[发明专利]一种充电桩部品线序颜色防错检测方法

权利要求书

1.一种充电桩部品线序颜色防错检测方法，其特征在于：包括以下步骤：

步骤1、采集充电桩部品的线序和颜色视频样本；

步骤2、获取步骤1采集的充电桩部品的线序和颜色的视频样本的单帧图像，形成基础数据集；并对基础数据集的图像进行数据增强后形成充电桩部品数据集；对充电桩部品数据集中的充电桩部品零件的位置和类别信息进行标注，将标注好的充电桩部品数据集分为训练集、验证集和测试集；

步骤3、对样本训练集进行卷积神经网络的训练，生成训练好的充电桩部品线序和颜色的卷积神经网络检测模型；

步骤4、使用样本验证集对步骤3的训练好的充电桩部品线序和颜色的卷积神经网络检测模型进行验证，优化网络，获得改进的充电桩部品线序和颜色的卷积神经网络检测模型，将测试集输入该改进的充电桩部品线序和颜色的卷积神经网络检测模型进行测试，得到检测结果。

2.根据权利要求1所述的一种充电桩部品线序颜色防错检测方法，其特征在于：所述步骤2的具体步骤包括：

(1)对步骤1采集的充电桩部品的线序和颜色的视频样本采用基于开源计算机视觉库的图像处理算法获取单帧图像，并挑选具有不同光照变化、不同位置的充电桩部品单帧图像形成基础数据集；

(2)对基础数据集中的充电桩部品单帧样本图像进行数据增强处理后按序号重新命名形成充电桩部品数据集；

(3)对充电桩部品数据集中的每一个充电桩部品单帧图像进行信息标注，所标注的信息包括目标边框的x、y、w、h四个位置信息和类别信息，并将基础数据集中的所有电桩部品单帧图像作为样本图像，按比例分成样本训练集、验证集和测试集。

3.根据权利要求2所述的一种充电桩部品线序颜色防错检测方法，其特征在于：所述步骤2第(2)步的数据增强处理的具体方法为：

对基础数据集中的充电桩部品单帧样本图像进行亮度、对比度调节。

4.根据权利要求1或2所述的一种充电桩部品线序颜色防错检测方法，其特征在于：所述步骤3的具体步骤包括：

(1)将充电桩部品单帧样本图像作为输入，网络将其分成S×S的网格；

(2)使用维度聚类固定先验框选定边界框，神经网络为每个边界框预测四个位置信息x、y、w、h和置信度confidence，置信度用下列公式表示：

其中，P_r(object)表示所含目标的可能性，值为1或0；表示标注框的真实值和预测坐标的值的交并比系数，值为1时表示标注框和预测框重合；如果当前预测不是最好的，当达到阈值以上，则选择忽略该预测；

采用如下公式计算置信度评分：

其中，Pr(class_i)表示网格属于某个类别的概率，Pr(class_i|object)表示包含目标的网格预测的C个类别概率；根据C个类别概率的置信度评分采用非极大值抑制算法识别出各类目标；

(3)提取两种尺寸不一样的边界框的特征，从前两个层中提取特征图，对它进行上采样，将高低不同分辨率的特征图连接到一起，从而找到早期特征映射中的上采样特征和细粒度特征；并通过卷积层操作处理这个特征映射组合；

(4)使用k-means聚类算法对充电桩部品数据集重新聚类，得到了六组预选框的参数，然后采取残差网络提取特征，生成训练好的充电桩部品线序和颜色的卷积神经网络检测模型。

5.根据权利要求1或2所述的一种充电桩部品线序颜色防错检测方法，其特征在于：所述步骤3的充电桩部品线序和颜色的卷积神经网络检测模型的激活函数采用Mish激活函数，函数公式如下：

f(x)＝x*tanh(ln(1+e^x))。

6.根据权利要求1或2所述的一种充电桩部品线序颜色防错检测方法，其特征在于：所述步骤3的充电桩部品线序和颜色的卷积神经网络检测模型采用多尺度思想，应用先验框anchor boxes思想，包括以下步骤：

①将最大池化下采样32倍的最后一层的结果进行一系列卷积和上采样操作与16倍的结果进行融合得到尺度一26×26的特征；同理，得到尺度二52×52的特征；每个尺度特征包括三组预选框，尺度一对应的特征图最大，尺度二对应的最小，即特征图越大，感受野越小，对小目标敏感，所以选用小的anchor box，相反大目标选用大的anchor box；

②采用k-means聚类分析得到的先验框得到的平均IOU值更高，使模型更容易训练学习。