CN114462646B - 一种基于接触网安全巡检的杆号牌识别方法及系统 - Google Patents

一种基于接触网安全巡检的杆号牌识别方法及系统 Download PDF

Info

Publication number
CN114462646B
CN114462646B CN202210255532.4A CN202210255532A CN114462646B CN 114462646 B CN114462646 B CN 114462646B CN 202210255532 A CN202210255532 A CN 202210255532A CN 114462646 B CN114462646 B CN 114462646B
Authority
CN
China
Prior art keywords
number plate
image
pole
pole number
identification
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
Application number
CN202210255532.4A
Other languages
English (en)
Other versions
CN114462646A (zh
Inventor
苏茂才
林仁辉
唐泰可
廖峪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zhonggui Track Equipment Co ltd
Original Assignee
Chengdu Zhonggui Track Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zhonggui Track Equipment Co ltd filed Critical Chengdu Zhonggui Track Equipment Co ltd
Priority to CN202210255532.4A priority Critical patent/CN114462646B/zh
Publication of CN114462646A publication Critical patent/CN114462646A/zh
Application granted granted Critical
Publication of CN114462646B publication Critical patent/CN114462646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/20Administration of product repair or maintenance
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于接触网安全巡检的杆号牌识别方法及系统,包括以下步骤:步骤S1、利用高速相机在安全巡检过程中沿巡检线路获取接触网巡检图像,并利用号牌定位网络对所述接触网巡检图像进行杆号牌区域提取以实现连续获取一组杆号牌巡检图像,并在一组杆号牌巡检图像中筛选出杆号牌编号识别图像;步骤S2:对接触网的所有杆号牌利用步骤S1得到所有杆号牌编号识别图像作为训练样本,基于所述训练样本构建杆号牌数字编号识别模型。本发明利用对杆号牌的所有巡检图像进行图像质量筛选得到表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像,利用杆号牌编号识别图像可提高杆号牌检测的精度。

