阅读说明：本技术 电力专业的设备铭牌识别算法 (Electric power professional equipment nameplate recognition algorithm ) 是由 曾纪钧 龙震岳 温柏坚 刘晔 张金波 蒋道环 梁哲恒 沈桂泉 张小陆 沈伍强 邓 于 2021-07-16 设计创作，主要内容包括：本发明提供一种电力专业的设备铭牌识别算法,以多个神经网络搭建模型框架,利用Faster-RCNN和BiLSTM对铭牌图像数据进行文本检测,利用DenseNet和CTC对铭牌图像数据进行文本识别。经过对电力现场作业中的设备铭牌图像的数据训练后,得到识别算法模型。该识别算法对水平横排文本信息识别率高,能排除特殊符号的干扰。该识别算法可以使用于黑底白字、白底黑字、白底红字、黄底黑字文本检测和识别,字体的类型是黑体、宋体和微软雅黑时效果最佳。(The invention provides an electric power professional equipment nameplate recognition algorithm, which is characterized in that a model frame is built by a plurality of neural networks, text detection is carried out on nameplate image data by using fast-RCNN and BilSTM, and text recognition is carried out on the nameplate image data by using Densenet and CTC. And obtaining a recognition algorithm model after data training of the equipment nameplate image in the power field operation. The recognition algorithm has high recognition rate on horizontal text information and can eliminate the interference of special symbols. The recognition algorithm can be used for detecting and recognizing black-matrix white characters, white-matrix black characters, white-matrix red characters and yellow-matrix black characters, and the type of the characters is the best effect when the characters are black bodies, Song dynasty bodies and Microsoft elegant black.)

电力专业的设备铭牌识别算法

技术领域

本发明涉及智能识别领域，特别是涉及一种电力专业的设备铭牌识别算法。

背景技术

随着经济快速发展，电力建设项目日益增多，同时电力作业涉及领域众多、安全生产形势依然严峻。电力生产、建设、检修等电力存在作业任务重、时间紧，作业现场普遍存在危险源点多、作业面广的问题，传统方式完全依靠人力监管，效率低下，管理手段单一，难以做到全过程、全方位的管理，容易存在管理漏洞。建立电力现场作业的智能识别方法是提高各类作业现场的安全监督，保障电力安全生产的重要手段。

自然图片中的文字通常被称作场景文字(scene text)，场景文字检测识别是传统OCR在自然图片上的延续和升级。目前，在电力现场作业中，对图片中文字信息的识别通过NFC电子标签识别、射频识别，条形码识别等电子识别手段。上述电子识别技术，需要工作人员对电力设备建立数据库，再进行电力设备编码，前期工作量巨大，数据库的维护耗费人力。因此，针对现有技术不足，本发明提供一种电力专业的设备铭牌识别算法，以克服现有技术不足甚为必要。

发明内容

本发明的目的在于避免现有技术的不足之处而提供一种电力专业的设备铭牌识别算法，该识别算法具有无对设备需建立复杂的识别系统，算法模型体量小，对文字识别准确的特点。

本发明的上述目的通过以下技术措施实现。

提供一种电力专业的设备铭牌识别算法，按以下步骤进行：

步骤一，采集铭牌图像数据；

步骤二，使用CTPN、DenseNet和CTC构成的神经网络框架对铭牌图像数据进行文本检测和识别，获得训练图像数据；

步骤三，对训练图像数据进行训练，得到电力专业的设备铭牌识别算法模型；

步骤四，输入真实图像数据对模型进行测试，收集模型的识别准确度，优化模型；

步骤五，对模型进行实况部署调试，发布模型。

具体的，步骤一中，所述铭牌图像数据包括使用场景背景图、识别字体的类型及大小、特殊字符。

具体的，步骤二中，采用Faster-RCNN和BiLSTM对铭牌图像数据进行文本检测。

具体的，步骤二中，采用DenseNet和CTC对铭牌图像数据进行文本识别。

本发明的电力专业的设备铭牌识别算法，以多个神经网络搭建模型框架，利用Faster-RCNN和BiLSTM对铭牌图像数据进行文本检测，利用DenseNet和CTC对铭牌图像数据进行文本识别。经过对电力现场作业中的设备铭牌图像的数据训练后，得到识别算法模型。该识别算法对水平横排文本信息识别率高，能排除特殊符号的干扰。该识别算法可以使用于黑底白字、白底黑字、白底红字、黄底黑字文本检测和识别，字体的类型是黑体、宋体和微软雅黑时效果最佳。

附图说明

利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。

图1是本发明的技术路线图。

具体实施方式

结合以下实施例对本发明作进一步说明。

一种电力专业的设备铭牌识别算法，按以下步骤进行：

步骤一，采集铭牌图像数据；

步骤二，使用CTPN、DenseNet和CTC构成的神经网络框架对铭牌图像数据进行文本检测和识别，获得训练图像数据；

步骤三，对训练图像数据进行训练，得到电力专业的设备铭牌识别算法模型；

步骤四，输入真实图像数据对模型进行测试，收集模型的识别准确度，优化模型；

步骤五，对模型进行实况部署调试，发布模型。

步骤一的铭牌图像数据包括使用场景背景图、识别字体的类型及大小、特殊字符等。本实施例选取了松厦变电站的设备铭牌作为训练素材。本实施例的识别算法基本上支持中文以及英文字母及部分特殊符号的识别。特别针对电力相关领域的一些特有符号，比如Ω，以及对部分斜体字，花式字体等进行了专门的数据训练。不同于标识牌识别，铭牌识别上，干扰因素更多，为此，该识别算法对部分特殊符号进行了专项训练，比如“)、_、+、\、|、！、@、#、$、％、^、&、*、(”等标点符号，还选择了带有此类特殊符号的照片进行了训练。

每个需要训练的符号提供了100以上的样本。为使算法具有更加鲁棒的特性，对训练背景图像要求形态丰富，并且贴合实际运用场景。发明人采集并预先处理了不同颜色、不同大小的训练图像。发明人还采集了真实场景的图片用作模型训练数据。

步骤二中，采用Faster-RCNN和BiLSTM对铭牌图像数据进行文本检测，采用DenseNet和CTC对铭牌图像数据进行文本识别。目前主流的深度学习文本检测识别技术是tesseract，CTPN+DenseNet+CTC和CRNN+CTC。本实施例采用的CTPN+DenseNet+CTC神经网络框架，实际上采用的是Faster-RCNN+BiLSTM对样本进行文本检测，然后使用DenseNet+CTC对样本进行文本识别，所以在速度上稍慢。本实施例的算法模型采用了多个神经网络联用，为提高算法的计算速度，可以采用GPU处理图像数据。在训练时，训练数据可以存放在固态硬盘上，也可以提高训练速度。

本发明的电力专业的设备铭牌识别算法，以多个神经网络搭建模型框架，利用Faster-RCNN和BiLSTM对铭牌图像数据进行文本检测，利用DenseNet和CTC对铭牌图像数据进行文本识别。经过对电力现场作业中的设备铭牌图像的数据训练后，得到识别算法模型。该识别算法对水平横排文本信息识别率高，能排除特殊符号的干扰。该识别算法可以使用于黑底白字、白底黑字、白底红字、黄底黑字文本检测和识别，字体的类型是黑体、宋体和微软雅黑时效果最佳。为电力现场作业的智能识别提供一种快捷，精准的识别算法，保障了电力现场作业的顺利开展。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。