CN112330695A - 一种基于人工智能的自动加水换水决策方法及系统 - Google Patents
一种基于人工智能的自动加水换水决策方法及系统 Download PDFInfo
- Publication number
- CN112330695A CN112330695A CN202011346941.2A CN202011346941A CN112330695A CN 112330695 A CN112330695 A CN 112330695A CN 202011346941 A CN202011346941 A CN 202011346941A CN 112330695 A CN112330695 A CN 112330695A
- Authority
- CN
- China
- Prior art keywords
- water
- turbidity
- image
- distance
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 389
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 239000003550 marker Substances 0.000 claims abstract description 35
- 238000003709 image segmentation Methods 0.000 claims abstract description 16
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010790 dilution Methods 0.000 claims description 7
- 239000012895 dilution Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的自动加水换水决策方法及系统。该方法包括:采集水槽内水体的RGB图像;划分感兴趣区域图像;将感兴趣区域图像变换至HSV颜色空间内;在HSV颜色空间内的亮度通道V上计算亮度作为第一浑浊度;在水槽内水面位置放置标志物,通过标志物的位置信息获得水体晃动程度和当前水体体积;根据水体晃动程度矫正第一浑浊度输出第二浑浊度;当第二浑浊度大于预设浑浊度阈值时获取第一加水量;通过图像分割判断器件与水面的距离是否达到标准距离,并计算最终加水量;通过最终加水量进行任务决策。本发明通过人工智能技术计算最终加水量,通过最终加水量分析实现了合理的加水换水任务决策。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的自动加水换水决策方法及系统。
背景技术
在现有的气密性检测方法中,浸水法通过对密封器件进行加压后,将待检测器件放入检测池或者水槽中,水槽中使用透明的玻璃制成,水槽充满液体,通过观察产生的气泡来判断器件的气密性。随着气密性检测的过程中器件的取放次数的增加和液体的使用时长的增加,水槽中的液体会变得越来越浑浊。浑浊的液体会覆盖气泡的特征,对检测起到很大的负面影响。在水槽内加水可以起到稀释作用来降低水体浑浊度,若加水满足不了浑浊度需求则需要进行换水。人为的判断加水换水会导致太大的主观性,不能准确的判断加水或者换水的决策。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的自动加水换水决策方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于人工智能的自动加水换水决策方法,所述方法包括:
采集水槽内水体RGB图像;
在所述RGB图像上划分感兴趣区域图像;所述感兴趣区域图像为待测器件与水面之间区域的图像;
将所述感兴趣区域图像变换至HSV颜色空间内;
在所述HSV颜色空间内亮度通道V上进行处理得到图像亮度均值;将所述图像亮度均值和标准亮度均值做差获得亮度差异,所述亮度差异作为第一浑浊度;
在水面放置标志物,获得标志物位置信息,通过所述标志物位置信息获得水体晃动程度和当前水体体积;
根据所述水体晃动程度矫正所述第一浑浊度,获得第二浑浊度;
当所述第二浑浊度大于所预设的浑浊度阈值时,根据所述第二浑浊度和所述当前水体体积获得第一加水量;
