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 PDF

Info

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
Application number
CN202210024131.8A
Other languages
English (en)
Other versions
CN114037960A (zh
Inventor
段连飞
刘世胜
戴亮亮
刘传峰
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.)
Hefei Gstar Intelligent Control Technical Co Ltd
Original Assignee
Hefei Gstar Intelligent Control Technical Co Ltd
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 Hefei Gstar Intelligent Control Technical Co Ltd filed Critical Hefei Gstar Intelligent Control Technical Co Ltd
Priority to CN202210024131.8A priority Critical patent/CN114037960B/zh
Publication of CN114037960A publication Critical patent/CN114037960A/zh
Application granted granted Critical
Publication of CN114037960B publication Critical patent/CN114037960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

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，所述方法包括：实时获取翻板阀监控图像
Figure 100004_DEST_PATH_IMAGE001
，并基于训练好的阀柄分割模型生成阀柄掩膜图集；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。本发明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；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。

Description

一种基于机器视觉的翻板阀状态识别方法和系统
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：
实时获取翻板阀监控图像
Figure 48153DEST_PATH_IMAGE001
，并基于训练好的阀柄分割模型生成阀柄掩膜图集；
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；
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，分别记作
Figure 699714DEST_PATH_IMAGE002
和
Figure 276189DEST_PATH_IMAGE003
，建立并训练阀柄分割模型；
其中，所述ROI图像是RGB彩色图像，
Figure 405819DEST_PATH_IMAGE004
、
Figure 16929DEST_PATH_IMAGE005
分别表示轴心c在所述监控图像中的横、纵坐标。
Figure 573812DEST_PATH_IMAGE006
、
Figure 637583DEST_PATH_IMAGE007
分别为所述ROI图像左上角顶点的横、纵坐标，
Figure 570904DEST_PATH_IMAGE008
和
Figure 36521DEST_PATH_IMAGE009
分别表示所述ROI图像的像素宽度和高度。
进一步的，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
Figure 764305DEST_PATH_IMAGE010
；
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
Figure 315372DEST_PATH_IMAGE011
；
其中，
Figure 786805DEST_PATH_IMAGE012
和
Figure 106928DEST_PATH_IMAGE013
分别表示ROI图像进行尺寸缩放后的宽度和高度，
Figure 271193DEST_PATH_IMAGE014
、
Figure 309556DEST_PATH_IMAGE015
和
Figure 319100DEST_PATH_IMAGE016
分别表示掩膜图集的宽度、高度和通道数。
进一步的，所述基干网络包括若干个基于Resnet-18模型的残差单元，设为
Figure 759309DEST_PATH_IMAGE017
所述残差单元的输入为所述ROI图像，尺寸为
Figure 828896DEST_PATH_IMAGE018
，每个残差单元
Figure 354555DEST_PATH_IMAGE019
对应的输出为特征图
Figure 167791DEST_PATH_IMAGE020
,
Figure 462506DEST_PATH_IMAGE021
,尺寸设为
