CN115170878A - 一种飞机状态识别方法、装置、设备及存储介质 - Google Patents
一种飞机状态识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115170878A CN115170878A CN202210811063.XA CN202210811063A CN115170878A CN 115170878 A CN115170878 A CN 115170878A CN 202210811063 A CN202210811063 A CN 202210811063A CN 115170878 A CN115170878 A CN 115170878A
- Authority
- CN
- China
- Prior art keywords
- image
- airplane
- target
- scene
- image recognition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004519 manufacturing process Methods 0.000 claims abstract description 96
- 230000000007 visual effect Effects 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种飞机状态识别方法、装置、设备及存储介质。该方法包括获取目标工位采集的待识别图像;根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。本发明实施例的技术方案提供一种应用于5G大飞机园区的飞机在位状态识别方法,实现对飞机在位状态的识别以提高飞机状态识别的准确率。
Description
技术领域
本发明涉及飞机制造技术领域,尤其涉及一种飞机状态识别方法、装置、设备及存储介质发明名称。
背景技术
传统机器视觉方法,通过调用各种算法因子,针对目标特征,定制化设置各种参数。其擅长解决以测量为主的定量问题,和判断有无的简单问题,但对复杂检测类的需求,漏检率或者误检率较高。
在工业检测中,尤其是应用场景判别有尺寸基准情况下,使用图像处理和深度学习相结合的方法,图像处理主要负责旋转校正、图像滤波增强、目标分割,深度学习主要实现分类,可以解决传统视觉无法解决的复杂场景检测难题,或用深度学习的标注方法,提高开发效率。
现有的云端工业视觉深度学习工具,线上实现标注、训练、测试流程,依靠在云端积累的大量不同场景的深度学习模型库,用户上传、标注图片后,将由云端自动匹配最优的深度学习模型和参数进行训练,用户无需任何操作。现有的机器视觉方法不适用于飞机制造领域,且现有飞机制造状态的识别方法不能满足飞机状态识别高精度的要求。
发明内容
本发明提供了一种飞机状态识别方法、装置、设备及存储介质,以提供一种应用于5G大飞机园区的飞机在位状态识别方法,实现对飞机在位状态的识别以提高飞机状态识别的准确率。
根据本发明的一方面,提供了一种飞机状态识别方法,该方法包括:
获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;
根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;
采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;
其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。
根据本发明的另一方面,提供了一种飞机状态识别装置,该装置包括:
待识别图像获取模块,用于获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;
图像识别场景获取模块,用于根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;
图像识别结果获取模块,用于采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;
其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的飞机状态识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的飞机状态识别方法。
本发明实施例的技术方案,通过获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;其中,所述识别结果中包括不同制造区域中分别对应的飞机状态,提供一种应用于5G大飞机园区的飞机在位状态识别方法,实现对飞机在位状态的识别以提高飞机状态识别的准确率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1a为本发明实施例一提供了一种飞机状态识别方法的流程图;
图1b为本发明实施例一提供的一种在不同图像识别场景下飞机状态识别方法的流程图;
图2a为本发明实施例二提供的另一种飞机状态识别方法的流程图;
图2b为本发明实施例二提供的一种飞机状态重现方法的流程图;
图3为本发明实施例三提供的一种飞机状态识别装置的结构示意图;
图4是实现本发明实施例的飞机状态识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1a为本发明实施例一提供了一种飞机状态识别方法的流程图,本实施例可适用于对制造区域内情况,该方法可以由飞机状态识别装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于具有机器视觉识别功能的服务器中。如图1a所示,该方法包括:
S110、获取目标工位采集的待识别图像。
