CN113744325B - 一种基于图像识别技术的液位检测装置及方法 - Google Patents

一种基于图像识别技术的液位检测装置及方法 Download PDF

Info

Publication number
CN113744325B
CN113744325B CN202111037326.8A CN202111037326A CN113744325B CN 113744325 B CN113744325 B CN 113744325B CN 202111037326 A CN202111037326 A CN 202111037326A CN 113744325 B CN113744325 B CN 113744325B
Authority
CN
China
Prior art keywords
liquid level
container
liquid
level detection
detection image
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
CN202111037326.8A
Other languages
English (en)
Other versions
CN113744325A (zh
Inventor
刘晓林
陈浩文
冯起赠
刘家誉
王林清
殷国乐
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.)
Institute of Exploration Technology Chinese Academy of Geological Sciences
Original Assignee
Institute of Exploration Technology Chinese Academy of Geological Sciences
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 Institute of Exploration Technology Chinese Academy of Geological Sciences filed Critical Institute of Exploration Technology Chinese Academy of Geological Sciences
Priority to CN202111037326.8A priority Critical patent/CN113744325B/zh
Publication of CN113744325A publication Critical patent/CN113744325A/zh
Application granted granted Critical
Publication of CN113744325B publication Critical patent/CN113744325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

本发明涉及一种基于图像识别技术的液位检测装置及方法，容器为倒置的圆台，容器内部的液体液面半径对应唯一确定液位，摄像机拍摄包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像，图像识别系统将液位检测图像输入训练好的YOLO‑v3检测模型，输出容器顶部敞口的外接矩形的位置坐标和待测液体液面的外接矩形的位置坐标，进而根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，确定待测液体的液位，实现了无视液体自身特性以及环境因素下的液位精准检测。

