CN114820676A - 一种设备运行状态识别方法及装置 - Google Patents

一种设备运行状态识别方法及装置 Download PDF

Info

Publication number
CN114820676A
CN114820676A CN202210596600.3A CN202210596600A CN114820676A CN 114820676 A CN114820676 A CN 114820676A CN 202210596600 A CN202210596600 A CN 202210596600A CN 114820676 A CN114820676 A CN 114820676A
Authority
CN
China
Prior art keywords
image
generate
edge detection
layer
indicator light
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
Application number
CN202210596600.3A
Other languages
English (en)
Inventor
马进泉
彭保
甘瑞平
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.)
Shenzhen Keyong Software Co ltd
Original Assignee
Shenzhen Keyong Software 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 Shenzhen Keyong Software Co ltd filed Critical Shenzhen Keyong Software Co ltd
Priority to CN202210596600.3A priority Critical patent/CN114820676A/zh
Publication of CN114820676A publication Critical patent/CN114820676A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种设备运行状态识别方法及装置，通过获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；依据每张所述指示灯图像进行转换生成HSV颜色空间图像；提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。通过本发明的目的在于提高智慧水务系统中的设备的运行状态识别的准确率，确保设备能够时刻监测水的质量。本申请通过使用高清摄像头、神经网络结构对智慧水务系统中的设备监测和识别，来判断设备的运行状态，节省了人力成本。

Description

一种设备运行状态识别方法及装置
技术领域
本发明涉及视频识别领域，具体涉及一种设备运行状态识别方法及装置。
背景技术
近年来，智慧水务概念被提出，也受到了的发展及应用，传统水务向智慧水务的转型如今已是必然趋势。我国水务信息化建设逐步深入，初步形成了由基础设施、应用系统和保障环境组成的水务信息化综合体系，有力推动了传统水务向现代水务、可持续发展水务转变，为智慧水务建设提供了坚实的基础。这主要表现在信息采集和网络设施逐步完善、水务业务应用系统开发逐步深入、水务信息资源开发利用逐步加强、水务信息安全体系逐步健全、水务信息化行业管理逐步强化，逐渐形成了智慧水务管理系统。智慧水务通过利用新一代信息技术、传感器技术、网络和移动系统与污水处理厂、自来水厂信息系统相结合，通过云计算、大数据构建成智能感知、智能仿真、智能诊断、智能预警、智能调度、智能处置、智能控制和智能服务全方位的水务管理系统。实现供水、排水状态和水质安全24小时动态监控，促使自来水公司、污水处理厂运营管理数字化、智能化、规范化。逻辑分析污水处理厂的运转、数据上的“合理性”，以多个“合理性”来最终判断污水处理厂的状态：水质是否达标；污水处理厂是否在正常运转；经营指标是否合理。针对自来水、污水处理工艺，抽取污水处理过程的数据监测点，为智慧水务模型分析和运行诊断提供基础数据透过模型分析，诊断自来水厂、污水处理厂的运行情况追踪溯源的预警管理方式，有助于用户查清异常情况，以提高治理效率系统自动生成运行诊断报告，便于用户全面了解企业的生产情况及治理效率。智慧水务管理系统能够实现24小时不间断、连续监测和远程监控，达到及时掌握水质状况，预警预报重大水质污染事故的目的。在水厂发生重大水污染事件时，能够快速掌控水源水质状况，启动相应的应急预案，有效解决突发事故带来的影响，确保城市供水安全，并做好事后的安全防范。因此在智慧水务系统中扮演着重要角色的水务设备的正常运转关系着整个系统的安全。所以对系统中物联网的设备的运行状态的识别就显得尤为重要。
而物联网、大数据、云计算及移动互联网等新一代信息技术在智慧水务上的应用，使得智慧水务得到了进一步的发展。随着智慧水务的发展，各种与水相关的设备被广泛使用，例如供水设备，水表，设备等设备大量存在于智慧水务系统中，而这些设备的运行状态需要人为的管控，但因其数量巨大与分布广泛，人为监测耗时又费力，因此人们需要一种能对这些设备运行状态识别与分析的方法来减少人力资源的耗费。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种设备运行状态识别方法及装置，包括：
一种设备运行状态识别方法，所述方法用于对含有指示灯的设备进行运行状态识别，包括：
获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；
