CN114943875A - 用于电缆元件识别的视觉分析方法 - Google Patents

Abstract

一种用于电缆元件识别的视觉分析方法，包括构建与标签图片数据集合、准备训练数据集合和模型训练的步骤，对预设识别分析模型进行训练，使得预设识别分析模型能够具有对电缆元件进行识别的准确性；再利用完成训练的预设识别分析模型，识别目标图像画面中存在的电缆元件信息，以此对目标图片进行标注；上述分析方法能够对完成生产制作的电缆元件进行拍摄，再利用预设识别分析模型对拍摄得到的图片进行识别分析，从而快速全面地确定每个电缆元件的结构质量情况，便于准确了解每个电缆元件可能存在的结构缺陷和及时将质量不合格的电缆元件筛选出来。

Description

用于电缆元件识别的视觉分析方法

【技术领域】

本发明涉及视觉识别领域，尤其涉及一种用于电缆元件识别的视觉分析方法。

【背景技术】

电缆元件的类型繁多，不同的电缆元件在生产制作过程中，不可避免会因工艺因素的影响而存在一定的结构缺陷，从而影响电缆元件的工作性能。目前，都是通过人工检查的方式对电缆元件进行抽检识别，但是人工检查的方式无法对所有电缆元件进行逐一仔细的识别分析，这不仅需要耗费较多的人力和时间来实现对电缆元件的质量检查，并且还无法保证质量检查的正确性，从而使得一些质量不合格的电缆元件流入市面。

【发明内容】

本发明的目的在于提供一种用于电缆元件识别的视觉分析方法，其包括构建与标签图片数据集合、准备训练数据集合和模型训练的步骤，对预设识别分析模型进行训练，使得预设识别分析模型能够具有对电缆元件进行识别的准确性；再利用完成训练的预设识别分析模型，识别目标图像画面中存在的电缆元件信息，以此对目标图片进行标注；上述分析方法能够对完成生产制作的电缆元件进行拍摄，再利用预设识别分析模型对拍摄得到的图片进行识别分析，从而快速全面地确定每个电缆元件的结构质量情况，便于准确了解每个电缆元件可能存在的结构缺陷和及时将质量不合格的电缆元件筛选出来。

本发明的目的是通过以下技术方案实现：

一种用于电缆元件识别的视觉分析方法，包括如下步骤：

步骤S1，构建与标签图片数据集合：收集预定数量和具有预定格式的图片，对每个图片进行筛选与预处理后，得到图片数据集合；根据图片的画面属性，对所述图片数据集合的每个图片进行标签备注，从而将每个图片归类到图片数据集合下属的不同子集合中；

步骤S2，准备训练数据集合：从所述图片数据集合中选择对应的子集合包含的图片，并将选择的图片进行组合，从而形成训练数据集合；对所述训练数据集合进行拆分，从而得到若干训练数据相关文件；

步骤S3，模型训练：根据所述训练数据相关文件，对预设识别分析模型进行训练；

步骤S4，电缆元件识别：将目标图片输入到完成训练的预设识别分析模型中，对所述目标图片进行识别处理，确定所述目标图片存在的电缆元件信息；并根据所述电缆元件信息，对所述目标图片进行标注。