对所述RGB图像进行图像分割,获得器件与水面的当前距离;根据所述第一加水量和所述当前距离获得加水后距离;若所述加水后距离大于等于标准距离,则所述第一加水量为最终加水量;所述标准距离为进行气密性检测的所述器件与所述水面的最小距离;否则,将所述标准距离与所述加水后距离做差获得差异距离,通过所述差异距离计算差异加水量并与所述第一加水量相加获得最终加水量;
若所述当前水体体积与所述最终加水量之和小于等于所述检测缸的水容量,则进行加水操作;否则进行换水操作。
进一步地,所述在所述HSV颜色空间内亮度通道V上进行处理得到图像亮度均值的步骤包括:将所述亮度通道V上的每个像素点的亮度值进行累加,将所述累加后的值除以所述感兴趣区域的面积获得所述图像亮度均值。
进一步地,所述获得所述标志物的位置信息,通过所述位置信息获得水体晃动程度和当前水体体积的步骤包括:
利用角点检测获得所述标志物角点的位置信息序列作为所述标志物的位置信息;
在连续n帧所述位置信息序列中用当前帧减去上一帧获得水位变化序列,利用所述水位变化序列的均值反映所述水体晃动程度;
将连续n帧所述位置信息序列累加除以n得到水位信息,通过所述水位信息获得所述当前水体体积。
进一步地,所述根据所述水体晃动程度矫正所述第一浑浊度,获得第二浑浊度的步骤包括:通过公式获得第二浑浊度:
进一步地,所述根据所述第二浑浊度和所述当前水体积获得第一加水量的方法为根据浑浊度稀释模型获得;所述浑浊稀释模型包括:
ΔV1=(f′2-f0)eaV
其中,V为所述当前水体体积,ΔV1为所述第一加水量,a为调整参数,f2′为所述第二浑浊度,f0为标准浑浊度;
所述调整参数a是通过采集多组样本数据,所述样本数据包括浑浊度和水体体积,利用均方差损失函数通过所述样本数据对所述浑浊稀释模型进行拟合。
进一步地,所述对所述RGB图像进行图像分割,获得器件与水面的当前距离方法包括:
通过语义分割网络对所述RGB图像进行分割,输出语义分割图;
对所述语义分割图进行二值化处理获得二值图;
对所述二值图进行去噪处理并进行曲线拟合,获得所述器件区域的外接矩形,所述外接矩形的坐标信息表示所述器件的坐标信息,根据所述坐标信息和所述水位信息获得所述当前距离。
进一步地,所述采集水槽内水体RGB图像的方法包括:在所述水槽一侧部署位姿固定的相机,在所述相机对应的所述水槽的另一侧部署背景板,所述相机以所述背景板为背景采集所述水槽的所述RGB图像。
本发明还提出了一种基于人工智能的自动加水换水决策系统,其特征在于,所述系统包括:图像采集模块、感兴趣区域划分模块、色彩空间转换模块、第一浑浊度获取模块、水体检测模块、第二浑浊度获取模块、第一加水量获取模块、最终加水量获取模块和加水量判断模块;
所述图像采集模块用于采集水槽内水体的RGB图像;
所述感兴趣区域划分模块用于在所述RGB图像上划分感兴趣区域图像;所述感兴趣区域图像为器件与水面之间区域的图像;
所述色彩空间转换模块用于将所述感兴趣区域图像变换至HSV颜色空间内;
所述第一浑浊度获取模块用于在所述HSV颜色空间内亮度通道V上进行处理得到图像亮度;将所述图像亮度和标准亮度做差获得亮度差异,所述亮度差异作为第一浑浊度;
所述水体检测模块用于获得水面放置的标志物的位置信息,通过所述标志物位置信息获得水体晃动程度和当前水体体积;
所述第二浑浊度获取模块用于根据所述水体晃动程度矫正所述第一浑浊度,获得第二浑浊度;
所述第一加水量获取模块用于当所述第二浑浊度大于所预设的浑浊度阈值时,根据所述第二浑浊度和所述当前水体体积获得第一加水量;
所述最终加水量获取模块用于对所述RGB图像进行图像分割,获得器件与水面的当前距离;根据所述第一加水量和所述当前距离获得加水后距离;若所述加水后距离大于等于标准距离,则所述第一加水量为最终加水量;所述标准距离为进行气密性检测的所述器件与所述水面的最小距离;否则,将所述标准距离与所述加水后距离做差获得差异距离,通过所述差异距离计算差异加水量并与所述第一加水量相加获得最终加水量;
所述加水量判断模块用于通过所述最终加水量进行任务决策;若所述当前水体体积与所述加水量之和小于等于所述检测缸的水容量,则进行加水操作;否则进行换水操作。
进一步地,所述最终加水量获取模块还包括图像分割处理模块;