Figure 968573DEST_PATH_IMAGE022
。
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；
所述上采样单元包括若干个
Figure 715950DEST_PATH_IMAGE023
，每个
Figure 332876DEST_PATH_IMAGE024
的输出为特征图
Figure 482097DEST_PATH_IMAGE025
，
Figure 159066DEST_PATH_IMAGE026
；所述上采样单元的每个
Figure 393739DEST_PATH_IMAGE027
的输入为
Figure 548776DEST_PATH_IMAGE028
和
Figure 818084DEST_PATH_IMAGE029
，且j=i；
当j=n-1时，所述
Figure 665954DEST_PATH_IMAGE030
的输入为
Figure 387922DEST_PATH_IMAGE031
；
所述预测头单元Head的输入为
Figure 346651DEST_PATH_IMAGE032
和
Figure 204886DEST_PATH_IMAGE033
，输出为翻板阀阀柄的掩膜图集。
进一步的，所述的实时获取翻板阀监控图像
Figure 223657DEST_PATH_IMAGE034
，并基于训练好的阀柄分割模型生成阀柄掩膜图集的步骤具体包括：
固定所述阀柄分割模型的模型参数，预测每个所述监控图像
Figure 432922DEST_PATH_IMAGE035
对应的阀柄掩膜图集
Figure 195341DEST_PATH_IMAGE036
，尺寸设为
Figure 173662DEST_PATH_IMAGE037
；
统计每个所述阀柄掩膜图集
Figure 97755DEST_PATH_IMAGE038
中的每张阀柄掩膜图的前景区域面积，并筛选出面积大于设定阈值
Figure 794316DEST_PATH_IMAGE039
的阀柄掩膜图，设为标准阀柄掩膜图；
其中，每个所述阀柄掩膜图集
Figure 94847DEST_PATH_IMAGE040
包括
Figure 193253DEST_PATH_IMAGE041
张尺寸为
Figure 288248DEST_PATH_IMAGE042
的阀柄掩膜图；所述监控图像
Figure 472105DEST_PATH_IMAGE043
包括a个翻板阀阀柄，
Figure 576327DEST_PATH_IMAGE044
；
所述阀柄掩膜图集
Figure 263660DEST_PATH_IMAGE045
的第x张掩膜图为监控图像
Figure 795136DEST_PATH_IMAGE035
的第x个翻板阀阀柄的掩膜图像，
Figure 200709DEST_PATH_IMAGE046
。
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：
获取标准阀柄掩膜图，设定所述标准阀柄掩膜图中包括M张掩膜图像
Figure 108623DEST_PATH_IMAGE047
，并计算每张掩膜图像
Figure 916042DEST_PATH_IMAGE048
的前景区域的质心，设为
Figure 618418DEST_PATH_IMAGE049
；
分别连接每张掩膜图像
Figure 511288DEST_PATH_IMAGE050
的翻板阀轴心c和质心
Figure 957313DEST_PATH_IMAGE051
，输出M条对应的直线，设为
Figure 619238DEST_PATH_IMAGE052
；
基于每条
Figure 492516DEST_PATH_IMAGE052
直线和对应的掩膜图像
Figure 872682DEST_PATH_IMAGE050
，计算所有前景像素点到直线
Figure 856819DEST_PATH_IMAGE052
的平均距离，设为
Figure 638830DEST_PATH_IMAGE053
，
Figure 683009DEST_PATH_IMAGE054
；
选择平均距离
Figure 550471DEST_PATH_IMAGE055
取值最小的直线
Figure 338299DEST_PATH_IMAGE056
作为阀柄直线，若
Figure 974816DEST_PATH_IMAGE057
取值不小于设定的距离阈值
Figure 986635DEST_PATH_IMAGE058
，则舍弃对应的掩膜图像
Figure 13496DEST_PATH_IMAGE059
；若
Figure 667332DEST_PATH_IMAGE060
取值小于设定的距离阈值
Figure 96039DEST_PATH_IMAGE061
，则以该直线的斜率计算出阀柄相对于水平线的倾斜角度
Figure 544338DEST_PATH_IMAGE062
，所述倾斜角度
Figure 324075DEST_PATH_IMAGE062
设为阀柄的开合角度；
其中，num表示掩膜图像中属于阀柄区域的前景像素点个数，
Figure 516022DEST_PATH_IMAGE063
表示第z个前景像素点的坐标，
Figure 799236DEST_PATH_IMAGE064
表示前景像素点
Figure 684015DEST_PATH_IMAGE065
到直线
Figure 685469DEST_PATH_IMAGE056
的距离。
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：
设定报警时长
Figure 681107DEST_PATH_IMAGE066