在其中一实施例中，在所述步骤S1中，收集预定数量和具有预定格式的图片，对每个图片进行筛选与预处理后，得到图片数据集合具体包括：

收集不少于100张具有预定格式的图片，所述图片的格式为jpg格式或bmp格式；

获取每个图片的图片实际亮度值，若所述图片实际亮度值在预设亮度值范围内，则将相应的图片保留；否则，将相应的图片剔除；

获取上述保留的图片的图片实际分辨率值，若所述图片实际分辨率值小于预设分辨率阈值，则对相应的图片进行像素插值处理；

再将所有保留的图片集成得到图片数据集合。

在其中一实施例中，在所述步骤S1中，根据图片的画面属性，对所述图片数据集合的每个图片进行标签备注，从而将每个图片归类到图片数据集合下属的不同子集合中具体包括：

获取所述图片数据集合的每个图片的画面色度信息和画面线条轮廓信息；

根据所述画面色度信息和画面线条轮廓信息，对所述图片数据集合的每个图片进行色度属性和线条轮廓属性的标签备注；

根据上述标签备注的结果，将每个图片归类到图片数据集合下属的不同子集合中。

在其中一实施例中，在所述步骤S2中，从所述图片数据集合中选择对应的子集合包含的图片，并将选择的图片进行组合，从而形成训练数据集合具体包括：

按照预定图片选择总数量和每个子集合对应的图片选择数量比例，从每个子集合中随机选择相应数量的图片；

再将所有选择的图片进行随机排列组合，从而形成训练数据集合。

在其中一实施例中，在所述步骤S2中，对所述训练数据集合进行拆分，从而得到若干训练数据相关文件具体包括：

根据预设的训练集图片数量百分比例值、验证集图片数量百分比例值和测试集合图片数量百分比例值，从所述训练数据集合中分别随机提取互不相同的图片，从而将提取得到的图片存放到训练集、验证集和测试集中；

再将训练集、验证集和测试集分别作为训练集数据相关文件、验证集数据相关文件和测试集数据相关文件。

在其中一实施例中，在所述步骤S3中，根据所述训练数据相关文件，对预设识别分析模型进行训练具体包括：

步骤S301，将所述训练集数据相关文件包含的图片输入到预设识别分析模型中，从而对预设识别分析模型进行训练；

步骤S302，利用所述验证集数据相关文件包含的图片，对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对所述验证集数据相关文件包含的图片的验证结果；

步骤S303，再利用所述测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理；根据所述测试处理的结果，判断预设识别分析模型是否训练完善。

在其中一实施例中，在所述步骤S302中，对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对所述验证集数据相关文件包含的图片的验证结果具体包括：

对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对所述验证集数据相关文件包含的每个图片的验证匹配与否；

若预设识别分析模型对所述验证集数据相关文件中超过第一预设数量阈值的图片验证匹配，则进入下面步骤S303；否则，返回到步骤S301，继续对对预设识别分析模型进行训练。

在其中一实施例中，在所述步骤S303中，利用所述测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理；根据所述测试处理的结果，判断预设识别分析模型是否训练完善具体包括：

利用所述测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理，得到预设识别分析模型对每个图片的图片画面内容测试结果；

根据所述图片画面内容测试结果，确定预设识别分析模型对所述测试集数据相关文本中测试正确的图片数量；若所述图片数量超过第二预设数量阈值，则确定预设识别分析模型训练完善；否则，确定预设识别分析模型训练不完善，并且重新返回步骤S301和步骤S302。

在其中一实施例中，在所述步骤S4中，将目标图片输入到完成训练的预设识别分析模型中，对所述目标图片进行识别处理，确定所述目标图片存在的电缆元件信息具体包括：

将目标图片输入到完成训练的预设识别分析模型中，识别所述目标图片的画面存在的电缆元件类型、电缆元件的结构缺陷及其存在位置。

在其中一实施例中，在所述步骤S4中，根据所述电缆元件信息，对所述目标图片进行标注具体包括：

在目标图片的画面存在的每个电缆元件附近标注其对应的电缆元件类型、结构缺陷类型及其存在位置的相关文本信息。

与现有技术相比，本发明具有如下有益效果：

本申请提供的用于电缆元件识别的视觉分析方法包括构建与标签图片数据集合、准备训练数据集合和模型训练的步骤，对预设识别分析模型进行训练，使得预设识别分析模型能够具有对电缆元件进行识别的准确性；再利用完成训练的预设识别分析模型，识别目标图像画面中存在的电缆元件信息，以此对目标图片进行标注；上述分析方法能够对完成生产制作的电缆元件进行拍摄，再利用预设识别分析模型对拍摄得到的图片进行识别分析，从而快速全面地确定每个电缆元件的结构质量情况，便于准确了解每个电缆元件可能存在的结构缺陷和及时将质量不合格的电缆元件筛选出来。

【附图说明】

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本申请提供的用于电缆元件识别的视觉分析方法的流程示意图。

【具体实施方式】

为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图，对本申请的具体实施方式做详细的说明。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

本申请中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

请参阅图1所示，本申请一实施例提供的用于电缆元件识别的视觉分析方法，用于电缆元件识别的视觉分析方法包括如下步骤：

步骤S1，构建与标签图片数据集合：收集预定数量和具有预定格式的图片，对每个图片进行筛选与预处理后，得到图片数据集合；根据图片的画面属性，对图片数据集合的每个图片进行标签备注，从而将每个图片归类到图片数据集合下属的不同子集合中；