Description

一种基于图像识别技术的液位检测装置及方法
技术领域
本发明涉及液位检测领域，特别是涉及一种基于图像识别技术的液位检测装置及方法。
背景技术
在工业控制、自动化技术领域中，常面临液位检测问题，常见的液位检测手段都依赖于液位传感器。液位传感器一类为接触式，如电容式、浮球式、电磁式等，另一类为非接触式，如超声波、雷达式。这两类液位传感器在检测液位时，受制于被测液体自身特性以及温湿度、盐度、酸碱度、压力、密度、电磁场等环境因素，在测量精度、可靠性、稳定性等技术指标方面存在瓶颈。另外，在海洋钻井领域中，在无隔水套管、采用开式井口钻井施工中，需要对开式井口钻井液液面进行检测识别。因为水下环境，且通常钻井液密度与海水比较接近，一般的液面检测手段如电磁液位计或密度计等难以满足检测要求。
发明内容
本发明的目的是提供一种基于图像识别技术的液位检测装置及方法，以实现无视液体自身特性以及环境因素下的液位精准检测。
为实现上述目的，本发明提供了如下方案：
一种基于图像识别技术的液位检测装置，所述装置包括：容器、摄像机、光源和图像识别系统；
所述容器为倒置的圆台；摄像机和光源均设置在所述圆台的下底面上方；
所述摄像机的信号输出端与图像识别系统连接，所述摄像机用于拍摄包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像，并将所述液位检测图像传输至图像识别系统；
所述图像识别系统用于根据所述液位检测图像确定待测液体的液位。
可选的，所述容器内壁与待测液体液面对所述光源的反射特性不同。
可选的，所述摄像机竖直布置于容器正上方，所述摄像机的镜头方向正对容器中轴线。
一种基于前述的液位检测装置的液位检测方法，所述方法包括：
获取包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像；
将所述液位检测图像输入训练好的YOLO-v3检测模型，输出容器顶部敞口的外接矩形的位置坐标和待测液体液面的外接矩形的位置坐标；
根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，确定待测液体的液位。
可选的，所述获取包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像，之前还包括：
获取容器中液体样本在不同液位时的包含光源照射下的容器顶部敞口、容器内部液体样本液面以及容器顶部敞口和容器内部液体样本液面之间的容器内壁的液位检测图像样本；
确定每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标；
以不同液位时的液位检测图像样本为输入量，以每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标为输出量，构建训练样本集；
利用所述训练样本集对YOLO-v3检测模型进行训练，获得训练好的YOLO-v3检测模型。
可选的，所述以不同液位时的液位检测图像样本为输入量，以每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标为输出量，构建训练样本集，之前还包括：
对不同液位时的液位检测图像样本进行尺寸归一化和修复处理。
可选的，所述修复处理，具体包括：
获取每个液位检测图像样本的平均亮度，并判断每个液位检测图像样本的平均亮度是否大于亮度阈值，获得第一判断结果；
若所述第一判断结果表示否，则将平均亮度小于或等于亮度阈值的液位检测图像样本输入Enlighten GAN进行增强，获得增强后的液位检测图像样本；
若所述第一判断结果表示是，则对平均亮度大于亮度阈值的液位检测图像样本做自适应直方图均衡和伽马校正，获得校正后的液位检测图像样本。
可选的，若所述第一判断结果表示是，则对平均亮度大于亮度阈值的液位检测图像样本做自适应直方图均衡和伽马校正，获得校正后的液位检测图像样本，之后还包括：
备份每个液位检测图像样本，并将每个液位检测图像样本的备份转换为灰度图；
对每个灰度图进行Canny变换，获得Canny变换后的图像样本；
分别计算每个液位检测图像样本的方差和每个Canny变换后的图像样本的方差，并判断每个液位检测图像样本的方差是否大于各自Canny变换后的图像样本的方差，获得第二判断结果；
若所述第二判断结果表示否，则将液位检测图像样本的方差小于或等于Canny变换后的图像样本的方差的液位检测图像样本输入Deblur GAN-v2进行去噪处理，获得去躁后的液位检测图像样本；
若所述第二判断结果表示是，则对液位检测图像样本的方差大于Canny变换后的图像样本的方差的液位检测图像样本做自适应直方图均衡和伽马校正，获得校正后的液位检测图像样本。
可选的，所述根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，确定待测液体的液位，具体包括：
根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，利用公式确定待测液体的液位；