分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；
依据每张所述指示灯图像进行转换生成HSV颜色空间图像；
提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
优选地，所述依据所述图像进行边缘检测生成边缘检测图像的步骤，包括：
将所述图像通过最大值法进行灰度化处理生成灰度图像；
将所述灰度图像中进行邻插值法生成邻插图像；
将所述邻插图像通过索贝尔边缘检测算子生成边缘检测图像。
优选地，所述分割所述边缘检测图像中的指示灯生成指示灯图像的步骤，包括：
将所述边缘检测图像进行网格划分生成带有网格的图像，并将所述带有网格的图像输入YOLOv1神经网络提取指示灯生成指示灯图像；其中，所述YOLOv1神经网络包括24个卷积层和与所述卷积层连接的2个全连接层。
优选地，所述提取所述HSV颜色空间图像内的特征生成目标设备的运行状态的步骤，包括：
提取所述HSV颜色空间图像内的指示灯颜色生成指示灯信息；
依据所述指示灯信息生成所述目标设备的运行状态。
优选地，所述提取所述HSV颜色空间图像内的指示灯颜色生成指示灯信息的步骤，包括：
将所述HSV颜色空间图像输入改进的ResNet-50神经网络生成指示灯信息；其中改进的ResNet-50神经网络包括依次连接的残差子神经网络层、平均子神经网络层、全连接子神经网络层。
优选地，所述残差子神经网络包括第一层、带有两个残差块的第二层、带有四个残差块的第三层、带有六个残差块的第四层以及带有三个残差块的第五层；其中，所述残差块包含一层平均池化层和两层卷积。
优选地，所述将所述带有网格的图像输入YOLOv1神经网络提取指示灯生成指示灯图像的步骤，包括：
依据所述带有网格的图像中每个网格通过聚类算法生成预测矩形框；
依据所述预测矩形框确定相对应的预测矩形框属性；
依据所述预测矩形框及预测矩形框属性通过非极大抑制生成指示灯图像。
为申请本申请还包括一种设备运行状态识别装置，所述装置用于对含有指示灯的设备进行运行状态识别，包括：
边缘检测图像模块，用于获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；
指示灯图像模块，用于分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；
HSV颜色空间图像模块，用于依据每张所述指示灯图像进行转换生成HSV颜色空间图像；
运行状态模块，用于提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
为实现本申请还包括一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的设备运行状态识别方法的步骤。
为实现本申请一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现所述的设备运行状态识别方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；依据每张所述指示灯图像进行转换生成HSV颜色空间图像；提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。通过本发明的目的在于提高智慧水务系统中的设备的运行状态识别的准确率，确保设备能够时刻监测水的质量，使得整个智慧水务系统能够正常运行。本申请因为使用了YOLOv1网络结构进行图像的目标检测和分割，加快了图像在改进的ResNet-50中的指示灯区域的特征提取，加快了系统对图像的训练速度，从而使得本申请相比于其他方法减少计算机的计算负担的同时加快检测速度。图片输入到改进的ResNet-50神经网络中进行识别，减少计算机的计算负担的同时加快检测速度，提高了整个智慧水务系统的工作效率。本申请通过使用高清摄像头、神经网络结构对智慧水务系统中的设备监测和识别，来判断设备的运行状态，节省了人力成本，并提高了智慧水务系统供水的保障率与水质的安全。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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申请的一些实施例，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是本申请一实施例提供的一种设备运行状态识别方法的步骤流程图；
图2是本申请一实施例提供的一种设备运行状态识别方法的YOLOv1的结构图；
图3是本申请一实施例提供的一种设备运行状态识别方法的ResNet的构建块结构图；
图4是本申请一实施例提供的一种设备运行状态识别方法的改进后的ResNet-50的残差块结构图；
图5是本申请一实施例提供的一种设备运行状态识别方法的整体流程图；
图6是本申请一实施例提供的一种设备运行状态识别装置的结构框图；
图7是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种设备运行状态识别方法的步骤流程图，具体包括如下步骤：
S110、获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；
S120、分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；
S130、依据每张所述指示灯图像进行转换生成HSV颜色空间图像；
S140、提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
下面，将对本示例性实施例中的设备运行状态识别方法作进一步地说明。
