基于YOLO的断路器符号检测模型训练方法、系统及存储介质与流程

摘要: 本申请涉及数据处理,尤其涉及一种基于yolo的断路器符号检测模型训练方法、系统和存储介质。背景技术:1、可以理解的是,断路器产品生产完毕后需要在产品的表面打印标...
基于YOLO的断路器符号检测模型训练方法、系统及存储介质与流程

本申请涉及数据处理,尤其涉及一种基于yolo的断路器符号检测模型训练方法、系统和存储介质。

背景技术:

1、可以理解的是,断路器产品生产完毕后需要在产品的表面打印标签,通过打印的标签标识产品信息、产品参数、生产厂商等内容,以便于标识产品的相关信息。目前,操作人员打印产品样品后,人工根据产品样品核对打印在产品上的标签是否正确。然而操作人员根据断路器产品样品核对打印在产品上的标签是否正确时,人工劳动强度较高,且容易出现核对失误造成经济损失,生产成本较高。

2、为了提高生产效率和准确性,产线上需要应用一种自动检测标签符号的方法。然而现有的模型训练方法大多是通用的,用于训练用于断路器符号等图标检测的网络框架训练效果并不好,训练的硬件成本高,训练速度慢且效率低,因工业适配不足无法满足生产线实时性要求。

技术实现思路

1、有鉴于此,本申请提供的基于yolo的断路器符号检测模型训练方法及系统,能够解决通用模型适应性差的问题,进一步提升检测模型的速度和准确性。

2、根据本申请实施例的第一方面,提供了一种用于断路器符号检测的yolo网络框架模型训练方法,包括以下步骤:构建训练数据集,其中所述数据集包括:现场采集到的断路器面板上实际拍摄图像与计算机生成的标准符号图像构成的混合数据集;将图像数据进行增强处理,其中所述增强处理包括对图像数据进行几何变换、颜色调整以及噪声添加;将图像数据进行标注并接着进行数据集分割,其中所述数据集分割包括通过交叉验证法划分数据集;进行模型训练,其中将分割后的数据输入深度学习框架进行模型训练,并在训练过程中动态调整超参数。

3、根据本申请实施例的第二方面,提供了一种用于断路器符号检测的yolo网络框架模型训练方法,所述增强处理包括对图像进行预定角度的旋转、水平/垂直翻转、和/或进行预定比例的平移及缩放。

4、根据本申请实施例的第三方面,提供了一种用于断路器符号检测的yolo网络框架模型训练方法,所述数据增强处理包括对图像进行亮度、对比度和/或饱和度的预定值调整。

5、根据本申请实施例的第四方面,提供了一种用于断路器符号检测的yolo网络框架模型训练方法,所述数据增强处理包括对图像进行椒盐噪声和/或高斯噪声的添加。

6、根据本申请实施例的第五方面,提供了一种用于断路器符号检测的yolo网络框架模型训练方法,所述将图像数据进行标注包括:采用x-anylabeling软件工具对增强处理后的图像数据进行自动标注,并生成yolo格式的标注文件。

7、根据本申请实施例的第六方面,提供了一种用于断路器符号检测的yolo网络框架模型训练方法,所述数据集分割包括,将数据集划分为k个大小相似的互斥子集,每次使用k-1个子集的并集作为训练集,剩余的一个子集作为测试集。

8、根据本申请实施例的第七方面,提供了一种用于断路器符号检测的yolo网络框架模型训练方法,还包括:基于评估指标选择最优模型并进行保存,以用于后续断路器面板上符号的检测。

9、根据本申请实施例的第八方面,提供了一种断路器符号检测系统,采用如上述第一方面或第二方面提供的所述方法训练的yolo模型进行断路器面板上的符号识别,包括:图像采集模块,用于实时获取断路器面板的图像;符号检测模块,基于训练好的yolo模型进行符号定位与分类;结果输出模块,输出检测到的符号类别及位置信息。

10、根据本申请实施例的第九方面,提供了一种断路器符号检测系统,所述系统集成于断路器产品的生产线,实现自动化检测。

11、根据本申请实施例的第十方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行如上述第一方面或第二方面提供的训练方法。

12、采用本申请所述的模型训练方法,能够通过使用特有的由断路器上所印符号组成的数据集,较好地完成对用于断路器符号等图标检测的yolo网络框架的训练,可以提升yolo网络检测的精度,减少硬件开销,提升训练速度。由于训练出来的检测模型更加准确,使用深度学习框架来检查断路器上符号的打印能够有效提升断路器生产的生产效率和生产质量。

1.一种用于断路器符号检测的yolo网络框架模型训练方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的训练方法,其特征在于,所述增强处理包括对图像进行预定角度的旋转、水平/垂直翻转、和/或进行预定比例的平移及缩放。

3.根据权利要求1所述的训练方法,其特征在于,所述数据增强处理包括对图像进行亮度、对比度和/或饱和度的预定值调整。

4.根据权利要求1所述的训练方法,其特征在于,所述数据增强处理包括对图像进行椒盐噪声和/或高斯噪声的添加。

5.根据权利要求1所述的训练方法,其特征在于,所述将图像数据进行标注包括:采用x-anylabeling软件工具对增强处理后的图像数据进行自动标注,并生成yolo格式的标注文件。

6.根据权利要求1所述的训练方法,其特征在于,所述数据集分割包括,将数据集划分为k个大小相似的互斥子集,每次使用k-1个子集的并集作为训练集,剩余的一个子集作为测试集。

7.根据权利要求1所述的训练方法,其特征在于,还包括:基于评估指标选择最优模型并进行保存,以用于后续断路器面板上符号的检测。

8.一种断路器符号检测系统,其特征在于,采用权利要求1-7任一项所述方法训练的yolo模型进行断路器面板上的符号识别,包括:

9.根据权利要求8所述的检测系统,其特征在于,所述系统集成于断路器产品的生产线,实现自动化检测。

10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1-7中任一项所述的训练方法。