Description

一种基于接触网安全巡检的杆号牌识别方法及系统
技术领域
本发明涉及接触网巡检技术领域,具体涉及一种基于接触网安全巡检的杆号牌识别方法及系统。
背景技术
接触网支撑装置担负着支撑接触网的重要任务,而其中每一根支柱上都一定有杆号牌;杆号牌的精确批量识别对于铁路线路的里程标定和接触网的巡检维护对象确认有着至关重要的作用;如何高效、准确、安全地实现高速铁路线路上的非接触检测是目前亟待解决的问题。
接触网杆号牌检测标准中对高铁轨道两侧支柱上的杆号检测有明确要求,是高铁杆号牌的重要检测项目之一,起着故障定位、位置检测等功能;目前,接触网两侧的杆号牌检测时无法控制拍摄图片质量,从而导致检测精度不可控,同时忽略了接触网杆号牌的规律属性进行检测加速,均需要独立对每个接触网杆号牌进行处理,费时费力。
发明内容
本发明的目的在于提供一种基于接触网安全巡检的杆号牌识别方法及系统,以解决现有技术中杆号牌检测时无法控制拍摄图片质量,从而导致检测精度不可控,同时忽略了接触网杆号牌的规律属性进行检测加速,均需要独立对每个接触网杆号牌进行处理,费时费力的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于接触网安全巡检的杆号牌识别方法,包括以下步骤:
步骤S1、利用高速相机在安全巡检过程中沿巡检线路获取接触网巡检图像,并利用号牌定位网络对所述接触网巡检图像进行杆号牌区域提取以实现连续获取一组杆号牌巡检图像,并在一组杆号牌巡检图像中筛选出一张表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像;
步骤S2、对接触网的所有杆号牌利用步骤S1得到所有杆号牌编号识别图像作为训练样本,基于所述训练样本构建杆号牌数字编号识别模型;
步骤S3、为批量待识别的杆号牌的杆号牌编号识别图像建立图像特征关联属性得到一组关联的杆号牌编号识别图像,并将一组关联的杆号牌编号识别图像依次输入杆号牌数字编号识别模型中得到批量待识别的杆号牌的杆号牌数字编号,所述图像特征关联属性是指对批量待识别的杆号牌的杆号牌编号识别图像中相邻的杆号牌编号识别图像中后一杆号牌编号识别图像可由前一杆号牌编号识别图像更新图像特征得到。
作为本发明的一种优选方案,所述步骤S1中,在对所述杆号牌巡检图像进行筛选之前还包括对一组杆号牌巡检图像进行图像几何大小、位置规格调整,以使得一组杆号牌巡检图像实现表征同一图像特征的像素点对应匹配,所述对一组杆号牌巡检图像进行图像几何大小、位置规格调整的方法包括:
步骤S101、为一组杆号牌巡检图像{i|i∈[1,n]}中每个杆号牌巡检图像均设置两个定位点,其中,两个所述定位点的坐标为O(xi,1,yi,1),P(xi,2,yi,2),xi,1,yi,1表征为杆号牌巡检图像i的定位点O的横、纵坐标,xi,2,yi,2表征为杆号牌巡检图像i的定位点P的横、纵坐标,i表征为杆号牌巡检图像的区分编号,n表征为一组杆号牌巡检图像中包含的杆号牌巡检图像的总数量;
步骤S102、采用Harris检测算法对一组杆号牌巡检图像中杆号牌巡检图像进行定位点检测,再通过定位点在杆号牌巡检图像上的几何变换实现对一组杆号牌巡检图像的几何大小、位置偏差进行调整至偏差消失,其中,
所述几何大小、位置偏差的调整方法包括:
以一组杆号牌巡检图像中的杆号牌巡检图像1为基准图像A,依次以一组杆号牌巡检图像中的剩余杆号牌巡检图像k(k∈[2,n])为调整图像B,计算基准图像A中两个定位点的水平偏角σOP和调整图像B中两个定位点的水平偏角σ′OP,其中,
若σOP≠σ′OP,则对调整图像B进行σOP-σ′OP角度的旋转变换;
若σOP=σ′OP,则调整图像B无需进行旋转变换;
计算基准图像A中两个定位点之间的距离DOP和调整图像B中两个定位点之间的距离D′OP,其中,
若σOP=σ′OP且DOP≠D′OP,则对调整图像B进行D′OP/DOP倍的缩放变换;
若σOP=σ′OP且DOP=D′OP,则调整图像B无需进行缩放变换;
将所述调整图像B中两个定位点O(xk,1,yk,1),P(xk,2,yk,2)进行位移调整至基准图像A中两个定位点O(x1,1,y1,1),P(x1,2,y1,2),并保留位移调整路线,将所述调整图像B沿位移调整路线进行位移调整完成对调整图像B的调整,使得调整图像B与所述基准图像A的像素点对应匹配;
其中,xk,1,yk,1表征为调整图像B的定位点O的横、纵坐标,xk,2,yk,2表征为调整图像B的定位点P的横、纵坐标。
作为本发明的一种优选方案,所述步骤S1中,所述杆号牌编号识别图像的筛选方法包括:
为一组杆号牌巡检图像设定图像质量衡量指标,所述图像质量衡量指标包括图像的清晰度,杆号牌数字编号的完整度,以及图像的像素信息量,其中,
所述清晰度利用杆号牌巡检图像中像素点像素值的方差进行衡量,所述清晰度的计算公式为:
Figure BDA0003548311600000031
式中,f1(i)表征为杆号牌巡检图像i的清晰度,ij表征为杆号牌巡检图像i中像素点j的像素值,
Figure BDA0003548311600000032
μ表征为杆号牌巡检图像i的平均像素值;
所述完整度利用杆号牌巡检图像中表征杆号牌数字编号的像素点信息熵进行衡量,所述完整度的计算公式为:
Figure BDA0003548311600000041
式中,f2(i)表征为杆号牌巡检图像i的完整度,l1、l2分别表征为表征杆号牌数字编号的像素点的像素值最小取值和最大取值,pi表征为杆号牌巡检图像i中像素点像素值为l的出现概率;
所述像素信息量利用杆号牌巡检图像所有像素点信息熵进行衡量,所述像素信息量的计算公式为:
Figure BDA0003548311600000042
式中,f3(i)表征为杆号牌巡检图像i的像素信息量,L表征为杆号牌巡检图像所有像素点像素值最大取值,pi表征为杆号牌巡检图像i中像素点像素值为l的出现概率;
基于所述图像质量衡量指标建立对一组杆号牌巡检图像进行图像质量评价的图像质量评价函数,并将图像质量评价函数值最高的杆号牌巡检图像作为杆号牌编号识别图像,其中,所述图像质量评价函数的计算公式为:
F(i)=f1(i)+f2(i)+f3(i);
式中,F(i)表征为杆号牌巡检图像i的图像质量评价函数值。
作为本发明的一种优选方案,所述像素值最大取值l2和最小取值l1的确定方法包括:
将杆号牌中杆号牌数字编号所在区域与杆号牌整个区域的横纵向位置关系等坐标映射到杆号牌巡检图像确定出表征杆号牌数字编号的像素点位置;
将表征杆号牌数字编号的像素点进行像素值比较得到像素值最大取值l2和最小取值l1
作为本发明的一种优选方案,所述步骤S2中,所述杆号牌数字编号识别模型的构建方法包括:
步骤S201、利用步骤S1获得接触网中所有杆号牌的杆号牌编号识别图像作为样本特征,并人工提取出每个杆号牌编号识别图像中的杆号牌数字编号作为样本标签,将单个所述样本特征和单个样本标签进行对应且唯一绑定得到单个训练样本;