其中，h为待测液体的液位，R为容器顶部敞口的半径，α为容器的圆锥母线与高的夹角；(xlt，ylt，xrb，yrb)为容器顶部敞口的外接矩形的位置坐标，xlt为容器顶部敞口的外接矩形左上角横坐标，ylt为容器顶部敞口的外接矩形左上角纵坐标，xrb为容器顶部敞口的外接矩形右下角横坐标，yrb为容器顶部敞口的外接矩形右下角纵坐标；(x′lt，y′lt，x′rb，y′rb)为待测液体液面的外接矩形的位置坐标，x′lt为待测液体液面的外接矩形左上角横坐标，y′lt为待测液体液面的外接矩形左上角纵坐标，x′rb为待测液体液面的外接矩形右下角横坐标，y′rb为待测液体液面的外接矩形右下角纵坐标。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于深度学习图像识别技术的液位检测装置及方法，容器为倒置的圆台，容器内部的液体液面半径对应唯一确定液位，摄像机拍摄包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像，图像识别系统将液位检测图像输入训练好的YOLO-v3检测模型，输出容器顶部敞口的外接矩形的位置坐标和待测液体液面的外接矩形的位置坐标，进而根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，确定待测液体的液位，实现了无视液体自身特性以及恶劣环境因素下的液位精准检测。
与基于传统图像识别技术的液位检测方法相比，本发明的检测精度更高，检测模型根据提取到的高级语义特征，能够准确获取圆形液位的尺寸和位置，不再是仅通过低级语义特征，例如：颜色，纹理，形状。
与基于传统图像识别技术的液位检测方法相比，本发明的抗干扰能力更强，检测模型只会检测待测液体液面和容器顶部敞口。检测模型训练了数据增强后的数据集，将受到水下生物干扰的影响降到最小。
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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于图像识别技术的液位检测装置的示意图；
图2为本发明提供的液位检测方法的流程图；
图3为本发明提供的外接矩阵示意图；图3(a)为液位检测图像，图3(b)为容器顶部敞口的外接矩形示意图，图3(c)为液体样本液面的外接矩形示意图；
图4为本发明提供的不同液位时的外接矩阵示意图；图4(a)为液位为h0时的外接矩阵示意图，图4(b)为液位为h1时的外接矩形示意图，图4(c)为液位为h2时的外接矩形示意图，图4(d)为液位为h3时的外接矩形示意图；
图5为本发明提供的待测液体的液位确定原理图；
图6为本发明提供的液位与液面半径的关系图。
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。
本发明的目的是提供一种基于图像识别技术的液位检测装置及方法，以实现无视液体自身特性以及环境因素下的液位精准检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开了一种基于图像识别技术的液位检测装置，如图1所示，装置包括：容器、摄像机、光源和图像识别系统。
容器为倒置的圆台；摄像机和光源均设置在圆台的下底面上方。
摄像机的信号输出端与图像识别系统连接，摄像机用于拍摄包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像，并将液位检测图像传输至图像识别系统。
图像识别系统用于根据液位检测图像确定待测液体的液位。
图1中，容器为圆锥特制容器，特制容器为上大下小的锥体结构；为方便公式化计算，特制容器一般设置为几何规则的倒圆锥或多棱锥的一部分。圆锥特制容器特性在于当液面面积确定时，其内的液体液位唯一确定。其中，待测液体的液位为h0时，待测液体的液面半径为r0；待测液体的液位为h1时，待测液体的液面半径为r1；待测液体的液位为h2时，待测液体的液面半径为r2；待测液体的液位为h3时，待测液体的液面半径为r3；容器顶部敞口的半径为R，容器的圆锥母线与高的夹角为α，待测液体的液位最大值为H。
为便于图像识别软件识别容器顶部敞口和容器内部待测液体液面，容器内壁与待测液体液面对光源的反射特性不同。
摄像机竖直布置于容器正上方，摄像机的镜头方向正对容器中轴线。
基于前述的液位检测装置，本发明还提供了一种液位检测方法，如图2所示，方法包括：
步骤101，获取包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像。
步骤102，将液位检测图像输入训练好的YOLO-v3检测模型，输出容器顶部敞口的外接矩形的位置坐标和待测液体液面的外接矩形的位置坐标，如图3所示，图3(a)为液位检测图像，图3(b)为容器顶部敞口的外接矩形示意图，图3(c)为液体样本液面的外接矩形示意图。
步骤103，根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，确定待测液体的液位。
具体过程如下：
步骤S1：设置摄像机实时监测液位，把采集到的检测液位图片上传至服务器。图像识别系统识别的液面像素轮廓为特制容器对应液面的水平截面。服务器获取容器中液体样本在不同液位时的包含光源照射下的容器顶部敞口、容器内部液体样本液面以及容器顶部敞口和容器内部液体样本液面之间的容器内壁的液位检测图像样本。
步骤S2：对不同液位时的液位检测图像样本进行尺寸归一化和修复处理。
