CN113129263A - 一种基于深度学习的油位状态检测方法及其电子设备 - Google Patents
一种基于深度学习的油位状态检测方法及其电子设备 Download PDFInfo
- Publication number
- CN113129263A CN113129263A CN202110287337.5A CN202110287337A CN113129263A CN 113129263 A CN113129263 A CN 113129263A CN 202110287337 A CN202110287337 A CN 202110287337A CN 113129263 A CN113129263 A CN 113129263A
- Authority
- CN
- China
- Prior art keywords
- oil level
- oil
- state detection
- image
- level state
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 41
- 239000011521 glass Substances 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims abstract description 5
- 239000004568 cement Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Abstract
本发明公开了一种基于深度学习的油位状态检测方法及其电子设备，包括：获取油位原始图像；标注出原始图像中油视镜；将标注完成后的图像数据进行数据增强，与原始图像混合一起制作成油视镜检测训练数据和油位状态检测训练数据；采用YOLO‑V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；基于油位状态检测训练数据，训练分割网络模型，得到油位位置；结合上述结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。本发明提出的基于深度学习的油位状态检测方法，能在不添加任何前提条件的情况下，受拍摄角度、光照等外在条件的影响较小，自动定位出油视镜的位置和大小，然后根据油视镜识别出油位的状态，直接输出油位相对于油视镜的高度值。
Description
技术领域
本发明属于计算机技术领域，具体涉及一种基于深度学习的油位状态检测方法及其电子设备。
背景技术
目前有部分研究使用图像处理的方法来检测油位状态，一般处理步骤包括对图像进行增强、图像灰度化、图像二值化以及其他的一些形态学等图像处理方法。
但是在实际应用过程中，受拍摄的角度、图像中油位的清晰度、设备表面覆盖杂质和玻璃表面倒影等影响，处理完之后的图像存在较多的噪声，受噪声的影响不能很好的检测出油位的状态，使得这些研究在实际应用中受限比较大，操作相对复杂、繁琐，且工作难度较大，为此我们提出一种基于深度学习的油位状态检测方法。
发明内容
本发明的目的在于提供一种基于深度学习的油位状态检测方法及其电子设备，以解决上述背景技术中提出的问题。
为实现上述目的，第一方面，本发明提供如下技术方案：一种基于深度学习的油位状态检测方法，包括，
S1：获取水泥产线上不同设备的油位原始图像；
S2：通过标注工具标注出原始图像中油视镜，标注框为油视镜的最小外接矩形；
S3：将标注完成后的图像数据进行水平翻转、模糊、添加不同噪声、单应变换和灰度化数据增强，与原始图像混合一起制作成油视镜检测训练数据；
S4：采用YOLO-V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；
S5：截取并保存步骤S3中标注好的油视镜图像，以图片左上角为原点，标注出油位页面的坐标值，对保存的图像进行水平翻转、模糊、添加不同噪声和灰度化等数据增强，与原始图像混合一起制作成油位状态检测训练数据；
S6：基于步骤S5制作好的数据，修改SegNet网络最后一层网络结构，训练分割网络模型，投影分割结果，得到油位位置；
S7：结合步骤S4和步骤S6得到的结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。
优选的，所述S1中的原始图像，通过LabelImg对采集的数据进行标注，构建训练数据集。
优选的，所述S4中，将油视镜检测训练数据集中标注文件转换成YOLO-V3格式文件，并训练YOLO-V3检测模型。
优选的，所述S5中标注完成的原始图像数据，截取出油视镜区域保存为新的图片，使用自制标注工具，标注出油位液面相对于油视镜顶部的坐标高度，构建油位状态检测数据集。
优选的，所述标注出油位液面的坐标高度为油视镜图像的上边界的值，然后以此标注点y0为中心点，在图像上生成对应的高斯分布区域为图像的标签，生成油位液面标签的公式为：
优选的，所述油位状态检测数据集，基于SegNet网络训练油位状态检测模型。
优选的，基于S4的输出结果结合S2标注框的位置和大小，输出最终油液在油视镜中的高度。
优选的，所述构建训练数据集的具体过程为：位于水泥生产设备外，安装摄像头，采集多张数据图片，使用LabelImg对采集好的图像进行标注，标注图图像中油视镜的位置和大小，标注框为油视镜的外接矩形。
优选的，采集多张数据图片为不同时间段、不同光照条件下和不同设备的条件下。
第二方面，还提供了一种基于深度学习的油位状态检测装置，包括：
获取模块，用于获取水泥产线上不同设备的油位原始图像；
标注模块，用于通过标注工具标注出原始图像中油视镜，标注框为油视镜的最小外接矩形；
增强模块，用于将标注完成后的图像数据进行水平翻转、模糊、添加不同噪声、单应变换和灰度化数据增强，与原始图像混合一起制作成油视镜检测训练数据；
检测模块，用于采用YOLO-V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；
混合模块，用于截取并保存所述增强模块标注好的油视镜图像，以图片左上角为原点，标注出油位页面的坐标值，对保存的图像进行水平翻转、模糊、添加不同噪声和灰度化等数据增强，与原始图像混合一起制作成油位状态检测训练数据；
分割模块，用于基于所述混合模块制作好的数据，修改SegNet网络最后一层网络结构，训练分割网络模型，投影分割结果，得到油位位置；
技术模块，用于所述检测结果和所述油位位置得到的结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。
第三方面，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第一方面所述的方法。
第四方面，还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面所述方法。
与现有技术相比，本发明的有益效果是：
本发明提出的基于深度学习的油位状态检测方法、装置、电子设备和存储介质，能在不添加任何前提条件的情况下，受拍摄角度、光照等外在条件的影响较小，自动定位出油视镜的位置和大小，然后根据油视镜识别出油位的状态，直接输出油位相对于油视镜的高度值。
附图说明
图1为本发明的油位状态检测方法流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种基于深度学习的油位状态检测方法，包括，
S1：获取水泥产线上不同设备的油位原始图像；
S2：通过标注工具标注出原始图像中油视镜，标注框为油视镜的最小外接矩形；
S3：将标注完成后的图像数据进行水平翻转、模糊、添加不同噪声、单应变换和灰度化数据增强，与原始图像混合一起制作成油视镜检测训练数据；
S4：采用YOLO-V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；
S5：截取并保存步骤S3中标注好的油视镜图像，以图片左上角为原点，标注出油位页面的坐标值，对保存的图像进行水平翻转、模糊、添加不同噪声和灰度化等数据增强，与原始图像混合一起制作成油位状态检测训练数据；
S6：基于步骤S5制作好的数据，修改SegNet网络最后一层网络结构，训练分割网络模型，投影分割结果，得到油位位置；
S7：结合步骤S4和步骤S6得到的结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。
本实施例中，优选的，S1中的原始图像，通过LabelImg对采集的数据进行标注，构建训练数据集。
本实施例中，优选的，S4中，将油视镜检测训练数据集中标注文件转换成YOLO-V3格式文件，并训练YOLO-V3检测模型。
为了寻求较高精度，骨干网络选取能够提取到更深层次特征的Darknet-53网络，输入图片大小统一缩放为608×608大小，以减少信息的丢失，根据标注框的结果，聚类计算得到不同尺寸下的bounding box预选框，修改网络参数中的bounding box预选框为计算得到的聚类结果。模型最终输出油视镜的位置和大小。
本实施例中，优选的，S5中标注完成的原始图像数据，截取出油视镜区域保存为新的图片，使用自制标注工具，标注出油位液面相对于油视镜顶部的坐标高度，构建油位状态检测数据集。
本实施例中，优选的，标注出油位液面的坐标高度为油视镜图像的上边界的值，然后以此标注点y0为中心点，在图像上生成对应的高斯分布区域为图像的标签，生成油位液面标签的公式为：
其中的值根据不同设备油位的液面所在宽度求平均取得，x的值即为标注点y0。同样使用imgaug对油视镜图像进行水平翻转、模糊、添加不同噪声和灰度化等变换的数据增强，然后按照9:1的比例将所有图像混合随机分成训练集和验证集。
本实施例中，优选的，油位状态检测数据集，基于SegNet网络训练油位状态检测模型。
修改SegNet最后一层网络结构，将softmax结果投影到feature map的Y轴，取最大值为液面的位置，其中SegNet为图像分割网络，它通过对图像中每一个像素点进行分类，识别每一个像素点的类别来实现图像的分割。因此通过学习油位液面附近的图像特征可以分割出油位液面的位置。
本实施例中，优选的，基于S4的输出结果结合S2标注框的位置和大小，输出最终油液在油视镜中的高度。
本实施例中，优选的，构建训练数据集的具体过程为：位于水泥生产设备外，安装摄像头，采集多张数据图片，使用LabelImg对采集好的图像进行标注，标注图图像中油视镜的位置和大小，标注框为油视镜的外接矩形，采集多张数据图片位不同时间段、不同光照条件下和不同设备的条件下；
对于标注好的图像，使用imgaug工具包随机性选择图像和对应的标注文件进行翻转、模糊、添加不同噪声和灰度化等变换的数据增强，将增强后的图像数据与原始图像混合一起制作成油位状态检测训练数据，训练数据集按照9:1的比例分为训练数据集和验证数据集。
由此可得出：本方法能在不添加任何前提条件的情况下，受拍摄角度、光照等外在条件的影响较小，自动定位出油视镜的位置和大小，然后根据油视镜识别出油位的状态，直接输出油位相对于油视镜的高度值。
基于同一发明构思，与上述任意实施例方法相对应的，还提供了一种基于深度学习的油位状态检测装置，包括：
获取模块，用于获取水泥产线上不同设备的油位原始图像；
标注模块，用于通过标注工具标注出原始图像中油视镜，标注框为油视镜的最小外接矩形；
增强模块，用于将标注完成后的图像数据进行水平翻转、模糊、添加不同噪声、单应变换和灰度化数据增强，与原始图像混合一起制作成油视镜检测训练数据；
检测模块，用于采用YOLO-V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；
混合模块，用于截取并保存所述增强模块标注好的油视镜图像，以图片左上角为原点，标注出油位页面的坐标值，对保存的图像进行水平翻转、模糊、添加不同噪声和灰度化等数据增强，与原始图像混合一起制作成油位状态检测训练数据；
分割模块，用于基于所述混合模块制作好的数据，修改SegNet网络最后一层网络结构，训练分割网络模型，投影分割结果，得到油位位置；
技术模块，用于所述检测结果和所述油位位置得到的结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于深度学习的油位状态检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
需要说明的是，本申请一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
基于同一发明构思，与上述任意实施例方法相对应的，本申请一个或多个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上任意一实施例所述的基于深度学习的油位状态检测方法。
在一些实施例中，更为具体的电子设备硬件结构可以包括：处理器、存储器、输入/输出接口、通信接口和总线。其中处理器、存储器、输入/输出接口和通信接口通过总线实现彼此之间在设备内部的通信连接。
处理器可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案。
存储器可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器可以存储操作系统和其他应用程序，在通过软件或者固件来实现本申请实施例所提供的技术方案时，相关的程序代码保存在存储器中，并由处理器来调用执行。
输入/输出接口用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线包括一通路，在设备的各个组件之间传输信息。
需要说明的是，尽管上述设备仅示出了部分组件，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于深度学习的油位状态检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于深度学习的油位状态检测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于深度学习的油位状态检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于深度学习的油位状态检测方法，其特征在于：包括，
S1：获取水泥产线上不同设备的油位原始图像；
S2：通过标注工具标注出原始图像中油视镜，标注框为油视镜的最小外接矩形；
S3：将标注完成后的图像数据进行水平翻转、模糊、添加不同噪声、单应变换和灰度化数据增强，与原始图像混合一起制作成油视镜检测训练数据；
S4：采用YOLO-V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；
S5：截取并保存步骤S3中标注好的油视镜图像，以图片左上角为原点，标注出油位页面的坐标值，对保存的图像进行水平翻转、模糊、添加不同噪声和灰度化等数据增强，与原始图像混合一起制作成油位状态检测训练数据；
S6：基于步骤S5制作好的数据，修改SegNet网络最后一层网络结构，训练分割网络模型，投影分割结果，得到油位位置；
S7：结合步骤S4和步骤S6得到的结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。
2.根据权利要求1所述的一种基于深度学习的油位状态检测方法，其特征在于：所述S1中的原始图像，通过LabelImg对采集的数据进行标注，构建训练数据集。
3.根据权利要求1所述的一种基于深度学习的油位状态检测方法，其特征在于：所述S4中，将油视镜检测训练数据集中标注文件转换成YOLO-V3格式文件，并训练YOLO-V3检测模型。
4.根据权利要求1所述的一种基于深度学习的油位状态检测方法，其特征在于：所述S5中标注完成的原始图像数据，截取出油视镜区域保存为新的图片，使用自制标注工具，标注出油位液面相对于油视镜顶部的坐标高度，构建油位状态检测数据集。
5.根据权利要求4所述的一种基于深度学习的油位状态检测方法，其特征在于：所述标注出油位液面的坐标高度为油视镜图像的上边界的值，然后以此标注点y0为中心点，在图像上生成对应的高斯分布区域为图像的标签，生成油位液面标签的公式为：
6.根据权利要求4所述的一种基于深度学习的油位状态检测方法，其特征在于：所述油位状态检测数据集，基于SegNet网络训练油位状态检测模型。
7.根据权利要求1所述的一种基于深度学习的油位状态检测方法，其特征在于：基于S4的输出结果结合S2标注框的位置和大小，输出最终油液在油视镜中的高度。
8.根据权利要求2所述的一种基于深度学习的油位状态检测方法，其特征在于：所述构建训练数据集的具体过程为：位于水泥生产设备外，安装摄像头，采集多张数据图片，使用LabelImg对采集好的图像进行标注，标注图图像中油视镜的位置和大小，标注框为油视镜的外接矩形。
9.根据权利要求8所述的一种基于深度学习的油位状态检测方法，其特征在于：采集多张数据图片为不同时间段、不同光照条件下和不同设备的条件下。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287337.5A CN113129263A (zh) | 2021-03-17 | 2021-03-17 | 一种基于深度学习的油位状态检测方法及其电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287337.5A CN113129263A (zh) | 2021-03-17 | 2021-03-17 | 一种基于深度学习的油位状态检测方法及其电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113129263A true CN113129263A (zh) | 2021-07-16 |
Family
ID=76773275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110287337.5A Pending CN113129263A (zh) | 2021-03-17 | 2021-03-17 | 一种基于深度学习的油位状态检测方法及其电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129263A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100322462A1 (en) * | 2009-06-17 | 2010-12-23 | National Applied Research Laboratories | Liquid Level Detection Method |
| JP2018100878A (ja) * | 2016-12-20 | 2018-06-28 | 新日鐵住金株式会社 | 液面形状の抽出方法、装置及びプログラム |
| CN109447061A (zh) * | 2018-09-29 | 2019-03-08 | 南京理工大学 | 基于巡检机器人的电抗器油位计识别方法 |
| CN112036409A (zh) * | 2020-08-13 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种液位计的读数识别方法及装置 |
-
2021
- 2021-03-17 CN CN202110287337.5A patent/CN113129263A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100322462A1 (en) * | 2009-06-17 | 2010-12-23 | National Applied Research Laboratories | Liquid Level Detection Method |
| JP2018100878A (ja) * | 2016-12-20 | 2018-06-28 | 新日鐵住金株式会社 | 液面形状の抽出方法、装置及びプログラム |
| CN109447061A (zh) * | 2018-09-29 | 2019-03-08 | 南京理工大学 | 基于巡检机器人的电抗器油位计识别方法 |
| CN112036409A (zh) * | 2020-08-13 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种液位计的读数识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340752A (zh) | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 | |
| CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
| CN106447721B (zh) | 图像阴影检测方法和装置 | |
| CN110163198B (zh) | 一种表格识别重建方法、装置和存储介质 | |
| CN111008597B (zh) | Cad图纸的空间识别方法、装置、电子设备及存储介质 | |
| US8805077B2 (en) | Subject region detecting apparatus | |
| JP6115214B2 (ja) | パターン処理装置、パターン処理方法、パターン処理プログラム | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN109948521B (zh) | 图像纠偏方法和装置、设备及存储介质 | |
| CN111538799A (zh) | 热力图构建方法、设备、存储介质及装置 | |
| CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
| CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
| US9319666B1 (en) | Detecting control points for camera calibration | |
| CN110717060B (zh) | 图像mask的过滤方法、装置及存储介质 | |
| CN110222576B (zh) | 拳击动作识别方法、装置和电子设备 | |
| US20180350092A1 (en) | System, method, and program for image analysis | |
| CN110827194A (zh) | 图像处理的方法、装置及计算机存储介质 | |
| CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
| CN113129263A (zh) | 一种基于深度学习的油位状态检测方法及其电子设备 | |
| CN114663681A (zh) | 用于对指针式仪表进行读数的方法及其相关产品 | |
| JP2022136365A (ja) | 植物評価装置、植物評価方法、及びプログラム | |
| CN112419460A (zh) | 烘焙模型贴图的方法、装置、计算机设备和存储介质 | |
| CN112419459B (zh) | 烘焙模型ao贴图的方法、装置、计算机设备和存储介质 | |
| JP2014232373A (ja) | 照合対象抽出システム、照合対象抽出方法、照合対象抽出プログラム | |
| CN112583976B (zh) | 图形码显示方法、设备及可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210716 |