如上述步骤S110所述，获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像。
在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像”的具体过程。
如下列步骤所述，将所述图像通过最大值法进行灰度化处理生成灰度图像；将所述灰度图像中进行邻插值法生成邻插图像；将所述邻插图像通过索贝尔边缘检测算子生成边缘检测图像。
在一具体实施例中，使用高清摄像头对设备的仪表盘进行图像采集，对图像部分使用最大值法进行彩色图片灰度化处理，将彩色图片转换为灰度图；使用最近邻插值法对采集的图像进行处理；对灰度图像使用Sobel边缘检测算子进行边缘检测，并对边缘图像进行形态学处理，以消除目标并填补孔洞。
在一具体实施例中，Sobel边缘检测算子是像素图像边缘检测中最重要的算子之一，此运算符包含两组3×3矩阵，它们是横向和纵向的。基本原理是将其与图像进行卷积，得到横向和纵向亮度差的近似值，即可分别得出横向及纵向的亮度差分近似值。
该算子使用两个3×3的矩阵算子分别和原始图片进行卷积，分别得到横向Gx和纵向Gy的梯度值，如果梯度值大于某一个阈值，则认为该点为边缘点。如果以A代表原始图像，Gx及Gy分别代表横向及纵向梯度值，如下所示：
Figure BDA0003668343660000061
图像的每一个像素点的梯度值大小为：
Figure BDA0003668343660000062
定义一个阈值Gmax(这里定义Gmax＝150)，如果G比Gmax大则可以认为该点是一个边缘点，则设置这个点为白色，否则该点为黑色。这样就得到了边缘检测的图像，即边缘检测图像。
如上述步骤S120所述，分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同”的具体过程。
如下列步骤所述，将所述边缘检测图像进行网格划分生成带有网格的图像，并将所述带有网格的图像输入YOLOv1神经网络提取指示灯生成指示灯图像；其中，所述YOLOv1神经网络包括24个卷积层和与所述卷积层连接的2个全连接层。
在本申请实施例中，依据所述带有网格的图像中每个网格通过聚类算法生成预测矩形框；依据所述预测矩形框确定相对应的预测矩形框属性；依据所述预测矩形框及预测矩形框属性通过非极大抑制生成指示灯图像。
作为一种示例，分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；所述指示灯图像包括指示灯及相对应的文字；提取所述HSV颜色空间图像内的指示灯颜色和相对应的文字生成指示灯信息；依据所述指示灯信息生成所述目标设备的运行状态。
在一具体实施例中，将图像输入到YOLOv1神经网络结构中对图像进行目标检测和分割，具体如图2所示，将检测出的指示灯输出，有多少目标输出多少张图像。YOLOv1的结构为单纯的卷积、池化最后加了两层全连接。最大的差异是最后输出层用线性函数做激活函数，因为需要预测bounding box的位置(数值型)，而不仅仅是对象的概率。YOLOv1网络结构由24个卷积层与2个全连接层构成，其中有1个卷积kernal为7*7和23个卷积kernal为3*3，而全连接层都是7*7的核心。网络入口为448x448，图片进入网络先经过resize，网络的输出结果为一个张量，维度为：
S*S*(B*5+C)
其中，S为划分网格数，B为每个网格负责的边框个数，C为类别个数。每个小格会对应B个边界框，边界框的宽高范围为全图，表示以该小格为中心寻找物体的边界框位置。每个边界框对应一个分值，代表该处是否有物体及定位准确度：
Figure BDA0003668343660000081
其中，每个小格会对应C个概率值，找出最大概率对应的类别P(Class|object)，并认为小格中包含该物体或者该物体的一部分。
YOLOv1的输入就是原始图像，其图像输入的大小要缩放到448*448。主要是因为YOLOv1的网络中，卷积层最后接了两个全连接层，全连接层是要求固定大小的向量作为输入，所以倒推回去也就要求原始图像有固定的尺寸。
输入图像被划分为7*7的网格(grid)，输出张量中的7*7就对应着输入图像的7*7网格。或者我们把7*7*30的张量看作49个30维的向量，是输入图像中的每个网格对应输出一个30维的向量。
要注意的是，并不是说仅仅网格内的信息被映射到一个30维向量。经过神经网络对输入图像信息的提取和变换，网格周边的信息也会被识别和整理，最后编码到那个30维向量中。
2个bounding box的位置训练样本的bounding box位置应该填写对象实际的bounding box，但一个对象对应了2个bounding box参数。
2个bounding box的置信度公式：
Figure BDA0003668343660000082
Figure BDA0003668343660000083
可以直接计算出来，用网络输出的2个bounding box与对象真实boundingbox一起计算出IOU。然后看2个bounding box的IOU，哪个比较大(更接近实际的boundingbox)，就由哪个bounding box来负责预测该对象是否存在，即该bounding box的Pr(Object)＝1，同时把对象真实的bounding box参数填入到这个bounding box位置向量处。另一个不负责预测的bounding box的Pr(Object)＝0与对象实际bounding box最接近的那个bounding box，其
Figure BDA0003668343660000084
该网格的其它bounding box的Confidence＝0。
