技術(shù)特征：

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

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s1中所述預(yù)處理具體包括：對(duì)圖像進(jìn)行灰度化、切邊及矯正、降噪和裁切。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s1中：

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s1中對(duì)圖像進(jìn)行切邊及矯正的具體步驟為：

5.根據(jù)權(quán)利要求3或4所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s2中采用基于paddleocr的深度學(xué)習(xí)算法實(shí)現(xiàn)對(duì)儀表圖片的ocr處理，所述ocr處理包括文本檢測(cè)和文本識(shí)別，所述文本檢測(cè)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。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s2中采用dbnet模型實(shí)現(xiàn)文本檢測(cè)，具體為：

7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，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ctcloss，文本識(shí)別具體過程為：

8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s3中所述提取劑量率的步驟具體為：

9.根據(jù)權(quán)利要求8所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s3中所述過濾識(shí)別結(jié)果序列具體為：

10.根據(jù)權(quán)利要求7-9任一項(xiàng)所述的基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，其特征在于，步驟s4之后還包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于深度學(xué)習(xí)的中子周圍劑量監(jiān)測(cè)儀智能檢定方法，涉及機(jī)器視覺技術(shù)領(lǐng)域，該方法包括S1、采集攝像頭視頻數(shù)據(jù)流的圖片，基于OPENCV庫(kù)對(duì)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；S2、基于PaddleOCR庫(kù)實(shí)現(xiàn)對(duì)儀表圖片的文本檢測(cè)及文本識(shí)別；S3、基于PaddleOCR庫(kù)對(duì)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；S4、完成所有測(cè)量點(diǎn)的數(shù)據(jù)識(shí)別后，基于各測(cè)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(duì)固有誤差、相對(duì)擴(kuò)展不確定度。本發(fā)明所提供的方法能夠完成對(duì)中子周圍劑量監(jiān)測(cè)儀數(shù)值的自動(dòng)讀取，識(shí)別時(shí)間小于0.5s，顯著提升檢定效率。

技術(shù)研發(fā)人員：王雨青,黃政林,王楨,劉新昊,方登富,劉立業(yè),曹勤劍,韋應(yīng)靖,段嘉宇,李胤,陳雙強(qiáng),張婷婷
受保護(hù)的技術(shù)使用者：中國(guó)輻射防護(hù)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2