一种基于抽象度量学习的指针式仪表检测方法及系统
基本信息
| 申请号 | CN202210360712.9 | 申请日 | - |
| 公开（公告）号 | CN114694128A | 公开（公告）日 | 2022-07-01 |
| 申请公布号 | CN114694128A | 申请公布日 | 2022-07-01 |
| 分类号 | G06V20/60（2022.01）I;G06V10/22（2022.01）I;G06V10/40（2022.01）I;G06V10/764（2022.01）I;G06V10/82（2022.01）I;G06V10/74（2022.01）I;G06N3/04（2006.01）I;G06N3/08（2006.01）I;G06K9/62（2022.01）I | 分类 | 计算；推算；计数; |
| 发明人 | 翟永杰;赵振远;杨珂 | 申请（专利权）人 | 华北电力大学（保定） |
| 代理机构 | 北京高沃律师事务所 | 代理人 | - |
| 地址 | 071003河北省保定市莲池区永华北大街619号华北电力大学 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明提供一种基于抽象度量学习的指针式仪表检测方法及系统，属于机器视觉检测领域，指针式仪表检测方法包括：获取待检测仪表图像；根据待检测仪表图像，基于仪表检测模型，确定待检测仪表图像中的仪表类别和仪表位置；所述仪表检测模型为预先采用训练样本集，基于度量学习方法，对FasterR‑CNN网络进行训练得到的；训练样本集包括真实样本图像集、人工样本图像集以及真实样本图像集和人工样本图像集中的仪表标记；仪表标记包括类别标记和位置标记。通过相似度度量学习的方式，结合真实样本图像和人工样本图像对深度神经网络训练，大大减少了深度网络所依赖的样本数量，实现了在少样本情况下对指针式仪表的高精度检测。 |