对图片做修复处理包括：
步骤S2-1：计算图片光照的平均亮度，若平均亮度大于128，则转至步骤S2-3；否则，对该图片进行亮度增强处理，把图片输入Enlighten GAN对低光图像进行增强，Enlighten GAN通过自正则化感知损失，来约束低光图片与增强图片的特征的差异，尽量避免丢失细节；
步骤S2-2：将原图片备份，并对原图片的备份转换为灰度图并做Canny变换，求原图片与Canny变换后的图片的方差。若原图片的方差大于Canny变换后图片的方差，则跳转至步骤S2-3；否则，对该图片进行去噪处理，把图片输入Deblur GAN-v2，以消除水下波动给图片带来的动态模糊；
步骤S2-3：对图片做自适应直方图均衡、伽马校正。
步骤S3：服务器用采集到的图片制作数据集，分为以下两个步骤：
步骤S3-1，确定每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标，将容器顶部敞口的外接矩形的类别记为1，液体样本的外接矩形的类别记为2，如图4所示。
步骤S3-2，以不同液位时的液位检测图像样本为输入量，以每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标为输出量，构建训练样本集。
步骤S4：服务器利用训练样本集对YOLO-v3检测模型进行训练，获得训练好的YOLO-v3检测模型。
训练过程包括：
步骤S4-1：对原图片加入随机噪声、做随机颜色通道变换，以增强检测系统健壮性；
步骤S4-2：将图片送入YOLO-v3的DarkNet-53主干特征提取网络，得到的特征图作为图片特征，采用FPN(feature pyramid networks，特征金字塔网络)做特征融合，并得到进一步抽象的图片特征，将进一步抽象的图片特征送入header部分对图片内的目标进行检测，对检测结果做NMS(Non Maximum Suppression，非极大值抑制)，得到最终的检测结果，容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标。
步骤S4-3：将检测结果与标签代入损失函数，通过梯度下降法，最小化损失，反向传播优化网络的参数。
步骤S5：通过摄像机获取当前待检测图片，上传至所述服务器，并使用训练完成的YOLO-v3模型检测倒圆锥形容器的圆形顶部敞口，得到容器顶部敞口的外接矩形的位置坐标(xlt，ylt，xrb，yrb)，检测出待测液体液面的外接矩形的位置坐标(x′lt，y′lt，x′rb，y′rb)。
步骤S6：将待测液体液面的外接矩形的位置坐标转换为当前水位值，具体包括：
根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，利用公式确定待测液体的液位；
计算待测液体的液位的公式推导过程为：记液位半径为r，容器顶部敞口的半径为R，记液位半径为r与容器顶部敞口半径R的比值为γ，圆锥母线与高的夹角为arctanα(特制容器tanα已知)，其中因为特制容器顶部敞口的实际半径R(cm)已知，则待测液面实际水位值为
如图5所示，设矩形图片左上角为原点O，坐标为(0，0)。其中，xlt表示容器顶部敞口的外接矩形左上角(left-top)横坐标；ylt表示容器顶部敞口的外接矩形左上角(left-top)纵坐标；xrb表示容器顶部敞口的外接矩形右下角(right-bottom)横坐标；yrb表示容器顶部敞口的外接矩形右下角(right-bottom)纵坐标。x′lt表示待测液体液面的外接矩形左上角(left-top)横坐标；y′lt表示待测液体液面的外接矩形左上角(left-top)纵坐标；x′rb表示待测液体液面的外接矩形右下角(right-bottom)横坐标；y′rb表示待测液体液面的外接矩形右下角(right-bottom)纵坐标。
本发明除了以上方法，由于圆锥特制容器特性在于当液面面积确定时，其内的液体液位唯一确定，因而得到图5所示的液位与液面半径的关系图。进而通过图像识别系统通过图像识别技术识别出圆形液面半径，直接根据图6的对应关系确定液位。
本发明设置特性在于当液面面积确定时，其内的液体液位唯一确定的特制容器，当特制容器内液位变化时，不同液位对应不同液面半径，且给定液面半径对应唯一确定液位，通过与其竖直中心相对布置的图像识别摄像机识别液面半径，经图像参数修正、公式计算输出当前液位检测结果，在特制容器内表面与光源反射特性设置得当条件下，实现无视液体自身特性以及环境因素下的液位精准检测。
本发明提供的一种基于图像识别技术的液位检测装置及方法用于海洋钻井领域时，由于钻井液(待测液体)与纯净海水在透光性和颜色方面存在显著差异，两者交汇处会形成可以视觉识别的交界面，检测模型只需检测该交界面和容器顶部敞口，将受到水下生物干扰的影响降到最小，克服了一般的液面检测手段如电磁液位计或密度计等难以满足检测要求的缺陷，能够对开式井口钻井液液面进行精准检测识别。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于液位检测装置的液位检测方法，其特征在于，所述装置用于海洋钻井，所述装置包括：容器、摄像机、光源和图像识别系统；所述容器为倒置的圆台，容器内部的液体液面半径对应唯一确定液位；摄像机和光源均设置在所述圆台的下底面上方；所述摄像机的信号输出端与图像识别系统连接，对开式井口钻井液液面进行检测识别时，所述摄像机用于拍摄包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像，并将所述液位检测图像传输至图像识别系统；所述容器内壁与待测液体液面对所述光源的反射特性不同；所述图像识别系统用于根据所述液位检测图像确定待测液体的液位；
