CN112489127A - 基于人工智能的升降台控制方法及系统 - Google Patents

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升降台控制方法及系统。该方法包括以下步骤：采集气密性检测水槽的第一视角的第一水体图像和第二视角的第二水体图像；通过对第二水体图像进行关键点提取获取升降台的位置信息；根据第二水体图像的亮度梯度图中的梯度信息，确定最大水位信息；获取第一水体图像中水体的晃动程度；根据水体晃动程度和最大水位信息预测实时最大水位；根据升降台的位置信息和实时最大水位控制升降台入水前的第一速度，根据晃动程度控制升降台入水后的第二速度，根据位于升降台上的被测器件的位姿变化信息对第二速度进行修正。本发明实施例能够降低水体晃动对气密性检测的干扰，提高检测效率。

Description

基于人工智能的升降台控制方法及系统

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升降台控制方法及系统。

背景技术

现有的气密性检测方法中，常用的一种方法为对密封性器件加压之后，将器件放入水或者其他液体中，通过观察产生的气泡来判断器件的密封性：通过观察气泡的有无来判断气密性的好坏，通过观察气泡的变化来获得泄露率等信息。目前将待测器件放入水体的方式包括将器件放置于升降台上，随着升降台置于水体；或者是由机械臂抓取后进行放置于水中。

发明人在实践中，发现上述现有技术存在以下缺陷：

在升降台控制器件取放的过程中会导致水体的晃动，需要等待水体恢复平稳之后才能开启检测；当水体晃动较大时，需要等待较长时间使水体恢复平稳状态，严重影响气密性检测的效率。

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升降台控制方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种.基于人工智能的升降台控制方法，该方法包括以下步骤：

采集预设帧数的气密性检测水槽的第一视角的第一水体图像和第二视角的第二水体图像；第一水体图像包括位于水槽中的水体的水面；第二水体图像包括被测器件、升降台、升降杆以及水体；第二水体图像垂直于水面；

通过对第二水体图像进行关键点提取获取升降台的位置信息，关键点为预先标记的升降台的特征点；

将第二水体图像转化至HSV空间，根据第二水体图像的亮度梯度图中的梯度信息，确定梯度信息无变化时的最大水位信息；

获取第一水体图像中水体的晃动程度；

根据水体的晃动程度和最大水位信息预测实时最大水位；

根据升降台的位置信息和实时最大水位控制升降台入水前的第一速度，根据晃动程度控制升降台入水后的第二速度，根据被测器件的位姿变化信息对第二速度进行修正；位姿变化信息是在升降台入水后，被测器件的位姿变化。

优选的，最大水位信息的获取步骤包括：

将第二水体图像转化至HSV空间，获得HSV图像；

取HSV图像的V通道，获取亮度梯度图；

对亮度梯度图每一列的像素值进行统计，得到每一列像素值最大的行信息序列；

获取行信息序列中最大的行序号即为最大水位信息。

优选的，晃动程度的获取步骤包括：

获取第一水体图像的梯度图；

对梯度图求像素均值，获得梯度信息；

获取连续n帧图像的梯度信息，使当前帧的梯度信息减去上一帧的梯度信息并取绝对值，得到包含n-1个元素的梯度变化序列，对n-1个元素求均值得到晃动程度。

优选的，实时最大水位的获取方式为：

构建最大水位预测模型获得实时的最大水位L：

L＝L₀ρe^μw

其中，w表示晃动程度，l₀表示晃动程度w为零时采集到的最大水位信息，ρ表示液体密度，μ表示影响系数。

优选的，在升降台入水后，被测器件的位姿变化的步骤包括：

获取被测器件的感兴趣区域；

对感兴趣区域进行角点检测，获取角点的位置信息；

通过角点的位置信息反映被测器件的位姿变化。

第二方面，本发明另一个实施例提供了一种基于人工智能的升降台控制系统，该系统包括以下模块：

图像采集模块，用于采集预设帧数的气密性检测水槽的第一视角的第一水体图像和第二视角的第二水体图像；第一水体图像包括位于水槽中的水体的水面；第二水体图像包括被测器件、升降台以及水体；第二水体图像垂直于水面；

