[发明专利]一种基于Yolov3和CRNN算法的输电线路数据采集方法

说明书

本发明涉及一种基于Yolov3和CRNN算法的输电线路数据采集方法，包括：采集输电线路的图像数据，加入MASK模板，提取感兴趣的区域并进行预处理；检测字符出现的区域，判断字符区域的朝向，并调整字符区域的角度；然后Yolov3网络中，输出字符区域特征图；将字符区域特征图载入BiLSTM网络中，检测出前向序列和反向序列，得到字符的最终预测序列，优化所述字符区域特征图的位置信息；字符区域特征图载入CRNN网络中，并结合最终预测序列，获取最终的字符识别结果。与现有技术相比，本发明解决输电线路数据采集技术中数据体量大、数据类型繁多、采集速度慢的问题，并实现了端到端的训练，在参数量和训练速度方面都非常有优势。

技术领域

本发明涉及计算机处理技术领域，尤其是涉及一种基于Yolov3和CRNN算法的输电线路数据采集方法。

背景技术

输电线路数据采集技术旨在综合监控输电线路相关的多方数据信息，实现对日常业务和应急抢修业务的统一监控指挥。输电线路采集技术投入使用时，主要有采集数据体量大、数据类型繁多、采集时间长、准确率低等问题。现有的输电线路采集技术大致可以分为两类，一类是基于传统机器学习算法的采集技术，另外一类是基于深度学习算法的采集技术。

基于传统机器学习算法的输电线路采集技术主要是模板匹配法，模板匹配法是最早的模式识别方法，用于研究某一特定的图案或字符在图像中的位置，进而识别对象，模板匹配法有自身的局限性，主要表现在识别种类少、识别速度慢、仅支持水平方向上的识别。基于深度学习算法的输电线路数据采集技术主要是基于FasterRCNN+LSTM+CTC,相比传统机器学习算法，此方法在准确率和计算速度方面有了很大的提升，但在字符识别率、字符识别方向等方面还有局限性。

发明内容

本发明的目的就是为了克服上述现有技术存在输电线路数据采集技术中数据体量大、数据类型繁多、采集速度慢的缺陷而提供一种基于Yolov3和CRNN算法的输电线路数据采集方法。

本发明的目的可以通过以下技术方案来实现：

一种基于Yolov3和CRNN算法的输电线路数据采集方法，包括以下步骤：

采集输电线路的图像数据；

对采集的图像数据，加入MASK模板，提取感兴趣的区域；

对加入MASK模板后的图像数据进行预处理；

检测预处理后的图像数据中字符出现的区域，判断字符区域的朝向，并调整字符区域的角度；

将调整了字符区域角度的图像数据载入预先构建并训练好的Yolov3网络中，输出字符区域特征图；

将字符区域特征图载入预先构建并训练好的BiLSTM网络中，检测出前向序列和反向序列，将前向序列和反向序列对应的位置相加，得到字符的最终预测序列，优化所述字符区域特征图的位置信息；

将优化后的字符区域特征图载入预先构建并训练好的CRNN网络中，并结合最终预测序列，获取最终的字符识别结果。

进一步地，其特征在于，将预处理后的图像数据传入角度四分类的VGG网络中，检测字符区域和字符区域的朝向；

调整字符区域的角度具体为：获取字符区域中心点的位置，根据中心点的位置和VGG网络的输出角度结果，计算对应的仿射变换矩阵，将对应的字符区域的朝向调整到水平方向。

进一步地，所述Yolov3网络根据载入的图像数据生成特征图，并得到锚框和锚框的位置参数。

进一步地，当锚框的高度和传输线路采集的字符高度重叠程度大于预测的重叠阈值时，判定为目标字符，使用文本线构造法对同行的目标字符进行合并，形成整行区域；将整行区域进行排序，得到字符区域特征图。

进一步地，所述Yolov3网络生成有多个不同尺度的特征图。