步骤S202、使用加速区域卷积神经网络模型FasterR-CNN对所有训练样本进行训练得到杆号牌数字编号识别模型,所述杆号牌数字编号识别模型的输入为杆号牌编号识别图像,输出为杆号牌数字编号。
作为本发明的一种优选方案,所述步骤S3中,所述一组关联的杆号牌编号识别图像的获得方法包括:
步骤S301、为批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}设置表征相邻的杆号牌编号识别图像h和h+1中像素点{j|j∈[1,m]}差异性的差异监听因子
Figure BDA0003548311600000051
其中,所述差异监听因子
Figure BDA0003548311600000052
的计算公式为:
Figure BDA0003548311600000053
式中,m表征为杆号牌编号识别图像h/h+1中像素点的总数目,hj、(h+1)j分别表征为杆号牌编号识别图像h和h+1中像素点j的像素值,j表征为像素点区分标号,N表征为批量待识别的杆号牌的总数目;
步骤S302、设置差异阈值
Figure BDA0003548311600000054
其中,
若差异监听因子
Figure BDA0003548311600000055
高于等于差异阈值
Figure BDA0003548311600000056
则将所述差异监听因子
Figure BDA0003548311600000057
对应的杆号牌编号识别图像h+1中的像素点j替换杆号牌编号识别图h中的像素点j;
若差异监听因子
Figure BDA0003548311600000058
低于差异阈值
Figure BDA0003548311600000059
则将所述差异监听因子
Figure BDA0003548311600000061
对应的杆号牌编号识别图像h中的像素点进行保留;
步骤S303、依次将杆号牌编号识别图像h作为新的杆号牌编号识别图像h+1,实现将批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}转换为一组关联的杆号牌编号识别图像{h′|h′∈[1,N]},h′表征为关联的杆号牌编号识别图像的区分标号。
作为本发明的一种优选方案,所述批量待识别的杆号牌的杆号牌数字编号的获得方法包括:
将一组关联的杆号牌编号识别图像{h′|h′∈[1,N]}依次输入至杆号牌数字编号识别模型中,依次得到一组关联的杆号牌编号识别图像{h′|h′∈[1,N]}的杆号牌数字编号;
将一组关联的杆号牌编号识别图像{h′|h′∈[1,N]}的杆号牌数字编号对应映射至批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}上得到批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}的杆号牌数字编号;
将批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}的杆号牌数字编号对应映射至批量待识别的杆号牌{h|h∈[1,N]}中得到批量待识别的杆号牌的杆号牌数字编号。
作为本发明的一种优选方案,所述批量待识别的杆号牌的杆号牌编号识别图像利用步骤S1得到。
作为本发明的一种优选方案,所述像素值为RGB三通道像素分量R像素分量、G像素分量和B像素分量加权构成。
作为本发明的一种优选方案,本发明提供了一种根据所述的基于接触网安全巡检的杆号牌识别方法的识别系统,包括:
图像拍摄单元,用于利用高速相机在安全巡检过程中沿巡检线路获取接触网巡检图像,并利用号牌定位网络对所述接触网巡检图像进行杆号牌区域提取以实现连续获取一组杆号牌巡检图像,并在一组杆号牌巡检图像中筛选出一张表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像;
模型建立单元,用于对接触网的所有杆号牌利用步骤S1得到所有杆号牌编号识别图像作为训练样本,基于所述训练样本构建杆号牌数字编号识别模型;
模型应用单元,用于为批量待识别的杆号牌的杆号牌编号识别图像建立图像特征关联属性得到一组关联的杆号牌编号识别图像,并将一组关联的杆号牌编号识别图像依次输入杆号牌数字编号识别模型中得到批量待识别的杆号牌的杆号牌数字编号。
本发明与现有技术相比较具有如下有益效果:
本发明利用对杆号牌的所有巡检图像进行图像质量筛选得到表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像,利用杆号牌编号识别图像可提高杆号牌检测的精度,同时利用接触网杆号牌的规律属性进行检测加速,无需独立对每个接触网杆号牌的进行检测,省时省力。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的杆号牌识别方法流程图;
图2为本发明实施例提供的识别系统结构框图。
图中的标号分别表示如下:
1-图像拍摄单元;2-模型建立单元;3-模型应用单元。
具体实施方式
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,所描述的实施例仅仅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。
如图1和2所示,本发明提供了一种基于接触网安全巡检的杆号牌识别方法,包括以下步骤:
在巡检过程中如果仅对杆号牌拍摄一张杆号牌巡检图像,可能杆号牌巡检图像由于高速相机的振动导致图像模糊,或者出现杆号牌数字编号部分被异物遮挡的导致残缺,会无法保证这张杆号牌巡检图像是包含完整杆号牌数字编号并且具有高清晰度的图像,因此只拍摄一张杆号牌巡检图像会大大降低识别到杆号牌数字编号的成功率,从而本实施例提供了一种对每个杆号牌处连续获取一组杆号牌巡检图像,并对杆号牌巡检图像进行筛选得到杆号牌编号识别图像的方法用于提高识别杆号牌数字编号成功率,具体如下:
步骤S1、利用高速相机在安全巡检过程中沿巡检线路获取接触网巡检图像,并利用号牌定位网络对所述接触网巡检图像进行杆号牌区域提取以实现连续获取一组杆号牌巡检图像,并在一组杆号牌巡检图像中筛选出一张表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像;
其中号牌定位网络是用于图像目标检测的定位检测网络,现有技术中YOLO V1~V3或其他用于目标检测的算法均能实现,在此不加赘述,采用号牌定位网络作为第一层杆号牌区域提取网络提取输入图像中所存在的杆号牌图像,其中该部分作为第一次定位网络,目的是从图像中将支柱杆号牌区域单独提取出来。
所述步骤S1中,在对所述杆号牌巡检图像进行筛选之前还包括对一组杆号牌巡检图像进行图像几何大小、位置规格调整,以使得一组杆号牌巡检图像实现表征同一图像特征的像素点对应匹配,所述对一组杆号牌巡检图像进行图像几何大小、位置规格调整的方法包括:
步骤S101、为一组杆号牌巡检图像{i|i∈[1,n]}中每个杆号牌巡检图像均设置两个定位点,其中,两个所述定位点的坐标为O(xi,1,yi,1),P(xi,2,yi,2),xi,1,yi,1表征为杆号牌巡检图像i的定位点O的横、纵坐标,xi,2,yi,2表征为杆号牌巡检图像i的定位点P的横、纵坐标,i表征为杆号牌巡检图像的区分编号,n表征为一组杆号牌巡检图像中包含的杆号牌巡检图像的总数量;
步骤S102、采用Harris检测算法对一组杆号牌巡检图像中杆号牌巡检图像进行定位点检测,再通过定位点在杆号牌巡检图像上的几何变换实现对一组杆号牌巡检图像的几何大小、位置偏差进行调整至偏差消失,其中,
所述几何大小、位置偏差的调整方法包括:
以一组杆号牌巡检图像中的杆号牌巡检图像1为基准图像A,依次以一组杆号牌巡检图像中的剩余杆号牌巡检图像k(k∈[2,n])为调整图像B,计算基准图像A中两个定位点的水平偏角σOP和调整图像B中两个定位点的水平偏角σ′OP,其中,
若σOP≠σ′OP,则对调整图像B进行σOP-σ′OP角度的旋转变换;
若σOP=σ′OP,则调整图像B无需进行旋转变换;
计算基准图像A中两个定位点之间的距离DOP和调整图像B中两个定位点之间的距离D′OP,其中,
若σOP=σ′OP且DOP≠D′OP,则对调整图像B进行D′OP/DOP倍的缩放变换;
若σOP=σ′OP且DOP=D′OP,则调整图像B无需进行缩放变换;
将所述调整图像B中两个定位点O(xk,1,yk,1),P(xk,2,yk,2)进行位移调整至基准图像A中两个定位点O(x1,1,y1,1),P(x1,2,y1,2),并保留位移调整路线,将所述调整图像B沿位移调整路线进行位移调整完成对调整图像B的调整,使得调整图像B与所述基准图像A的像素点对应匹配;
其中,xk,1,yk,1表征为调整图像B的定位点O的横、纵坐标,xk,2,yk,2表征为调整图像B的定位点P的横、纵坐标。
将一组杆号牌巡检图像进行位置、几何大小的偏差调整,以使得所有杆号牌巡检图像中像素点逐一对应匹配,从而使得所有杆号牌巡检图像包含的图像信息相同,保证一组杆号牌巡检图像在图像质量指标上具有可比性。
所述步骤S1中,所述杆号牌编号识别图像的筛选方法包括:
为一组杆号牌巡检图像设定图像质量衡量指标,所述图像质量衡量指标包括图像的清晰度,杆号牌数字编号的完整度,以及图像的像素信息量,其中,图像的清晰度越高,则杆号牌巡检图像中表征杆号牌数字编号的像素点越清晰,则由杆号牌巡检图像中识别出杆号牌数字编号的正确率越高;杆号牌数字编号的完整度越高,则杆号牌巡检图像中表征杆号牌数字编号的像素点越丰富,则由杆号牌巡检图像中识别出杆号牌数字编号的正确率越高;图像的像素信息量越低,则杆号牌巡检图像的像素点越少,则在进行由杆号牌巡检图像中识别出杆号牌数字编号的计算复杂度越低,即识别出杆号牌数字编号的效率越高,因此,在筛选杆号牌巡检图像时,期望得到的是清晰度高且具有包含杆号牌数字编号的完整度高以及计算复杂度低的杆号牌巡检图像作为杆号牌编号识别图像,从而可保证杆号牌编号识别图像在后续识别杆号牌数字编号的过程中具有高精度和高效率。
所述清晰度利用杆号牌巡检图像中像素点像素值的方差进行衡量,所述清晰度的计算公式为:
Figure BDA0003548311600000101
式中,f1(i)表征为杆号牌巡检图像i的清晰度,ij表征为杆号牌巡检图像i中像素点j的像素值,
Figure BDA0003548311600000102
μ表征为杆号牌巡检图像i的平均像素值;
由于清晰聚焦的图像有着比模糊图像更大的像素值差异,可以将方差作为清晰度的评价衡量指标,f1(i)越大,则图像的清晰度越高,f1(i)越小,则图像的清晰度越低。
所述完整度利用杆号牌巡检图像中表征杆号牌数字编号的像素点信息熵进行衡量,所述完整度的计算公式为:
Figure BDA0003548311600000111
式中,f2(i)表征为杆号牌巡检图像i的完整度,l1、l2分别表征为表征杆号牌数字编号的像素点的像素值最小取值和最大取值,pi表征为杆号牌巡检图像i中像素点像素值为l的出现概率;
熵函数是衡量图像信息丰富程度的一个重要指标,有信息论可知,一幅图像的信息量是由该图像的信息熵来度量,根据Shannon信息论,熵最大时信息量最多,将此原理应用到对焦过程,f2(i)越大,则杆号牌巡检图像中表征杆号牌数字编号的像素点越丰富,杆号牌数字编号的细节描述越充分,则杆号牌数字编号的完整度越高,f2(i)越小,则图像杆号牌巡检图像中表征杆号牌数字编号的像素点越匮乏,杆号牌数字编号的细节描述越缺乏,则杆号牌数字编号的完整度越低。
所述像素信息量利用杆号牌巡检图像所有像素点信息熵进行衡量,所述像素信息量的计算公式为:
Figure BDA0003548311600000112
式中,f3(i)表征为杆号牌巡检图像i的像素信息量,L表征为杆号牌巡检图像所有像素点像素值最大取值,一般区256,pi表征为杆号牌巡检图像i中像素点像素值为l的出现概率;
熵函数是衡量图像信息丰富程度的一个重要指标,有信息论可知,一幅图像的信息量是由该图像的信息熵来度量,根据Shannon信息论,熵最大时信息量最多,信息量最多则后续进行计算过程中需要更高的计算复杂度,因此f3(i)越大,计算复杂度越高,f3(i)越小,计算复杂度越低。
基于所述图像质量衡量指标建立对一组杆号牌巡检图像进行图像质量评价的图像质量评价函数,并将图像质量评价函数值最高的杆号牌巡检图像作为杆号牌编号识别图像,其中,所述图像质量评价函数的计算公式为:
F(i)=f1(i)+f2(i)+f3(i);
式中,F(i)表征为杆号牌巡检图像i的图像质量评价函数值。
利用三个指标f1(i)、f2(i)、f3(i)对每个杆号牌巡检图像进行质量评价,其中最高的F(i)值对应的杆号牌巡检图像i筛选出作为杆号牌编号识别图像,使得杆号牌编号识别图像具有高清晰度,高完整度以及低像素信息量,即杆号牌编号识别图像表征完整杆号牌数字编号且清晰且计算量小。
所述像素值最大取值l2和最小取值l1的确定方法包括:
将杆号牌中杆号牌数字编号所在区域与杆号牌整个区域的横纵向位置关系等坐标映射到杆号牌巡检图像确定出表征杆号牌数字编号的像素点位置,比如,杆号牌整个区域的上下边向内推1/4高度为杆号牌数字编号所在区域上下边,杆号牌整个区域的左右边向内推1/4高度为杆号牌数字编号所在区域左右边;
将表征杆号牌数字编号的像素点进行像素值比较得到像素值最大取值l2和最小取值l1
步骤S2、对接触网的所有杆号牌利用步骤S1得到所有杆号牌编号识别图像作为训练样本,基于所述训练样本构建杆号牌数字编号识别模型;
所述步骤S2中,所述杆号牌数字编号识别模型的构建方法包括:
步骤S201、利用步骤S1获得接触网中所有杆号牌的杆号牌编号识别图像作为样本特征,并人工提取出每个杆号牌编号识别图像中的杆号牌数字编号作为样本标签,将单个所述样本特征和单个样本标签进行对应且唯一绑定得到单个训练样本;
