[发明专利]一种用于隧道内的目标识别方法、系统及边缘计算设备

说明书

本发明提供了一种用于隧道内的目标识别方法、系统及边缘计算设备，目标识别系统包括网络摄像头、网络交换设备、以及边缘计算设备，所述网络摄像头和所述边缘计算设备通过以太网线连接在所述网络交换设备上，使得所述边缘计算设备能够通过网络地址访问所述网络摄像头，所述网络摄像头包括前置摄像头和后置摄像头。本发明的有益效果是：本发明在传统机器学习的基础上引入了一些深度学习的思想，结合了隧道内光照不稳定、轨道机车震动强烈等情况，设计了一种稳定的目标识别方法。通过该方法可以部署在边缘计算设备上，部署成本降低，并且在实时性和准确性上有较大提升。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种用于隧道内的目标识别方法、系统及边缘计算设备。

背景技术

随着工业自动化的发展和人工智能技术的进步，很多生产场景需要借助人工智能系统帮助完成判断，可以一定程度上弥补人工判断的不准确性和滞后性。然而，目前人工智能系统的集成度和智能化程度不够高，面对工业场景的多样性，单纯地使用传统的目标识别算法如RCNN系列、Faster-RCNN系列等无法在精度和速度上同时达到令人满意的效果，导致在隧道内场景多变的情况下对一些重要目标无法准确地检测和定位。

发明内容

本发明提供了一种用于隧道内的目标识别方法，包括如下步骤：

步骤1：读取前置摄像头和后置摄像头的视频数据；

步骤2：将前置摄像头和后置摄像头的视频数据合并为一个数组，当读取成功时，将当前帧添加进数组；

步骤3：对前置摄像头和后置摄像头保存在数组中的当前帧图像进行预处理，当前帧图像判定为光照不理想时，跳过本次判断循环；当前帧图像判定为光照理想时，将图像大小缩放或扩展至设定大小，并将每个像素的每个通道的像素值量化处理；

步骤4：将图像按行展平为一维数组，输入到神经网络模型，得到预测的结果，预测的结果包括了每一个分类的种类以及其在图像中的坐标；

步骤5：对预测的结果进行非极大值抑制处理，对重复检测的结果进行筛选，去除多余的检测结果，保留最接近真值的一个；

步骤6：将结果中的目标按照分类及其坐标，分别用矩形框标记在图像中，标签用文字的形式标记在矩形框之上，标签的内容包括分类的类别和置信度分数；同时将结果通信给其他模块使用。

作为本发明的进一步改进，在所述步骤1中，采用多线程的方式同时读取前置摄像头和后置摄像头的视频数据。

作为本发明的进一步改进，所述步骤1包括：

步骤A：判断读取的视频数据是否采用RTSP协议封装，如是，那执行步骤B，否则，跳出程序并给出错误警告；

步骤B：初始化程序的运行日志和设备参数，如果边缘计算设备的GPU工作正常，则使用GPU执行程序的计算部分，程序的其他部分由CPU执行；如果未能检测到GPU工作正常，则使用CPU执行程序的计算部分，程序的其他部分同样由CPU执行；并加载神经网络模型。

作为本发明的进一步改进，在所述步骤2中，前置摄像头和后置摄像头的视频数据用OpenCV读取，合并为一个数组；当读取成功时，将当前帧添加进数组；当网络不稳定时，所读到的图像数据为None类型，将空白帧添加进数组。

作为本发明的进一步改进，在所述步骤3中，对前置摄像头和后置摄像头保存在数组中的当前帧图像进行预处理，当发现图像像素平均值接近黑色或白色图像时，判定为光照不理想，跳过本次判断循环；当判定为光照理想时，将图像大小缩放或扩展至640*640大小，并将每个像素的每个通道的像素值量化处理，从0～255标准化为0～1。

作为本发明的进一步改进，在所述步骤6中，将结果通过JSON编码的方式通信给其他模块使用。