CN113095131B - 一种光强数据自动采集标注装置及方法 - Google Patents

一种光强数据自动采集标注装置及方法 Download PDF

Info

Publication number
CN113095131B
CN113095131B CN202110234688.XA CN202110234688A CN113095131B CN 113095131 B CN113095131 B CN 113095131B CN 202110234688 A CN202110234688 A CN 202110234688A CN 113095131 B CN113095131 B CN 113095131B
Authority
CN
China
Prior art keywords
light intensity
axis
ccd camera
reading
receiver
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.)
Active
Application number
CN202110234688.XA
Other languages
English (en)
Other versions
CN113095131A (zh
Inventor
杨帆
庞琬佳
苟柳燕
陈实
裴彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110234688.XA priority Critical patent/CN113095131B/zh
Publication of CN113095131A publication Critical patent/CN113095131A/zh
Application granted granted Critical
Publication of CN113095131B publication Critical patent/CN113095131B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种光强数据自动采集标注装置及方法，其装置包括X轴塔尺、Y轴塔尺、Z轴塔尺、激光发射器、光强接收器、第一CCD相机和第二CCD相机；X轴塔尺、Y轴塔尺和Z轴塔尺互相垂直，形成三维坐标；激光发射器和第一CCD相机均滑动设置于Z轴塔尺上；光强接收器和第二CCD相机均滑动设置于Y轴塔尺上；Y轴塔尺滑动设置在X轴塔尺上。与传统方案相比，本发明的光强数据自动采集标注装置可省去人工标注位置的工作，在改变光强接收位置后可自动进行记录。同时，由于塔尺的限制，可以仅改变一维坐标来快速获取大量数据。

Description

一种光强数据自动采集标注装置及方法
技术领域
本发明属于光强数据采集技术领域，具体涉及一种光强数据自动采集标注装置及方法。
背景技术
光照强度作为一种信息，对人类的生产生活有着重要作用。光强采集系统指自动采集任意位置的光强数据，光强采集涉及到现代通信技术、微电子技术和传感器技术等众多学科，在国际军事、环境监测和生物生存环境监测，深水捕鱼警报等方面都有着重要应用。在农业中，光照强度决定着农作物的质量，因而需要将光强控制在指定范围内，同时禽舍可以通过控制光强使家禽快速成长。在工业中，可以通过光强检测计算金属冶炼的温度，许多工业产品的制造都需要合适的光照强度。在科学研究中，可以通过光强大小判断环境中的雾霾严重程度，也可以通过将光强与位置信息相关联，完成基于光通信的定位等工作。同时，光强也是人类生活环境中的重要指标，对人体的视力、睡眠状况等有着重要影响。
传统的光强采集是指在指定位置设置光敏电阻作为传感器，从而获取传感器位置的光强大小。需提前设置采集位置，在每次更换采集位置时需要重新对目标位置进行人工定位。
发明内容
本发明的目的是为了解决现有光强采集装置无法同时满足采集光强信息与位置的要求，且每次更换位置需要重新人工记录坐标的问题，提出了一种光强数据自动采集标注装置及方法。
本发明的技术方案是：一种光强数据自动采集标注装置包括X轴塔尺、Y轴塔尺、Z轴塔尺、激光发射器、光强接收器、第一CCD相机和第二CCD相机；
X轴塔尺、Y轴塔尺和Z轴塔尺互相垂直，形成三维坐标；激光发射器和第一CCD相机均滑动设置于Z轴塔尺上；光强接收器和第二CCD相机均滑动设置于Y轴塔尺上；Y轴塔尺滑动设置在X轴塔尺上。
进一步地，激光发射器和光强接收器上均固定设置有LED。
本发明的有益效果是：与传统方案相比，本发明的光强数据自动采集标注装置可省去人工标注位置的工作，在改变光强接收位置后可自动进行记录。同时，由于塔尺的限制，可以仅改变一维坐标来快速获取大量数据。
基于以上系统，本发明还提出一种光强数据自动采集标注方法，包括以下步骤：
S1：将激光发射器在Z轴塔尺上沿Z轴方向随机移动，并利用第一CCD相机拍摄激光发射器在Z轴上的位置并识别读数；
S2：将Y轴塔尺在X轴塔尺上沿X轴方向随机移动，并利用第二CCD相机拍摄Y轴塔尺在X轴上的位置并识别读数；
S3：将光强接收器在Y轴塔尺上沿Y轴方向随机移动，并利用第二CCD相机拍摄光强接收器在Y轴上的位置并识别读数；
S4：利用激光发射器向任意方向随机扫描，并利用光强接收器接收；
S5：判断光强接收器是否达到接收门限，若是则进入步骤S6，否则返回步骤S4；
S6：利用光强接收器上的LED向激光发射器发送停止扫描信号；
S7：停止激光发射器的随机扫描，并将第一CCD相机拍摄并识别的Z轴读数通过激光通信传递给光强接收器；
S8：利用光强接收器接收Z轴读数，并与第二CCD相机拍摄并识别的X轴读数和Y轴读数结合，得到光强接收器位置坐标；
S9：利用光强接收器记录当前时刻的光强大小和光强接收器位置坐标，完成光强数据自动采集标注。
本发明的有益效果是：本发明的光强数据自动采集标注方法将相机拍摄的塔尺图片输入目标检测算法YOLOv3进行识别，确定塔尺读数可以提高坐标标注的精度与效率。YOLOv3采用上采样和融合做法，在多个尺度的融合特征图上分别独立做检测，最终对于小目标的检测效果提升明显。YOLOv3主要采用DarkNet53作为特征提取网络，在DarkNet53中使用的残差连接块，具有残差网络的良好性能，且图像分类的功能强于一般的网络，具有比较强的图像特征提取能力。
进一步地，步骤S1、步骤S2和步骤S3中，通过训练好的卷积神经网络YOLOv3对CCD相机拍摄的塔尺读数并识别读数。
上述进一步方案的有益效果是：在本发明中，CCD相机拍摄塔尺并自动读数通过深度学习进行实现，即卷积神经网络对拍摄的塔尺图片进行识别，分别检测出塔尺刻度与数字，并计算此时的读数。
进一步地，步骤S1、步骤S2和步骤S3中，卷积神经网络YOLOv3的训练方法包括以下子步骤：
A1：利用CCD相机拍摄塔尺图片，并对塔尺上的数字进行标注，得到塔尺数字数据集；
A2：采集不同位置的游标图片，并进行标注，得到游标数据集；
A3：构建卷积神经网络YOLOv3，并对塔尺数字数据集和游标数据集训练，得到训练后的卷积神经网络YOLOv3。
上述进一步方案的有益效果是：在本发明中，由于激光发射器处相机拍摄图片并读数后通过激光信号传递到光强接收器，因此数据在光强接收器处完成记录。光强接收器处的相机拍摄图片并读数后，与接收到的激光发射器位置相组合，得到接收器的位置坐标。记录此时的光强接收器读数与接收器的位置坐标，完成本次的光强采集及标注工作。通过不断重复改变接收器的位置，可得到光强及位置的数据集。
进一步地，步骤S1、S2和步骤S3中，读数识别包括以下子步骤：
B1：将CCD相机拍摄的塔尺图片输入至训练后的卷积神经网络YOLOv3中进行识别，并标注游标预测框和数字预测框；
B2：根据游标预测框和数字预测框，识别游标和数字，得到游标预测框的上下界数字；
B3：根据游标预测框的上下界数字计算读数l。
进一步地，读数l的计算公式为：
l＝a+h
其中，
Figure BDA0002960203190000041
a表示游标刻度，h表示游标和光强接收器之间固定的距离差，t表示通过图像分类识别的下界数字N2的真实数字，n表示游标预测框的纵坐标，n1表示上界数字的纵坐标，n2表示下界数字的纵坐标。
附图说明
图1为初始状态自动采集标注装置的结构图；
图2为自动采集标注方法的流程图；
图3为移动激光发射器并确定z轴方向坐标时自动采集标注装置的结构图；
图4为移动塔尺并确定x轴方向坐标时自动采集标注装置的结构图；
图5为移动光强接收器并确定y轴方向坐标时自动采集标注装置的结构图；
图6为基于深度学习的自动读数示意图；
图中，1、X轴塔尺；2、Y轴塔尺；3、Z轴塔尺；4、激光发射器；5、光强接收器；6、第一CCD相机；7、第二CCD相机。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：
游标：指塔尺上指示刻度位置的可移动指针。
如图1所示，本发明提供了一种光强数据自动采集标注装置，包括X轴塔尺1、Y轴塔尺2、Z轴塔尺3、激光发射器4、光强接收器5、第一CCD相机6和第二CCD相机7；
X轴塔尺1、Y轴塔尺2和Z轴塔尺3互相垂直，形成三维坐标；激光发射器4和第一CCD相机6均滑动设置于Z轴塔尺3上；光强接收器5和第二CCD相机7均滑动设置于Y轴塔尺2上；Y轴塔尺2滑动设置在X轴塔尺1上。
激光发射器4和第一CCD相机6相对固定，位于Z轴塔尺上且可沿Z轴方向滑动；光强接收器5和第二CCD相机7相对固定，位于Y轴塔尺上且可沿Y轴方向滑动。
在本发明实施例中，如图1所示，激光发射器4和光强接收器5上均固定设置有LED。
在本发明实施例中，该光强采集标注装置可从功能上划分为两部分，分别为可动的光强采集部分和自动位置标注部分。可动的光强采集部分指通过移动可动节点，使激光发射器与光强接收器处于不同的相对位置，记录不同位置下光强接收器采集到的光强数据，同时接收器上安装LED，可向激光源发送信号。自动位置标注部分指通过相机拍摄塔尺刻度并识别，以自动获取光强接收器的位置坐标。
基于以上系统，本发明还提出一种光强数据自动采集标注方法，如图2所示，包括以下步骤：
S1：将激光发射器在Z轴塔尺上沿Z轴方向随机移动，并利用第一CCD相机拍摄激光发射器在Z轴上的位置并识别读数；
S2：将Y轴塔尺在X轴塔尺上沿X轴方向随机移动，并利用第二CCD相机拍摄Y轴塔尺在X轴上的位置并识别读数；
S3：将光强接收器在Y轴塔尺上沿Y轴方向随机移动，并利用第二CCD相机拍摄光强接收器在Y轴上的位置并识别读数；
S4：利用激光发射器向任意方向随机扫描，并利用光强接收器接收；
S5：判断光强接收器是否达到接收门限，若是则进入步骤S6，否则返回步骤S4；
S6：利用光强接收器上的LED向激光发射器发送停止扫描信号；
S7：停止激光发射器的随机扫描，并将第一CCD相机拍摄并识别的Z轴读数通过激光通信传递给光强接收器；
S8：利用光强接收器接收Z轴读数，并与第二CCD相机拍摄并识别的X轴读数和Y轴读数结合，得到光强接收器位置坐标；
S9：利用光强接收器记录当前时刻的光强大小和光强接收器位置坐标，完成光强数据自动采集标注。
在本发明实施例中，如图2所示，步骤S1、步骤S2和步骤S3中，通过训练好的卷积神经网络YOLOv3对CCD相机拍摄的塔尺读数并识别读数。
在本发明中，CCD相机拍摄塔尺并自动读数通过深度学习进行实现，即卷积神经网络对拍摄的塔尺图片进行识别，分别检测出塔尺刻度与数字，并计算此时的读数。
在本发明实施例中，如图2所示，步骤S1、步骤S2和步骤S3中，卷积神经网络YOLOv3的训练方法包括以下子步骤：
A1：利用CCD相机拍摄塔尺图片，并对塔尺上的数字进行标注，得到塔尺数字数据集；
A2：采集不同位置的游标图片，并进行标注，得到游标数据集；
A3：构建卷积神经网络YOLOv3，并对塔尺数字数据集和游标数据集训练，得到训练后的卷积神经网络YOLOv3。
在本发明中，由于激光发射器处相机拍摄图片并读数后通过激光信号传递到光强接收器，因此数据在光强接收器处完成记录。光强接收器处的相机拍摄图片并读数后，与接收到的激光发射器位置相组合，得到接收器的位置坐标。记录此时的光强接收器读数与接收器的位置坐标，完成本次的光强采集及标注工作。通过不断重复改变接收器的位置，可得到光强及位置的数据集。
在本发明实施例中，如图2所示，步骤S1、S2和步骤S3中，读数识别包括以下子步骤：
B1：将CCD相机拍摄的塔尺图片输入至训练后的卷积神经网络YOLOv3中进行识别，并标注游标预测框和数字预测框；
B2：根据游标预测框和数字预测框，识别游标和数字，得到游标预测框的上下界数字；
B3：根据游标预测框的上下界数字计算读数l。
在本发明实施例中，如图2所示，读数l的计算公式为：
l＝a+h
其中，
Figure BDA0002960203190000081
a表示游标刻度，h表示游标和光强接收器之间固定的距离差，t表示通过图像分类识别的下界数字N2的真实数字，n表示游标预测框的纵坐标，n1表示上界数字的纵坐标，n2表示下界数字的纵坐标。
如图6所示，游标预测框标记为P，图3中其余框为数字预测框标；根据输出的所有预测框的坐标，找到游标预测框的上下临界数字，记上界数字为N1，下界数字为N2。
在本发明实施例中，如图1所示，X轴、Y轴和Z轴三个方向为两两垂直的塔尺，其中Y轴塔尺2可沿X轴方向滑动。其中图1为初始状态，接收器位于坐标原点；图3为移动激光源，确定Z轴方向坐标；图4为移动塔尺，确定X轴方向坐标；图5为移动光强接收器，确定Y轴方向坐标，其中xre、yre和zre为三个塔尺上的读数，即接收器位置的三维坐标。
在三个塔尺搭建的三维坐标框架中，三个塔尺分别记录不同维度上的光强接收器5位置坐标，因此三个塔尺两两垂直，交点在每个塔尺上的读数都为0刻度，即三个塔尺的交点为坐标系原点，则三个塔尺方向分别为X、Y和Z轴，其中与Y轴方向平行的可动塔尺。将激光发射器4设置在Z轴塔尺3上，且激光发射器4可以沿Z轴方向上下滑动，为方便统计，在记录坐标时以激光发射器位置为原点，若接收器位置为(xre,yre,zre)，则接收器在Z轴方向的坐标即激光源在Z轴塔尺3上的读数zre。将光强接收器安装在Y轴方向的塔尺上，且接收器可在Y轴方向的塔尺上沿Y轴方向来回滑动，则光强接收器5在Y方向的坐标即接收器在Y轴方向的塔尺上的位置，即yre。同时，X轴方向的塔尺与Z轴方向的塔尺相对固定并呈“L”型，可动塔尺可沿X轴方向在X轴塔尺上水平移动，因此Y轴方向的塔尺与X轴塔尺的交点在X轴塔尺3上的读数就是接收器在X方向的坐标，记为xre。因此，在此光强采集装置中，三个塔尺表示不同维度的坐标轴，三维坐标分别由可动塔尺、光强接收器5和激光发射器4在三个塔尺上的位置表示。
光强采集标注装置工作流程如下：
(1)初始状态：使光强接收器5位于坐标原点，即激光发射器4位于Z轴塔尺3的0刻度处，光强接收器5位于可动塔尺的0刻度处，可动塔尺与X轴塔尺1的交点为坐标原点。
(2)记录zre：将激光发射器4沿Z轴塔尺3滑动至随机位置，第一CCD相机6拍摄此时Z轴塔尺3上的读数，记为zre。
(3)记录xre：将可动塔尺沿X轴方向移动至随机位置，并保持光强接收器5位于可动塔尺的0刻度处，由于此时第二CCD相机7仍跟随光强接收器5位于可动塔尺与X轴塔尺1的交点，可通过第二CCD相机7拍摄X轴塔尺1上的读数，记为xre。
(4)记录yre：将光强接收器5在可动塔尺上移动至随机位置，第二CCD相机7记录可动塔尺上的读数，记为yre。此时第一CCD相机6记录的zre可通过激光信号传输至与第二CCD相机7相连的光强接收器5处，由于第二CCD相机7记录了xre与yre，因此可确定接收器的位置坐标(xre,yre,zre)。
为快速获取大量数据，可以在固定其余两维坐标的情况下，仅移动一维坐标。但是由于塔尺可动塔尺与X轴塔尺1由同一个第二CCD相机7记录，且记录X轴塔尺1读数时第二CCD相机7必须位于可动塔尺的0刻度处，因此若要改变xre，需返回步骤(3)，即先将接收器移至可动塔尺的0刻度处，记录并读取X轴塔尺1读数后再移动光强接收器5。
本发明的工作原理及过程为：采用了一种通过塔尺与可动节点组成的可以读取三维坐标的光强采集系统。在获取光强的同时通过相机记录塔尺上的读数，经过激光通信将不同维度的位置坐标进行匹配，以得到光强采集装置的所在位置。相机拍摄塔尺刻度，通过YOLOv3卷积神经网络自动识别塔尺读数。其中，相机拍摄塔尺读数图片后通过深度学习进行定位，即用卷积神经网络直接输出塔尺上的数字预测框和与接收器相连的游标预测框的位置，同时根据网络判断游标和数字类别，并计算当前刻度的读数。通过激光通信传输位置坐标，完成不同维度坐标的配对。
本发明的有益效果为：
(1)与传统方案相比，本发明的光强数据自动采集标注装置可省去人工标注位置的工作，在改变光强接收位置后可自动进行记录。同时，由于塔尺的限制，可以仅改变一维坐标来快速获取大量数据。
(2)本发明的光强数据自动采集标注方法将相机拍摄的塔尺图片输入目标检测算法YOLOv3进行识别，确定塔尺读数可以提高坐标标注的精度与效率。YOLOv3采用上采样和融合做法，在多个尺度的融合特征图上分别独立做检测，最终对于小目标的检测效果提升明显。YOLOv3主要采用DarkNet53作为特征提取网络，在DarkNet53中使用的残差连接块，具有残差网络的良好性能，且图像分类的功能强于一般的网络，具有比较强的图像特征提取能力。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种光强数据自动采集标注装置，其特征在于，包括X轴塔尺(1)、Y轴塔尺(2)、Z轴塔尺(3)、激光发射器(4)、光强接收器(5)、第一CCD相机(6)和第二CCD相机(7)；
所述X轴塔尺(1)、Y轴塔尺(2)和Z轴塔尺(3)互相垂直，形成三维坐标；所述激光发射器(4)和第一CCD相机(6)均滑动设置于Z轴塔尺(3)上；所述光强接收器(5)和第二CCD相机(7)均滑动设置于Y轴塔尺(2)上；所述Y轴塔尺(2)滑动设置在X轴塔尺(1)上。
2.根据权利要求1所述的光强数据自动采集标注装置，其特征在于，所述激光发射器(4)和光强接收器(5)上均固定设置有LED。
3.一种光强数据自动采集标注方法，其特征在于，包括以下步骤：
S1：将激光发射器在Z轴塔尺上沿Z轴方向随机移动，并利用第一CCD相机拍摄激光发射器在Z轴上的位置并识别读数；
S2：将Y轴塔尺在X轴塔尺上沿X轴方向随机移动，并利用第二CCD相机拍摄Y轴塔尺在X轴上的位置并识别读数；
S3：将光强接收器在Y轴塔尺上沿Y轴方向随机移动，并利用第二CCD相机拍摄光强接收器在Y轴上的位置并识别读数；
S4：利用激光发射器向任意方向随机扫描，并利用光强接收器接收；
S5：判断光强接收器是否达到接收门限，若是则进入步骤S6，否则返回步骤S4；
S6：利用光强接收器上的LED向激光发射器发送停止扫描信号；
S7：停止激光发射器的随机扫描，并将第一CCD相机拍摄并识别的Z轴读数通过激光通信传递给光强接收器；
S8：利用光强接收器接收Z轴读数，并与第二CCD相机拍摄并识别的X轴读数和Y轴读数结合，得到光强接收器位置坐标；
S9：利用光强接收器记录当前时刻的光强大小和光强接收器位置坐标，完成光强数据自动采集标注。
4.根据权利要求3所述的光强数据自动采集标注方法，其特征在于，所述步骤S1、步骤S2和步骤S3中，通过训练好的卷积神经网络YOLOv3对CCD相机拍摄的位置进行读数识别。
5.根据权利要求4所述的光强数据自动采集标注方法，其特征在于，所述步骤S1、步骤S2和步骤S3中，卷积神经网络YOLOv3的训练方法包括以下子步骤：
A1：利用CCD相机拍摄塔尺图片，并对塔尺上的数字进行标注，得到塔尺数字数据集；
A2：采集不同位置的游标图片，并进行标注，得到游标数据集；
A3：构建卷积神经网络YOLOv3，并对塔尺数字数据集和游标数据集训练，得到训练后的卷积神经网络YOLOv3。
6.根据权利要求4所述的光强数据自动采集标注方法，其特征在于，所述步骤S1、S2和步骤S3中，读数识别包括以下子步骤：
B1：将CCD相机拍摄的塔尺图片输入至训练后的卷积神经网络YOLOv3中进行识别，并标注游标预测框和数字预测框；
B2：根据游标预测框和数字预测框，识别游标和数字，得到游标预测框的上下界数字；
B3：根据游标预测框的上下界数字计算读数l。
7.根据权利要求6所述的光强数据自动采集标注方法，其特征在于，读数l的计算公式为：
l＝a+h
其中，
Figure FDA0002960203180000031
a表示游标刻度，h表示游标和光强接收器之间固定的距离差，t表示通过图像分类识别的下界数字N2的真实数字，n表示游标预测框的纵坐标，n1表示上界数字的纵坐标，n2表示下界数字的纵坐标。
CN202110234688.XA 2021-03-03 2021-03-03 一种光强数据自动采集标注装置及方法 Active CN113095131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110234688.XA CN113095131B (zh) 2021-03-03 2021-03-03 一种光强数据自动采集标注装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110234688.XA CN113095131B (zh) 2021-03-03 2021-03-03 一种光强数据自动采集标注装置及方法

Publications (2)

Publication Number Publication Date
CN113095131A CN113095131A (zh) 2021-07-09
CN113095131B true CN113095131B (zh) 2022-06-21

Family

ID=76667957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110234688.XA Active CN113095131B (zh) 2021-03-03 2021-03-03 一种光强数据自动采集标注装置及方法

Country Status (1)

Country Link
CN (1) CN113095131B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107861237A (zh) * 2017-12-01 2018-03-30 电子科技大学 一种多激光快速扫描方法
CN109100770A (zh) * 2018-10-11 2018-12-28 武汉大学 一种基于荧光薄膜和光纤探针的放射治疗剂量测量系统
CN109212510A (zh) * 2017-07-04 2019-01-15 百度在线网络技术（北京）有限公司 用于测量多线激光雷达的角分辨率的方法和装置
CN110026676A (zh) * 2019-04-12 2019-07-19 大族激光科技产业集团股份有限公司 激光加工设备及方法
CN110427933A (zh) * 2019-06-20 2019-11-08 浙江大学 一种基于深度学习的水尺识别方法
CN111222474A (zh) * 2020-01-09 2020-06-02 电子科技大学 一种任意尺度的高分辨率图像小目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9823737B2 (en) * 2008-04-07 2017-11-21 Mohammad A Mazed Augmented reality personal assistant apparatus

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109212510A (zh) * 2017-07-04 2019-01-15 百度在线网络技术（北京）有限公司 用于测量多线激光雷达的角分辨率的方法和装置
CN107861237A (zh) * 2017-12-01 2018-03-30 电子科技大学 一种多激光快速扫描方法
CN109100770A (zh) * 2018-10-11 2018-12-28 武汉大学 一种基于荧光薄膜和光纤探针的放射治疗剂量测量系统
CN110026676A (zh) * 2019-04-12 2019-07-19 大族激光科技产业集团股份有限公司 激光加工设备及方法
CN110427933A (zh) * 2019-06-20 2019-11-08 浙江大学 一种基于深度学习的水尺识别方法
CN111222474A (zh) * 2020-01-09 2020-06-02 电子科技大学 一种任意尺度的高分辨率图像小目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Research on Position Detection of PSD Based on Light Intensity Modulation and Digital Fit;He Xiaorui et al.;《2009 WRI Global Congress on Intelligent Systems》;20090821;38-42 *
回转窑托轮水平外径位置的测量方法与系统;简汉增;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20131215;B015-150 *
基于FPGA的线阵CCD光强自动采集系统设计;刘瑞兰 等;《传感技术学报》;20170131;第30卷(第1期);152-156 *
激光光束质量测量系统技术的研究;赵儒桐 等;《长春理工大学学报（自然科学版）》;20170630;第40卷(第3期);89-93 *

Also Published As

Publication number Publication date
CN113095131A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN109308693B (zh) 由一台ptz相机构建的目标检测和位姿测量单双目视觉系统
CN103487104B (zh) 一种细管液面式数据的图像采集识别系统及方法
CN106371281A (zh) 基于结构光多模块360度空间扫描和定位的3d相机
CN107218904A (zh) 一种基于锯齿靶标的线结构光视觉传感器标定方法
CN105180802B (zh) 一种物体尺寸信息识别方法和装置
KR101106967B1 (ko) 어류 계측 형질 측정 자동화 시스템 및 방법
CN112033408B (zh) 一种贴纸式的物体空间定位系统及定位方法
CN108364306B (zh) 一种高速周期运动的视觉实时检测方法
CN101709951A (zh) 一种扇贝表型性状计算机测量与记录方法
CN113095131B (zh) 一种光强数据自动采集标注装置及方法
CN109636856A (zh) 基于hog特征融合算子的物体六维度位姿信息联合测量方法
EP3961568A1 (en) Crop growth measurement system based on crop images, and method thereof
CN111340884B (zh) 一种双目异构相机与rfid的双重目标定位与身份辨识方法
CN205785171U (zh) 一种主动式经纬仪系统
CN117152727A (zh) 一种用于巡检机器人的指针式仪表自动读数方法
CN111915671A (zh) 一种工作区域的人员轨迹跟踪方法和系统
CN209014730U (zh) 一种三维固态面阵激光雷达人脸识别装置
CN108833789A (zh) 一种实时自动聚焦装置及自动聚焦方法
CN107796323A (zh) 一种基于光斑视频信号智能分析的桥梁微变检测系统
CN212206103U (zh) 室内定位装置
CN208383079U (zh) 一种激光频闪差分三维传感器
CN113932712A (zh) 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法
CN110827281A (zh) 一种摄像模组光心检测方法
CN112614182B (zh) 基于深度学习的识别加工位置的方法、存储设备、移动终端
CN216483094U (zh) 一种室内移动机器人视觉定位导航系统

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
GR01 Patent grant
GR01 Patent grant