所述图像分割处理模块用于通过语义分割网络所述RGB图像进行分割,获得语义分割图;对所述语义分割图进行二值化处理获得二值图;对所述二值图进行去噪处理并进行曲线拟合,获得所述器件区域的外接矩形,所述外接矩形的坐标信息表示所述器件的坐标信息,根据所述坐标信息和所述水位信息获得所述当前距离。
进一步地,所述水体检测模块还包括角点检测模块、水体晃动程度获取模块和当前水体体积获取模块;
所述角点检测模块用于利用角点检测获得所述标志物角点的位置信息序列作为所述标志物的位置信息;
所述水体晃动程度获取模块用于在连续n帧所述位置信息序列中用当前帧减去上一帧获得水位变化序列,利用所述水位变化序列的均值反映所述水体晃动程度;
所述当前水体体积获取模块用于将连续n帧所述位置信息序列累加除以n得到水位信息,通过所述水位信息获得所述当前水体体积。
本发明具有如下有益效果:
1.本发明实施例通过对浑浊度的分析,并通过水体晃动的矫正,结合模型获得需要稀释的加水量,并通过图像分割计算达到检测水位所需加水量。当需要加水时可以获得准确的加水量数值,达到任务所需浑浊度;当不适合换水时执行加水策略。避免了人为的主观因素对工作过程的影响,使得整个过程智能化。
2.本发明实施例通过使用特征明显的标志物代替水位的弱特征,使得水体检测更加精准,可以获得明确的水体特征,判断水位及水体晃动情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的自动加水换水决策方法流程图;
图2为本发明一个实施例所提供的一种基于人工智能的自动加水换水决策系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的自动加水换水决策方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的自动加水换水决策方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的自动加水换水决策方法流程图,该方法包括:
步骤S1:采集水槽内水体RGB图像。
在进行气密性检测的透明水槽一侧部署相机,相机位姿固定,且参数固定,可以拍摄固定视角的连续清晰的图像。在相机下部部署光源,在相机对应的另一侧部署黑色背景板。光源的光强固定,水在澄清时黑色背景会吸收大量光,使得采集的图像中亮度通道的亮度值变小;水在浑浊时候因为水体对黑色背景起到了遮挡影响,使得黑色背景吸收的光少,反映在图像中就是水体图像的亮度通道的亮度值变大。
步骤S2:在RGB图像上划分感兴趣区域图像。
在气密性检测中,水面和器件之间会有一部分水体区域用来观测气泡,以这部分水体区域作为感兴趣区域。在RGB图像上划分出感兴趣区域图像。
步骤S3:将感兴趣区域图像变换至HSV颜色空间内。
HSV颜色空间表示图像的色相、饱和度和亮度。RGB转换到HSV颜色空间的转换公式为:
V=MAX
其中,R为R通道的值,G为G通道的值,B为B通道的值,MAX为分量的最大值,MIN为三个分量的最小值。H的范围为0°到360°,S的范围为0到1,V的范围为0到1。
步骤S4:根据颜色空间内图像的亮度获得第一浑浊度。
在HSV颜色空间内的亮度通道V上进行处理得到图像亮度均值计算公式:
其中,为处理得到的图像亮度均值,S(i,j)为像素点的亮度,wROI为感兴趣区域的长,hROI为感兴趣区域的宽。此公式的含义为将亮度通道V上的每个像素点的亮度值进行累加,将累加后的值除以感兴趣区域的面积获得图像亮度均值。
将获得的图像亮度均值和标准亮度均值做差获得亮度差异,将亮度差异作为第一浑浊度:
步骤S5:在水面放置标志物,通过标志物的位置信息获得水体晃动和当前水体体积。
在水面位置放置特征明显的标志物,标志物漂浮在水面上,通过标志物可以反映水面的信息,利用标志物的明显特征代替水面的弱特征,得到准确的水体信息。
通过角点检测的方法获取标志物上角点的位置信息作为标志物的位置信息。角点检测的方法为:以固定大小的滑窗在图片上滑动,计算滑窗内的梯度信息,如果滑窗内出现多于一个方向的边,则判定该滑窗中心的点为要检测的角点,同时可以得到该角点在图像像素坐标系中的位置。
将连续n帧的位置信息序列求均值获得水位信息Y:
结合已知的水槽长宽根据水位信息Y可得水槽内当前水体体积。
步骤S6:根据水体晃动程度矫正第一浑浊度,获得第二浑浊度。
水体晃动会引起水对光线的反射和散射等,这些因素直接影响到图像中的亮度值,所以利用水体晃动程度去矫正第一浑浊度获得第二浑浊度f2:
优选的,本发明实施例中ε取值范围为(1,2]。
步骤S7:当第二浑浊度大于预设浑浊度阈值时获取第一加水量。
预设浑浊度阈值,当水体浑浊度达到浑浊度阈值时对检测造成影响,通过模型对需要添加的水量进行预测:
ΔV1=(f′2-f0)eaV
其中,V为当前水体体积,ΔV1为第一加水量,a为调整参数,f′2为第二浑浊度,f0为不影响检测的标准浑浊度。在本发明实施例中调整参数a取值范围为(0,2],具体数值可以根据拟合具体确定。拟合方法如下:
采集多组样本数据,样本数据中包括浑浊度和水体体积。通过在水槽内加入已知体积的水,加水后获得当前浑浊度和水体体积,通过循环此操作获得两个数据序列:{f1,f2,f3,……fm}和{V1,V2,V3,……Vm}。m为采集数据的次数。从采集的数据序列中抽取样本数据{f前=f1,f后=f2,V′=V1,ΔV=V2-V1},其中f前为加水前的浑浊度,f后为加水后的浑浊度,V′为加水前的体积,V2为加水后的体积,ΔV为加水量。
将采集到的样本数据利用均方差损失函数进行拟合:
沿着梯度方向不断更新参数,当E达到最小时停止拟合,得到准确的浑浊度稀释模型。
步骤S8:通过图像分割判断器件与水面的距离是否达到标准距离并计算最终加水量。
因为在气密性检测过程中,检测池内器件的不断取放会造成水位的下降,水位下降会使得水面与器件之间的距离变小,进而导致气泡特征不容易被观测,不利于气密性检测。
通过语义分割网络处理RGB图像,输出语义分割图。将语义分割图经过二值化处理,器件区域表示为白色,其他背景区域表示为黑色。对二值图进行去噪操作并进行曲线拟合,得到表示器件区域的外接矩形,外接矩形的坐标信息表示为器件的坐标信息。通过水位信息减去外接矩形坐标信息获得器件到水位的当前距离。
本发明实施例中去噪操作选用高斯滤波法进行去噪。
本发明实施例中语义分割网络具体的训练步骤为:
1)采用编码—解码结构,输入为相机采集训练图像,解码器对输入图像进行特征提取,获得特征图。解码器对特征图进行采样处理输出与输出图像等大的语义分割图。
2)训练图像为相机采集的RGB图像。人工对训练图像打上标签,将图像中器件区域的像素值标注为1,其他区域标注为0,获得标签数据。
3)选用交叉熵损失函数对网络进行训练,通过迭代更新完成网络的训练。
通过先验知识以气密性检测过程中器件与水面之间的最小观测距离作为标准距离。根据第一加水量和当前距离获得加水后的距离。若加水后距离大于等于标准距离则第一加水量为最终加水量;否则,将标准距离与加水后距离做差获得差异距离,通过差异距离计算差异加水量并与第一加水量相加获得第二加水量。
步骤S9:通过最终加水量进行任务决策。
若当前水体体积与最终加水量之和小于等于检测缸水容量,表示加水后满足水体浑浊度要求,且未超出水槽内最大存水量,则进行加水操作。
若当前水体体积与最终加水量之和大于检测缸水容量,表示达到标准浑浊度时加水的总量已超出水擦内最大存水量,不能再继续加水,需启动换水系统进行换水操作。
综上所述,本发明实施例利用特征明显的标志物代替弱特征的水面,通过检测获得水体晃动程度,利用水体晃动程度矫正根据颜色空间亮度得到的浑浊度,获得更准确的浑浊度。利用模型预测所需第一加水量,通过语义分割获得器件与水面达到标准距离所需加水量,通过判断所需加水量是否合理来决策执行加水操作还是换水操作。
请参阅图2,其示出了本发明一个实施例提供的一种基于人工智能的自动加水换水决策系统框图,该系统包括图像采集模块101、感兴趣区域划分模块102、色彩空间转换模块103、第一浑浊度获取模块104、水体检测模块105、第二浑浊度获取模块106和第一加水量获取模块107、最终加水量获取模块108和加水量判断模块109。
图像采集模块101用于采集水槽内水体的RGB图像。
感兴趣区域划分模块102用于在RGB图像上划器件与水面之间区域的图像作为感兴趣区域图像。
色彩空间转换模块103用于将感兴趣区域内的RGB图像转换至HSV色彩空间中。
第一浑浊度获取模块104用于在HSV色彩空间内V通道上进行处理获得图像亮度,将获得的图像亮度与标准亮度做差获得亮度差异,将亮度差异作为第一浑浊度。
水体检测模块105用于获得水面放置的标志物的位置信息,通过所述标志物的位置信息获得水体晃动程度和当前水体体积。
第二浑浊度获取模块106用于根据水体晃动程度矫正第一浑浊度获得第二浑浊度。
