[发明专利]基于神经网络的高压隔离开关定位与状态图像识别算法

权利要求书

1.一种基于神经网络的高压隔离开关定位与状态图像识别算法，其特征在于：对于包含高压隔离开关的图像，按照以下步骤进行识别：

1)用已知样本图像构建能识别是否含有开关的第一神经网络开关模型；

2)用已知样本图像构建能识别开关状态的第二神经网络开关模型；

3)并用第一神经网络开关模型对待测图像中进行识别，获得待测图像中是否含有开关的识别结果；

4)再用第二神经网络开关模型对步骤3)获得的含有开关的待测图像进行识别，获得待测图像中开关状态的识别结果。

2.根据权利要求1所述的一种基于神经网络的高压隔离开关定位与状态图像识别算法，其特征在于：所述步骤1)具体包括：

1.1)对每一张样本图像以局部归一化的梯度方向直方图(HOG)进行特征值提取，具体是设定窗口大小winsize、基本块大小blocksize、基本块步进blockstride、细胞块大小cellsize和方向角度大小bin，使样本图像的图像大小和窗口大小winsize相同后采集提取特征值；每一张样本图像对应构建一个多维特征向量，所有样本图像的多维特征向量组成样本特征数组，样本特征数组的行数为样本图像的数量，列数为多维特征向量的维数；

1.2)同时针对所有样本图像，建立含有标签数量和样本图像相同的标签数组，标签数组中的标签分为包含含有开关和不含有开关的两类；

1.3)建立一个五层人工神经网络，将样本特征数组与标签数组输入人工神经网络中进行训练，采用带动量的反向传播的方式进行训练，初始时动量和各神经权重统一设为0.1，并设定训练迭代次数及最小误差，训练获得第一神经网络开关模型。

3.根据权利要求1或2所述的一种基于神经网络的高压隔离开关定位与状态图像识别算法，其特征在于：所述步骤1)中的样本图像是已知是否包含开关分类的图像，同时具有包含有开关的若干图像和未包含有开关的若干图像。

4.根据权利要求1所述的一种基于神经网络的高压隔离开关定位与状态图像识别算法，其特征在于：所述步骤2)具体包括：

2.1)对每一张样本图像以局部归一化的梯度方向直方图(HOG)进行特征值提取，具体是设定窗口大小winsize、基本块大小blocksize、基本块步进blockstride、细胞块大小cellsize和方向角度大小bin，使得样本图像的图像大小和窗口大小winsize相同后采集提取特征值；每一张样本图像对应构建一个多维特征向量，所有样本图像的多维特征向量组成样本特征数组，样本特征数组的行数为样本图像的数量，列数为多维特征向量的维数；

2.2)同时针对所有样本图像，建立含有标签数量和样本图像相同的标签数组，标签数组中的标签分为开关打开和开关关闭的两类；

2.3)建立一个五层人工神经网络，将样本特征数组与标签数组输入人工神经网络中进行训练，采用带动量的反向传播的方式进行训练，初始时动量和各神经权重统一设为0.1，并设定训练迭代次数及最小误差，训练获得第二神经网络开关模型。

5.根据权利要求1或4所述的一种基于神经网络的高压隔离开关定位与状态图像识别算法，其特征在于：所述步骤1)中的样本图像是已知开关状态分类的图像，同时具有开关打开的若干图像和开关关闭的若干图像。

6.根据权利要求1所述的一种基于神经网络的高压隔离开关定位与状态图像识别算法，其特征在于：所述步骤3)具体为：

3.1)对于待测图像，用检测窗口以预设的步进块进行遍历处理，遍历的步进块为局部归一化的梯度方向直方图进行特征值提取时所采用的基本块大小Blocksize的倍数；

3.2)对所遍历的每一个检测窗口，以局部归一化的梯度方向直方图(HOG)进行特征值提取，获得检测窗口对应的多维特征向量；

3.3)将多维特征向量输入第一神经网络开关模型进行判断，若判断含有开关，则以窗口的左上角所在的像素点位置作为指针，保留并记录；若判断未含有开关，则不保留。

7.根据权利要求1所述的一种基于神经网络的高压隔离开关定位与状态图像识别算法，其特征在于：所述步骤4)具体为：根据步骤3)获得的检测窗口结果，再把保留的检测窗口的多维特征向量输入第二神经网络开关模型进行判断，获得检测窗口中开关状态为打开或者关闭的结果。