[发明专利]接触网支柱的支柱号识别方法、存储介质、处理设备

权利要求书

1.一种接触网支柱的支柱号识别方法，包括：

步骤S1，对所获取的全局图像，利用号牌检测模型获取全局图像中号牌区域图像；

步骤S2，对所述号牌区域图像，利用字符检测模型获取字符区域图像，通过字符识别算法获取支柱号牌字符组；

步骤S3，基于全局图像采集的顺序、及预设的接触网支柱排序规则，结合已识别的支柱号牌修正步骤S2所识别的支柱号牌字符组；

其中，

所述的号牌检测模型为依据深度卷积神经网络构建的检测模型，用于定位号牌区域；

所述的字符检测模型为依据深度卷积神经网络构建的检测模型，用于识别号牌区域的字符。

2.根据权利要求1所述的接触网支柱的支柱号识别方法，其特征在于，步骤S2中所述通过字符识别算法获取支柱号牌字符组，包括：

通过字符识别算法进行各字符区域图像中字符的识别；

根据字符在所述号牌区域图像中的位置信息，对字符进行排列。

3.根据权利要求1所述的接触网支柱的支柱号识别方法，其特征在于，所述号牌检测模型包括第一深度卷积神经网络，第一深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；

其中，

所述第一深度卷积神经网络中的卷积层用于计算提取全局图像的局部特征；

所述第一深度卷积神经网络中的降采样层通过池化对全局图像的局部特征做降采样处理；

所述第一深度卷积神经网络中的全连接层用于逐层特征提取处理；

所述第一深度卷积神经网络中的分类器层用于分析全局图像支柱号牌的类别概率和位置信息。

4.根据权利要求3所述的接触网支柱的支柱号识别方法，其特征在于，所述号牌检测模型，其训练优化方法，包括：

步骤A1，将第一训练样本输入所述号牌检测模型；所述第一训练样本包括全局图像样本和号牌区域样本；

步骤A2，通过所述号牌检测模型分析并输出支柱号牌的类别概率和精确位置；

步骤A3，依据预设的第一深度卷积神经网络中的分类器损失函数，基于步骤A2输出的信息对所述号牌检测模型中第一深度卷积神经网络参数进行优化；其中，所述第一深度卷积神经网络中的分类器损失函数包括类别损失和位置损失。

5.根据权利要求3所述的接触网支柱的支柱号识别方法，其特征在于，步骤S1中所述利用号牌检测模型获取全局图像中号牌区域图像，包括：

步骤S11，将全局图像输入所述号牌检测模型得到局部图像及对应的类别概率值、和各局部图像的位置信息；

步骤S12，选择类别概率值满足预设阈值的局部图像为号牌区域；

步骤S13，依据所述号牌区域对应的位置信息，提取所述号牌区域图像；

其中，

所述的局部图像的位置信息包括局部图像的中心点坐标、长度和宽度。

6.根据权利要求1所述的接触网支柱的支柱号识别方法，其特征在于，所述字符检测模型包括第二深度卷积神经网络，第二深度卷积神经网络包括若干个卷积层、降采样层、全连接层和分类器层；

其中，

所述第二深度卷积神经网络中的卷积层用于计算提取号牌区域图像的局部特征；

所述第二深度卷积神经网络中的降采样层通过池化对号牌区域图像的局部特征做降采样处理；

所述第二深度卷积神经网络中的全连接层用于逐层特征提取处理；

所述第二深度卷积神经网络中的分类器层用于分析号牌区域图像各字符区域的类别概率和位置信息。

7.根据权利要求6所述的接触网支柱的支柱号识别方法，其特征在于，所述字符检测模型，其训练优化方法，包括：

步骤B1，将第二训练样本输入所述字符检测模型；所述第二训练样本包括号牌区域图像样本和字符区域样本；

步骤B2，通过所述字符检测模型分析并输出字符的类别概率和精确位置；

步骤B3，依据预设的第二深度卷积神经网络中的分类器损失函数，基于步骤B2输出的信息对所述字符检测模型中第二深度卷积神经网络参数进行优化；其中，所述第二深度卷积神经网络中的分类器损失函数包括类别损失和位置损失。