CN114037960B - 一种基于机器视觉的翻板阀状态识别方法和系统 - Google Patents
一种基于机器视觉的翻板阀状态识别方法和系统 Download PDFInfo
- Publication number
- CN114037960B CN114037960B CN202210024131.8A CN202210024131A CN114037960B CN 114037960 B CN114037960 B CN 114037960B CN 202210024131 A CN202210024131 A CN 202210024131A CN 114037960 B CN114037960 B CN 114037960B
- Authority
- CN
- China
- Prior art keywords
- valve handle
- valve
- mask
- flap valve
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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]
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种基于机器视觉的翻板阀状态识别方法和系统。
背景技术
在水泥行业中,工业现场烧制水泥时,翻板阀通常用于控制预热器中每层原料的下落过程。当阀体内部有原料通过时,阀柄会按一定角度打开;反之,当阀体内部无原料通过时,阀柄会闭合。在生产过程中,伴随着原料断断续续的通过阀体,翻板阀阀柄会持续的进行开闭运动。这时,一旦翻板阀阀柄呈长时间、大角度静止的打开状态,则表示翻板阀内部可能出现堵塞。由于预热器内部为高温环境,只能进行停产检修,极大的增加了生产成本。
由此可见,及时发现并定位翻板阀的异常状态是有必要的。现有的翻板阀检修方法是人为巡检,通过技术人员在厂区内巡逻,对翻板阀逐一排查,来确定相关故障。这种方式效率低、并行度差,无法及时发现故障问题,且会耗费较多的人力成本。
因此,针对现有的水泥行业,急需一种无人的、全天候适应的智能翻板阀状态监测方法,以解决生产过程中问题发现晚、故障难以定位等问题。从而避免生产延误,并降低故障检修成本。
发明内容
针对上述问题,一方面,本发明公开了一种基于机器视觉的翻板阀状态识别方法,所述方法包括:
基于所述阀柄掩膜图集,结合质心法计算当前帧翻板阀阀柄开合角度;
统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常。
进一步的,执行所述方法之前还包括以下步骤:
调整并固定监控相机的视角,通过所述监控相机采集并输出待检测翻板阀的阀柄运动区域的ROI图像;
进一步的,所述阀柄分割模型包括基干网络和上采样网络;
进一步的,所述上采样网络包括上采样单元和预测头单元Head;
进一步的,所述基于所述阀柄掩膜图集,结合质心法计算当前帧翻板阀阀柄开合角度的步骤具体包括:
再进一步的,所述统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常的步骤具体包括如下内容:
计算的标准差E,如果标准差E不小于波动阈值,则判断阀柄在时间内发生运动,所述翻板阀状态正常;如果标准差E小于波动阈值,则判断翻板阀阀柄处于静止状态,所述翻板阀阀柄处于长时间、大角度静止的打开状态,系统发出故障报警。
另外一方面,本发明还公开了一种基于机器视觉的翻板阀状态识别系统,用于执行所述的翻板阀状态识别方法,所述系统包括:
计算模块,用于基于所述阀柄掩膜图集,结合质心法计算当前帧翻板阀阀柄开合角度;
判断模块,用于统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常。
进一步的,所述系统还包括:
监控相机,用于采集并输出待检测翻板阀的阀柄运动区域的ROI图像,并基于所述ROI图像,获取轴心c和阀柄运动区域的ROI图像的位置;
训练模块,用于接收所述轴心c和阀柄运动区域的ROI图像的位置信息,建立和训练阀柄分割模型,并将所述训练好的阀柄分割模型传输给所述建立模块。
本发明的有益效果:
1、本发明提出了一套完整的翻板阀状态识别方法,通过监控图像的智能分析,能够全天候监测翻板阀阀柄角度变化,从而定位翻板阀异常状态并进行报警。解决了现有翻板阀人工巡检成本高、效率低的问题。
2、本发明所设计的翻板阀分割模型,对不同监控场景和光照条件的鲁棒性高、泛化能力强。并且对于模型输出的阀柄掩膜图集,自动区分了不同的阀柄区域,避免产生连通域粘连等复杂的后处理问题。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1示出了根据本发明实施例的基于机器视觉的翻板阀状态识别方法的流程示意图;
图2示出了根据本发明实施例的利用阀柄分割模型获取阀柄掩膜图集的实施图;