步骤S2，准备训练数据集合：从图片数据集合中选择对应的子集合包含的图片，并将选择的图片进行组合，从而形成训练数据集合；对训练数据集合进行拆分，从而得到若干训练数据相关文件；

步骤S3，模型训练：根据训练数据相关文件，对预设识别分析模型进行训练；

步骤S4，电缆元件识别：将目标图片输入到完成训练的预设识别分析模型中，对目标图片进行识别处理，确定目标图片存在的电缆元件信息；并根据电缆元件信息，对目标图片进行标注。

上述视觉分析方法包括构建与标签图片数据集合、准备训练数据集合和模型训练的步骤，对预设识别分析模型进行训练，使得预设识别分析模型能够具有对电缆元件进行识别的准确性；再利用完成训练的预设识别分析模型，识别目标图像画面中存在的电缆元件信息，以此对目标图片进行标注；上述分析方法能够对完成生产制作的电缆元件进行拍摄，再利用预设识别分析模型对拍摄得到的图片进行识别分析，从而快速全面地确定每个电缆元件的结构质量情况，便于准确了解每个电缆元件可能存在的结构缺陷和及时将质量不合格的电缆元件筛选出来。

可选地，在步骤S1中，收集预定数量和具有预定格式的图片，对每个图片进行筛选与预处理后，得到图片数据集合具体包括：

收集不少于100张具有预定格式的图片，图片的格式为jpg格式或bmp格式；

获取每个图片的图片实际亮度值，若图片实际亮度值在预设亮度值范围内，则将相应的图片保留；否则，将相应的图片剔除；

获取上述保留的图片的图片实际分辨率值，若图片实际分辨率值小于预设分辨率阈值，则对相应的图片进行像素插值处理；

再将所有保留的图片集成得到图片数据集合。

通过上述方式，能够保证收集的图片具有足够的数量和匹配格式，便于后续预设识别分析模型直接对图片进行识别分析，不需要对图片进行额外的格式转换，减少图片的预处理工作量。此外，将图片实际亮度值较低的图片进行剔除，有效避免由于图片的亮度不足而导致预设识别分析模型无法准确进行识别；而对图片实际分辨率值较小的图片进行像素插值处理，能够有效地提升图片的分辨率，保证图片画面内容的可识别性。

可选地，在步骤S1中，根据图片的画面属性，对图片数据集合的每个图片进行标签备注，从而将每个图片归类到图片数据集合下属的不同子集合中具体包括：

获取图片数据集合的每个图片的画面色度信息和画面线条轮廓信息；

根据画面色度信息和画面线条轮廓信息，对图片数据集合的每个图片进行色度属性和线条轮廓属性的标签备注；

根据上述标签备注的结果，将每个图片归类到图片数据集合下属的不同子集合中。

通过上述方式，以图片的画面色度信息和画面线条轮廓信息作为图片的画面属性，这样能够在颜色和轮廓两个方面对图片的画面属性进行识别；其中画面色度信息是指图片画面存在的色度值，画面线条轮库信息是指图片画面中线条轮廓的粗细和弯曲程度。再根据画面色度信息和画面线条轮廓信息，对每个图片进行关于色度属性和线条轮廓属性的标签备注，从而从颜色和轮廓两个方面对图片进行细化区分。

可选地，在步骤S2中，从图片数据集合中选择对应的子集合包含的图片，并将选择的图片进行组合，从而形成训练数据集合具体包括：

按照预定图片选择总数量和每个子集合对应的图片选择数量比例，从每个子集合中随机选择相应数量的图片；

再将所有选择的图片进行随机排列组合，从而形成训练数据集合。

通过上述方式，按照预定图片选择总数量和每个子集合对应的图片选择数量比例，从每个子集合中随机选择相应数量的图片，这样能够保证训练数据集合中包含不同画面色度信息和画面线条轮廓信息的图片，从而实现后续对预设识别分析模型的训练、验证和测试全面性与可靠性。

可选地，在步骤S2中，对训练数据集合进行拆分，从而得到若干训练数据相关文件具体包括：

根据预设的训练集图片数量百分比例值、验证集图片数量百分比例值和测试集合图片数量百分比例值，从训练数据集合中分别随机提取互不相同的图片，从而将提取得到的图片存放到训练集、验证集和测试集中；