第一加水量获取模块107用于当第二浑浊度大于所预设的浑浊度阈值时,根据第二浑浊度和当前水体体积获得第一加水量。
最终加水量获取模块108用于对RGB图像进行图像分割,获得器件与水面的当前距离;根据第一加水量和当前距离获得加水后距离;标准距离为进行气密性检测的器件与水面的最小距离;若加水后距离大于等于标准距离,则第一加水量为最终加水量;否则,计算达到标准距离的水体积并与第一加水量相加获得最终加水量。
加水量判断模块109用于通过最终加水量进行任务决策。若当前水体体积与加水量之和小于等于检测缸的水容量,则进行加水操作;否则进行换水操作。
优选的,水体检测模块105还包括角点检测模块、水体晃动程度获取模块和当前水体体积获取模块。角点检测模块用于利用角点检测获得标志物角点的位置信息序列作为标志物的位置信息。水体晃动程度获取模块用于在连续n帧位置信息序列中用当前帧减去上一帧获得水位变化序列,利用水位变化序列的均值反映水体晃动程度。当前水体体积获取模块用于将连续n帧位置信息序列累加除以n得到水位信息,通过水位信息获得当前水体体积。
优选的,最终加水量获取模块108还包括图像分割处理模块,图像分割处理模块用于通过语义分割网络所述RGB图像进行分割,获得语义分割图。对语义分割图进行二值化处理获得二值图。对二值图进行去噪处理并进行曲线拟合,获得器件区域的外接矩形。外接矩形的坐标信息表示器件的坐标信息,根据坐标信息和水位信息获得当前距离。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的自动加水换水决策方法,其特征在于,所述方法包括:
采集水槽内水体RGB图像;
在所述RGB图像上划分感兴趣区域图像;所述感兴趣区域图像为待测器件与水面之间区域的图像;
将所述感兴趣区域图像变换至HSV颜色空间内;
在所述HSV颜色空间内亮度通道V上进行处理得到图像亮度均值;将所述图像亮度均值和标准亮度均值做差获得亮度差异,所述亮度差异作为第一浑浊度;
在水面放置标志物,获得标志物位置信息,通过所述标志物位置信息获得水体晃动程度和当前水体体积;
根据所述水体晃动程度矫正所述第一浑浊度,获得第二浑浊度;
当所述第二浑浊度大于所预设的浑浊度阈值时,根据所述第二浑浊度和所述当前水体体积获得第一加水量;
对所述RGB图像进行图像分割,获得器件与水面的当前距离;根据所述第一加水量和所述当前距离获得加水后距离;若所述加水后距离大于等于标准距离,则所述第一加水量为最终加水量;所述标准距离为进行气密性检测的所述器件与所述水面的最小距离;否则,将所述标准距离与所述加水后距离做差获得差异距离,通过所述差异距离计算差异加水量并与所述第一加水量相加获得最终加水量;
若所述当前水体体积与所述最终加水量之和小于等于所述检测缸的水容量,则进行加水操作;否则进行换水操作。
2.根据权利要求1所述的一种基于人工智能的自动加水换水决策方法,其特征在于,所述在所述HSV颜色空间内亮度通道V上进行处理得到图像亮度均值的步骤包括:将所述亮度通道V上的每个像素点的亮度值进行累加,将所述累加后的值除以所述感兴趣区域的面积获得所述图像亮度均值。
3.根据权利要求1所述的一种基于人工智能的自动加水换水决策方法,其特征在于,所述获得所述标志物的位置信息,通过所述位置信息获得水体晃动程度和当前水体体积的步骤包括:
利用角点检测获得所述标志物角点的位置信息序列作为所述标志物的位置信息;
在连续n帧所述位置信息序列中用当前帧减去上一帧获得水位变化序列,利用所述水位变化序列的均值反映所述水体晃动程度;
将连续n帧所述位置信息序列累加除以n得到水位信息,通过所述水位信息获得所述当前水体体积。
5.根据权利要求1所述的一种基于人工智能的自动加水换水决策方法,其特征在于,所述根据所述第二浑浊度和所述当前水体积获得第一加水量的方法为根据浑浊度稀释模型获得;所述浑浊稀释模型包括:
ΔV1=(f′2-f0)eaV
其中,V为所述当前水体体积,ΔV1为所述第一加水量,a为调整参数,f′2为所述第二浑浊度,f0为标准浑浊度;
所述调整参数a是通过采集多组样本数据,所述样本数据包括浑浊度和水体体积,利用均方差损失函数通过所述样本数据对所述浑浊稀释模型进行拟合。
6.根据权利要求1所述的一种基于人工智能的自动加水换水决策方法,其特征在于,所述对所述RGB图像进行图像分割,获得器件与水面的当前距离方法包括:
通过语义分割网络对所述RGB图像进行分割,输出语义分割图;
对所述语义分割图进行二值化处理获得二值图;
对所述二值图进行去噪处理并进行曲线拟合,获得所述器件区域的外接矩形,所述外接矩形的坐标信息表示所述器件的坐标信息,根据所述坐标信息和所述水位信息获得所述当前距离。
7.根据权利要求1所述的一种基于人工智能的自动加水换水决策方法,其特征在于,所述采集水槽内水体RGB图像的方法包括:在所述水槽一侧部署位姿固定的相机,在所述相机对应的所述水槽的另一侧部署背景板,所述相机以所述背景板为背景采集所述水槽的所述RGB图像。
8.一种基于人工智能的自动加水换水决策系统,其特征在于,所述系统包括:图像采集模块、感兴趣区域划分模块、色彩空间转换模块、第一浑浊度获取模块、水体检测模块、第二浑浊度获取模块、第一加水量获取模块、最终加水量获取模块和加水量判断模块;
所述图像采集模块用于采集水槽内水体的RGB图像;
所述感兴趣区域划分模块用于在所述RGB图像上划分感兴趣区域图像;所述感兴趣区域图像为器件与水面之间区域的图像;
所述色彩空间转换模块用于将所述感兴趣区域图像变换至HSV颜色空间内;
所述第一浑浊度获取模块用于在所述HSV颜色空间内亮度通道V上进行处理得到图像亮度;将所述图像亮度和标准亮度做差获得亮度差异,所述亮度差异作为第一浑浊度;
所述水体检测模块用于获得水面放置的标志物的位置信息,通过所述标志物位置信息获得水体晃动程度和当前水体体积;
所述第二浑浊度获取模块用于根据所述水体晃动程度矫正所述第一浑浊度,获得第二浑浊度;
所述第一加水量获取模块用于当所述第二浑浊度大于所预设的浑浊度阈值时,根据所述第二浑浊度和所述当前水体体积获得第一加水量;
所述最终加水量获取模块用于对所述RGB图像进行图像分割,获得器件与水面的当前距离;根据所述第一加水量和所述当前距离获得加水后距离;若所述加水后距离大于等于标准距离,则所述第一加水量为最终加水量;所述标准距离为进行气密性检测的所述器件与所述水面的最小距离;否则,将所述标准距离与所述加水后距离做差获得差异距离,通过所述差异距离计算差异加水量并与所述第一加水量相加获得最终加水量;
所述加水量判断模块用于通过所述最终加水量进行任务决策;若所述当前水体体积与所述加水量之和小于等于所述检测缸的水容量,则进行加水操作;否则进行换水操作。
9.根据权利要求8所述的一种基于人工智能的自动加水换水决策系统,其特征在于,所述最终加水量获取模块还包括图像分割处理模块;
所述图像分割处理模块用于通过语义分割网络所述RGB图像进行分割,获得语义分割图;对所述语义分割图进行二值化处理获得二值图;对所述二值图进行去噪处理并进行曲线拟合,获得所述器件区域的外接矩形,所述外接矩形的坐标信息表示所述器件的坐标信息,根据所述坐标信息和所述水位信息获得所述当前距离。
10.根据权利要求8所述的一种基于人工智能的自动加水换水决策系统,其特征在于,所述水体检测模块还包括角点检测模块、水体晃动程度获取模块和当前水体体积获取模块;
所述角点检测模块用于利用角点检测获得所述标志物角点的位置信息序列作为所述标志物的位置信息;
所述水体晃动程度获取模块用于在连续n帧所述位置信息序列中用当前帧减去上一帧获得水位变化序列,利用所述水位变化序列的均值反映所述水体晃动程度;
所述当前水体体积获取模块用于将连续n帧所述位置信息序列累加除以n得到水位信息,通过所述水位信息获得所述当前水体体积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346941.2A CN112330695A (zh) | 2020-11-26 | 2020-11-26 | 一种基于人工智能的自动加水换水决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346941.2A CN112330695A (zh) | 2020-11-26 | 2020-11-26 | 一种基于人工智能的自动加水换水决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330695A true CN112330695A (zh) | 2021-02-05 |
Family