步骤S202、使用加速区域卷积神经网络模型FasterR-CNN对所有训练样本进行训练得到杆号牌数字编号识别模型,所述杆号牌数字编号识别模型的输入为杆号牌编号识别图像,输出为杆号牌数字编号。
步骤S3、为批量待识别的杆号牌的杆号牌编号识别图像建立图像特征关联属性得到一组关联的杆号牌编号识别图像,并将一组关联的杆号牌编号识别图像依次输入杆号牌数字编号识别模型中得到批量待识别的杆号牌的杆号牌数字编号,所述图像特征关联属性是指对批量待识别的杆号牌的杆号牌编号识别图像中相邻的杆号牌编号识别图像中后一杆号牌编号识别图像可由前一杆号牌编号识别图像更新图像特征得到。
所述步骤S3中,所述一组关联的杆号牌编号识别图像的获得方法包括:
步骤S301、为批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}设置表征相邻的杆号牌编号识别图像h和h+1中像素点{j|j∈[1,m]}差异性的差异监听因子
Figure BDA0003548311600000131
其中,所述差异监听因子
Figure BDA0003548311600000132
的计算公式为:
Figure BDA0003548311600000133
式中,m表征为杆号牌编号识别图像h/h+1中像素点的总数目,hj、(h+1)j分别表征为杆号牌编号识别图像h和h+1中像素点j的像素值,j表征为像素点区分标号,N表征为批量待识别的杆号牌的总数目;
步骤S302、设置差异阈值
Figure BDA0003548311600000134
其中,
若差异监听因子
Figure BDA0003548311600000135
高于等于差异阈值
Figure BDA0003548311600000136
则将所述差异监听因子
Figure BDA0003548311600000137
对应的杆号牌编号识别图像h+1中的像素点j替换杆号牌编号识别图h中的像素点j;
若差异监听因子
Figure BDA0003548311600000138
低于差异阈值
Figure BDA0003548311600000139
则将所述差异监听因子
Figure BDA00035483116000001310
对应的杆号牌编号识别图像h中的像素点进行保留;
步骤S303、依次将杆号牌编号识别图像h作为新的杆号牌编号识别图像h+1,实现将批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}转换为一组关联的杆号牌编号识别图像{h′|h′∈[1,N]},h′表征为关联的杆号牌编号识别图像的区分标号。
通常连续路段上的杆号牌具有一定的顺序连续性,比如编号为A101杆号牌,在后续路段上的杆号牌为A102、A103、A104等,对于A101杆号牌的杆号牌编号识别图像而言,A102杆号牌的杆号牌编号识别图像与A101杆号牌的杆号牌编号识别图像仅存在一个数字像素点的差异,因此可将A102杆号牌的杆号牌编号识别图像转换为由A101杆号牌的杆号牌编号识别图像更新而来,然后直接将更新为A102杆号牌的杆号牌编号识别图像的A101杆号牌的杆号牌编号识别图像再次输入至杆号牌数字编号识别模型中进行杆号牌数字编号,整个过程中仅改变了作为输入项的前一张杆号牌编号识别图像中的差异部分,保留了大部分未发生变动的一致部分,从而A102杆号牌的杆号牌编号识别图像是由A101杆号牌的杆号牌编号识别图像更新而来,则作为输入项时,杆号牌数字编号识别模型仅需要运算的是差异部分,从而大大提高了效率,比如A101杆号牌的杆号牌编号识别图像的像素点[1,m]与A102杆号牌的杆号牌编号识别图像的像素点[1,m]中差异部分为像素点x,则将A102杆号牌的杆号牌编号识别图像的像素点x替换A101杆号牌的杆号牌编号识别图像的像素点x,则将此时替换更新后的A101杆号牌的杆号牌编号识别图像作为A102杆号牌的杆号牌编号识别图像,在进行A101杆号牌识别时,将原始的A101杆号牌的杆号牌编号识别图像输入杆号牌数字编号识别模型进行运算得到对A101杆号牌的杆号牌编号识别图像的识别结果,此时是需要对A101杆号牌的杆号牌编号识别图像中像素点[1,m]全部进行模型运算,而在进行A102杆号牌识别时,将作为A102杆号牌的杆号牌编号识别图像的替换更新后的A101杆号牌的杆号牌编号识别图像输入杆号牌数字编号识别模型进行运算得到对A102杆号牌的杆号牌编号识别图像的识别结果,此时仅需要对替换更新后对A101杆号牌的杆号牌编号识别图像中像素点x进行模型运算即可,其他像素点运算维持在上次A101杆号牌识别的模型运算时即可,可有效的降低运算复杂度。
所述批量待识别的杆号牌的杆号牌数字编号的获得方法包括:
将一组关联的杆号牌编号识别图像{h′|h′∈[1,N]}依次输入至杆号牌数字编号识别模型中,依次得到一组关联的杆号牌编号识别图像{h′|h′∈[1,N]}的杆号牌数字编号;
将一组关联的杆号牌编号识别图像{h′|h′∈[1,N]}的杆号牌数字编号对应映射至批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}上得到批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}的杆号牌数字编号;
将批量待识别的杆号牌的杆号牌编号识别图像{h|h∈[1,N]}的杆号牌数字编号对应映射至批量待识别的杆号牌{h|h∈[1,N]}中得到批量待识别的杆号牌的杆号牌数字编号。
所述批量待识别的杆号牌的杆号牌编号识别图像利用步骤S1得到。
所述像素值为RGB三通道像素分量R像素分量、G像素分量和B像素分量加权构成。
基于上述基于接触网安全巡检的杆号牌识别方法,本发明提供了一种识别系统,包括:
图像拍摄单元1,用于利用高速相机在安全巡检过程中沿巡检线路获取接触网巡检图像,并利用号牌定位网络对所述接触网巡检图像进行杆号牌区域提取以实现连续获取一组杆号牌巡检图像,并在一组杆号牌巡检图像中筛选出一张表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像;
模型建立单元2,用于对接触网的所有杆号牌利用步骤S1得到所有杆号牌编号识别图像作为训练样本,基于所述训练样本构建杆号牌数字编号识别模型;
模型应用单元3,用于为批量待识别的杆号牌的杆号牌编号识别图像建立图像特征关联属性得到一组关联的杆号牌编号识别图像,并将一组关联的杆号牌编号识别图像依次输入杆号牌数字编号识别模型中得到批量待识别的杆号牌的杆号牌数字编号。
本发明利用对杆号牌的所有巡检图像进行图像质量筛选得到表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像,利用杆号牌编号识别图像可提高杆号牌检测的精度,同时利用接触网杆号牌的规律属性进行检测加速,无需独立对每个接触网杆号牌的进行检测,省时省力。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (8)