再将训练集、验证集和测试集分别作为训练集数据相关文件、验证集数据相关文件和测试集数据相关文件。

通过上述方式，能够最大限度丰富训练集、验证集和测试集各自包含的图片类型，使得预设识别分析模型能够适应对不同类型图片的识别，相应提高其识别准确性。其中，预设识别分析模型可为但不限于是tensorflow模型，其属于DNN模型的一种。

可选地，在步骤S3中，根据训练数据相关文件，对预设识别分析模型进行训练具体包括：

步骤S301，将训练集数据相关文件包含的图片输入到预设识别分析模型中，从而对预设识别分析模型进行训练；

步骤S302，利用验证集数据相关文件包含的图片，对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对验证集数据相关文件包含的图片的验证结果；

步骤S303，再利用测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理；根据测试处理的结果，判断预设识别分析模型是否训练完善。

通过上述方式，利用训练集数据相关文件、验证集数据相关文件、测试集数据相关文本分别对预设识别分析模型进行训练、验证、测试，从而保证预设识别分析模型对图片的识别可靠性与精确性。

可选地，在步骤S302中，对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对验证集数据相关文件包含的图片的验证结果具体包括：

对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对验证集数据相关文件包含的每个图片的验证匹配与否；

若预设识别分析模型对验证集数据相关文件中超过第一预设数量阈值的图片验证匹配，则进入下面步骤S303；否则，返回到步骤S301，继续对对预设识别分析模型进行训练。

可选地，在步骤S303中，利用测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理；根据测试处理的结果，判断预设识别分析模型是否训练完善具体包括：

利用测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理，得到预设识别分析模型对每个图片的图片画面内容测试结果；

根据图片画面内容测试结果，确定预设识别分析模型对测试集数据相关文本中测试正确的图片数量；若图片数量超过第二预设数量阈值，则确定预设识别分析模型训练完善；否则，确定预设识别分析模型训练不完善，并且重新返回步骤S301和步骤S302。

通过上述方式，能够对预设识别分析模型进行闭环形式的训练、验证、测试，确保预设识别分析模型达到相应的学习收敛性，提高预设识别分析模型对图片的识别精确性。

可选地，在步骤S4中，将目标图片输入到完成训练的预设识别分析模型中，对目标图片进行识别处理，确定目标图片存在的电缆元件信息具体包括：

将目标图片输入到完成训练的预设识别分析模型中，识别目标图片的画面存在的电缆元件类型、电缆元件的结构缺陷及其存在位置。

通过上述方式，对完成生产制造的电缆元件进行拍摄得到相应的目标图片，再将目标图片输入到完成训练的预设识别分析模型中，预设识别分析模型可准确确定目标图片的画面存在的电缆元件类型、电缆元件的结构缺陷及其存在位置，实现对目标图片的快速批量识别。

可选地，在步骤S4中，根据电缆元件信息，对目标图片进行标注具体包括：

在目标图片的画面存在的每个电缆元件附近标注其对应的电缆元件类型、结构缺陷类型及其存在位置的相关文本信息。

通过上述方式，在目标图片的画面存在的每个电缆元件附近标注其对应的电缆元件类型、结构缺陷类型及其存在位置的相关文本信息，这样用户能够从目标图片中直观地得到电缆元件存在的结构缺陷情况，从而准确对电缆元件进行筛选区分。

上述仅为本发明的一个具体实施方式，其它基于本发明构思的前提下做出的任何改进都视为本发明的保护范围。

Claims (10)

1.一种用于电缆元件识别的视觉分析方法，其特征在于，包括如下步骤：

步骤S1，构建与标签图片数据集合：收集预定数量和具有预定格式的图片，对每个图片进行筛选与预处理后，得到图片数据集合；根据图片的画面属性，对所述图片数据集合的每个图片进行标签备注，从而将每个图片归类到图片数据集合下属的不同子集合中；

步骤S2，准备训练数据集合：从所述图片数据集合中选择对应的子集合包含的图片，并将选择的图片进行组合，从而形成训练数据集合；对所述训练数据集合进行拆分，从而得到若干训练数据相关文件；

步骤S3，模型训练：根据所述训练数据相关文件，对预设识别分析模型进行训练；

步骤S4，电缆元件识别：将目标图片输入到完成训练的预设识别分析模型中，对所述目标图片进行识别处理，确定所述目标图片存在的电缆元件信息；并根据所述电缆元件信息，对所述目标图片进行标注。