ID=74309055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011346941.2A Withdrawn CN112330695A (zh) | 2020-11-26 | 2020-11-26 | 一种基于人工智能的自动加水换水决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330695A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076910A (zh) * | 2021-04-16 | 2021-07-06 | 河南六米电子科技有限公司 | 基于人工智能的agv小车磁带干扰物检测方法及系统 |
CN113450349A (zh) * | 2021-07-26 | 2021-09-28 | 河南黄河河务局新乡黄河河务局 | 基于人工智能的水利工程水闸管理方法及系统 |
CN116205912A (zh) * | 2023-04-27 | 2023-06-02 | 北京科卫临床诊断试剂有限公司 | 肾损伤因子人工智能解析系统和方法 |
-
2020
- 2020-11-26 CN CN202011346941.2A patent/CN112330695A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076910A (zh) * | 2021-04-16 | 2021-07-06 | 河南六米电子科技有限公司 | 基于人工智能的agv小车磁带干扰物检测方法及系统 |
CN113450349A (zh) * | 2021-07-26 | 2021-09-28 | 河南黄河河务局新乡黄河河务局 | 基于人工智能的水利工程水闸管理方法及系统 |
CN113450349B (zh) * | 2021-07-26 | 2024-03-22 | 河南黄河河务局新乡黄河河务局 | 基于人工智能的水利工程水闸管理方法及系统 |
CN116205912A (zh) * | 2023-04-27 | 2023-06-02 | 北京科卫临床诊断试剂有限公司 | 肾损伤因子人工智能解析系统和方法 |
CN116205912B (zh) * | 2023-04-27 | 2023-07-11 | 北京科卫临床诊断试剂有限公司 | 肾损伤因子人工智能解析系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330695A (zh) | 一种基于人工智能的自动加水换水决策方法及系统 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN109035195B (zh) | 一种织物疵点检测方法 | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN112200746B (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN109272548A (zh) | 一种浮选过程气泡直径的测量方法 | |
CN116363140B (zh) | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN108845153B (zh) | 一种白细胞粒子分析系统及方法 | |
CN110807406B (zh) | 一种雾天检测方法及装置 | |
CN108961307A (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN114004834A (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
CN113554632A (zh) | 基于人工智能的浑浊水体中工件检测优化方法 | |
CN116402823B (zh) | 基于图像增强的路面垃圾滴漏检测方法 | |
CN112580634A (zh) | 基于计算机视觉的气密性检测光源调节方法及系统 | |
CN108765337A (zh) | 一种基于暗原色先验与非局部mtv模型的单幅彩色图像去雾处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210205 |