所述方法包括：
获取包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像；
将所述液位检测图像输入训练好的YOLO-v3检测模型，输出容器顶部敞口的外接矩形的位置坐标和待测液体液面的外接矩形的位置坐标；
根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，确定待测液体的液位；
所述获取包含光源照射下的容器顶部敞口、容器内部待测液体液面以及容器顶部敞口和容器内部待测液体液面之间的容器内壁的液位检测图像，之前还包括：
获取容器中液体样本在不同液位时的包含光源照射下的容器顶部敞口、容器内部液体样本液面以及容器顶部敞口和容器内部液体样本液面之间的容器内壁的液位检测图像样本；
确定每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标；
以不同液位时的液位检测图像样本为输入量，以每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标为输出量，构建训练样本集；
利用所述训练样本集对YOLO-v3检测模型进行训练，获得训练好的YOLO-v3检测模型；
所述以不同液位时的液位检测图像样本为输入量，以每个液位检测图像样本中容器顶部敞口的外接矩形的位置坐标和液体样本液面的外接矩形的位置坐标为输出量，构建训练样本集，之前还包括：
对不同液位时的液位检测图像样本进行尺寸归一化和修复处理；
所述修复处理，具体包括：
获取每个液位检测图像样本的平均亮度，并判断每个液位检测图像样本的平均亮度是否大于亮度阈值，获得第一判断结果；
若所述第一判断结果表示否，则将平均亮度小于或等于亮度阈值的液位检测图像样本输入EnlightenGAN进行增强，获得增强后的液位检测图像样本；
若所述第一判断结果表示是，则对平均亮度大于亮度阈值的液位检测图像样本做自适应直方图均衡和伽马校正，获得校正后的液位检测图像样本；
若所述第一判断结果表示是，则对平均亮度大于亮度阈值的液位检测图像样本做自适应直方图均衡和伽马校正，获得校正后的液位检测图像样本，之后还包括：
备份每个液位检测图像样本，并将每个液位检测图像样本的备份转换为灰度图；
对每个灰度图进行Canny变换，获得Canny变换后的图像样本；
分别计算每个液位检测图像样本的方差和每个Canny变换后的图像样本的方差，并判断每个液位检测图像样本的方差是否大于各自Canny变换后的图像样本的方差，获得第二判断结果；
若所述第二判断结果表示否，则将液位检测图像样本的方差小于或等于Canny变换后的图像样本的方差的液位检测图像样本输入Deblur GAN-v2进行去噪处理，获得去躁后的液位检测图像样本；
若所述第二判断结果表示是，则对液位检测图像样本的方差大于Canny变换后的图像样本的方差的液位检测图像样本做自适应直方图均衡和伽马校正，获得校正后的液位检测图像样本。
2.根据权利要求1所述的液位检测方法，其特征在于，所述根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，确定待测液体的液位，具体包括：
根据容器顶部敞口的外接矩形的位置坐标、待测液体液面的外接矩形的位置坐标和容器的尺寸参数，利用公式，确定待测液体的液位；
其中，h为待测液体的液位，R为容器顶部敞口的半径，α为容器的圆锥母线与高的夹角；为容器顶部敞口的外接矩形的位置坐标，/>为容器顶部敞口的外接矩形左上角横坐标，/>为容器顶部敞口的外接矩形左上角纵坐标，/>为容器顶部敞口的外接矩形右下角横坐标，/>为容器顶部敞口的外接矩形右下角纵坐标；/>为待测液体液面的外接矩形的位置坐标，/>为待测液体液面的外接矩形左上角横坐标，/>为待测液体液面的外接矩形左上角纵坐标，/>为待测液体液面的外接矩形右下角横坐标，/>为待测液体液面的外接矩形右下角纵坐标。
3.根据权利要求1所述的液位检测方法，其特征在于，所述摄像机竖直布置于容器正上方，所述摄像机的镜头方向正对容器中轴线。
CN202111037326.8A 2021-09-06 2021-09-06 一种基于图像识别技术的液位检测装置及方法 Active CN113744325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111037326.8A CN113744325B (zh) 2021-09-06 2021-09-06 一种基于图像识别技术的液位检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111037326.8A CN113744325B (zh) 2021-09-06 2021-09-06 一种基于图像识别技术的液位检测装置及方法

Publications (2)

Publication Number Publication Date
CN113744325A CN113744325A (zh) 2021-12-03
CN113744325B true CN113744325B (zh) 2024-04-26

Family

ID=78735901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111037326.8A Active CN113744325B (zh) 2021-09-06 2021-09-06 一种基于图像识别技术的液位检测装置及方法

Country Status (1)

Country Link
CN (1) CN113744325B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114247550A (zh) * 2021-12-14 2022-03-29 上海彩生色料化学股份有限公司 一种珠磨循环自动切换装置及其控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003179809A (ja) * 2001-12-10 2003-06-27 Sony Corp カメラ装置及びその信号処理方法
CN101586956A (zh) * 2009-06-18 2009-11-25 上海交通大学 基于单目摄像机的河流水位监测方法
TW201418671A (zh) * 2012-11-01 2014-05-16 Univ Ishou 水位量測方法
CN203881398U (zh) * 2014-01-15 2014-10-15 北京艾力泰尔信息技术有限公司 图像识别式水位采集仪
CN107506798A (zh) * 2017-08-31 2017-12-22 福建四创软件有限公司 一种基于图像识别的水位监测方法
KR20180095251A (ko) * 2017-02-17 2018-08-27 현대모비스 주식회사 카메라 모니터링 시스템 및 이의 영상 보정 방법
CN108665428A (zh) * 2018-04-26 2018-10-16 青岛海信移动通信技术股份有限公司 图像增强方法、装置、设备及存储介质
CN110428416A (zh) * 2019-08-06 2019-11-08 广东工业大学 一种液位视觉检测方法及装置
CN111435080A (zh) * 2019-01-15 2020-07-21 杭州海康威视数字技术股份有限公司 一种水位测量方法、装置及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003179809A (ja) * 2001-12-10 2003-06-27 Sony Corp カメラ装置及びその信号処理方法
CN101586956A (zh) * 2009-06-18 2009-11-25 上海交通大学 基于单目摄像机的河流水位监测方法
TW201418671A (zh) * 2012-11-01 2014-05-16 Univ Ishou 水位量測方法
CN203881398U (zh) * 2014-01-15 2014-10-15 北京艾力泰尔信息技术有限公司 图像识别式水位采集仪
KR20180095251A (ko) * 2017-02-17 2018-08-27 현대모비스 주식회사 카메라 모니터링 시스템 및 이의 영상 보정 방법
CN107506798A (zh) * 2017-08-31 2017-12-22 福建四创软件有限公司 一种基于图像识别的水位监测方法
CN108665428A (zh) * 2018-04-26 2018-10-16 青岛海信移动通信技术股份有限公司 图像增强方法、装置、设备及存储介质
CN111435080A (zh) * 2019-01-15 2020-07-21 杭州海康威视数字技术股份有限公司 一种水位测量方法、装置及系统
CN110428416A (zh) * 2019-08-06 2019-11-08 广东工业大学 一种液位视觉检测方法及装置

Also Published As

Publication number Publication date
CN113744325A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113469177B (zh) 基于深度学习的排水管道缺陷检测方法及系统
CN107506798B (zh) 一种基于图像识别的水位监测方法
CN113971779B (zh) 一种基于深度学习的水尺自动读数方法
CN106197612B (zh) 一种基于机器视觉的透明瓶装液位检测方法
CN106568783A (zh) 一种五金零件缺陷检测系统及方法
CN111127429A (zh) 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法
CN106501183A (zh) 一种水情监测系统的监测方法
CN111476120B (zh) 一种无人机智能船舶水尺识别方法及装置
CN103488992B (zh) 一种面向复杂sar图像场景的溢油检测方法
CN101819024B (zh) 一种基于机器视觉的二维位移检测方法
CN112330593A (zh) 基于深度学习网络的建筑物表面裂缝检测方法
CN113744325B (zh) 一种基于图像识别技术的液位检测装置及方法
CN115841449B (zh) 排水管道结构性缺陷纵向定位的单目测距方法及存储介质
CN109064479A (zh) 一种基于邻近视频帧灰度动态特征的海天线检测方法
CN112308828A (zh) 一种密封设备气密性的人工智能检测方法和检测系统
CN118071735B (zh) 一种液漏检测方法及系统
CN116563262A (zh) 基于多模态的建筑裂缝检测算法
CN114359149B (zh) 基于实时图像边缘增强的坝岸险情视频检测方法及系统
TWI396832B (zh) Liquid level identification method
CN112036404B (zh) 一种海上船只目标检测方法及系统
CN117522778A (zh) 一种空心砖瑕疵检测系统
Zhen et al. Visual detection algorithm of water line based on feature fusion
KR20230110861A (ko) 딥러닝을 이용한 소나 영상내의 어류 검출 방법
CN108734707B (zh) 一种基于红外线激光和3d相机的手机喇叭泡棉有无检测方法
CN117590857B (zh) 一种基于机器视觉的水下环境探测方法

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
GR01 Patent grant
GR01 Patent grant