1.一种基于接触网安全巡检的杆号牌识别方法,其特征在于,包括以下步骤:
步骤S1、利用高速相机在安全巡检过程中沿巡检线路获取接触网巡检图像,并利用号牌定位网络对所述接触网巡检图像进行杆号牌区域提取以实现连续获取一组杆号牌巡检图像,并在一组杆号牌巡检图像中筛选出一张表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像;
步骤S2、对接触网的所有杆号牌利用步骤S1得到所有杆号牌编号识别图像作为训练样本,基于所述训练样本构建杆号牌数字编号识别模型;
步骤S3、为批量待识别的杆号牌的杆号牌编号识别图像建立图像特征关联属性得到一组关联的杆号牌编号识别图像,并将一组关联的杆号牌编号识别图像依次输入杆号牌数字编号识别模型中得到批量待识别的杆号牌的杆号牌数字编号,所述图像特征关联属性是指对批量待识别的杆号牌的杆号牌编号识别图像中相邻的杆号牌编号识别图像中后一杆号牌编号识别图像由前一杆号牌编号识别图像更新图像特征得到;
步骤S1中,杆号牌编号识别图像的筛选方法包括:
为一组杆号牌巡检图像设定图像质量衡量指标,图像质量衡量指标包括图像的清晰度,杆号牌数字编号的完整度,以及图像的像素信息量,其中,
清晰度利用杆号牌巡检图像中像素点像素值的方差进行衡量,清晰度的计算公式为:
Figure 44057DEST_PATH_IMAGE001
式中,
Figure 334224DEST_PATH_IMAGE002
表征为杆号牌巡检图像i的清晰度,i j 表征为杆号牌巡检图像i中像素点j的像素值,
Figure 948877DEST_PATH_IMAGE003
Figure 58915DEST_PATH_IMAGE004
表征为杆号牌巡检图像i的平均像素值;
完整度利用杆号牌巡检图像中表征杆号牌数字编号的像素点信息熵进行衡量,完整度的计算公式为:
Figure 276270DEST_PATH_IMAGE005
式中,
Figure 187987DEST_PATH_IMAGE006
表征为杆号牌巡检图像i的完整度,l 1l 2分别表征为表征杆号牌数字编号的像素点的像素值最小取值和最大取值,p i 表征为杆号牌巡检图像i中像素点像素值为l的出现概率;
像素信息量利用杆号牌巡检图像所有像素点信息熵进行衡量,像素信息量的计算公式为:
Figure 973541DEST_PATH_IMAGE007
式中,
Figure 570875DEST_PATH_IMAGE008
表征为杆号牌巡检图像i的像素信息量,L表征为杆号牌巡检图像所有像素点像素值最大取值,p i 表征为杆号牌巡检图像i中像素点像素值为l的出现概率;
基于图像质量衡量指标建立对一组杆号牌巡检图像进行图像质量评价的图像质量评价函数,并将图像质量评价函数值最高的杆号牌巡检图像作为杆号牌编号识别图像,其中,图像质量评价函数的计算公式为:
Figure 732866DEST_PATH_IMAGE009
式中,
Figure 965002DEST_PATH_IMAGE010
表征为杆号牌巡检图像i的图像质量评价函数值;
步骤S3中,一组关联的杆号牌编号识别图像的获得方法包括:
步骤S301、为批量待识别的杆号牌的杆号牌编号识别图像
Figure 46091DEST_PATH_IMAGE011
设置表征相邻的杆号牌编号识别图像hh+1中像素点
Figure 396301DEST_PATH_IMAGE012
差异性的差异监听因子
Figure 96403DEST_PATH_IMAGE013
,其中,差异监听因子
Figure 215669DEST_PATH_IMAGE014
的计算公式为:
Figure 844490DEST_PATH_IMAGE015
式中,m表征为杆号牌编号识别图像h/h+1中像素点的总数目,h j 、(h+1) j 分别表征为杆号牌编号识别图像hh+1中像素点j的像素值,j表征为像素点区分标号,N表征为批量待识别的杆号牌的总数目;
步骤S302、设置差异阈值
Figure 416417DEST_PATH_IMAGE016
,其中,
若差异监听因子
Figure 920210DEST_PATH_IMAGE017
高于等于差异阈值
Figure 893983DEST_PATH_IMAGE018
,则将差异监听因子
Figure 51294DEST_PATH_IMAGE019
对应的杆号牌编号识别图像h+1中的像素点j替换杆号牌编号识别图像h中的像素点j
若差异监听因子
Figure 609052DEST_PATH_IMAGE020
低于差异阈值
Figure 916537DEST_PATH_IMAGE021
,则将差异监听因子
Figure 479237DEST_PATH_IMAGE022
对应的杆号牌编号识别图像h中的像素点进行保留;
步骤S303、依次将杆号牌编号识别图像h作为新的杆号牌编号识别图像h+1,实现将批量待识别的杆号牌的杆号牌编号识别图像
Figure 948395DEST_PATH_IMAGE023
转换为一组关联的杆号牌编号识别图像
Figure 996379DEST_PATH_IMAGE024
Figure 966609DEST_PATH_IMAGE025
表征为关联的杆号牌编号识别图像的区分标号。
2.根据权利要求1所述的一种基于接触网安全巡检的杆号牌识别方法,其特征在于:所述步骤S1中,在对所述杆号牌巡检图像进行筛选之前还包括对一组杆号牌巡检图像进行图像几何大小、位置规格调整,以使得一组杆号牌巡检图像实现表征同一图像特征的像素点对应匹配,所述对一组杆号牌巡检图像进行图像几何大小、位置规格调整的方法包括:
步骤S101、为一组杆号牌巡检图像
Figure 649394DEST_PATH_IMAGE026
中每个杆号牌巡检图像均设置两个定位点,其中,两个所述定位点的坐标为O(x i,1,y i,1),P(x i,2,y i,2),x i,1,y i,1表征为杆号牌巡检图像i的定位点O的横、纵坐标,x i,2,y i,2表征为杆号牌巡检图像i的定位点P的横、纵坐标,i表征为杆号牌巡检图像的区分编号,n表征为一组杆号牌巡检图像中包含的杆号牌巡检图像的总数量;