如上述步骤S130所述，依据每张所述指示灯图像进行转换生成HSV颜色空间图像。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述“依据每张所述指示灯图像进行转换生成HSV颜色空间图像”的具体过程。
如下列步骤所述，将每张所述指示灯图像中的RGB值分别映射到预设数值范围内生成相对应的映射RGB值；依据所述映射RGB值进行转换生成相对应的HSV值；依据所述HSV值生成HSV颜色空间图像。
在一具体实施例中，利用HSV颜色空间的特性，将图像从RGB空间转换到HSV空间处理，以识别彩色灯颜色状态；在HSV空间直接去掉多余的背景，确定出符合红色和绿色条件的区域，计算红色和绿色的区域面积
需要说明的是，HSV是一种比较直观的颜色模型，所以在许多图像编辑工具中应用比较广泛，这个模型中颜色的参数分别是：色调(H,Hue)，饱和度(S,Saturation)，明度(V,Value)。
RGB转HSV计算公式如下：
R＝R'/255
G＝G'/255
B＝B'/255
Cmax＝max(R',G',B')
Cmin＝min(R',G',B')
Δ＝Cmax-Cmin
需要说明的是，H代表色调，用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；色调H计算公式如下：
Figure BDA0003668343660000091
S代表饱和度，饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0％～100％，值越大，颜色越饱和。饱和度S计算公式如下：
Figure BDA0003668343660000101
V代表明度，明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0％(黑)到100％(白)。明度V计算公式如下：
V＝Cmax
如上述步骤S140所述，提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述“提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障”的具体过程。
如下列步骤所述，提取所述HSV颜色空间图像内的指示灯颜色生成指示灯信息；依据所述指示灯信息生成所述目标设备的运行状态。
在本发明一实施例中，可以结合下列描述进一步说明步骤所述“提取所述HSV颜色空间图像内的指示灯颜色生成指示灯信息”的具体过程。
如下列步骤所述，将所述HSV颜色空间图像输入改进的ResNet-50神经网络生成指示灯信息；其中改进的ResNet-50神经网络包括依次连接的残差子神经网络层、平均子神经网络层、全连接子神经网络层。
在本申请一实施例中，所述残差子神经网络包括第一层、带有两个残差块的第二层、带有四个残差块的第三层、带有六个残差块的第四层以及带有三个残差块的第五层；其中，所述残差块包含一层平均池化层和两层卷积。
在一具体实施例中，将经过HSV颜色空间处理的图像作为输入，输入到改进的ResNet-50神经网络中进行特征提取和特征分类，对图像中的文字和指示灯部位进行识别。
在经过改进的ResNet-50神经网络一系列的处理后，输出从图像中提取到的文字信息。
需要说明的是，ResNet是由残差块(Residual Building Block)构建的，提出了两种映射：identity mapping(恒等映射)，指的是右侧标有x的曲线；
residual mapping(残差映射)，残差指的是F(x)部分。最后的输出是F(x)+x。F(x)+x的实现可通过具有”shortcut connections”的前馈神经网络来实现。shortcutconnections是跳过一层或多层的连接。图中的”weight layer”指卷积操作。如果网络已经达到最优，继续加深网络，residual mapping将变为0，只剩下identity mapping，这样理论上网络会一直处于最优状态，网络的性能也就不会随着深度增加而降低。
我们每隔几个堆叠层采用残差学习。构建块如图下图3所示。
y＝F(x,{Wi})+x
x和y是考虑的层的输入和输出向量。函数F(x,Wi)表示要学习的残差映射。上图中有两层，F＝W2σ(W1x)中σ表示ReLU[29]，为了简化忽略偏置项。F+x操作通过快捷连接和各个元素相加来执行。在相加之后我们采纳了第二种非线公式9中的快捷连接既没有引入外部参数又没有增加计算复杂度。这不仅在实践中有吸引力，而且在简单网络和残差网络的比较中也很重要。我们可以公平地比较同时具有相同数量的参数，相同深度，宽度和计算成本的简单的残差网络。x和F的维度必须是相等的。如果不是这种情况，我们可以对快捷连接执行线性投影Ws(进行卷积操作)来匹配维度：
y＝F(x,{Wi})+Wsx
我们也可以在y＝F(x,{Wi})+x中使用方阵Ws。恒等映射足以解决退化问题，并且是合算的，因此Ws仅在匹配维度时使用。
改进的ResNet-50神经网络每个步骤如下：
(1).输入层(Input)：图像大小为224*224*3。
(2).卷积层conv1+BatchNorm+Scale+ReLU：使用64个7*7的filter，stride为2，padding为3，输出为112*112*64，64个feature maps。
(3).卷积层conv2_x：输出为56*56*256，256个feature maps。
最大池化层：filter为3*3，stride为2，padding为0，输出为56*56*64，64个feature maps。
