[发明专利]一种加油站卸油口盖状态识别方法

说明书

本发明提供一种加油站卸油口盖状态识别方法，包括获取加油站卸油作业现场包含识别标志的卸油口盖图片并预处理成样本数据集，且将样本数据集划分为训练数据集和测试数据集；构建Fast R‑CNN神经网络模型，并利用训练数据集及测试数据集对所述Fast R‑CNN神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的Fast R‑CNN神经网络模型；获取加油站卸油作业现场实时卸油口盖图片，且进一步将所获取的实时卸油口盖图片导入训练好的Fast R‑CNN神经网络模型中识别，并根据识别结果，确定加油站卸油作业现场卸油口盖状态为打开或关闭。实施本发明，不仅具有较快的自检速度，还具有较高的检测精确度。

技术领域

本发明涉及加油站卸油口盖检测技术领域，尤其涉及一种加油站卸油口盖状态识别方法。

背景技术

深度学习作为机器学习最重要的一个分支，主要应用于自然语言处理、语音识别和图像处理这三大领域。目前，图像处理领域是深度学习最为成熟的领域，在各大图像识别大赛中，深度学习算法远超其他机器学习算法。

但是，现有的深度学习算法应用于加油站卸油口盖检测上，不仅检测精确度较低，且检测速度较慢。因此，亟需一种加油站卸油口盖状态识别方法，在该方法中所采用的检测算法不仅有着较好的检测精确度，还有着较快的检测速度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种加油站卸油口盖状态识别方法，不仅具有较快的自检速度，还具有较高的检测精确度。

为了解决上述技术问题，本发明实施例提供了一种加油站卸油口盖状态识别方法，所述方法包括以下步骤：

获取加油站卸油作业现场包含识别标志的卸油口盖图片并预处理成样本数据集，且将所述样本数据集划分为训练数据集和测试数据集；

构建Fast R-CNN神经网络模型，并利用训练数据集及测试数据集对所述Fast R-CNN神经网络模型进行训练及测试，直至模型满足预设要求收敛为止，得到训练好的FastR-CNN神经网络模型；

获取加油站卸油作业现场实时卸油口盖图片，且进一步将所获取的实时卸油口盖图片导入所述训练好的Fast R-CNN神经网络模型中识别，并根据识别结果，确定加油站卸油作业现场卸油口盖状态为打开或关闭。

其中，所述Fast R-CNN神经网络模型采用RPN网络来提取特征图中感兴趣区域；其中，所述RPN网络使用滑动窗口在特征图上进行滑动，以窗口中心点为基点，生成九个大小不相同的候选框，每个候选框都能映射到原图的一片区域，即为感兴趣区域。

其中，所述Fast R-CNN网络将感兴趣区域与图片样本中的标注框进行IOU计算，并设定IOU阈值，且待选取IOU值大于阈值的感兴趣区域和图片分别进行交叉熵运算和smoothL1loss计算来得到分类损失和回归损失后，进一步由所得到的分类损失和回归损失以反向传播的方式，对网络框架内所有权重参数进行更新。

其中，所述加油站卸油作业现场包含识别标志的卸油口盖图片是通过摄像机围绕卸油口盖开口方向180度绕半圆进行多角度、多距离和多高度拍摄的视频，且进一步通过编写PYTHON脚本并调用OPENCV对所拍摄的视频进行分解处理得到的图片。

其中，所述样本数据集是由分解处理得到的图片经数据增强处理后形成的。

其中，所述数据增强处理包括翻转、旋转、缩放、调整图片亮度和调整色彩饱和度。

其中，所述样本数据集是通过人工框选方式进行标注，并制作成VOC2007格式的数据集。

其中，所述方法进一步包括：

所述样本数据集标注过程中，对于存在遮挡及显示不全未超过百分之七十的消防器材，可对未遮挡部分进行标注。