步骤S102、采用Harris检测算法对一组杆号牌巡检图像中杆号牌巡检图像进行定位点检测,再通过定位点在杆号牌巡检图像上的几何变换实现对一组杆号牌巡检图像的几何大小、位置偏差进行调整至偏差消失,其中,
所述几何大小、位置偏差的调整方法包括:
以一组杆号牌巡检图像中的杆号牌巡检图像为基准图像A,依次以一组杆号牌巡检图像中的剩余杆号牌巡检图像
Figure 289454DEST_PATH_IMAGE027
为调整图像B,计算基准图像A中两个定位点的水平偏角
Figure 323269DEST_PATH_IMAGE028
和调整图像B中两个定位点的水平偏角
Figure 205512DEST_PATH_IMAGE028
,其中,
Figure 867438DEST_PATH_IMAGE029
,则对调整图像B进行
Figure 943978DEST_PATH_IMAGE030
角度的旋转变换;
Figure 199510DEST_PATH_IMAGE031
,则调整图像B无需进行旋转变换;
计算基准图像A中两个定位点之间的距离DOP和调整图像B中两个定位点之间的距离D OP,其中,
Figure 121330DEST_PATH_IMAGE032
且DOP≠D OP,则对调整图像B进行D OP/DOP倍的缩放变换;
Figure 534033DEST_PATH_IMAGE033
且DOP=D OP,则调整图像B无需进行缩放变换;
将所述调整图像B中两个定位点O(xk,1,yk,1),P(xk,2,yk,2)进行位移调整至基准图像A中两个定位点O(x1,1,y1,1),P(x1,2,y1,2),并保留位移调整路线,将所述调整图像B沿位移调整路线进行位移调整完成对调整图像B的调整,使得调整图像B与所述基准图像A的像素点对应匹配;
其中,xk,1,yk,1表征为调整图像B的定位点O的横、纵坐标,xk,2,yk,2表征为调整图像B的定位点P的横、纵坐标。
3.根据权利要求2所述的一种基于接触网安全巡检的杆号牌识别方法,其特征在于:所述像素值最大取值l 2和最小取值l 1的确定方法包括:
将杆号牌中杆号牌数字编号所在区域与杆号牌整个区域的横纵向位置关系坐标映射到杆号牌巡检图像确定出表征杆号牌数字编号的像素点位置;
将表征杆号牌数字编号的像素点进行像素值比较得到像素值最大取值l 2和最小取值l 1
4.根据权利要求3所述的一种基于接触网安全巡检的杆号牌识别方法,其特征在于:所述步骤S2中,所述杆号牌数字编号识别模型的构建方法包括:
步骤S201、利用步骤S1获得接触网中所有杆号牌的杆号牌编号识别图像作为样本特征,并人工提取出每个杆号牌编号识别图像中的杆号牌数字编号作为样本标签,将单个所述样本特征和单个样本标签进行对应且唯一绑定得到单个训练样本;
步骤S202、使用加速区域卷积神经网络模型FasterR-CNN对所有训练样本进行训练得到杆号牌数字编号识别模型,所述杆号牌数字编号识别模型的输入为杆号牌编号识别图像,输出为杆号牌数字编号。
5.根据权利要求4所述的一种基于接触网安全巡检的杆号牌识别方法,其特征在于:所述批量待识别的杆号牌的杆号牌数字编号的获得方法包括:
将一组关联的杆号牌编号识别图像
Figure 47053DEST_PATH_IMAGE034
依次输入至杆号牌数字编号识别模型中,依次得到一组关联的杆号牌编号识别图像
Figure 727565DEST_PATH_IMAGE035
的杆号牌数字编号;
将一组关联的杆号牌编号识别图像
Figure 951610DEST_PATH_IMAGE034
的杆号牌数字编号对应映射至批量待识别的杆号牌的杆号牌编号识别图像
Figure 588128DEST_PATH_IMAGE036
上得到批量待识别的杆号牌的杆号牌编号识别图像
Figure 930772DEST_PATH_IMAGE037
的杆号牌数字编号;
将批量待识别的杆号牌的杆号牌编号识别图像
Figure 941322DEST_PATH_IMAGE038
的杆号牌数字编号对应映射至批量待识别的杆号牌
Figure 378513DEST_PATH_IMAGE039
中得到批量待识别的杆号牌的杆号牌数字编号。
6.根据权利要求5所述的一种基于接触网安全巡检的杆号牌识别方法,其特征在于:所述批量待识别的杆号牌的杆号牌编号识别图像利用步骤S1得到。
7.根据权利要求6所述的一种基于接触网安全巡检的杆号牌识别方法,其特征在于,所述像素值为RGB三通道像素分量R像素分量、G像素分量和B像素分量加权构成。
8.一种根据权利要求1-7任一项所述的基于接触网安全巡检的杆号牌识别方法的识别系统,其特征在于,包括:
图像拍摄单元(1),用于利用高速相机在安全巡检过程中沿巡检线路获取接触网巡检图像,并利用号牌定位网络对所述接触网巡检图像进行杆号牌区域提取以实现连续获取一组杆号牌巡检图像,并在一组杆号牌巡检图像中筛选出一张表征完整杆号牌数字编号且清晰的杆号牌巡检图像作为杆号牌编号识别图像;
模型建立单元(2),用于对接触网的所有杆号牌利用步骤S1得到所有杆号牌编号识别图像作为训练样本,基于所述训练样本构建杆号牌数字编号识别模型;
模型应用单元(3),用于为批量待识别的杆号牌的杆号牌编号识别图像建立图像特征关联属性得到一组关联的杆号牌编号识别图像,并将一组关联的杆号牌编号识别图像依次输入杆号牌数字编号识别模型中得到批量待识别的杆号牌的杆号牌数字编号。
CN202210255532.4A 2022-03-15 2022-03-15 一种基于接触网安全巡检的杆号牌识别方法及系统 Active CN114462646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210255532.4A CN114462646B (zh) 2022-03-15 2022-03-15 一种基于接触网安全巡检的杆号牌识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210255532.4A CN114462646B (zh) 2022-03-15 2022-03-15 一种基于接触网安全巡检的杆号牌识别方法及系统