连续2个残差块，每个残差块，包含1层平均池化层和2层卷积，池化kernal大小为2*2，卷积kernel大小依次为3*3，1*1，feature maps数依次为64、64、256，第1层平均池化做AvgPool+BatchNorm+Scale+ReLU，第2层卷积做Convolution+BatchNorm+Scale+ReLU，第3层卷积做Convolution+BatchNorm+Scale。第1个残差块的identity mapping需做卷积kernel大小为3*3+BatchNorm+Scale运算，使其输出调整为56*56*256，便于做Eltwise操作。每个残差块后做Eltwise+ReLU操作。
(4).卷积层conv3_x：输出为28*28*512，512个feature maps。
连续4个残差块，每个残差块，包含1层平均池化层和2层卷积，池化kernal大小为2*2，卷积kernel大小依次为3*3，1*1，feature maps数依次为64、64、256，第1层平均池化做AvgPool+BatchNorm+Scale+ReLU，第2层卷积做Convolution+BatchNorm+Scale+ReLU，第3层卷积做Convolution+BatchNorm+Scale。第1个残差块的identity mapping需做卷积kernel大小为3*3+BatchNorm+Scale运算，使其输出调整为28*28*512，便于做Eltwise操作。每个残差块后做Eltwise+ReLU操作。
(5).卷积层conv4_x：输出为14*14*1024，1024个feature maps。
连续6个残差块，每个残差块，包含1层平均池化层和2层卷积，池化kernal大小为2*2，卷积kernel大小依次为3*3，1*1，feature maps数依次为64、64、256，第1层平均池化做AvgPool+BatchNorm+Scale+ReLU，第2层卷积做Convolution+BatchNorm+Scale+ReLU，第3层卷积做Convolution+BatchNorm+Scale。第1个残差块的identity mapping需做卷积kernel大小为3*3+BatchNorm+Scale运算，使其输出调整为14*14*1024，便于做Eltwise操作。每个残差块后做Eltwise+ReLU操作。
(6).卷积层conv5_x：输出为7*7*2048，2048个feature maps。
连续3个残差块，每个残差块，包含1层平均池化层和2层卷积，池化kernal大小为2*2，卷积kernel大小依次为3*3，1*1，feature maps数依次为64、64、256，第1层平均池化做AvgPool+BatchNorm+Scale+ReLU，第2层卷积做Convolution+BatchNorm+Scale+ReLU，第3层卷积做Convolution+BatchNorm+Scale。第1个残差块的identity mapping需做卷积kernel大小为3*3+BatchNorm+Scale运算，使其输出调整为7*7*2048，便于做Eltwise操作。每个残差块后做Eltwise+ReLU操作。
(7).平均池化层：filter为7*7，stride为1，padding为0，输出为1*1*2048，2048个feature maps。
(8).全连接层：有50个神经元或输出50个feature maps。
(9).输出层(Softmax)：输出结果。
需要说明的是，改进后的ResNet-50的残差块具体如图4所示，在本申请中改进的ResNet-50神经网络和原本的ResNet-50神经网络最主要的区别在于残差块的不同。
在本申请一具体实施例中，输出图像信息，通过对颜色与文字的识别判断出设备的运行状况，输出的信息为“红灯与停止运行”时，则设备停止工作；当输出的信息为“绿灯与正常运行”时，则设备正常工作；当输出的信息为“黄灯与设备异常”时，则需对设备进行检测与维护。
在一具体实施例中，如图5所示，整个申请的步骤如下：步骤1-3图像采集；
步骤1：在设备的某一位置制作一处暗房，将黑布铺在长方形框架上，保证框架内部空间折光性良好。
步骤2：暗房中，在正对于设备的仪表盘的框架上安装CCD摄像机(电荷耦合摄像机)，角度要满足能够清楚的拍摄出仪表盘的图像。
步骤3：CCD摄像机(电荷耦合摄像机)与配置有Win10系统、NVIDA3080Ti GPU、机器视觉库Opencv、基于Python语言的Pytorch深度学习框架、8G RAM的计算机相连接，拍摄到的照片发送至计算机。
(步骤4-6图像预处理)
步骤4：计算机接收到图片后运用开运算的预处理方法对其进行降噪处理。
步骤5：降噪处理后的彩色图片使用最大值法进行灰度化操作，将彩色图片转换为灰度图片
步骤6：对灰度化后的图片使用最近邻插值法进行处理，并使用Sobel算子对图像进行边缘检测
(步骤7图像的目标检测和分割)
步骤7：将图像输入到YOLOv1网络中，对图像进行目标检测和分割，保留指示灯和文字部分并输出
(步骤8-9图像HSV颜色空间转换)
步骤8：将图像从RGB空间输入到HSV空间，在HSV空间对图像做进一步的处理，把RGB图像转变为HSV图像。
(步骤10-11图像的特征提取)
步骤10：将图像输入到训练好的改进的ResNet-50神经网络中，由改进的ResNet-50神经网络对图像进行特征提取，在经过一系列的池化和卷积操作后，提取到了图像的重要特征，然后输出结果
(步骤12为判断设备的运行状态)
步骤12：根据从改进的ResNet-50神经网络输出的信息判断出设备的运行状态。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图6，示出了本申请一实施例提供的一种设备运行状态识别装置，具体包括如下模块，
边缘检测图像模块610：用于获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；