位置信息获取模块，用于通过对第二水体图像进行关键点提取获取升降台的位置信息，关键点为预先标记的升降台的特征点；

最大水位信息获取模块，用于将第二水体图像转化至HSV空间，根据第二水体图像的亮度梯度图中的梯度信息，确定梯度信息无变化时的最大水位信息；

晃动程度获取模块，用于获取第一水体图像中水体的晃动程度；

实时最大水位预测模块，用于根据水体晃动程度和最大水位信息预测实时最大水位；

升降台速度控制模块，用于根据升降台的位置信息和实时最大水位控制升降台入水前的第一速度，根据晃动程度控制升降台入水后的第二速度，根据被测器件的位姿变化信息对第二速度进行修正；位姿变化信息是在升降台入水后，被测器件的位姿变化。

优选的，最大水位信息获取模块还包括：

HSV图像获取模块，用于将第二水体图像转化至HSV空间，获得HSV图像；

亮度梯度图获取模块，用于取HSV图像的V通道，获取亮度梯度图；

像素统计比较模块，用于对亮度梯度图每一列的像素值进行统计，得到每一列像素值最大的行信息序列；

最大水位信息比较模块，用于获取行信息序列中最大的行序号即为最大水位信息。

优选的，晃动程度获取模块还包括：

梯度图获取模块，用于获取第一水体图像的梯度图；

梯度信息获取模块，用于对梯度图求像素均值，获得梯度信息；

晃动程度计算模块，用于获取连续n帧图像的梯度信息，使当前帧的梯度信息减去上一帧的梯度信息并取绝对值，得到包含n-1个元素的梯度变化序列，对n-1个元素求均值得到晃动程度。

优选的，实时最大水位获取模块还包括：

实时最大水位计算模块，用于构建最大水位预测模型获得实时的最大水位L：

L＝l₀ρe^μw

其中，w表示晃动程度，l₀表示晃动程度w为零时采集到的最大水位信息，ρ表示液体密度，μ表示影响系数。

优选的，升降台速度控制模块还包括：

感兴趣区域获取模块，用于获取被测器件的感兴趣区域；

位置获取模块，用于对感兴趣区域进行角点检测，获取角点的位置信息；

位姿变化信息获取模块，用于通过角点的位置信息反映被测器件的位姿变化。

本发明实施例至少具有如下有益效果：

本发明实施例通过亮度梯度信息获取最大水位信息，根据水体的晃动程度和最大水位信息来预测实时最大水位，继而根据升降台的位置信息、实时最大水位以及晃动程度分阶段控制升降台的升降速度，以降低水体晃动对气密性检测的干扰，提高检测效率。

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升降台控制方法的框架图；

图2为本发明一个实施例所提供的一种基于人工智能的升降台控制方法的方法流程图；

图3为升降台关键点示意图；

图4为本发明一个实施例所提供的一种基于人工智能的升降台控制系统的系统结构图。

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升降台控制方法及系统，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升降台控制方法及系统的具体方案。

需要说明的是，本发明实施例主要针对一种气密性检测场景，将器件冲压后放入液体中通过观察气泡来判断器件的气密性。利用升降台来控制器件的取放，当器件检测完毕后，升降台上升，取走器件；将新的器件放置在升降台上后，升降台再下降至水中，进行气密性检测。

请参阅图1和图2，图1示出了本发明一个实施例所提供的一种基于人工智能的升降台控制方法的框架图，图2示出了本发明一个实施例提供的本发明一个实施例所提供的一种基于人工智能的升降台控制方法的方法流程图，该方法包括以下步骤：

