片进行识别,得到目标感兴趣区域对应的第一线号名称;
确定模块850,用于根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称;
匹配模块860,用于根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。
在一种可能的实现方式中,获取模块还用于:
接收由预设图像采集设备对目标区域内各线缆的线号进行图像采集所得到的图片数据;
对图片数据依次进行噪声去除、图像增强、灰度化转换以及对比度拉伸,得到目标区域的图像数据。
在一种可能的实现方式中,提取模块还用于:
按照与线缆线号相对应的预设自适应阈值对图像数据进行二值化,得到二值化后的图像数据;
采用预设尺寸的核对二值化后的图像数据先后进行开、闭运算,得到多个连通区域;
对每个连通区域的外边框进行检测及提取,得到相应连通区域的感兴趣区域。
在一种可能的实现方式中,字符检测模块还用于:
利用最大稳定极值区域算法,框选出目标感兴趣区域中的文本区域;
根据非极大值抑制算法去除文本区域中的选框,以确定出文本区域中的所有字符位置;
提取所有字符位置的字符,生成目标字符图片。
在一种可能的实现方式中,线缆线号的检测装置还包括训练模块,用于:
将预先经过归一化处理的包括数字图片和字母图片的数据库数据作为训练样本,对预设支持向量机进行训练,得到字符识别模型。
在一种可能的实现方式中,识别模块还用于:
将目标字符图片输入至字符识别模型,以得到目标字符图片的字符名称和置信度;
在置信度大于预设置信度的情况下,将目标字符图片的字符名称确定为目标感兴趣区域对应的第一线号名称;
在置信度小于或者等于预设置信度的情况下,输出与目标感兴趣区域相对应的警告信息。
在一种可能的实现方式中,匹配模块还用于:
在第一线号名称和第二线号名称不相同的情况下,输出与目标感兴趣区域相对应的线缆线号不符合布线要求的检测结果;
在第一线号名称和第二线号名称相同的情况下,输出与目标感兴趣区域相对应的线缆线号符合布线要求的检测结果。
在本发明实施例中,当自动布线完成后,可以先获取配电柜内目标区域的包含各线缆的线号的图像数据。之后,可以按照预设顺序,依次提取图像数据中与各线缆的线号相对应的感兴趣区域。接着,对每个感兴趣区域进行光学字符检测,得到各个感兴趣区域中的字符图片。然后,可以利用预先训练的字符识别模型对字符图片进行识别,得到感兴趣区域对应的第一线号名称。同时,可以根据预设顺序,在预先获取的目标区域的布线数据中确定目标感兴趣区域对应的第二线号名称。最后,根据第一线号名称和第二线号名称的匹配程度,输出与目标感兴趣区域相对应的线缆线号的检测结果。
如此,可以自动对自动布线机布线后的线号进行识别检测,不仅可以提高识别效率,还解决了人工误判的问题,具有极高的识别准确率。当输出不符合布线要求的检测结果时,可以输出警示信息,以提醒技术人员进行人工识别或修改线号。
此外,对于一些人工难以接近的配电柜环境,例如空间狭小或者空间较高的配电柜,通过预设图像采集设备仍然可以采集到图像数据,如此,极大地扩大了本发明所提供的线号检测的应用范围。
图9是本发明实施例提供的电子设备9的示意图。如图9所示,该实施例的电子设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各线缆线号的检测方法实施例中的步骤,例如图1所示的步骤110至步骤160。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块的功能,例如图8所示模块810至860的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述电子设备9中的执行过程。例如,所述计算机程序92可以被分割成图8所示的模块810至860。
所述电子设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备9可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是电子设备9的示例,并不构成对电子设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述电子设备9的内部存储单元,例如电子设备9的硬盘或内存。所述存储器91也可以是所述电子设备9的外部存储设备,例如所述电子设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述电子设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各线缆线号的检测方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种线缆线号的检测方法,其特征在于,包括:
获取目标区域的图像数据;其中,所述图像数据中包含所述目标区域内各线缆的线号;
按照预设顺序,依次提取所述图像数据中与各线缆的线号相对应的感兴趣区域;
对目标感兴趣区域进行光学字符检测,得到所述目标感兴趣区域中的目标字符图片;其中,所述目标感兴趣区域为所述各线缆的线号相对应的感兴趣区域中的任意一个感兴趣区域;
利用预先训练的字符识别模型对所述目标字符图片进行识别,得到所述目标感兴趣区域对应的第一线号名称;
根据所述预设顺序,在预先获取的所述目标区域的布线数据中确定所述目标感兴趣区域对应的第二线号名称;
根据所述第一线号名称和所述第二线号名称的匹配程度,输出与所述目标感兴趣区域相对应的线缆线号的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述获取目标区域的图像数据,包括:
接收由预设图像采集设备对所述目标区域内各线缆的线号进行图像采集所得到的图片数据;
对所述图片数据依次进行噪声去除、图像增强、灰度化转换以及对比度拉伸,得到所述目标区域的图像数据。
3.根据权利要求1所述的方法,其特征在于,所述提取所述图像数据中与各线缆的线号相对应的感兴趣区域,包括:
按照与所述线缆线号相对应的预设自适应阈值对所述图像数据进行二值化,得到二值化后的图像数据;
采用预设尺寸的核对所述二值化后的图像数据先后进行开、闭运算,得到多个连通区域;
对每个所述连通区域的外边框进行检测及提取,得到相应连通区域的感兴趣区域。
4.根据权利要求1所述的方法,其特征在于,所述对目标感兴趣区域进行光学字符检测,得到所述目标感兴趣区域中的目标字符图片,包括:
利用最大稳定极值区域算法,框选出所述目标感兴趣区域中的文本区域;
根据非极大值抑制算法去除所述文本区域中的选框,以确定出所述文本区域中的所有字符位置;
提取所述所有字符位置的字符,生成所述目标字符图片。
5.根据权利要求1所述的方法,其特征在于,在所述利用预先训练的字符识别模型对所述目标字符图片进行识别,得到所述目标感兴趣区域对应的第一线号名称之前,所述方法还包括:
将预先经过归一化处理的包括数字图片和字母图片的数据库数据作为训练样本,对预设支持向量机进行训练,得到所述字符识别模型。
6.根据权利要求1所述的方法,其特征在于,所述利用预先训练的字符识别模型对所述目标字符图片进行识别,得到所述目标感兴趣区域对应的第一线号名称,包括:
将所述目标字符图片输入至所述字符识别模型,以得到所述目标字符图片的字符名称和置信度;
在所述置信度大于预设置信度的情况下,将所述目标字符图片的字符名称确定为所述目标感兴趣区域对应的第一线号名称;