2.根据权利要求1所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S1中，收集预定数量和具有预定格式的图片，对每个图片进行筛选与预处理后，得到图片数据集合具体包括：

收集不少于100张具有预定格式的图片，所述图片的格式为jpg格式或bmp格式；

获取每个图片的图片实际亮度值，若所述图片实际亮度值在预设亮度值范围内，则将相应的图片保留；否则，将相应的图片剔除；

获取上述保留的图片的图片实际分辨率值，若所述图片实际分辨率值小于预设分辨率阈值，则对相应的图片进行像素插值处理；

再将所有保留的图片集成得到图片数据集合。

3.根据权利要求2所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S1中，根据图片的画面属性，对所述图片数据集合的每个图片进行标签备注，从而将每个图片归类到图片数据集合下属的不同子集合中具体包括：

获取所述图片数据集合的每个图片的画面色度信息和画面线条轮廓信息；

根据所述画面色度信息和画面线条轮廓信息，对所述图片数据集合的每个图片进行色度属性和线条轮廓属性的标签备注；

根据上述标签备注的结果，将每个图片归类到图片数据集合下属的不同子集合中。

4.根据权利要求1所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S2中，从所述图片数据集合中选择对应的子集合包含的图片，并将选择的图片进行组合，从而形成训练数据集合具体包括：

按照预定图片选择总数量和每个子集合对应的图片选择数量比例，从每个子集合中随机选择相应数量的图片；

再将所有选择的图片进行随机排列组合，从而形成训练数据集合。

5.根据权利要求4所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S2中，对所述训练数据集合进行拆分，从而得到若干训练数据相关文件具体包括：

根据预设的训练集图片数量百分比例值、验证集图片数量百分比例值和测试集合图片数量百分比例值，从所述训练数据集合中分别随机提取互不相同的图片，从而将提取得到的图片存放到训练集、验证集和测试集中；

再将训练集、验证集和测试集分别作为训练集数据相关文件、验证集数据相关文件和测试集数据相关文件。

6.根据权利要求5所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S3中，根据所述训练数据相关文件，对预设识别分析模型进行训练具体包括：

步骤S301，将所述训练集数据相关文件包含的图片输入到预设识别分析模型中，从而对预设识别分析模型进行训练；

步骤S302，利用所述验证集数据相关文件包含的图片，对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对所述验证集数据相关文件包含的图片的验证结果；

步骤S303，再利用所述测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理；根据所述测试处理的结果，判断预设识别分析模型是否训练完善。

7.根据权利要求6所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S302中，对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对所述验证集数据相关文件包含的图片的验证结果具体包括：

对经过训练的预设识别分析模型进行验证处理，得到预设识别分析模型对所述验证集数据相关文件包含的每个图片的验证匹配与否；

若预设识别分析模型对所述验证集数据相关文件中超过第一预设数量阈值的图片验证匹配，则进入下面步骤S303；否则，返回到步骤S301，继续对对预设识别分析模型进行训练。

8.根据权利要求7所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S303中，利用所述测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理；根据所述测试处理的结果，判断预设识别分析模型是否训练完善具体包括：

利用所述测试集数据相关文本包含的图片，对经过训练的预设识别分析模型进行测试处理，得到预设识别分析模型对每个图片的图片画面内容测试结果；

根据所述图片画面内容测试结果，确定预设识别分析模型对所述测试集数据相关文本中测试正确的图片数量；若所述图片数量超过第二预设数量阈值，则确定预设识别分析模型训练完善；否则，确定预设识别分析模型训练不完善，并且重新返回步骤S301和步骤S302。

9.根据权利要求8所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S4中，将目标图片输入到完成训练的预设识别分析模型中，对所述目标图片进行识别处理，确定所述目标图片存在的电缆元件信息具体包括：

将目标图片输入到完成训练的预设识别分析模型中，识别所述目标图片的画面存在的电缆元件类型、电缆元件的结构缺陷及其存在位置。

10.根据权利要求9所述的用于电缆元件识别的视觉分析方法，其特征在于，

在所述步骤S4中，根据所述电缆元件信息，对所述目标图片进行标注具体包括：

在目标图片的画面存在的每个电缆元件附近标注其对应的电缆元件类型、结构缺陷类型及其存在位置的相关文本信息。

Images