图3示出了根据本发明实施例的阀柄分割模型的模型总体架构图;
图4示出了根据本发明实施例的上采样单元和预测头单元的结构示意图;
图5示出了根据本发明实施例的利用阀柄掩膜图集计算翻板阀阀柄角度的流程图;
图6示出了根据本发明实施例的利用阀柄角度判断翻板阀状态的逻辑流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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所示,本实施例提出一种基于机器视觉的翻板阀状态识别方法,所述方法包括以下步骤:
步骤S200:基于所述阀柄掩膜图集,结合质心法计算当前帧翻板阀阀柄开合角度;
步骤S300:统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常。
其中执行所述方法对翻板阀状态进行识别之前还包括以下步骤:
步骤S001:调整并固定监控相机的视角,通过所述监控相机采集并输出待检测翻板阀的阀柄运动区域的ROI图像;
在本发明的一个实施例中,所述步骤S002中的阀柄分割模型如图3所示,是一种深度学习模型,所述阀柄分割模型包括基干网络和上采样网络;所述阀柄分割模型的输入为所述ROI图像,尺寸定义为;所述阀柄分割模型的输出为翻板阀阀柄的掩膜图集,尺寸定义为;其中,和分别表示ROI图像进行尺寸缩放后的宽度和高度,、和分别表示掩膜图像的宽度、高度和通道数。
在本实施例的一种情况中,所述基干网络用于阀柄特征的逐步提取,包括4个Resnet18的残差单元,记作。每个的步长均为2×2,对应的输出特征图,尺寸分别为、、和。例如,阀柄运动区域图像,尺寸为128×256×3,输出的翻板阀阀柄掩膜图集,尺寸为64×128×16。
其中,如图4(a)所示,上采样网络包括3个上采样单元和1个预测头单元Head。上采样单元用于阀柄特征的逐步融合和增强,预测头单元Head用于控制阀柄掩膜图集的生成。
如图4(a)所示,所述上采样单元,包括由1个核尺寸为1×1的卷积层Conv1×1、2个核尺寸为3×3的卷积层Conv3×3、1个全局平均池化层GlobalAvgPooling和1个步长为2的上采样层Upsample。具体的,上采样单元的输入是上述的输出特征图,输出是尺寸为的特征图;上采样单元的输入由上述的输出特征图和的输出特征图相加构成,输出是尺寸为的特征图;上采样单元的输入由上述的输出特征图和的输出特征图相加构成,输出是尺寸为的特征图。这种采用同尺寸特征相加的方法能够融合低级特征并增强高级特征,从而提升模型性能。例如,上采样单元的输出特征图的尺寸为16×32×64;上采样单元的输出特征图的尺寸为32×64×32;上采样单元的输出特征图的尺寸为364×128×16。
如图4(b)所示,所述预测头单元Head包括3个核尺寸为1×1的卷积层Conv1×1、1个核尺寸为3×3的卷积层Conv3×3和1个激活函数Sigmoid。该预测头单元Head的输入由上述的输出特征图和的输出特征图相加构成,输出是尺寸为的阀柄掩膜图集Mask。例如,预测头单元Head的输出阀柄掩膜图集Mask的尺寸为64×128×16。
特别的,为了增强模型性能,在模型训练阶段,本发明在预测头单元Head中增加了一个辅助训练分支,包括一个全局平均池化层GlobalAvgPooling和激活函数Tanh,该分支的输入为预测头单元Head的最后一层特征,输出是尺寸为1×的翻板阀阀柄倾斜角Angle的正弦值,例如输出尺寸为1×16。
在本发明的一个实施例中,模型训练通过最小化两个损失函数来进行参数优化,分别为掩膜损失和角度损失。优化过程具体包括:
采集N张不同场景下翻板阀监控图像,基于阀柄运动区域ROI图像抠取局部图像作为阀柄分割模型的训练图像,记作;然后对训练图像进行标注,包括阀柄掩膜标注和阀柄倾斜角标注。具体的,对于阀柄掩膜标注,假设当前图像中包含K个阀柄区域,则需要标注K张阀柄掩膜图像,每张阀柄掩膜图像仅包含同一个阀柄。标注时,如下式所示,对于图像的每个像素,若属于阀柄区域则标注为1,反之标注为0。
角度损失用于优化角度预估精度,在本发明中,仅在训练阶段使用,目的在于采用多任务方法增加掩膜图像的生成精度,角度损失函数的表示方式如下:
在本发明的一个实施例中,步骤S100中,基于训练好的阀柄分割模型生成阀柄掩膜图集具体包括:
作为本发明的一个实施例,步骤S200具体流程参考图5所示,包括以下内容:
其中,前景像素点表示掩膜图像中阀柄上的像素点,阀柄区域包括掩膜图像中所有的前景像素点的组合。在实际使用中,通常将前景像素值设为255(白色),背景点像素值设为0(黑色)。
步骤S240:选择平均距离取值最小的直线作为阀柄直线,若取值不小于设定的距离阈值,则舍弃对应的掩膜图像;若取值小于设定的距离阈值,则以该直线的斜率计算出阀柄相对于水平线的倾斜角度,所述倾斜角度设为阀柄的开合角度。