步骤S001，采集预设帧数的气密性检测水槽的第一视角的第一水体图像和第二视角的第二水体图像。

具体的，本发明实施例在两个不同的视角部署相机：

视角一：在水槽上方，视角斜视，透过水面观察整个水槽的场景，且相机位姿固定；第一水体图像包括位于水槽中的水体的水面；

视角二：在气密性检测的水槽一侧部署位姿固定的相机，采集水槽内的图像。第二水体图像包括被测器件、升降台以及水体；第二水体图像垂直于水面。

具体的，如图3所示，在本发明实施例中采集的是水槽正面的图像，被测器件301放置在升降台302上，升降杆304对升降台302起支撑和控制升降的作用，升降杆304的部分杆体在水面305的下方。

步骤S002，通过对第二水体图像进行关键点提取获取升降台的位置信息，关键点为预先标记的升降台的特征点。

具体的，作为一个示例，如图3所示，在像素坐标系中，本发明实施例中将升降台302底部的顶点303作为关键点P，将第二图像输入关键点检测网络，输出升降台的关键点P的位置信息，即为升降台的位置信息。

本发明实施例中关键点网络使用Encoder-Decoder结构的Hourglass网络，在其他实施例中，也可以采用CPM网络、CPN网络或者其他能达到相同效果的关键点检测网络。

关键点网络的具体训练内容包括：

1)将第二图像作为样本训练集；

2)将在训练集上人为标注的升降台关键点的热力图(Heatmap)作为标注数据；

3)利用交叉熵损失函数训练网络，不断更新模型内参数。

关键点网络训练完成后，将第二图像送入关键点检测网络，用编码器提取图像特征得到图像的特征图，再经过解码器将特征图不断上采样得到与原图等大的升降台的关键点热力图。

对网络输出的升降台的关键点热力图Heatmap做soft-Argmax处理，得到热力图中关键点P的坐标信息。

步骤S003，将第二图像转化至HSV空间，根据第二水体图像的亮度梯度图中的梯度信息，获取梯度信息无变化时的最大水位信息。

需要说明的是，水和空气对光的折射程度不同，表现在图像中为亮度值的差异，因此根据亮度的变化来确定水位信息。

具体步骤包括：

1)将相机采集到的RGB图像变换至HSV颜色空间。

HSV颜色空间模型表示色相、饱和度和亮度。在RGB图像中三个分量中，设最大值为MAX，最小值为MIN。

RGB到HSV的转换公式为：

V＝MAX

当MAX＝MIN时，H表示纯灰色；当MAX＝0时，S＝0，没有色彩。

在计算结果中，H的范围为0度到360度，S和V值的范围为0到1。

2)取图像的亮度通道——V通道分析。

由于空气与水的交界处的亮度值变化比较大，因此通过计算亮度梯度来获得水位信息。

本发明实施例引入Sobel算子来判断水位信息，水位为水平直线，所以使用的3×3模板

作为滑窗在V通道上滑动，得到亮度梯度图。对该图像中每一列的像素值进行统计，获得水位信息。

具体统计方法如下：

a)对每一列的像素值进行分析，记录像素值最大点对应的行数信息i_j，得到每一列像素值最大的行信息序列{i₁,i₂,i₃,……i_θ}，其中，i为图像的行序号，θ为图像的最大列序号；

b)对行序号求最大值即得到最大水位的水位信息l：

l＝max({i₁,i₂,i₃,……i_θ})

需要说明的是，本发明实施例检测水位的目的是为了判断升降台入水的时刻，及时调整升降台的速度，以降低升降台对水体晃动的影响，所以水位信息应选取最大水位。

步骤S004，获取第一水体图像的水体晃动程度。

视角一通过水面观察到水中的背景，以背景图像的边缘特征反映水体的晃动程度。对视角一采集到的图像进行处理，构建图像的特征描述子，与相邻帧的特征描述子进行对比得到水体晃动程度。

