本發(fā)明屬于機(jī)器視覺，具體涉及一種基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法。

背景技術(shù)：

1、中子周圍劑量當(dāng)量監(jiān)測是核電站、加速器等核設(shè)施周圍輻射防護(hù)監(jiān)測的重要內(nèi)容。為保證監(jiān)測儀器的測量值的準(zhǔn)確性，根據(jù)《中子周圍劑量當(dāng)量(率)儀檢定規(guī)程》(jjg852-2019)的要求，中子周圍劑量監(jiān)測儀需要每年進(jìn)行一次檢定。但是，當(dāng)前中子周圍劑量監(jiān)測儀的檢定很大程度上依賴人工讀數(shù)，給最終結(jié)果帶來人因誤差的同時(shí)，還存在檢定效率偏低的問題。因此，如何在檢定過程中自動(dòng)識(shí)別儀器的量值，提高工作效率，同時(shí)避免手工記錄導(dǎo)致的筆誤和疏漏，成了目前重點(diǎn)研究的方向。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，使用該方法能夠完成對中子周圍劑量監(jiān)測儀數(shù)值的自動(dòng)讀取，同時(shí)能夠過濾掉由于數(shù)字漏選以及小數(shù)點(diǎn)遺漏造成的錯(cuò)誤識(shí)別結(jié)果。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

3、一種基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，包括以下步驟：

4、s1、采集中子周圍劑量監(jiān)測儀的攝像頭視頻數(shù)據(jù)流的圖片，基于opencv庫對攝像頭視頻數(shù)據(jù)流進(jìn)行預(yù)處理，以提升文本識(shí)別過程中的處理速度以及識(shí)別成功率；

5、s2、基于paddleocr庫實(shí)現(xiàn)對儀表圖片的文本檢測及文本識(shí)別；

6、s3、基于paddleocr庫對步驟s2的輸出結(jié)果進(jìn)行后處理以過濾掉識(shí)別結(jié)果數(shù)組中錯(cuò)誤識(shí)別的數(shù)據(jù)，所述后處理包括提取劑量率和過濾識(shí)別結(jié)果序列；

7、s4、完成所有測量點(diǎn)的數(shù)據(jù)識(shí)別后，基于各測量點(diǎn)數(shù)據(jù)，計(jì)算儀表的統(tǒng)計(jì)漲落、校準(zhǔn)因子、相對固有誤差、相對擴(kuò)展不確定度。

8、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s1中所述預(yù)處理具體包括：對圖像進(jìn)行灰度化、切邊及矯正、降噪和裁切。

9、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s1中：

10、基于opencv對彩色圖像進(jìn)行灰度處理；采用矯正算法對圖像進(jìn)行切邊及矯正；基于多分辨率卷積神經(jīng)網(wǎng)絡(luò)的圖像恢復(fù)技術(shù)對圖像進(jìn)行降噪處理；基于用戶控件，通過人工選定裁切區(qū)域?qū)D像進(jìn)行裁切以提取圖像中感興趣區(qū)域，即roi區(qū)域。

11、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s1中對圖像進(jìn)行切邊及矯正的具體步驟為：

12、s11、標(biāo)識(shí)出數(shù)字圖像中亮度變化明顯的點(diǎn)，并以輪廓的形式表現(xiàn)出來；

13、s12、找到檢測出的所有邊緣中面積最大的邊緣，即為所求的輪廓，并計(jì)算其最小外接矩形，并得到所述最小外接矩形的四個(gè)端點(diǎn)、中心點(diǎn)坐標(biāo)及旋轉(zhuǎn)角度；

14、s13、基于相機(jī)的投影模型，通過處理圖像中所述最小外接矩形的四個(gè)端點(diǎn)，將原始圖像上的任意四邊形區(qū)域映射到新的位置和形狀上。

15、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s2中采用基于paddleocr的深度學(xué)習(xí)算法實(shí)現(xiàn)對儀表圖片的ocr處理，所述ocr處理包括文本檢測和文本識(shí)別，所述文本檢測用于將圖片中所包含的文字框選出來，其輸出作為文本識(shí)別算法的輸入；所述文本識(shí)別用于提取并識(shí)別文本框中的文字。

16、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s2中采用dbnet模型實(shí)現(xiàn)文本檢測，具體為：