Publications (2)

Publication Number Publication Date
CN114462646A CN114462646A (zh) 2022-05-10
CN114462646B true CN114462646B (zh) 2022-11-15

Family

ID=81416588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210255532.4A Active CN114462646B (zh) 2022-03-15 2022-03-15 一种基于接触网安全巡检的杆号牌识别方法及系统

Country Status (1)

Country Link
CN (1) CN114462646B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116953680B (zh) * 2023-09-15 2023-11-24 成都中轨轨道设备有限公司 一种基于图像的目标物实时测距方法及系统
CN117218743B (zh) * 2023-11-07 2024-02-09 诺比侃人工智能科技(成都)股份有限公司 基于机器视觉的智能巡检控制方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902974A (zh) * 2012-08-23 2013-01-30 西南交通大学 一种基于图像的铁路接触网杆柱标识信息的识别方法
CN106599894A (zh) * 2016-12-27 2017-04-26 上海铁路局科学技术研究所 一种基于图像识别的接触网杆号识别方法
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集系统及方法
CN110598665A (zh) * 2019-09-19 2019-12-20 西南交通大学 一种基于车载移动深度学习平台的杆号识别方法
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
WO2020037960A1 (zh) * 2018-08-21 2020-02-27 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
CN112465807A (zh) * 2020-12-14 2021-03-09 深圳市芊熠智能硬件有限公司 车牌图像真伪识别方法、装置、设备和介质
CN113947731A (zh) * 2021-12-21 2022-01-18 成都中轨轨道设备有限公司 一种基于接触网安全巡检的异物识别方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778786B (zh) * 2013-12-17 2016-04-27 东莞中国科学院云计算产业技术创新与育成中心 一种基于显著车辆部件模型的交通违章检测方法
US10984289B2 (en) * 2016-12-23 2021-04-20 Shenzhen Institute Of Advanced Technology License plate recognition method, device thereof, and user equipment
CN107704857B (zh) * 2017-09-25 2020-07-24 北京邮电大学 一种端到端的轻量级车牌识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902974A (zh) * 2012-08-23 2013-01-30 西南交通大学 一种基于图像的铁路接触网杆柱标识信息的识别方法
CN106599894A (zh) * 2016-12-27 2017-04-26 上海铁路局科学技术研究所 一种基于图像识别的接触网杆号识别方法
CN107729808A (zh) * 2017-09-08 2018-02-23 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集系统及方法
WO2020037960A1 (zh) * 2018-08-21 2020-02-27 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
CN110598665A (zh) * 2019-09-19 2019-12-20 西南交通大学 一种基于车载移动深度学习平台的杆号识别方法
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
CN112465807A (zh) * 2020-12-14 2021-03-09 深圳市芊熠智能硬件有限公司 车牌图像真伪识别方法、装置、设备和介质
CN113947731A (zh) * 2021-12-21 2022-01-18 成都中轨轨道设备有限公司 一种基于接触网安全巡检的异物识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
接触网安全巡检系统中的支柱号牌识别算法;陈忠革;《电气化铁道》;20161215(第06期);全文 *

Also Published As

Publication number Publication date
CN114462646A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114462646B (zh) 一种基于接触网安全巡检的杆号牌识别方法及系统
CN110570454B (zh) 一种检测异物入侵的方法及装置
CN109389135B (zh) 一种图像筛选方法及装置
CN106991668B (zh) 一种天网摄像头拍摄画面的评价方法
CN116559183B (zh) 一种提高缺陷判定效率的方法及系统
CN111339839A (zh) 一种密集型目标检测计量方法
CN114894337B (zh) 一种用于室外人脸识别测温方法及装置
CN110991297A (zh) 一种基于场景监控的目标定位方法及系统
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN112017210A (zh) 目标物体跟踪方法及装置
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN116883661B (zh) 一种基于目标识别与图像处理的动火作业检测方法
CN113012104A (zh) 器件翅片数量检测方法、控制器及装置、存储介质
CN116091506B (zh) 一种基于yolov5的机器视觉缺陷质检方法
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
CN114550069B (zh) 一种基于深度学习的仔猪乳头计数方法
CN115456984A (zh) 基于二维码高速识别图像识别缺陷检测系统
CN111260625B (zh) 胶印大张图像检测区域的自动提取方法
CN115359279A (zh) 基于三角形重心特征点匹配的机场跑道异物识别方法
CN112257514B (zh) 一种用于设备故障巡检的红外视觉智检的拍摄方法
CN112052727B (zh) 一种基于大数据的人像识别分析系统及方法
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN112784703A (zh) 一种基于多光谱的人员行动轨迹确定方法
CN118470005B (zh) 一种基于视觉识别技术的缺陷检测系统
CN117853429B (zh) 一种标定图像质量评价方法

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
GR01 Patent grant
GR01 Patent grant