指示灯图像模块620：用于分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；
HSV颜色空间图像模块630：用于依据每张所述指示灯图像进行转换生成HSV颜色空间图像；
运行状态模块640：用于提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
在本发明一实施例中，所述边缘检测图像模块610包括：
灰度图像子模块：用于将所述图像通过最大值法进行灰度化处理生成灰度图像；
邻插图像子模块：用于将所述灰度图像中进行邻插值法生成邻插图像；
边缘检测图像子模块：用于将所述邻插图像通过索贝尔边缘检测算子生成边缘检测图像。
在本发明一实施例中，所述指示灯图像模620包括：
指示灯图像子模块：用于将所述边缘检测图像进行网格划分生成带有网格的图像，并将所述带有网格的图像输入YOLOv1神经网络提取指示灯生成指示灯图像；其中，所述YOLOv1神经网络包括24个卷积层和与所述卷积层连接的2个全连接层。
在本发明一实施例中，所述指示灯图像子模块包括：
预测矩形框子模块：用于依据所述带有网格的图像中每个网格通过聚类算法生成预测矩形框；
预测矩形框属性子模块：用于依据所述预测矩形框确定相对应的预测矩形框属性；
非极大抑制子模块：用于依据所述预测矩形框及预测矩形框属性通过非极大抑制生成指示灯图像。
在本发明一实施例中，所述运行状态模块640包括：
指示灯信息子模块：用于提取所述HSV颜色空间图像内的指示灯颜色生成指示灯信息；
运行状态子模块：用于依据所述指示灯信息生成所述目标设备的运行状态。
在本发明一实施例中，所述指示灯信息子模块包括：
指示灯信息生成子模块：用于将所述HSV颜色空间图像输入改进的ResNet-50神经网络生成指示灯信息；其中改进的ResNet-50神经网络包括依次连接的残差子神经网络层、平均子神经网络层、全连接子神经网络层。
残差子神经网络层子模块：用于所述残差子神经网络包括第一层、带有两个残差块的第二层、带有四个残差块的第三层、带有六个残差块的第四层以及带有三个残差块的第五层；其中，所述残差块包含一层平均池化层和两层卷积。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤，本具体实施例仅做简单描述，其余方案参考上述具体实施例描述即可。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图7，示出了本申请的一种设备运行状态识别方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图7所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图7中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种设备运行状态识别方法。
也即，上述处理单元16执行上述程序时实现：获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；依据每张所述指示灯图像进行转换生成HSV颜色空间图像；提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
在本申请实施例中，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的一种设备运行状态识别方法。
也即，给程序被处理器执行时实现：获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；依据每张所述指示灯图像进行转换生成HSV颜色空间图像；提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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。
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申请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操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员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者服务器上执行。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)——连接到操作人员计算机，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)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种设备运行状态识别方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种设备运行状态识别方法，所述方法用于对含有指示灯的设备进行运行状态识别，其特征在于，包括：
获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；
分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；
依据每张所述指示灯图像进行转换生成HSV颜色空间图像；
提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
2.根据权利要求1所述的设备运行状态识别方法，其特征在于，所述依据所述图像进行边缘检测生成边缘检测图像的步骤，包括：