，利用所述的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计算并统计报警时长
Figure 615565DEST_PATH_IMAGE067
内翻板阀阀柄的角度值，设为
Figure 608929DEST_PATH_IMAGE068
；
若
Figure 159996DEST_PATH_IMAGE069
均大于设定的大角度阈值
Figure 631428DEST_PATH_IMAGE070
，则进一步对
Figure 951551DEST_PATH_IMAGE071
的标准差E进行分析；若
Figure 115816DEST_PATH_IMAGE072
至少有一次小于设定的大角度阈值
Figure 888600DEST_PATH_IMAGE073
，则判断翻板阀状态正常；
所述的进一步对
Figure 163724DEST_PATH_IMAGE071
的标准差E进行分析的步骤具体包括：
计算
Figure 603933DEST_PATH_IMAGE074
的标准差E，如果标准差E不小于波动阈值
Figure 673520DEST_PATH_IMAGE075
，则判断阀柄在
Figure 199179DEST_PATH_IMAGE076
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
Figure 12414DEST_PATH_IMAGE075
，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：
建立模块，用于实时获取翻板阀监控图像
Figure 307129DEST_PATH_IMAGE043
，并基于训练好的阀柄分割模型生成阀柄掩膜图集；
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S100：实时获取翻板阀监控图像
Figure 547618DEST_PATH_IMAGE043
，并基于训练好的阀柄分割模型生成阀柄掩膜图集；
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；
步骤S002：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，分别记作
Figure 560573DEST_PATH_IMAGE002
和
Figure 177499DEST_PATH_IMAGE003
，建立并训练阀柄分割模型，参考图2所示。
其中，所述ROI图像是RGB彩色图像，
Figure 326721DEST_PATH_IMAGE004
、
Figure 3690DEST_PATH_IMAGE005
分别表示轴心c在所述监控图像中的横、纵坐标。
Figure 238362DEST_PATH_IMAGE006
、
Figure 393400DEST_PATH_IMAGE007
分别为所述ROI图像左上角顶点的横、纵坐标，
Figure 662707DEST_PATH_IMAGE008
和
Figure 244998DEST_PATH_IMAGE009
分别表示ROI图像的像素宽度和高度。
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
Figure 966967DEST_PATH_IMAGE010
；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
Figure 925695DEST_PATH_IMAGE011
；其中，
Figure 49509DEST_PATH_IMAGE012
和
Figure 865018DEST_PATH_IMAGE013
分别表示ROI图像进行尺寸缩放后的宽度和高度，
Figure 11966DEST_PATH_IMAGE014
、
Figure 571123DEST_PATH_IMAGE015
和
Figure 487127DEST_PATH_IMAGE016
分别表示掩膜图像的宽度、高度和通道数。
具体来说，
Figure 750835DEST_PATH_IMAGE008
和
Figure 385079DEST_PATH_IMAGE009
表示的是ROI图像的原始尺寸，不同场景下的ROI图像原始尺寸可能会不同，
Figure 747927DEST_PATH_IMAGE012
和
Figure 518437DEST_PATH_IMAGE013
分别表示所述ROI图像进行尺寸缩放后的固定尺寸，所有的ROI图像在输入模型前都会进行尺寸缩放至一固定尺寸。
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
Figure 675749DEST_PATH_IMAGE077
。每个
Figure 859606DEST_PATH_IMAGE019
的步长均为2×2，对应的输出特征图
Figure 698249DEST_PATH_IMAGE078
，尺寸分别为
Figure 651161DEST_PATH_IMAGE079
、
Figure 182637DEST_PATH_IMAGE080
、
Figure 588210DEST_PATH_IMAGE081
和
Figure 292861DEST_PATH_IMAGE082
。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
Figure 37963DEST_PATH_IMAGE083
，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
Figure 802657DEST_PATH_IMAGE084
的输入是上述
Figure 633210DEST_PATH_IMAGE085
的输出特征图
Figure 875972DEST_PATH_IMAGE086
，输出是尺寸为
Figure 741160DEST_PATH_IMAGE087
的特征图
Figure 676755DEST_PATH_IMAGE088
；上采样单元
Figure 994604DEST_PATH_IMAGE089
的输入由上述
Figure 41057DEST_PATH_IMAGE090
的输出特征图
Figure 760751DEST_PATH_IMAGE091
和
Figure 867248DEST_PATH_IMAGE092
的输出特征图
Figure 672393DEST_PATH_IMAGE093
相加构成，输出是尺寸为
Figure 522537DEST_PATH_IMAGE094
的特征图
Figure 96738DEST_PATH_IMAGE095
；上采样单元
Figure 374135DEST_PATH_IMAGE096
的输入由上述
Figure 400997DEST_PATH_IMAGE097
的输出特征图
Figure 54832DEST_PATH_IMAGE098
和
Figure 483540DEST_PATH_IMAGE099
的输出特征图
Figure 931839DEST_PATH_IMAGE100
相加构成，输出是尺寸为
Figure 711576DEST_PATH_IMAGE101
的特征图
Figure 903523DEST_PATH_IMAGE102
。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
Figure 186737DEST_PATH_IMAGE092
的输出特征图
Figure 71516DEST_PATH_IMAGE093
的尺寸为16×32×64；上采样单元
Figure 72970DEST_PATH_IMAGE089
的输出特征图
Figure 803029DEST_PATH_IMAGE100
的尺寸为32×64×32；上采样单元
Figure 206328DEST_PATH_IMAGE096
的输出特征图
Figure 262009DEST_PATH_IMAGE102
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
Figure 485180DEST_PATH_IMAGE103
的输出特征图
Figure 284508DEST_PATH_IMAGE104
和
Figure 542314DEST_PATH_IMAGE105
的输出特征图
Figure 503317DEST_PATH_IMAGE106
相加构成，输出是尺寸为
Figure 479364DEST_PATH_IMAGE107
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×
Figure 816804DEST_PATH_IMAGE108
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
Figure 929116DEST_PATH_IMAGE109
；然后对训练图像
Figure 326600DEST_PATH_IMAGE110
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
Figure 524363DEST_PATH_IMAGE110
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
Figure 665494DEST_PATH_IMAGE111
仅包含同一个阀柄。标注时，如下式所示，对于图像
Figure 897892DEST_PATH_IMAGE110
的每个像素
Figure 200698DEST_PATH_IMAGE112
，若属于阀柄区域则标注为1，反之标注为0。
Figure 151336DEST_PATH_IMAGE113
对于阀柄倾斜角标注，K个阀柄区域，需要通过策略标注对应的K个阀柄倾斜角，记作
Figure 830579DEST_PATH_IMAGE114
。标注完成后，即获得N个训练数据，每个数据包含原图像
Figure 917484DEST_PATH_IMAGE110
、掩膜标注
Figure 391191DEST_PATH_IMAGE115
和角度标注
Figure 563546DEST_PATH_IMAGE116
。
然后，利用上述N个已标注数据，对模型进行迭代优化。具体的，模型通过最小化两个损失函数进行参数优化，分别为掩膜损失和角度损失。掩膜损失
Figure 46480DEST_PATH_IMAGE117
用于优化阀柄掩膜图像的生成精度，计算方式如下式所示：
Figure 987891DEST_PATH_IMAGE118
其中，
Figure 898078DEST_PATH_IMAGE119
表示掩膜标注第k个标注图像在(x，y)处的像素值，
Figure 557730DEST_PATH_IMAGE120
表示阀柄分割模型中阀柄掩膜阀柄掩膜图集Mask的输出尺寸。
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：
Figure 578775DEST_PATH_IMAGE121
其中，
Figure 640272DEST_PATH_IMAGE122
表示训练阶段，阀柄分割模型预测的第k个翻板阀阀柄倾斜角余弦值，
Figure 721361DEST_PATH_IMAGE123
为标注的第k个阀柄角度。
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：
步骤S110：固定所述阀柄分割模型的模型参数，预测每个所述监控图像
Figure 602729DEST_PATH_IMAGE124
对应的阀柄掩膜图集
Figure 427466DEST_PATH_IMAGE125
，尺寸设为
Figure 343469DEST_PATH_IMAGE126
，每个所述阀柄掩膜图集
Figure 595459DEST_PATH_IMAGE125
包括
Figure 229703DEST_PATH_IMAGE127
张阀柄掩膜图，每张所述阀柄掩膜图至多包括一个阀柄前景区域；
步骤S120：统计每个所述阀柄掩膜图集
Figure 592551DEST_PATH_IMAGE125
中的每张阀柄掩膜图的前景区域面积，并筛选出面积大于设定阈值
Figure 363061DEST_PATH_IMAGE039
的阀柄掩膜图，设为标准阀柄掩膜图。
具体来说，对于一张监控图像
Figure 785952DEST_PATH_IMAGE043
能够预测出对应的阀柄掩膜图集
Figure 641912DEST_PATH_IMAGE045
，尺寸为64×128×16。即包含16张尺寸为64×128的阀柄掩膜图。
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：
步骤S210：获取标准阀柄掩膜图，设定所述标准阀柄掩膜图包括M张掩膜图像
Figure 808451DEST_PATH_IMAGE047
，并计算每张掩膜图像
Figure 699047DEST_PATH_IMAGE048
的前景区域的质心，设为
Figure 292839DEST_PATH_IMAGE049
；
步骤S220：分别连接每张掩膜图像
Figure 636096DEST_PATH_IMAGE050
的翻板阀轴心c和质心
Figure 340747DEST_PATH_IMAGE051
，输出M条对应的直线，设为
Figure 85849DEST_PATH_IMAGE052
；
步骤S230：基于每条
Figure 850543DEST_PATH_IMAGE128
直线和对应的掩膜图像
Figure 946675DEST_PATH_IMAGE129
，计算所有前景像素点到直线
Figure 392699DEST_PATH_IMAGE052
的平均距离，设为
Figure 320204DEST_PATH_IMAGE053
，
Figure 193482DEST_PATH_IMAGE054
；其中，
num表示掩膜图像中属于阀柄区域的前景像素点个数，
Figure 308069DEST_PATH_IMAGE063
表示第z个前景像素点的坐标，
Figure 557785DEST_PATH_IMAGE064
表示前景像素点
Figure 339796DEST_PATH_IMAGE065
到直线
Figure 383975DEST_PATH_IMAGE056
的距离。
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
Figure 985858DEST_PATH_IMAGE055
取值最小的直线
Figure 773685DEST_PATH_IMAGE056
作为阀柄直线，若
Figure 410203DEST_PATH_IMAGE055
取值不小于设定的距离阈值
Figure 625284DEST_PATH_IMAGE058
，则舍弃对应的掩膜图像
Figure 980042DEST_PATH_IMAGE059
；若
Figure 305981DEST_PATH_IMAGE055
取值小于设定的距离阈值
Figure 62584DEST_PATH_IMAGE058
，则以该直线的斜率计算出阀柄相对于水平线的倾斜角度
Figure 448566DEST_PATH_IMAGE130
，所述倾斜角度
Figure 25041DEST_PATH_IMAGE130
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：
步骤S310：设定报警时长
Figure 154671DEST_PATH_IMAGE066
，利用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计算并统计报警时长
Figure 765781DEST_PATH_IMAGE066
内翻板阀阀柄的角度值，设为
Figure 322664DEST_PATH_IMAGE068
；
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。
在本实施例中，设置报警时长
Figure 386435DEST_PATH_IMAGE066
为60秒，相机采样帧率为设为2帧/秒，则需要统计连续的120帧内翻板阀阀柄的角度变化，记作
Figure 319756DEST_PATH_IMAGE131
。
如图6所示，对于
Figure 785372DEST_PATH_IMAGE068
进行以下判断：
步骤S320：若
Figure 513157DEST_PATH_IMAGE068
均大于设定的大角度阈值
Figure 64224DEST_PATH_IMAGE070
，则进行步骤S330；若
Figure 801236DEST_PATH_IMAGE068
至少有一次小于设定的大角度阈值
Figure 121359DEST_PATH_IMAGE070
，则判断翻板阀状态正常。
步骤S330：计算
Figure 20045DEST_PATH_IMAGE068
的标准差E，如果标准差E小于波动阈值
Figure 792829DEST_PATH_IMAGE075
，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
Figure 130269DEST_PATH_IMAGE075
，则判断阀柄在
Figure 242582DEST_PATH_IMAGE066
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；
建立模块，用于实时获取翻板阀监控图像
Figure 640065DEST_PATH_IMAGE043
，并基于训练好的阀柄分割模型生成阀柄掩膜图集；
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：
实时获取翻板阀监控图像
Figure DEST_PATH_IMAGE001
，并基于训练好的阀柄分割模型生成阀柄掩膜图集；
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：
获取标准阀柄掩膜图，设定所述标准阀柄掩膜图中包括M张掩膜图像
Figure DEST_PATH_IMAGE002
，并计算每张掩膜图像
Figure DEST_PATH_IMAGE003
的前景区域的质心，设为
Figure DEST_PATH_IMAGE004
；
分别连接每张掩膜图像
Figure DEST_PATH_IMAGE005
的翻板阀轴心c和质心
Figure DEST_PATH_IMAGE006
，输出M条对应的直线，设为
Figure DEST_PATH_IMAGE007
；
基于每条
Figure 280180DEST_PATH_IMAGE007
直线和对应的掩膜图像
Figure 129319DEST_PATH_IMAGE005
，计算所有前景像素点到直线
Figure 291224DEST_PATH_IMAGE007
的平均距离，设为
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
；
选择平均距离
Figure 507704DEST_PATH_IMAGE008
取值最小的直线
Figure 815188DEST_PATH_IMAGE007
作为阀柄直线，若
Figure 643467DEST_PATH_IMAGE008
取值不小于设定的距离阈值
Figure 643784DEST_PATH_IMAGE010
，则舍弃对应的掩膜图像
Figure 190303DEST_PATH_IMAGE005
；若
Figure 708003DEST_PATH_IMAGE008
取值小于设定的距离阈值
Figure 390788DEST_PATH_IMAGE010
，则以该直线的斜率计算出阀柄相对于水平线的倾斜角度
Figure DEST_PATH_IMAGE011
，所述倾斜角度
Figure 234110DEST_PATH_IMAGE011
设为阀柄的开合角度；
其中，num表示掩膜图像中属于阀柄区域的前景像素点个数，
Figure 471188DEST_PATH_IMAGE012
表示第z个前景像素点的坐标，
Figure DEST_PATH_IMAGE013
表示前景像素点
Figure DEST_PATH_IMAGE014
到直线
Figure DEST_PATH_IMAGE015
的距离。
2.根据权利要求1所述的翻板阀状态识别方法，其特征在于，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；
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，分别记作
Figure 730262DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
，建立并训练阀柄分割模型；
其中，所述ROI图像是RGB彩色图像，
Figure 533133DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
分别表示轴心c在所述监控图像中的横、纵坐标；
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
分别为所述ROI图像左上角顶点的横、纵坐标，
Figure DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE023
分别表示所述ROI图像的像素宽度和高度。
3.根据权利要求2所述的翻板阀状态识别方法，其特征在于，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
Figure DEST_PATH_IMAGE024
；
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
Figure DEST_PATH_IMAGE025
；
其中，
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE027
分别表示ROI图像进行尺寸缩放后的宽度和高度，
Figure 94827DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE029
和
Figure DEST_PATH_IMAGE030
分别表示掩膜图集的宽度、高度和通道数。
4.根据权利要求3所述的翻板阀状态识别方法，其特征在于，所述基干网络包括若干个基于Resnet-18模型的残差单元，设为
Figure DEST_PATH_IMAGE031
