[发明专利]基于深度学习的配电考试柜接线线序识别方法及系统

权利要求书

1.一种基于深度学习的配电考试柜接线线序识别方法，其特征在于，包括以下步骤：

预先构建轻量接线顺序识别网络模型；

在学员接线操作完成后，采集接线顺序识别区域对应的第一待测图片；其中，所述接线顺序识别区域指的是配电考试柜的接线区域，所述第一待测图片的高为H，所述第一待测图片的宽为W；

对所述第一待测图片进行识别区域缩放，得到第二待测图片；其中，所述第二待测图片的高为h’，所述第二待测图片的宽为w’，w’=（h’×W）÷H；

按照从左至右顺序和步长step，从所述第二待测图片中截取N个50×50的矩形图片；其中，所述步长step= h’÷2；

将N个50×50的矩形图片输入所述轻量接线顺序识别网络模型，得到N个1维的颜色数组；

利用argmax函数对所述轻量接线顺序识别网络模型输出的N个1维的颜色数组进行处理，预测出N个矩形图片对应的类别索引；

将预测出的N个类别索引分别映射至对应的颜色标签，得到N个颜色标签；不同的类别索引与不同的颜色标签之间预先被配置为一对一的映射关系；

剔除N个颜色标签中相邻且相同的颜色标签，得到M个目标颜色标签；其中，M≤N；

去掉M个目标颜色标签中的负样本NG，获得所述接线顺序识别区域对应的导线颜色顺序。

2.根据权利要求1所述的基于深度学习的配电考试柜接线线序识别方法，其特征在于：所述轻量接线顺序识别网络模型包括依次设置的第一网络结构、第二网络结构、第三网络结构、第四网络结构、第五网络结构和第六网络结构，其中，

所述第一网络结构包括依次设置的卷积层Ⅰ、BN层Ⅰ、ReLU激活函数层Ⅰ和MaxPool 池化层Ⅰ，所述卷积层Ⅰ、所述BN层Ⅰ和所述ReLU激活函数层Ⅰ的网络层输出参数均被配置为64×25×25，所述MaxPool 池化层Ⅰ的网络层输出参数被配置为64×13×13；

所述第二网络结构包括依次设置且网络层输出参数均被配置为32×13×13的卷积层Ⅱ、BN层Ⅱ、ReLU激活函数层Ⅱ、卷积层Ⅲ、BN层Ⅲ、卷积层Ⅳ、BN层Ⅳ、ReLU激活函数层Ⅲ和BasicBlock残差层Ⅰ；

所述第三网络结构包括依次设置且网络层输出参数均被配置为64×7×7的卷积层Ⅴ、BN层Ⅴ、ReLU激活函数层Ⅳ、卷积层Ⅵ、BN层Ⅵ、卷积层Ⅶ、BN层Ⅶ、ReLU激活函数层Ⅴ和BasicBlock残差层Ⅱ；

所述第四网络结构包括依次设置且网络层输出参数均被配置为128×4×4的卷积层Ⅷ、BN层Ⅷ、ReLU激活函数层Ⅵ、卷积层Ⅸ、BN层Ⅸ、卷积层Ⅹ、BN层Ⅹ、ReLU激活函数层Ⅶ和BasicBlock残差层Ⅲ；

所述第五网络结构包括依次设置且网络层输出参数均被配置为256×2×2的卷积层Ⅺ、BN层Ⅺ、ReLU激活函数层Ⅷ、卷积层Ⅻ、BN层Ⅻ、卷积层XIII、BN层XIII、ReLU激活函数层Ⅸ和BasicBlock残差层Ⅳ；

所述第六网络结构包括依次设置的自适应池化层和Linear线性层，所述自适应池化层的网络层输出参数均被配置为256×1×1，所述Linear线性层的网络层输出参数均被配置为5。

3.根据权利要求1所述的基于深度学习的配电考试柜接线线序识别方法，其特征在于，将预测出的N个类别索引分别映射至对应的颜色标签，得到N个颜色标签时，执行：

在预测类别索引为0时，判定对应的颜色标签为负样本NG；

在预测类别索引为1时，判定对应的颜色标签为黄；

在预测类别索引为2时，判定对应的颜色标签为绿；

在预测类别索引为3时，判定对应的颜色标签为红；

在预测类别索引为4时，判定对应的颜色标签为黑。

4.根据权利要求3所述的基于深度学习的配电考试柜接线线序识别方法，其特征在于，剔除N个颜色标签中相邻且相同的颜色标签，得到M个目标颜色标签时，执行：

判断N个颜色标签中是否存在相邻且相同的颜色标签，

若是，则从相邻且相同的颜色标签中提取出其中一个作为目标颜色标签，并将除目标颜色标签外的颜色标签剔除。