将所述图像通过最大值法进行灰度化处理生成灰度图像；
将所述灰度图像中进行邻插值法生成邻插图像；
将所述邻插图像通过索贝尔边缘检测算子生成边缘检测图像。
3.根据权利要求1所述的设备运行状态识别方法，其特征在于，所述分割所述边缘检测图像中的指示灯生成指示灯图像的步骤，包括：
将所述边缘检测图像进行网格划分生成带有网格的图像，并将所述带有网格的图像输入YOLOv1神经网络提取指示灯生成指示灯图像；其中，所述YOLOv1神经网络包括24个卷积层和与所述卷积层连接的2个全连接层。
4.根据权利要求1所述的设备运行状态识别方法，其特征在于，所述提取所述HSV颜色空间图像内的特征生成目标设备的运行状态的步骤，包括：
提取所述HSV颜色空间图像内的指示灯颜色生成指示灯信息；
依据所述指示灯信息生成所述目标设备的运行状态。
5.根据权利要求4所述的设备运行状态识别方法，其特征在于，所述提取所述HSV颜色空间图像内的指示灯颜色生成指示灯信息的步骤，包括：
将所述HSV颜色空间图像输入改进的ResNet-50神经网络生成指示灯信息；其中改进的ResNet-50神经网络包括依次连接的残差子神经网络层、平均子神经网络层、全连接子神经网络层。
6.根据权利要求5所述的设备运行状态识别方法，其特征在于，所述残差子神经网络包括第一层、带有两个残差块的第二层、带有四个残差块的第三层、带有六个残差块的第四层以及带有三个残差块的第五层；其中，所述残差块包含一层平均池化层和两层卷积。
7.根据权利要求3所述的设备运行状态识别方法，其特征在于，所述将所述带有网格的图像输入YOLOv1神经网络提取指示灯生成指示灯图像的步骤，包括：
依据所述带有网格的图像中每个网格通过聚类算法生成预测矩形框；
依据所述预测矩形框确定相对应的预测矩形框属性；
依据所述预测矩形框及预测矩形框属性通过非极大抑制生成指示灯图像。
8.一种设备运行状态识别装置，所述装置用于对含有指示灯的设备进行运行状态识别，其特征在于，包括：
边缘检测图像模块，用于获取目标设备的图像，并依据所述图像进行边缘检测生成边缘检测图像；
指示灯图像模块，用于分割所述边缘检测图像中的指示灯生成指示灯图像；其中，所述指示灯图像数量与所述目标设备的指示灯数量相同；
HSV颜色空间图像模块，用于依据每张所述指示灯图像进行转换生成HSV颜色空间图像；
运行状态模块，用于提取所述HSV颜色空间图像内的特征生成目标设备的运行状态；其中，运行状态包括关机、正常运行及故障。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的设备运行状态识别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的设备运行状态识别方法的步骤。
CN202210596600.3A 2022-05-30 2022-05-30 一种设备运行状态识别方法及装置 Pending CN114820676A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210596600.3A CN114820676A (zh) 2022-05-30 2022-05-30 一种设备运行状态识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210596600.3A CN114820676A (zh) 2022-05-30 2022-05-30 一种设备运行状态识别方法及装置

Publications (1)

Publication Number Publication Date
CN114820676A true CN114820676A (zh) 2022-07-29

Family

ID=82519004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210596600.3A Pending CN114820676A (zh) 2022-05-30 2022-05-30 一种设备运行状态识别方法及装置

Country Status (1)

Country Link
CN (1) CN114820676A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863333A (zh) * 2023-06-28 2023-10-10 深圳市名通科技股份有限公司 Fsu设备工作状态的ai智能检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316010A (zh) * 2017-06-13 2017-11-03 武汉理工大学 一种识别前方车辆尾灯及判断其状态的方法
CN107392116A (zh) * 2017-06-30 2017-11-24 广州广电物业管理有限公司 一种指示灯识别方法和系统
CN110837807A (zh) * 2019-11-11 2020-02-25 内蒙古大学 一种套牌车辆的识别方法及系统
CN110991347A (zh) * 2019-12-05 2020-04-10 华北电力大学 一种设备状态监控方法及系统
WO2021018144A1 (zh) * 2019-07-31 2021-02-04 浙江商汤科技开发有限公司 指示灯检测方法、装置、设备及计算机可读存储介质
CN112712057A (zh) * 2021-01-13 2021-04-27 腾讯科技（深圳）有限公司 交通信号识别方法、装置、电子设备及存储介质
CN112926483A (zh) * 2021-03-11 2021-06-08 中国工商银行股份有限公司 标准机柜状态指示灯识别监测方法、装置和系统