其中,不同工位对应不同的采集视角,在本实施例中,不同工位可以指飞机制造车间内不同的网络摄像头,每个网络摄像头的拍摄区域可以是网络摄像头的采集视角,且每个网络摄像头可以分别对应一个固定的采集视角。待识别图像可以指与目标工位的采集视角对应的图像。
在本实施例中,可以访问目标网络摄像头的地址,获取该目标网络摄像头拍摄在当前处理时刻所采集的待识别图像。
S120、根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景。
其中,制造区域可以是指车间内飞机的制造区域。可选飞机状态可以是指制造飞机的阶段状态,例如,机翼、机身、机翼与机身组装等。图像识别场景可以是指待识别图像中的场景类别。
在本实施例中,待识别图像对应的图像识别场景不同,所对应的识别方式可以存在不同。具体的,可以根据目标工位的采集视角中包括的制造区域数量,以及每个制造区域数量中可选飞机状态的数量,获取与待识别图像匹配的图像识别场景。
可选的,在本实施例的一个具体实施方式中,如果确定所述制造区域数量唯一,且所述可选飞机状态的数量唯一时,确定所述图像识别场景为单目标单区域场景;如果确定所述制造区域数量不唯一,且所述可选飞机状态的数量唯一时,确定所述图像识别场景为单目标多区域场景;如果确定所述制造区域数量唯一,且所述可选飞机状态的数量不唯一时,确定所述图像识别场景为多目标单区域场景;如果确定所述制造区域数量不唯一,且所述可选飞机状态的数量不唯一时,确定所述图像识别场景为多目标多区域场景。
S130、采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果。
其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。其中,目标识别模型输出的飞机状态可以是“0”、“1”、“2”和“3”等形式。目标识别模型可以是根据机器视觉识别算法预先训练的识别模型。
在本实施例中,可以根据图像识别场景,确定与图像识别场景匹配的目标识别模型,进而采用该目标识别模型对待识别图像进行识别,得到与待识别图像匹配的图像识别结果。
可选的,可以通过与单目标单区域场景匹配的目标识别模型检测所述待识别图像中的单一区域内是否包含有飞机,并获取所述单一区域中包含或者不包含飞机的识别结果;通过与单目标多区域场景匹配的目标识别模型检测所述待识别图像中的每个制造区域内是否包含有飞机,并获取每个制造区域中包含或者不包含飞机的识别结果;通过与多目标单区域场景匹配的目标识别模型检测所述待识别图像中的单一区域内是否包含有飞机,并在所述单一区域内包含飞机时,获取所述单一区域中飞机状态的种类识别结果;通过与多目标多区域场景匹配的目标识别模型检测所述待识别图像中的每个制造区域内是否包含有飞机,并在包含有飞机的制造区域中获取飞机状态的种类识别结果。
示例性的,图1b为本发明实施例一提供的一种在不同图像识别场景下飞机状态识别方法的流程图。从网络摄像头处取流以获取待识别图像,根据不同的图像识别场景分别对待识别图像进行检测识别。对于单目标单区域场景,在单一区域内判断有无飞机,有飞机时输出“1”,无飞机时输出“0”,在单目标单区域场景中,制造区域内的飞机状态可以是完整飞机。对于单目标多区域场景,可以划分各制造区域并分别判断每个制造区域中是否包含飞机,并输出与每个制造区域分别对应的飞机状态,例如,有飞机输出“1”,无飞机输出“0”。对于多目标单区域场景,判断单一区域内是否包含飞机,无飞机输出“0”,在单一区域内有飞机时对制造区域内飞机进行特征提取以识别飞机状态类别,如“状态1”和“状态2”等。对于多目标多区域场景,可以划分各制造区域并分别判断每个制造区域中是否包含飞机,对于无飞机的制造区域输出相应的“0”,对于有飞机的制造区域,进行特征提取以识别飞机状态类别,如“状态3”和“状态4”等。需要说明,这里的“状态1”、“状态2”、“状态3”和“状态4”仅是一种示例而非限定。
本发明实施例的技术方案,通过获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;其中,所述识别结果中包括不同制造区域中分别对应的飞机状态,提供一种应用于5G大飞机园区的飞机在位状态识别方法,实现对飞机在位状态的识别以提高飞机状态识别的准确率。
在上述技术方案的基础上,在获取与所述待识别图像匹配的图像识别结果之后,还可以包括:获取飞机在所述制造区域中的真实位置框,并获取飞机在所述制造区域中的至少一个预测位置框;根据所述至少一个预测位置框分别与所述真实位置框之间的距离,确定各预测位置框的置信度;将所述置信度最大的预测位置框确定为所述制造区域内飞机匹配的目标框,并将所述目标框加入所述图像识别结果之中。
示例性的,对于单目标单区域场景,可以标注每个飞机的bounding box坐标(x1,y1,x2,y2),每个坐标对应一个label;根据获取的预测位置框,计算置信度,进行回归分析,得到飞机bounding box的位置。
对于单目标多区域场景,可以用一个(c,x,y,w,h)去检测某个区域的飞机。假设待识别图像为十个区域,每个区域用1个(c,x,y,w,h)去负责。目标识别模型就可以一次输出十个框,每个框是1个(c,x,y,w,h)。由于卷积操作是位置强相关的,原来的飞机在哪里,卷积之后的特征图上还在哪里,所以图片划分为十个区域,结果分布在十个区域上。
对于多目标单区域场景,回归坐标值和one-hot分类N*(c,x,y,w,h,one-hot);对于输出结果,用一个one-hot vector表示,例如[0,0,1,0,0,0],其中哪一维是1,就代表待识别图像属于哪一类。采用NMS(non maximum suppression,非极大值抑制)来筛选bbox,利用重合度,把重合的框抑制掉,由于每个目标只会出现一次,所以再删除掉同一label的其他框,找到置信度最大的预测位置框作为目标框。