17、從dbnet模型骨干網(wǎng)絡(luò)的不同stage抽取特征，融合得到特征圖；

18、根據(jù)所述特征圖預(yù)測得到概率圖和閾值圖，所述概率圖為文本區(qū)域，所述閾值圖為對所述文本區(qū)域的收縮和擴(kuò)張；

19、使用二值化公式將所述概率圖與所述閾值圖轉(zhuǎn)化為二值圖，加入到整個(gè)訓(xùn)練當(dāng)中；

20、訓(xùn)練時(shí)，針對所述概率圖、閾值圖和二值圖分別計(jì)算損失，最后求加權(quán)的總的損失。

21、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s2中采用crnn-ctc模型實(shí)現(xiàn)文本識(shí)別，所述crnn-ctc模型結(jié)構(gòu)包含三部分，從下到上依次為：卷積層cnn、循環(huán)層rnn和轉(zhuǎn)錄層ctc?loss，文本識(shí)別具體過程為：

22、使用標(biāo)準(zhǔn)的cnn網(wǎng)絡(luò)提取文本圖像的特征；

23、利用rnn網(wǎng)絡(luò)將特征向量進(jìn)行融合以提取字符序列的上下文特征，然后得到每列特征的概率分布；

24、最后通過轉(zhuǎn)錄層ctc進(jìn)行預(yù)測得到文本序列。

25、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s3中所述提取劑量率的步驟具體為：

26、s311、將roi區(qū)域內(nèi)提取到的所有文本框進(jìn)行初步篩選，若本文框內(nèi)包含的字符串能夠轉(zhuǎn)換為浮點(diǎn)數(shù)，則判定所述文本框?yàn)閿?shù)字信息文本框；

27、s312、篩選文本框內(nèi)包含“sv/h”或“gy/h”的文本，并提取文本框內(nèi)的數(shù)字，若文本框內(nèi)不包含數(shù)字，則說明所述文本框內(nèi)為劑量率單位；若文本框內(nèi)包含數(shù)字，則說明所述文本框內(nèi)為劑量率數(shù)值和劑量率單位，則將該所述文本框內(nèi)除數(shù)字外的其余字符刪除并將所述文本框同樣列為數(shù)字信息文本框；

28、s313、完成步驟s312后得到多個(gè)數(shù)字信息文本框，利用文本框坐標(biāo)計(jì)算每個(gè)文本框所占面積，并按照面積大小進(jìn)行排序，面積最大的數(shù)字信息文本框即為劑量率數(shù)值。

29、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s3中所述過濾識(shí)別結(jié)果序列具體為：

30、s321、將識(shí)別結(jié)果按照先后時(shí)間保存至數(shù)組內(nèi)，數(shù)組長度與需要導(dǎo)入的數(shù)字?jǐn)?shù)量相關(guān)；

31、s322、選取所述數(shù)組的后10個(gè)數(shù)字作為識(shí)別結(jié)果序列，將所述序列按照數(shù)值大小重新排列，并計(jì)算其中位數(shù)；

32、s323、遍歷數(shù)組內(nèi)所有數(shù)字，判斷所選數(shù)字與中位數(shù)的差值的絕對值是否小于中位數(shù)的一半，若滿足則保留，若不滿足則將該數(shù)剔除出所述序列；

33、s324、經(jīng)步驟s323過濾后，若結(jié)果序列中存在被剔除數(shù)字，則將備用數(shù)組中的數(shù)字插入所述結(jié)果序列中，并重新進(jìn)行步驟s323的數(shù)字過濾操作，直至所述結(jié)果序列中不存在錯(cuò)誤識(shí)別結(jié)果，或備用數(shù)組用完。

34、進(jìn)一步，如上所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，步驟s4之后還包括：

35、基于npoi庫對原始記錄模板及證書模板進(jìn)行讀取和數(shù)據(jù)導(dǎo)入，完成原始記錄、證書的生成。

36、與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測儀智能檢定方法，具有以下有益效果：

37、本發(fā)明通過調(diào)用opencv、paddleocr實(shí)現(xiàn)了中子周圍劑量監(jiān)測儀的光學(xué)字符識(shí)別(ocr)，通過調(diào)用npoi實(shí)現(xiàn)了原始記錄與證書的生成；采用識(shí)別結(jié)果序列過濾的后處理算法，可過濾掉由于數(shù)字漏選以及小數(shù)點(diǎn)遺漏造成的錯(cuò)誤識(shí)別結(jié)果，經(jīng)過濾算法后，文本識(shí)別的準(zhǔn)確率可以到達(dá)100％。

38、總之，采用發(fā)明提供的方法能夠完成對中子周圍劑量監(jiān)測儀劑量率數(shù)值的自動(dòng)讀取的，識(shí)別時(shí)間小于0.5s，可顯著提升檢定效率。