CN113989772A (zh) * 2021-10-27 2022-01-28 广州小鹏自动驾驶科技有限公司 一种交通灯检测方法、装置、车辆和可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316010A (zh) * 2017-06-13 2017-11-03 武汉理工大学 一种识别前方车辆尾灯及判断其状态的方法
CN107392116A (zh) * 2017-06-30 2017-11-24 广州广电物业管理有限公司 一种指示灯识别方法和系统
WO2021018144A1 (zh) * 2019-07-31 2021-02-04 浙江商汤科技开发有限公司 指示灯检测方法、装置、设备及计算机可读存储介质
CN110837807A (zh) * 2019-11-11 2020-02-25 内蒙古大学 一种套牌车辆的识别方法及系统
CN110991347A (zh) * 2019-12-05 2020-04-10 华北电力大学 一种设备状态监控方法及系统
CN112712057A (zh) * 2021-01-13 2021-04-27 腾讯科技（深圳）有限公司 交通信号识别方法、装置、电子设备及存储介质
CN112926483A (zh) * 2021-03-11 2021-06-08 中国工商银行股份有限公司 标准机柜状态指示灯识别监测方法、装置和系统
CN113989772A (zh) * 2021-10-27 2022-01-28 广州小鹏自动驾驶科技有限公司 一种交通灯检测方法、装置、车辆和可读存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张金玉 等: "《深度实践OCR:基于深度学习的文字识别》", 国防工业出版社, pages: 207 - 48 *
武玉伟 等: "《深度学习基础与应用》", 30 November 2020, 北京理工大学出版社, pages: 159 - 160 *
王正玉: "基于数字图像处理的机房网络设备安全监控技术研究", 《计算机时代》, no. 08, 15 August 2020 (2020-08-15) *
董惠芝: "《深度实践OCR:基于深度学习的文字识别》", 机械工业出版社 *
高敬鹏: "《深度学习：卷积神经网络技术与实践》", 31 July 2020, 机械工业出版社, pages: 130 - 131 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863333A (zh) * 2023-06-28 2023-10-10 深圳市名通科技股份有限公司 Fsu设备工作状态的ai智能检测方法

Similar Documents

Publication Publication Date Title
Huang et al. Detection algorithm of safety helmet wearing based on deep learning
CN112967243B (zh) 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN112070135A (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN114820676A (zh) 一种设备运行状态识别方法及装置
CN113033548A (zh) 用于机组运行状态判断及监控对点的图像识别方法
CN115661151B (zh) 基于机器视觉高精度识别制加氢气系统泄露的方法
CN117372853A (zh) 一种基于图像增强和注意力机制的水下目标检测算法
CN111126187A (zh) 火情检测方法、系统、电子设备及存储介质
CN115861922B (zh) 一种稀疏烟火检测方法、装置、计算机设备及存储介质
CN117035669A (zh) 基于人工智能的企业安全生产管理方法及系统
CN110135274A (zh) 一种基于人脸识别的人流量统计方法
CN114821194B (zh) 一种设备运行状态识别方法及装置
CN113315995B (zh) 提高视频质量的方法、装置、可读存储介质及电子设备
CN115187831A (zh) 模型训练及烟雾检测方法、装置、电子设备及存储介质
CN114913370A (zh) 基于深度学习与形态学融合的状态自动检测方法与装置
CN114037873A (zh) 基于人工智能的变电站二次回路保护压板检测系统及方法
CN113065416A (zh) 集成于变电站视频监控装置的渗漏监测装置及方法、介质
CN113869122A (zh) 一种配网工程强化管控方法
CN114022685B (zh) 一种安全员位置检测方法及系统
WO2023190644A1 (ja) 性能指標化装置、性能指標化方法、及びプログラム
CN115082865B (zh) 基于视觉图像识别的桥机入侵危险行为预警方法及系统
CN117456353A (zh) 一种河流湖泊智慧界桩的管理系统
CN113792780B (zh) 基于深度学习和图像后处理的集装箱号识别方法
CN116993653A (zh) 相机镜头缺陷检测方法、装置、设备、存储介质及产品
CN114821747A (zh) 一种工地人员异常状态识别方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220729

RJ01 Rejection of invention patent application after publication