在所述置信度小于或者等于所述预设置信度的情况下,输出与所述目标感兴趣区域相对应的警告信息。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述第一线号名称和所述第二线号名称的匹配程度,输出与所述目标感兴趣区域相对应的线缆线号的检测结果,包括:
在所述第一线号名称和所述第二线号名称不相同的情况下,输出与所述目标感兴趣区域相对应的线缆线号不符合布线要求的检测结果;
在所述第一线号名称和所述第二线号名称相同的情况下,输出与所述目标感兴趣区域相对应的线缆线号符合布线要求的检测结果。
8.一种线缆线号的检测装置,其特征在于,包括:
获取模块,用于获取目标区域的图像数据;其中,所述图像数据中包含所述目标区域内各线缆的线号;
提取模块,用于按照预设顺序,依次提取所述图像数据中与各线缆的线号相对应的感兴趣区域;
字符检测模块,用于对目标感兴趣区域进行光学字符检测,得到所述目标感兴趣区域中的目标字符图片;其中,所述目标感兴趣区域为所述各线缆的线号相对应的感兴趣区域中的任意一个感兴趣区域;
识别模块,用于利用预先训练的字符识别模型对所述目标字符图片进行识别,得到所述目标感兴趣区域对应的第一线号名称;
确定模块,用于根据所述预设顺序,在预先获取的所述目标区域的布线数据中确定所述目标感兴趣区域对应的第二线号名称;
匹配模块,用于根据所述第一线号名称和所述第二线号名称的匹配程度,输出与所述目标感兴趣区域相对应的线缆线号的检测结果。
9.根据权利要求8所述的装置,其特征在于,所述获取模块还用于:
接收由预设图像采集设备对所述目标区域内各线缆的线号进行图像采集所得到的图片数据;
对所述图片数据依次进行噪声去除、图像增强、灰度化转换以及对比度拉伸,得到所述目标区域的图像数据。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110933219.7A CN113627430B (zh) | 2021-08-12 | 2021-08-12 | 线缆线号的检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110933219.7A CN113627430B (zh) | 2021-08-12 | 2021-08-12 | 线缆线号的检测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627430A true CN113627430A (zh) | 2021-11-09 |
CN113627430B CN113627430B (zh) | 2023-06-20 |
Family
ID=78385383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110933219.7A Active CN113627430B (zh) | 2021-08-12 | 2021-08-12 | 线缆线号的检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627430B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207951A (zh) * | 2019-05-23 | 2019-09-06 | 北京航空航天大学 | 一种基于视觉的飞机线缆支架装配状态检测方法 |
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN111639643A (zh) * | 2020-05-22 | 2020-09-08 | 深圳市赛为智能股份有限公司 | 字符识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-12 CN CN202110933219.7A patent/CN113627430B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技(深圳)有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
CN110207951A (zh) * | 2019-05-23 | 2019-09-06 | 北京航空航天大学 | 一种基于视觉的飞机线缆支架装配状态检测方法 |
CN111639643A (zh) * | 2020-05-22 | 2020-09-08 | 深圳市赛为智能股份有限公司 | 字符识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王锋;项导;: "基于卷积神经网络的数码仪表识别方法", 机械设计与制造工程, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627430B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
TWI744283B (zh) | 一種單詞的分割方法和裝置 | |
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
CN109583449A (zh) | 字符识别方法及相关产品 | |
US20180349716A1 (en) | Apparatus and method for recognizing traffic signs | |
WO2008129540A2 (en) | Device and method for identification of objects using color coding | |
CN111340787A (zh) | 输电线路的导线缺陷检测识别方法、装置及计算机设备 | |
CN109344864B (zh) | 用于密集物体的图像处理方法及装置 | |
CN111738045B (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN108460344A (zh) | 屏幕中的动态区域智能识别系统及智能识别方法 | |
CN111221996B (zh) | 仪表屏幕视觉检测方法和系统 | |
CN114119695A (zh) | 一种图像标注方法、装置及电子设备 | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN108664979A (zh) | 基于图像识别的玉米叶部病虫害检测模型的构建方法及应用 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN113627430B (zh) | 线缆线号的检测方法、装置和电子设备 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN114882511A (zh) | 基于amnn和汉字结构字典的手写汉字识别方法、系统、设备和存储介质 | |
CN113033256B (zh) | 一种指尖检测模型的训练方法和设备 | |
CN108665439B (zh) | 基板检测方法及终端设备 | |
CN116977615B (zh) | 荔枝果梗识别定位方法及装置 | |
KR102199572B1 (ko) | 딥러닝 기반의 역방향 사물 검사 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |