(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210634974.X (22)申请日 2022.06.07 (71)申请人 国网湖南省电力有限公司 地址 410004 湖南省长 沙市新韶东路398号 申请人 国网湖南省电力有限公司湘西供电 分公司　 国家电网有限公司 (72)发明人 章娜　侯丽娟　彭英　贾明　 杨明玲　蒋振宇　罗坤　 (74)专利代理 机构 湖南兆弘专利事务所(普通 合伙) 43008 专利代理师 廖元宝 (51)Int.Cl. G06T 7/73(2017.01) G06T 7/90(2017.01)G06T 7/11(2017.01) G06T 5/30(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的施工现场围栏区域定 位方法及系统 (57)摘要 本发明公开了一种基于深度学习的施工现 场围栏区域定位方法及系统， 所述方法包括步 骤： 1)根据围栏颜色特征提取施工现场图片中红 色围栏， 然后转化为二值化图像对ENet网络进行 训练， 得到训练好的ENet网络模型； 2)利用训练 好的ENet网络模型对施工现场图片中的围栏进 行分割， 得到围栏中的红色围栏； 3)根据分割得 到的红色围栏， 对红色围栏像素进行矩形填充和 多边形膨胀， 生成覆盖全部围栏的面区域， 同时 将施工现场图片中与面区域位置对应的位置进 行标识， 实现施工现场围栏区域定位。 本发明能 够快速并准确的分割出施工现场围栏所在的位 置， 具备低成本、 高准确性以及计算复杂度低等 优点。 权利要求书2页 说明书5页 附图3页 CN 115100278 A 2022.09.23 CN 115100278 A 1.一种基于深度学习的施工现场围栏区域定位方法， 其特 征在于， 包括 步骤： 1)根据围栏颜色特征提取施工现场图片中红色围栏， 然后转化为二值化图像对ENet网 络进行训练， 得到训练好的ENet网络模型； 2)利用训练好的ENet网络模型对施工现场图片中的围栏进行分割， 得到围栏中的红色 围栏； 3)根据分割得到的红色围栏， 对红色围栏像素进行矩形填充和多边形膨胀， 生成覆盖 全部围栏的面区域， 同时将施工现场图片 中与面区域位置对应的位置进行标识， 实现施工 现场围栏区域定位。 2.根据权利要求1所述的基于深度学习的施工现场围栏区域定位方法， 其特征在于， 在 步骤2)中， 设置指定大小的矩形核将围栏中的红色围栏分成若干个矩形结构元素， 再对矩 形结构元素进行闭运 算来填充凹角。 3.根据权利要求2所述的基于深度学习的施工现场围栏区域定位方法， 其特征在于， 所 述闭运算采用先膨胀运算后腐蚀运算的方式进 行， 其中膨胀运算用于把图像中断开或者目 标区域背部的空洞补齐， 腐蚀运算用于把 目标轮廓外 围的一些噪声消 掉； 闭运算的数学公 式如下： 其中， A表示分割完成的二值化图像， B为矩形核分割成的若干个矩形结构元素， 表示 膨胀运算，⊙表示腐蚀运 算。 4.根据权利要求3所述的基于深度学习的施工现场围栏区域定位方法， 其特征在于， 其 中膨胀运 算的具体数 学公式如下： 其中Bx,y表示将矩形结构元素的原点移动到点(x,y)处， 其几何意义表示通过结构元 素B去遍历二值化图像A， 如结构元素B与二值化图像A中存在像素交集， 则保留整个结构元 素B。 5.根据权利要求4所述的基于深度学习的施工现场围栏区域定位方法， 其特征在于， 对 经过膨胀运 算后的图像P再进行腐蚀运 算的具体数 学公式如下： A·B＝P⊙B＝{x,y|Bx,y∈P} 其几何意义表示结构元素B去遍历经过膨胀运算后的二值化图像P， 将结构元素B与二 值化图像P中存在交集的像素点保留， 其它不相交的像素点去掉。 6.根据权利要求2～5中任意一项所述的基于深度 学习的施工现场围栏 区域定位方法， 其特征在于， 步骤3)中， 在进行矩形填充和多边形膨胀之前， 对经过闭运算的红色围栏， 结 合前景像素的分布区域进 行分区， 同时设置竖向像素点阈值为n， 用以判断列方向上像素点 小于n个的列， 以消除闭运 算产生的错 误横向连接 。 7.根据权利要求1～5中任意一项所述的基于深度 学习的施工现场围栏 区域定位方法， 其特征在于， 步骤3)中， 在进 行多边形膨胀后， 对多边形膨胀之后存在前景像素的列进 行遍 历， 使这一列最顶端像素点和最低端像素点中间的全部像素为255， 生 成覆盖全部围栏的面 区域。 8.根据权利要求1～5中任意一项所述的基于深度 学习的施工现场围栏 区域定位方法，权　利　要　求　书 1/2 页 2 CN 115100278 A 2其特征在于， 步骤1)的具体过程为： 将施工 现场图片通过颜色识别算法， 获得初步的红色围 栏概率图； 再通过设置像素阈值， 使施工现场图片中大于阈值的像素为255， 小于阈值的像 素为0， 对获取到的红色围栏进行 预处理， 最终将其 转化为二值图作为ENet网络训练集。 9.一种基于深度学习的施工现场围栏区域定位系统， 其特 征在于， 包括： 第一程序模块， 用于根据围栏颜色特征提取施工现场图片中红色围栏， 然后转化为二 值化图像对ENet网络进行训练， 得到训练好的ENet网络模型； 第二程序模块， 用于利用训练好的模型对施工现场图片中围栏进行分割， 得到围栏中 的红色围栏； 第三程序模块， 用于根据分割得到的红色围栏， 对红色围栏像素进行矩形填充和多边 形膨胀， 生成覆盖全部 围栏的面区域， 同时将施工现场图片 中与面区域位置对应的位置进 行标识， 实现施工现场围栏区域定位。 10.一种计算机设备， 包括存储器和 处理器， 所述存储器上存储有计算机程序， 其特征 在于， 所述计算机程序在被处理器运行时执行如权利要求 1～8中任意一项所述的基于深度 学习的施工现场围栏区域定位方法的步骤。权　利　要　求　书 2/2 页 3 CN 115100278 A 3