【技术实现步骤摘要】
本专利技术涉及电力领域，尤其涉及一种端子排文本识别和模型训练方法、装置及电子设备。
技术介绍
1、端子排是一次设备与保护装置连接的重要通道，其接线的正确与否直接关系到保护装置能否正常发挥作用和二次回路引发事故的概率的大小。当前通过人工点对点识别端子排文本，进而确定接线是否正确的方式，不仅速度慢、效率低，而且容易发生少检、错检等情况。因此亟需一种高效准确的端子排文本识别方案。
技术实现思路
1、本专利技术实施例提供一种端子排文本识别和模型训练方法、装置及电子设备，能够高效准确地对端子排文本进行识别。
2、第一方面，本专利技术实施例提供一种端子排文本识别模型训练方法，包括：将样本端子排图像输入待训练的端子排文本识别模型，所述端子排文本识别模型包括：端子单元检测子模型和文本识别子模型；通过所述端子单元检测子模型，从所述样本端子排图像中提取样本端子单元特征；通过所述文本识别子模型，基于所述样本端子单元特征获取样本文本识别结果；以及根据所述样本文本识别结果确定训练损失函数的函数值，根据所述训练损失函数的函数值对所述端子排文本识别模型中的模型参数进行调整。
3、第二方面，本专利技术实施例提供一种端子排文本识别方法，包括：将待识别端子排图像输入训练好的端子排文本识别模型，所述端子排文本识别模型包括：端子单元检测子模型和文本识别子模型；通过所述端子单元检测子模型，从所述待识别端子排图像中提取待识别端子单元特征；以及通过所述文本识别子模型，基于所述待识别端子单元特征获取文本识
4、第三方面，本专利技术实施例提供一种端子排文本识别模型训练装置，包括：
5、样本端子排图像输入模块，用于将样本端子排图像输入待训练的端子排文本识别模型，所述端子排文本识别模型包括：端子单元检测子模型和文本识别子模型；样本端子单元特征提取模块，用于通过所述端子单元检测子模型，从所述样本端子排图像中提取样本端子单元特征；样本文本识别结果获取模块，用于通过所述文本识别子模型，基于所述样本端子单元特征获取样本文本识别结果；以及模型参数调整模块，用于根据所述样本文本识别结果确定训练损失函数的函数值，根据所述训练损失函数的函数值对所述端子排文本识别模型中的模型参数进行调整。
6、第四方面，本专利技术实施例提供一种端子排文本识别装置，包括：
7、待识别端子排图像输入模块，用于将待识别端子排图像输入训练好的端子排文本识别模型，所述端子排文本识别模型包括：端子单元检测子模型和文本识别子模型；待识别端子单元特征提取模块，用于通过所述端子单元检测子模型，从所述待识别端子排图像中提取待识别端子单元特征；以及待识别结果获取模块，用于通过所述文本识别子模型，基于所述待识别端子单元特征获取文本识别结果。
8、第五方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术实施例中任一所述的端子排文本识别模型训练方法或端子排文本识别方法。
9、本专利技术实施例提供一种端子排文本识别和模型训练方法、装置及电子设备，通过训练包括端子单元检测子模型和文本识别子模型的端子排文本识别模型，并在进行端子排文字识别的时候，首先通过端子单元检测子模型从端子排图像中提取端子单元特征，之后基于端子单元特征进行相应文本的识别，使得能够通过端子排文本识别模型高效准确地对端子排上的文本进行识别，进而能够对端子排的接线是否正确进行高效全面地检查，避免少检、错检等情况，从而确保保护装置能够正常发挥作用，减小二次回路引发事故的概率。
本文档来自技高网...【技术保护点】
1.一种端子排文本识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的端子排文本识别模型训练方法，其特征在于，
3.根据权利要求1所述的端子排文本识别模型训练方法，其特征在于，所述文本识别子模型基于CRNN神经网络构建得到，所述CRNN神经网络包括：双向循环神经网络层；
4.根据权利要求3所述的端子排文本识别模型训练方法，其特征在于，所述CRNN神经网络包括卷积神经网络，所述卷积神经网络包括四个池化层；
5.根据权利要求2所述的端子排文本识别模型训练方法，其特征在于，
6.根据权利要求3所述的端子排文本识别模型训练方法，其特征在于，所述双向循环神经网络层包括串行连接的两个双向循环神经网络层；
7.一种端子排文本识别方法，其特征在于，
8.一种端子排文本识别模型训练装置，其特征在于，包括：
9.一种端子排文本识别装置，其特征在于，包括：
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时
...【技术特征摘要】
1.一种端子排文本识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的端子排文本识别模型训练方法，其特征在于，
3.根据权利要求1所述的端子排文本识别模型训练方法，其特征在于，所述文本识别子模型基于crnn神经网络构建得到，所述crnn神经网络包括：双向循环神经网络层；
4.根据权利要求3所述的端子排文本识别模型训练方法，其特征在于，所述crnn神经网络包括卷积神经网络，所述卷积神经网络包括四个池化层；
5.根据权利要求2所述的端子排文本识别模型训练方法，其特征在于，
6.根...
【专利技术属性】
技术研发人员：陈秋杰，罗伟明，陈渠，陈鹏远，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。