在本发明的一个实施例中,步骤S300中,统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常具体包括以下内容:
其中,翻板阀异常状态可以通过阀柄开合角度在时序上的变化来推理出来。具体的,在报警时长内,若阀柄倾斜角度持续保持大于某个报警角度,且在这段时间内未发生开合运动,则认为翻板阀阀柄处于长时间、大角度的静止状态。这时,认为翻板阀发生堵塞,需要进行故障报警。
步骤S330:计算的标准差E,如果标准差E小于波动阈值,则判断翻板阀阀柄处于静止状态,所述翻板阀阀柄处于长时间、大角度静止的打开状态,系统发出故障报警。如果标准差E不小于波动阈值,则判断阀柄在时间内发生运动,所述翻板阀状态正常。
另外一方面,本发明还提出一种基于机器视觉的翻板阀状态识别系统,所述系统包括:
监控相机,用于采集并输出待检测翻板阀的阀柄运动区域的ROI图像,并基于所述ROI图像,获取轴心c和阀柄运动区域的ROI图像的位置;
训练模块,用于接收所述轴心c和阀柄运动区域的ROI图像的位置信息,建立和训练阀柄分割模型,并将所述训练好的阀柄分割模型传输给所述建立模块;
计算模块,用于基于所述阀柄掩膜图集,结合质心法计算当前帧翻板阀阀柄开合角度;
判断模块,用于统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于机器视觉的翻板阀状态识别方法,其特征在于,所述方法包括:
基于所述阀柄掩膜图集,结合质心法计算当前帧翻板阀阀柄开合角度;
统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常;其中,所述基于所述阀柄掩膜图集,结合质心法计算当前帧翻板阀阀柄开合角度的步骤具体包括:
7.根据权利要求1-6任一项所述的翻板阀状态识别方法,其特征在于,所述统计连续时间段内阀柄的开合角度变化,判定翻板阀状态是否异常的步骤具体包括如下内容:
9.根据权利要求8所述的翻板阀状态识别系统,其特征在于,所述系统还包括:
监控相机,用于采集并输出待检测翻板阀的阀柄运动区域的ROI图像,并基于所述ROI图像,获取轴心c和阀柄运动区域的ROI图像的位置;
训练模块,用于接收所述轴心c和阀柄运动区域的ROI图像的位置信息,建立和训练阀柄分割模型,并将所述训练好的阀柄分割模型传输给所述建立模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024131.8A CN114037960B (zh) | 2022-01-11 | 2022-01-11 | 一种基于机器视觉的翻板阀状态识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024131.8A CN114037960B (zh) | 2022-01-11 | 2022-01-11 | 一种基于机器视觉的翻板阀状态识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037960A CN114037960A (zh) | 2022-02-11 |
CN114037960B true CN114037960B (zh) | 2022-05-24 |
Family
ID=80141545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210024131.8A Active CN114037960B (zh) | 2022-01-11 | 2022-01-11 | 一种基于机器视觉的翻板阀状态识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037960B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973207B (zh) * | 2022-08-01 | 2022-10-21 | 成都航空职业技术学院 | 一种基于目标检测的路标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262734A (zh) * | 2011-01-07 | 2011-11-30 | 浙江省电力公司 | 判别刀闸开合与否的方法及其系统 |
CN111600388A (zh) * | 2020-06-04 | 2020-08-28 | 国网浙江省电力有限公司检修分公司 | 开关设备开合闸状态的监测方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2554539B1 (fr) * | 1983-11-07 | 1986-01-31 | Verdelet Alain | Vanne a papillon perfectionnee |
JP4652717B2 (ja) * | 2004-04-26 | 2011-03-16 | 株式会社ミツトヨ | 画像処理装置及び方法並びにプログラム |