具体步骤包括：

1)利用Sobel算子分别沿x方向和y方向对每帧RGB图像进行处理，将每帧图像处理后得到的两幅图像逐像素相加，得到每帧图像的梯度图G_img。

其中，对x方向处理的模板为

对y方向处理的模板为

2)对得到的梯度图求像素均值，得到反映梯度信息的值G，计算方法如下：

其中，G表示梯度图中灰度值的平均变化率，(g,k)表示梯度图中的像素坐标，h₁,η₁分别表示第一图像的高和宽。

3)在气密性检测装置投入使用后，对连续n帧的图像进行梯度信息采集，并利用当前帧减去上一帧并取绝对值得到梯度变化序列{ΔG₂,ΔG₃,ΔG₄,……ΔG_n,}，得到水体晃动程度w：

其中，ΔG_a表示第a个梯度变化信息；n≤30。

作为一个示例，在本发明实施例中n＝15。

步骤S005，根据水体晃动程度和最大水位信息预测实时最大水位。

由于水体晃动会改变最大水位信息，所以使用水体的晃动程度来预测最大水位信息。

具体的，当晃动程度w＝0时，采集到的最大水位信息为L₀；当水体开始晃动时，晃动程度越大，则最大水位越高，构建如下最大水位预测模型，根据水体的晃动程度得到实时的最大水位L：

L＝l₀ρe^μw

其中，ρ为液体密度；μ为影响系数，反映最大水位对晃动程度的敏感程度，需要采集多组晃动程度w和最大水位L的对应关系，经拟合确定μ的值，μ的取值范围为(0,1]。

作为一个示例，本发明实施例中使用的液体为水，取ρ＝1kg/m³；μ＝0.5。

需要说明的是，在升降台的控制过程中，需要实时检测升降台关键点P和水体的晃动程度，实时最大水位通过最大水位预测模型根据水体晃动得到。

步骤S006，根据升降台的位置信息和最大水位信息控制升降台入水前的第一速度，根据晃动程度控制升降台入水后的第二速度，根据被测器件的位姿变化信息对第二速度进行修正；位姿变化信息是在升降台入水后，被测器件的位姿变化。

具体步骤包括：

1)将升降台的速度预设为S个速度等级，在本发明实施例中，预设4个速度等级，等级1最慢，等级4最快。

2)在升降台入水之前，根据升降台关键点P和实时最大水位L的位置关系控制升降台的第一速度。

设置一个距离阈值C₀；

当L-P_y>C₀时，表示升降台与水位间的距离很大，此时可以以最快的速度等级下降；

当L-P_y≤C₀时，升降台与水位之间距离较近，为了避免急刹车造成的设备损耗，此时开始减速，直至降至等级2，保持该速度入水。

需要说明的是，距离阈值C₀为经验值，实施者需根据实际场景确定合适的阈值，作为一个示例，本发明实施例中C₀＝2。

3)升降台入水之后，根据晃动程度控制升降台的第二速度。

设定至少一个晃动阈值，进行相应的速度调整。

作为一个示例，在本发明实施例中设定两个晃动阈值，分别为w₁和w₂。其中，w₁＝2，w₂＝6。

在升降台入水之后，由于初始状态时的水体晃动程度不同，所以实时监测水体的晃动程度，根据感知到的水体晃动程度进一步控制升降台的速度。

具体控制方法如下：

a)升降台以等级2的速度入水后，若检测到的水体晃动程度满足w₁≤w≤w2，则需要进一步降低升降台的速度，避免加剧水体晃动程度；

b)当水体晃动程度满足w>w₂时，说明此时的水体晃动程度剧烈，仅仅降低升降台的速度已不能满足需求，此时控制升降台速度降低到等级1，并且启用设备，借助外力降低水体晃动程度。

需要说明的是，本发明实施例中降低水体晃动程度的设备为带孔洞的隔板，将此隔板降低至水位的位置，可以加快水体恢复稳态的时间，更早的开启气密性检测。

需要说明的是，w₁，w₂为人为设置的经验阈值，当晃动程度超过w₂代表晃动程度剧烈。

4)根据被测器件的位姿变化信息对第二速度进行修正。

具体步骤包括：

a)根据升降台关键点的位置信息，结合先验的升降台、待测器件的尺寸信息得到先验的感兴趣区域(region of interest,ROI)。

需要说明的是，由于待测器件为刚体，ROI只需包含器件的部分区域即可得到器件的位姿信息。

b)对ROI内进行角点检测，得到器件上角点的位置信息。

角点检测的具体方法为：

以固定大小的滑窗在图像上滑动，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。

c)利用光流法得到关键点的光流信息。

光流信息为角点在x方向和y方向上的速度信息，反应器件的位姿变化。

光流法是利用相邻帧之间同一角点的像素值不变，获得角点的光流信息。

d)设定一个位姿阈值E；

沿y方向的光流信息与升降台的运动有关，沿x方向的光流信息(V_x)反应水体晃动对器件位姿的影响。V_x越大表示水体对器件位姿影响越大，当V_x>E时，水体晃动对器件位姿的影响不能被忽视，需进一步降低升降台的下降速度，降低一个速度等级，直到器件位姿不再变动或降到最低速度为止，实现对升降台速度的修正。

作为一个示例，本发明实施例中E＝3。

5)在升降台上升时，为入水的反过程。

具体的，接受到出水指令时，升降台在水面之下根据水体晃动程度控制上升速度：

当水体晃动程度满足w₁≤w≤w₂时，以速度等级2上升；

当水体晃动程度w>w₂时，此时的水体晃动程度剧烈，降低速度以速度1上升。

当满足L-P_y>C₁时，即检测到升降台的位置高于水面位置时，表示升降台已经在水面之上，此时速度增快以最快速度上升至指定高度。

由于水体晃动，修正后的水位为预测的实时最大水位，C₁可以避免升降台出水判断的误差影响。

作为一个示例，在本发明实施例中，C₁＝0.5。

综上所述，本发明实施例提出一种基于人工智能的升降台控制方法，目的是在气密性检测中降低升降台对水体晃动的影响。本发明实施例使用关键点检测网络得到升降台的位置信息，利用HSV通道中水和空气对光的折射不同来确定最大水位的信息，通过两者的位置关系控制入水前升降台的速度。升降入水后，通过视觉感知水体的晃动程度，根据水的晃动程度预测最大水位信息，同时控制升降台在水中的速度，当晃动程度过大时，直接启用设备，用外力降低水体的晃动程度，当晃动程度满足检测需求时，进行气密性检测。本发明实施例能够在取放器件的过程中让水体晃动程度最小，尽快降低水体晃动对气密性检测的干扰，提高检测效率。

基于与上述方法相同的发明构思，本发明另一个实施例提供了一种基于人工智能的升降台控制系统，请参阅图4，该系统包括以下模块：图像采集模块1001、位置信息获取模块1002、最大水位信息获取模块1003、晃动程度获取模块1004、实时最大水位预测模块1005以及升降台速度控制模块1006。

图像采集模块1001用于采集预设帧数的气密性检测水槽的第一视角的第一水体图像和第二视角的第二水体图像；第一水体图像包括位于水槽中的水体的水面；第二水体图像包括被测器件、升降台以及水体；第二水体图像垂直于水面；位置信息获取模块1002用于通过对第二水体图像进行关键点提取获取升降台的位置信息，关键点为预先标记的升降台的特征点；最大水位信息获取模块1003用于将第二水体图像转化至HSV空间，根据第二水体图像的亮度梯度图中的梯度信息，确定梯度信息无变化时的最大水位信息；晃动程度获取模块1004用于获取第一水体图像中水体的晃动程度；实时最大水位预测模块1005用于根据水体晃动程度和最大水位信息预测实时最大水位；升降台速度控制模块1006用于根据升降台的位置信息和实时最大水位控制升降台入水前的第一速度，根据晃动程度控制升降台入水后的第二速度，根据被测器件的位姿变化信息对第二速度进行修正；位姿变化信息是在升降台入水后，被测器件的位姿变化。

优选的，最大水位信息获取模块还包括：

HSV图像获取模块，用于将第二水体图像转化至HSV空间，获得HSV图像；

亮度梯度图获取模块，用于取HSV图像的V通道，获取亮度梯度图；

像素统计比较模块，用于对亮度梯度图每一列的像素值进行统计，得到每一列像素值最大的行信息序列；

最大水位信息比较模块，用于获取行信息序列中最大的行序号即为最大水位信息。

优选的，晃动程度获取模块还包括：

梯度图获取模块，用于获取第一水体图像的梯度图；

梯度信息获取模块，用于对梯度图求像素均值，获得梯度信息；

水体晃动程度计算模块，用于获取连续n帧图像的梯度信息，使当前帧的梯度信息减去上一帧的梯度信息并取绝对值，得到包含n-1个元素的梯度变化序列，对n-1个元素求均值得到晃动程度。

优选的，实时最大水位获取模块还包括：

实时最大水位计算模块，用于构建最大水位预测模型获得实时的最大水位L：

L＝l₀ρe^μw

其中，w表示晃动程度，l₀表示晃动程度w为零时采集到的最大水位信息，ρ表示液体密度，μ表示影响系数。

优选的，升降台速度控制模块还包括：

感兴趣区域获取模块，用于获取被测器件的感兴趣区域；

位置获取模块，用于对感兴趣区域进行角点检测，获取角点的位置信息；

位姿变化信息获取模块，用于通过角点的位置信息反映被测器件的位姿变化。

综上所述，本发明实施例提出一种基于人工智能的升降台控制系统，目的是在气密性检测中降低升降台对水体晃动的影响。本发明实施例通过位置信息获取模块得到升降台的位置信息，通过最大水位信息获取模块利用HSV通道中水和空气对光的折射不同来确定最大水位的信息，通过晃动程度获取模块感知水体的晃动程度，通过实时最大水位预测模块根据水的晃动程度预测最大水位信息，通过升降台速度控制模块，根据升降台和实时最大水位的位置关系控制入水前升降台的第一速度，升降台入水后，根据水体晃动程度控制升降台在水中的速度，当晃动程度过大时，直接启用设备，用外力降低水体的晃动程度，当晃动程度满足检测需求时，进行气密性检测。本发明实施例能够在取放器件的过程中让水体晃动程度最小，尽快降低水体晃动对气密性检测的干扰，提高检测效率。

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.基于人工智能的升降台控制方法，其特征在于，该方法包括以下步骤：

采集预设帧数的气密性检测水槽的第一视角的第一水体图像和第二视角的第二水体图像；所述第一水体图像包括位于所述水槽中的水体的所述水面；所述第二水体图像包括被测器件、升降台以及水体；所述第二水体图像垂直于所述水面；

通过对所述第二水体图片进行关键点提取获取升降台的位置信息，所述关键点为预先标记的所述升降台的特征点；

将所述第二水体图像转化至HSV空间，根据所述第二水体图像的亮度梯度图中的梯度信息，确定所述梯度信息无变化时的最大水位信息；

获取所述第一水体图像中水体的晃动程度；

根据所述水体的晃动程度和所述最大水位信息预测实时最大水位；

根据所述升降台的位置信息和所述实时最大水位控制所述升降台入水前的第一速度，根据所述晃动程度控制所述升降台入水后的第二速度，根据所述被测器件的位姿变化信息对所述第二速度进行修正；所述位姿变化信息是在所述升降台入水后，所述被测器件的位姿变化。

