[发明专利]基于深度网络的指示灯状态识别方法

说明书

一种基于深度网络的指示灯状态识别方法，步骤包括：首先，采集指示灯位置的视频；然后，采用指示灯状态判别模型对视频帧图像中的指示灯的亮灭状态进行识别，包括步骤1：搭建基于深度学习的指示灯状态判别模型：步骤2：对先验框进行调整；步骤3：将待检测图片输入到深度学习目标检测网络中，得出检测结果，即获得指示灯所在区域，并将指示灯区域图像裁切出来；步骤4：把指示灯区域图像的RGB模式图像利用HSV模型进行转换；步骤5：根据不同颜色所分布的区间进行指示灯具体颜色的提取；步骤6：在HSV颜色空间下，指示灯的状态进行判断。采用本发明解决了现有技术仍大量使用人工检测指示灯状态的问题，节省去大量的人工劳动力，同时在监测效率上大大提高。

技术领域

本发明涉及工程自动化检测技术，具体是一种基于深度网络的指示灯状态识别方法。

技术背景

无人值守监控在新设备中应用越来越多。通过仪表、指示灯等设备，把即时的信号状态/信息传给现场的采集/控制设备(如PLC等)，再由上位机进一步处理。

而对于老旧设备，如果仅因为“无人值守监控”这个原因进行改造，则非必需。以仪表和指示灯为例，仪表可以通过更换成具有信息传送功能的同类电子仪表，把原有仪表连接的感知端连接到新仪表上即可。而指示灯由于不具备信息传输功能，仅以开/关状态来指示。如果采集指示灯的信息，则需要对每个指示灯电路进行改造，采集控制电路的相应信号，这几乎是重新设计监控系统。

在地铁供电系统中，需要人员对监控设备巡检记录仪表以及大量指示灯的状态。随着技术发展，仪表信息已可以自动传给计算机，但指示灯的状态还需要人工记录。该类指示灯通常以阵列方式布设在仪表箱的表面。为此，有技术人员采用视频采集装置采集指示灯的状态，并把视频发给监控人员。更进一步的，有技术人员采用采用机器视觉技术，利用深度学习的方法来替代人工现场手抄记录的方式。但是，由于该技术并不完善，用深度学习方法不能做到同时识别电力设备上各种物体类型并且判别其状态，而且当巡检装置拍摄位置出现偏差或者环境恶劣时，对物体类别的识别准确率会存在影响，从而对该物体状态判别产生较大的误差。

发明内容

本发明针对以上问题对电力设备自动监测技术遇到的问题进行分析，根据电力设备场景的特点提出了结合图像处理与深度学习的方法，用该方法对待检测目标分析及处理。首先，用深度学习目标检测方法识别出该物体所属类别；接着，根据不同类别综合应用不同图像处理方法进行状态判别。

本发明的基于深度网络的指示灯状态识别方法，步骤包括：首先，采集指示灯位置的视频；然后，采用指示灯状态判别模型对视频帧图像中的指示灯的亮灭状态进行识别，其步骤包括：

步骤1：搭建基于深度学习的指示灯状态判别模型：

步骤2：对先验框进行调整；

步骤3：将待检测图片输入到深度学习目标检测网络中，得出检测结果，即获得指示灯所在区域，并将指示灯区域图像裁切出来；

步骤4：把指示灯区域图像的RGB模式图像利用HSV模型进行转换；

步骤5：根据不同颜色所分布的区间进行指示灯具体颜色的提取：

根据颜色具体分布情况，H通道存放的是图像的颜色信息，据此根据期望识别出的颜色设置相应的阈值，对不同的颜色信息进行提取；

步骤6：在HSV颜色空间下，指示灯的状态进行判断，方法为：指示灯在亮和灭的状态下，V值所在的分布区间不同，则通过识别出指示灯所在区域的V值即断定出该指示灯的亮灭状态，得出识别结果。

采用本发明解决了现有技术仍大量使用人工检测指示灯状态的问题，节省去大量的人工劳动力，同时在监测效率上大大提高。

附图说明

图1是本方法的深度学习目标检测网络示意图；

图2是RGB色彩空间-HSV色彩空间转换示意图。