对于多目标多区域场景,增加基于grid的偏移量和基于Anchor的偏移量,其中,基于anchor的偏移量=目标位置-anchor的位置,基于grid的偏移量=目标位置-grid的位置。将预测值从x,y,w,h,变为tx,ty,tw,th,其中,tx=log((bboxx-cx)/(1-(bboxx-cx))),ty=log((bboxy-cy)/(1-(bboxy-cy))),tw=log(gtw/pw),th=log(gth/ph)。其中,tx,ty,tw,th为预测值,cx和cy为grid的左上角坐标,pw和ph为Anchor的宽和高,anchor是预先设定的一个框,宽和高固定。
在多目标多区域场景中,可以预测得到偏移量,从而基于Anchor框的宽和高和grid的先验位置的偏移量,得到最终目标的位置。由于飞机状态识别中,不同工位的飞机大小不同,状态不同,这里选择从数据集中预先准备几个出现几率比较大的bbox,再以它们为基准进行预测。将图像划分为13*13个区域,每个区域有5个anchor,每个anchor对应一个类别。那么,输出的尺寸就应该为:[N,13,13,125]。
将检测头分成了三部分:13*13*3*(4+1+30)、26*26*3*(4+1+30)和52*52*3*(4+1+30)。即每个grid设置9个先验框,3个大的,3个中的,3个小的。因为32倍下采样每个点感受野更大,所以去预测大目标,8倍下采样每个点感受野最小,所以去预测小目标。每个分支预测3个框,每个框预测5元组+30个one-hot vector类别,所以一共size是:3*(4+1+30),总共可以预测(13*13+26*26+52*52)*3=10467>>(13*13*5)=845,实现模型能力的提升。
实施例二
图2a为本发明实施例二提供的另一种飞机状态识别方法的流程图,本实施例在上述各实施例的基础上,在获取与所述待识别图像匹配的图像识别结果之后增加操作。如图2a所示,该方法包括:
S210、获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角。
S220、根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景。
S230、采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。
S240、将所述图像识别结果保存至目标文件并上传至数字孪生平台以实现目标工位飞机状态的重现。
其中,目标文件典型可以是JSON文件。
S250、根据预设时间间隔,定时获取目标工位对应的飞机状态,并更新所述数字孪生平台中的识别结果。
示例性的,图2b为本发明实施例二提供的一种飞机状态重现方法的流程图。请求服务器地址,获取当前n个工位的视频帧以及帧号,保存待识别图像到待测文件夹,调用预测函数,执行训练好的模型,对待识别图像进行飞机状态识别,在识别到飞机时,则输出识别到的飞机工位,以及代表不同飞机状态的0、1、2、3等。设置每次只输出同类目标最大置信度的目标框,避免出现一个目标多框显示的问题。将输出的图像识别结果保存在JSON文件中,并网页显示,并将JSON文件保存到数据库上传至数字孪生平台实现飞机状态重现。设置服务器开机自启,每十分钟刷新一次网页,获取工位信息,实时更新到数字孪生平台,保证现场状态和数字孪生平台保持一致。数据信息存入数据库,每十分钟保存一条记录。
本发明实施例的技术方案,通过获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;其中,所述识别结果中包括不同制造区域中分别对应的飞机状态,将所述图像识别结果保存至目标文件并上传至数字孪生平台以实现目标工位飞机状态的重现;根据预设时间间隔,定时获取目标工位对应的飞机状态,并更新所述数字孪生平台中的识别结果,提供一种应用于5G大飞机园区的飞机在位状态识别方法,实现对飞机在位状态的识别以提高飞机状态识别的准确率,并提高飞机制造效率。
可选的,由于飞机制造车间现场可能存在遮挡等问题,可以通过smote算法进行过抽样,对少数类别样本进行分析和模拟,并将模拟的新样本添加到数据集中,解决样本不均衡的问题。例如,在发生遮挡情况时,对于每个区域,可以用2个五元组(c,x,y,w,h),一个负责回归大目标,一个负责回归小目标,同样添加one-hot vector,随机使用4张图片,随机缩放增加很多小目标,再随机分布进行拼接,丰富检测数据集。
实施例三
图3为本发明实施例三提供的一种飞机状态识别装置的结构示意图。如图3所示,该装置包括:待识别图像获取模块310、图像识别场景获取模块320和图像识别结果获取模块330。其中:
待识别图像获取模块310,用于获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;
图像识别场景获取模块320,用于根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;
图像识别结果获取模块330,用于采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;
其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。
本发明实施例的技术方案,通过获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;其中,所述识别结果中包括不同制造区域中分别对应的飞机状态,提供一种应用于5G大飞机园区的飞机在位状态识别方法,实现对飞机在位状态的识别以提高飞机状态识别的准确率。
可选的,图像识别场景获取模块320,具体可以用于:
如果确定所述制造区域数量唯一,且所述可选飞机状态的数量唯一时,确定所述图像识别场景为单目标单区域场景;
相应的,图像识别结果获取模块330,具体可以用于:通过所述目标识别模型检测所述待识别图像中的单一区域内是否包含有飞机,并获取所述单一区域中包含或者不包含飞机的识别结果。
可选的,图像识别场景获取模块320,具体还可以用于:
如果确定所述制造区域数量不唯一,且所述可选飞机状态的数量唯一时,确定所述图像识别场景为单目标多区域场景;
相应的,图像识别结果获取模块330,具体还可以用于:
通过所述目标识别模型检测所述待识别图像中的每个制造区域内是否包含有飞机,并获取每个制造区域中包含或者不包含飞机的识别结果。
可选的,图像识别场景获取模块320,具体还可以用于:
如果确定所述制造区域数量唯一,且所述可选飞机状态的数量不唯一时,确定所述图像识别场景为多目标单区域场景;
相应的,图像识别结果获取模块330,具体还可以用于:
通过所述目标识别模型检测所述待识别图像中的单一区域内是否包含有飞机,并在所述单一区域内包含飞机时,获取所述单一区域中飞机状态的种类识别结果。
可选的,图像识别场景获取模块320,具体还可以用于:
如果确定所述制造区域数量不唯一,且所述可选飞机状态的数量不唯一时,确定所述图像识别场景为多目标多区域场景;
相应的,图像识别结果获取模块330,具体还可以用于:
通过所述目标识别模型检测所述待识别图像中的每个制造区域内是否包含有飞机,并在包含有飞机的制造区域中获取飞机状态的种类识别结果。
可选的,飞机状态识别装置,还包括,目标框获取及加入模块,用于在获取与所述待识别图像匹配的图像识别结果之后:
获取飞机在所述制造区域中的真实位置框,并获取飞机在所述制造区域中的至少一个预测位置框;
根据所述至少一个预测位置框分别与所述真实位置框之间的距离,确定各预测位置框的置信度;
将所述置信度最大的预测位置框确定为所述制造区域内飞机匹配的目标框,并将所述目标框加入所述图像识别结果之中。
可选的,飞机状态识别装置,还包括,识别结果更新模块,用于在获取与所述待识别图像匹配的图像识别结果之后:
将所述图像识别结果保存至目标文件夹并上传至数字孪生平台以实现目标工位飞机状态的重现;
根据预设时间间隔,定时获取目标工位对应的飞机状态,并更新所述数字孪生平台中的识别结果。
本发明实施例所提供的飞机状态识别装置可执行本发明任意实施例所提供的飞机状态识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备400的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备400包括至少一个处理器401,以及与至少一个处理器401通信连接的存储器,如只读存储器(ROM)402、随机访问存储器(RAM)403等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器401可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储电子设备400操作所需的各种程序和数据。处理器401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器401可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器401执行上文所描述的各个方法和处理,例如飞机状态识别方法。
在一些实施例中,飞机状态识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由处理器401执行时,可以执行上文描述的飞机状态识别方法的一个或多个步骤。备选地,在其他实施例中,处理器401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行飞机状态识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种飞机状态识别方法,其特征在于,包括:
获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;
根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;
采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;
其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。
2.根据权利要求1所述的方法,其特征在于,根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景,包括:
如果确定所述制造区域数量唯一,且所述可选飞机状态的数量唯一时,确定所述图像识别场景为单目标单区域场景;
采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果,包括:
通过所述目标识别模型检测所述待识别图像中的单一区域内是否包含有飞机,并获取所述单一区域中包含或者不包含飞机的识别结果。
3.根据权利要求1所述的方法,其特征在于,根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景,包括:
如果确定所述制造区域数量不唯一,且所述可选飞机状态的数量唯一时,确定所述图像识别场景为单目标多区域场景;
采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果,包括:
通过所述目标识别模型检测所述待识别图像中的每个制造区域内是否包含有飞机,并获取每个制造区域中包含或者不包含飞机的识别结果。
4.根据权利要求1所述的方法,其特征在于,根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景,包括:
如果确定所述制造区域数量唯一,且所述可选飞机状态的数量不唯一时,确定所述图像识别场景为多目标单区域场景;
采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果,包括:
通过所述目标识别模型检测所述待识别图像中的单一区域内是否包含有飞机,并在所述单一区域内包含飞机时,获取所述单一区域中飞机状态的种类识别结果。