2.根据权利要求1所述的基于人工智能的升降台控制方法，其特征在于，所述最大水位信息的获取步骤包括：

将所述第二水体图像转化至HSV空间，获得HSV图像；

取所述HSV图像的V通道，获取亮度梯度图；

对所述亮度梯度图每一列的像素值进行统计，得到每一列像素值最大的行信息序列；

获取所述行信息序列中最大的行序号为最大水位信息。

3.根据权利要求1所述的基于人工智能的升降台控制方法，其特征在于，所述晃动程度的获取步骤包括：

获取所述第一水体图像的梯度图；

对所述梯度图求像素均值，获得梯度信息；

获取连续n帧图像的梯度信息，使当前帧的梯度信息减去上一帧的梯度信息并取绝对值，得到包含n-1个元素的梯度变化序列，对n-1个元素求均值得到所述晃动程度。

4.根据权利要求1所述的基于人工智能的升降台控制方法，其特征在于，所述实时最大水位的获取方式为：

构建最大水位预测模型获得实时的最大水位L：

L＝l₀ρe^μw

其中，w表示所述晃动程度，l₀表示晃动程度w为零时采集到的所述最大水位信息，ρ表示液体密度，μ表示影响系数。

5.根据权利要求1所述的基于人工智能的升降台控制方法，其特征在于，所述在所述升降台入水后，所述被测器件的位姿变化的步骤包括：

获取所述被测器件的感兴趣区域；

对所述感兴趣区域进行角点检测，获取所述角点的位置信息；

通过所述角点的位置信息反映所述被测器件的位姿变化。

6.基于人工智能的升降台控制系统，其特征在于，该系统包括以下模块：

图像采集模块，用于采集预设帧数的气密性检测水槽的第一视角的第一水体图像和第二视角的第二水体图像；所述第一水体图像包括位于所述水槽中的水体的水面；所述第二水体图像包括被测器件、升降台以及水体；所述第二水体图像垂直于所述水面；

位置信息获取模块，用于通过对所述第二水体图像进行关键点提取获取升降台的位置信息，所述关键点为预先标记的所述升降台的特征点；

最大水位信息获取模块，用于将所述第二水体图像转化至HSV空间，根据所述第二水体图像的亮度梯度图中的梯度信息，确定所述梯度信息无变化时的最大水位信息；

晃动程度获取模块，用于获取所述第一水体图像中水体的晃动程度；

实时最大水位预测模块，用于根据所述水体晃动程度和所述最大水位信息预测实时最大水位；

升降台速度控制模块，用于根据所述升降台的位置信息和所述实时最大水位控制所述升降台入水前的第一速度，根据所述晃动程度控制所述升降台入水后的第二速度，根据所述被测器件的位姿变化信息对所述第二速度进行修正；所述位姿变化信息是在所述升降台入水后，所述被测器件的位姿变化。

7.根据权利要求6所述的基于人工智能的升降台控制系统，其特征在于，所述最大水位信息获取模块还包括：

HSV图像获取模块，用于将所述第二水体图像转化至HSV空间，获得HSV图像；

亮度梯度图获取模块，用于取所述HSV图像的V通道，获取亮度梯度图；

像素统计比较模块，用于对所述亮度梯度图每一列的像素值进行统计，得到每一列像素值最大的行信息序列；

最大水位信息比较模块，用于获取所述行信息序列中最大的行序号即为最大水位信息。

8.根据权利要求6所述的基于人工智能的升降台控制系统，其特征在于，所述晃动程度获取模块还包括：

梯度图获取模块，用于获取所述第一水体图像的梯度图；

梯度信息获取模块，用于对所述梯度图求像素均值，获得梯度信息；

晃动程度计算模块，用于获取连续n帧图像的梯度信息，使当前帧的梯度信息减去上一帧的梯度信息并取绝对值，得到包含n-1个元素的梯度变化序列，对n-1个元素求均值得到所述晃动程度。

9.根据权利要求6所述的基于人工智能的升降台控制系统，其特征在于，所述实时最大水位获取模块还包括：

实时最大水位计算模块，用于构建最大水位预测模型获得实时的最大水位L：

L＝l₀ρe^μw

其中，w表示所述晃动程度，l₀表示晃动程度w为零时采集到的所述最大水位信息，ρ表示液体密度，μ表示影响系数。

10.根据权利要求6所述的基于人工智能的升降台控制系统，其特征在于，所述升降台速度控制模块还包括：

感兴趣区域获取模块，用于获取被测器件的感兴趣区域；

位置获取模块，用于对所述感兴趣区域进行角点检测，获取所述角点的位置信息；

位姿变化信息获取模块，用于通过所述角点的位置信息反映所述被测器件的位姿变化。

Images