[发明专利]基于机器学习的实时压板检测及状态识别系统及方法

权利要求书

1.一种基于机器学习的实时压板检测及状态识别方法，其特征是：包括以下步骤：

加载用于训练的压板检测和状态判断模型文件；

对采集的压板实时检测图像进行预处理；

利用深度卷积神经网络训练压板的检测，判断采集的检测图像内是否有压板，如果具有压板则进行压板的状态识别，否则继续接收检测图像，对检测结果进行分类输出；

提取压板的轮廓特征与颜色特征，利用支持向量机构建特征分类器，利用分类后的特征向量和颜色标志，识别压板开关的开、关状态；

提取压板的轮廓特征中具体包括：

获取跟开关的两个圆之间的直线有关系的特征；

获取跟开关的两个圆之间的捏手有关系的特征；

获取跟开关上边的圆有关的特征；

提取压板的颜色特征具体包括获取跟开关标志的颜色有关的特征，获取标志上的HSV色系统的H、S成分。

2.如权利要求1所述的一种基于机器学习的实时压板检测及状态识别方法，其特征是：深度卷积神经网络采用LeNet5模型，具体包括输入层、卷积层、子采样层、第二卷积层、第二子采样层、全连接层、第二全连接层和分类层。

3.如权利要求1所述的一种基于机器学习的实时压板检测及状态识别方法，其特征是：深度卷积神经网络对输入为采集的检测图像，输出为分类结果，且该分类结果利用softmax回归以及批量随机梯度下降算法进行优化。

4.如权利要求1所述的一种基于机器学习的实时压板检测及状态识别方法，其特征是：在训练样本中加入有形变、遮挡或倒影干扰因素的压板正样本。

5.如权利要求1所述的一种基于机器学习的实时压板检测及状态识别方法，其特征是：利用支持向量机构建特征分类器中，设置参加学习的特征向量，并根据特征向量构建待优化的凸规划模型，得到待优化的凸规划模型的拉格朗日函数，以及最优化条件，在条件约束下进行求解，得到分离超平面的参数，根据参数的取值确定压板的开关状态。

6.如权利要求1所述的一种基于机器学习的实时压板检测及状态识别方法，其特征是：设(x_i，y_i)，i＝1，2，...，M为参加学习的特征向量以及此标志，即如果x_i是打开的开关的特征向量，则y_i＝1，如果不是，y_i＝-1；

优化凸规划模型为：

y_i[w^Tx_i+w₀]≥1-ξ_i，i＝1，2，...N；

ξ_i≥0，i＝1，2，...N；

这里，w，w₀是想要得到的分离超平面的参数，ξ_i是松弛变量，C是控制在目的函数里两个量之间的相对影响的正数。

7.如权利要求5所述的一种基于机器学习的实时压板检测及状态识别方法，其拉格朗日函数就是：

这里，λ，μ是拉格朗日乘子；

对应的Karush-Kuhn-Tucker条件就是：

λ_i[y_i(w^Tx_i+w₀)-1+ξ_i]＝0，i＝1，2，...N

μ_iξ_i＝0，i＝1，2，...N

μ_i≥0，λ_i≥0，i＝1，2，...N。

8.一种基于权利要求1所述机器学习的实时压板检测及状态识别方法的系统，其特征是：包括：

加载模块，被配置为加载用于训练的压板检测和状态判断模型文件和压板实时检测图像进行预处理；

训练模块，被配置为利用深度卷积神经网络训练压板的检测，判断采集的检测图像内是否有压板，如果具有压板则进行压板的状态识别，否则继续接收检测图像，对检测结果进行分类输出；

识别模块，被配置为提取压板的轮廓特征与颜色特征，利用支持向量机构建特征分类器，利用分类后的特征向量和颜色标志，识别压板开关的开、关状态。