所述残差单元的输入为所述ROI图像，尺寸为
Figure DEST_PATH_IMAGE032
，每个残差单元
Figure DEST_PATH_IMAGE033
对应的输出为特征图
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
，尺寸设为
Figure DEST_PATH_IMAGE036
。
5.根据权利要求4所述的翻板阀状态识别方法，其特征在于，所述上采样网络包括上采样单元和预测头单元Head；
所述上采样单元包括若干个
Figure DEST_PATH_IMAGE037
，每个
Figure DEST_PATH_IMAGE038
的输出为特征图
Figure DEST_PATH_IMAGE039
，
Figure 581651DEST_PATH_IMAGE035
；所述上采样单元的每个
Figure 300209DEST_PATH_IMAGE038
的输入为
Figure DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE041
，且j=i；
当j=n-1时，所述
Figure 692007DEST_PATH_IMAGE038
的输入为
Figure DEST_PATH_IMAGE042
；
所述预测头单元Head的输入为
Figure DEST_PATH_IMAGE043
和
Figure DEST_PATH_IMAGE044
，输出为翻板阀阀柄的掩膜图集。
6.根据权利要求1所述的翻板阀状态识别方法，其特征在于，所述的实时获取翻板阀监控图像
Figure DEST_PATH_IMAGE045
，并基于训练好的阀柄分割模型生成阀柄掩膜图集的步骤具体包括：
固定所述阀柄分割模型的模型参数，预测每个所述监控图像
Figure DEST_PATH_IMAGE046
对应的阀柄掩膜图集
Figure DEST_PATH_IMAGE047
，尺寸设为
Figure DEST_PATH_IMAGE048
；
统计每个所述阀柄掩膜图集
Figure DEST_PATH_IMAGE049
中的每张阀柄掩膜图的前景区域面积，并筛选出面积大于设定阈值
Figure DEST_PATH_IMAGE050
的阀柄掩膜图，设为标准阀柄掩膜图；
其中，每个所述阀柄掩膜图集
Figure DEST_PATH_IMAGE051
包括
Figure DEST_PATH_IMAGE052
张尺寸为
Figure DEST_PATH_IMAGE053
的阀柄掩膜图；所述监控图像
Figure DEST_PATH_IMAGE054
包括a个翻板阀阀柄，
Figure DEST_PATH_IMAGE055
；
所述阀柄掩膜图集
Figure DEST_PATH_IMAGE056
的第x张掩膜图为监控图像
Figure 768809DEST_PATH_IMAGE046
的第x个翻板阀阀柄的掩膜图像，
Figure DEST_PATH_IMAGE057
。
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：
设定报警时长
Figure DEST_PATH_IMAGE058
，利用所述的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计算并统计报警时长
Figure DEST_PATH_IMAGE059
内翻板阀阀柄的角度值，设为
Figure DEST_PATH_IMAGE060
；
若
Figure DEST_PATH_IMAGE061
均大于设定的大角度阈值
Figure DEST_PATH_IMAGE062
，则进一步对
Figure DEST_PATH_IMAGE063
的标准差E进行分析；若
Figure DEST_PATH_IMAGE064
至少有一次小于设定的大角度阈值
Figure DEST_PATH_IMAGE065
，则判断翻板阀状态正常；
所述的进一步对
Figure 996791DEST_PATH_IMAGE063
的标准差E进行分析的步骤具体包括：
计算
Figure DEST_PATH_IMAGE066
的标准差E，如果标准差E不小于波动阈值
Figure DEST_PATH_IMAGE067
，则判断阀柄在
Figure DEST_PATH_IMAGE068
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
Figure 394405DEST_PATH_IMAGE067
，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。
8.一种基于机器视觉的翻板阀状态识别系统，用于执行如权利要求1-7任一项所述的翻板阀状态识别方法，其特征在于，所述系统包括：
建立模块，用于实时获取翻板阀监控图像
Figure 703027DEST_PATH_IMAGE054
，并基于训练好的阀柄分割模型生成阀柄掩膜图集；
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。
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。
CN202210024131.8A 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 Active CN114037960B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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