CN111047648B (zh) * | 2018-10-15 | 2023-09-19 | 浙江宇视科技有限公司 | 角度校正方法及装置 |
CN110717932A (zh) * | 2019-09-21 | 2020-01-21 | 南京鑫和汇通电子科技有限公司 | 一种实时跟踪的剪刀式刀闸状态的检测方法 |
CN113487559A (zh) * | 2021-07-02 | 2021-10-08 | 南京杰迈视讯科技有限公司 | 一种变电站隔离开关开合状态实时检测方法 |
CN113469126A (zh) * | 2021-07-23 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种运动状态检测方法、装置、检测设备及存储介质 |
CN113569736A (zh) * | 2021-07-28 | 2021-10-29 | 南方电网数字电网研究院有限公司 | 刀闸状态识别方法、装置、计算机设备和存储介质 |
-
2022
- 2022-01-11 CN CN202210024131.8A patent/CN114037960B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262734A (zh) * | 2011-01-07 | 2011-11-30 | 浙江省电力公司 | 判别刀闸开合与否的方法及其系统 |
CN111600388A (zh) * | 2020-06-04 | 2020-08-28 | 国网浙江省电力有限公司检修分公司 | 开关设备开合闸状态的监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114037960A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022111219A1 (zh) | 一种域自适应设备运检系统和方法 | |
CN113284123B (zh) | 基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法 | |
CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN114627360A (zh) | 基于级联检测模型的变电站设备缺陷识别方法 | |
CN111008632B (zh) | 一种基于深度学习的车牌字符分割方法 | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN113391607A (zh) | 一种基于深度学习的水电站闸门控制方法及系统 | |
CN110705412A (zh) | 一种基于运动历史图像的视频目标检测方法 | |
CN114037960B (zh) | 一种基于机器视觉的翻板阀状态识别方法和系统 | |
CN110490155B (zh) | 一种禁飞空域无人机检测方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN115984238A (zh) | 一种基于深度神经网络的电网绝缘子缺陷检测方法及系统 | |
CN114821154A (zh) | 一种基于深度学习的粮库通风窗状态检测算法 | |
CN114627363A (zh) | 一种基于多任务学习的全景海上船舶态势感知方法 | |
CN114549970A (zh) | 融合全局细粒度信息的夜间小目标果实检测方法及系统 | |
CN114037684A (zh) | 一种基于yolov5和注意力机制模型的疵点检测方法 | |
CN112561885A (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN112967271A (zh) | 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法 | |
CN111767826A (zh) | 一种定时定点场景异常检测方法 | |
CN114782827B (zh) | 一种基于图像的物体抓取点获取方法和装置 | |
CN113382304B (zh) | 一种基于人工智能技术的视频拼接方法 | |
CN115359306A (zh) | 一种铁路货检高清图像智能识别方法和系统 | |
CN112001320B (zh) | 一种基于视频的闸门检测方法 | |
CN110222575B (zh) | 基于注意力机制目标检测的设备综合效率分析方法、装置、系统、设备及存储介质 | |
CN115700737A (zh) | 一种基于视频监控的溢油检测方法 |
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 |