[发明专利]基于深度学习与形态学融合的状态自动检测方法与装置

权利要求书

1.一种基于深度学习与形态学融合的状态自动检测方法，用于对保护压板进行自动检测，其特征在于，包括如下步骤：S01，对采集的保护压板图像帧进行目标定位和初始类型分析，获取各图像帧中目标保护压板的对应类型，分别记为I型和II型；S02，对I型保护压板采集图像进行预处理，并利用深度学习目标网络对其工作状态进行自动识别，得到第一识别状态；S03，利用三次样条差值及色彩空间特征的特征参数提取方法对I型保护压板提取图像特征，得到第一特征参数；S04，基于第一特征参数检测保护压板对应的第一特征状态，并将第一识别状态与第一特征状态基于融合信息进行融合，确定I型保护压板的最终检测状态；S05，对II型保护压板利用改进的深度学习网络对其状态进行自动识别，得到第二识别状态；S06，基于色彩空间及形态学融合特征的的特征参数提取方法对II型保护压板提取图像特征，得到第二特征参数；S07，确定II型保护压板的最终检测状态。

2.如权利要求1所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征在于，S07确定II型保护压板的最终检测状态的方法：基于第二特征参数检测II型保护压板对应的第二特征状态，并将第二识别状态与第二特征状态基于融合信息进行融合。

3.如权利要求2所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征在于，步骤S01包括：

首先对输入的保护压板图像帧进行sobel边缘检测，获得图片的边缘信息后，对其进行最大最小滤波处理，同时通过全局阈值处理获得图像的二值信息后，根据连通域面积去除小连通域，再通过连通域外接矩形获得图片中的每一个保护压板对象，最后通过对每一个对象进行直线检测，判断目标保护压板属于I型还是II型。

4.如权利要求3所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征在于，步骤S02中对I型保护压板采集图像进行预处理包括：

分别对图像进行x方向、y方向和135°方向上的sobel算子提取，再将三个图像按比例合并得到梯度处理后的最终特征图像，最后将最终特征图像作为目标网络的输入用于识别。

5.如权利要求2所述的一种基于深度学习与形态学融合的状态自动检测方法，其特征在于，步骤S03包括：

S301，首先对原始图像使用基于三次样条插值的图像分辨率降低方法；

S302，其次利用基于限制对比度自适应的直方图均衡化方法对保护压板图像进行预处理；

S303，对图像进行中值滤波后，基于HSV色彩空间对图像进行分割，将三通道的二值化图像叠加后得到的初始分割图像进行形态学处理，得到最终的二值化分割结果；

S304，利用基于连通域外接矩形参数提取方法对保护压板提取形状特征参数，从而用于对深度学习的识别结果进行优化和补充。