5.根据权利要求1所述的方法,其特征在于,根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景,包括:
如果确定所述制造区域数量不唯一,且所述可选飞机状态的数量不唯一时,确定所述图像识别场景为多目标多区域场景;
采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果,包括:
通过所述目标识别模型检测所述待识别图像中的每个制造区域内是否包含有飞机,并在包含有飞机的制造区域中获取飞机状态的种类识别结果。
6.根据权利要求1所述的方法,其特征在于,在获取与所述待识别图像匹配的图像识别结果之后,还包括:
获取飞机在所述制造区域中的真实位置框,并获取飞机在所述制造区域中的至少一个预测位置框;
根据所述至少一个预测位置框分别与所述真实位置框之间的距离,确定各预测位置框的置信度;
将所述置信度最大的预测位置框确定为所述制造区域内飞机匹配的目标框,并将所述目标框加入所述图像识别结果之中。
7.根据权利要求1所述的方法,其特征在于,在获取与所述待识别图像匹配的图像识别结果之后,还包括:
将所述图像识别结果保存至目标文件并上传至数字孪生平台以实现目标工位飞机状态的重现;
根据预设时间间隔,定时获取目标工位对应的飞机状态,并更新所述数字孪生平台中的识别结果。
8.一种飞机状态识别装置,其特征在于,包括:
待识别图像获取模块,用于获取目标工位采集的待识别图像;其中,不同工位对应不同的采集视角;
图像识别场景获取模块,用于根据所述目标工位的采集视角中包括的制造区域数量,以及每个制造区域中可选飞机状态的数量,获取与所述待识别图像匹配的图像识别场景;
图像识别结果获取模块,用于采用与所述图像识别场景匹配的目标识别模型,获取与所述待识别图像匹配的图像识别结果;
其中,所述识别结果中包括不同制造区域中分别对应的飞机状态。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的飞机状态识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的飞机状态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811063.XA CN115170878A (zh) | 2022-07-11 | 2022-07-11 | 一种飞机状态识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811063.XA CN115170878A (zh) | 2022-07-11 | 2022-07-11 | 一种飞机状态识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170878A true CN115170878A (zh) | 2022-10-11 |
Family
ID=83494035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811063.XA Pending CN115170878A (zh) | 2022-07-11 | 2022-07-11 | 一种飞机状态识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170878A (zh) |
-
2022
- 2022-07-11 CN CN202210811063.XA patent/CN115170878A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN113378712A (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN113378958A (zh) | 自动标注方法、装置、设备、存储介质及计算机程序产品 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN115331132A (zh) | 一种汽车零件的检测方法、装置、电子设备和存储介质 | |
CN116129328A (zh) | 遗留物检测方法、装置、设备以及存储介质 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN114612741A (zh) | 缺陷识别模型的训练方法、装置、电子设备及存储介质 | |
CN109784198A (zh) | 机场遥感图像飞机辨识方法及装置 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN115170878A (zh) | 一种飞机状态识别方法、装置、设备及存储介质 | |
CN114861321A (zh) | 交通流仿真的问题场景提取方法、装置、设备及介质 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN109726741B (zh) | 一种多目标物体的检测方法及装置 | |
CN117112816B (zh) | 安检图像的排序方法、装置、设备及存储介质 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114580631B (zh) | 模型的训练方法、烟火检测方法、装置、电子设备及介质 | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN117808848B (zh) | 一种识别跟踪方法、装置、电子设备及存储介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 |
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 |