CN116109636B - 一种基于视觉监测的磁介质溶毁处理方法及系统 - Google Patents
一种基于视觉监测的磁介质溶毁处理方法及系统 Download PDFInfo
- Publication number
- CN116109636B CN116109636B CN202310388650.7A CN202310388650A CN116109636B CN 116109636 B CN116109636 B CN 116109636B CN 202310388650 A CN202310388650 A CN 202310388650A CN 116109636 B CN116109636 B CN 116109636B
- Authority
- CN
- China
- Prior art keywords
- magnetic medium
- area
- damage
- convolution
- destruction
- 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
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于视觉监测的磁介质溶毁处理方法及系统,涉及介质销毁技术领域,其方法包括:在磁介质溶毁前,将磁介质初始图像输入磁介质检测模型,获得磁介质所在的定位框;在磁介质溶毁过程中,将待监测磁介质图像输入损伤分割模型,获得磁介质损伤所在区域;计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积;根据磁介质损伤所在区域的面积和磁介质所在的定位框的面积,计算出损伤区域比;根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求。本发明提高了磁介质销毁的处理效率。
Description
技术领域
本发明涉及涉密介质销毁技术领域,特别是涉及一种基于视觉监测的磁介质溶毁处理方法及系统。
背景技术
磁介质销毁作为涉密磁介质管理的最后一道关口,对于确保个人、商业以及国家秘密安全具有重要意义。在常用销毁技术中,化学销毁是指采用化学药品腐蚀、溶解、活化、剥离磁盘记录表面的数据销毁方法,能够破坏载体自身构造,保证高度的机密性。然而现阶段化学销毁法仍需依靠人工判定磁介质是否彻底销毁,导致磁介质销毁的处理效率低下,时间和人力成本过高。
发明内容
本发明的目的是提供一种基于视觉监测的磁介质溶毁处理方法及系统,提高了磁介质销毁的处理效率。
为实现上述目的,本发明提供了如下方案:
一种基于视觉监测的磁介质溶毁处理方法,包括:
在磁介质溶毁前,将磁介质初始图像输入磁介质检测模型,获得磁介质所在的定位框;
在磁介质溶毁过程中,将待监测磁介质图像输入损伤分割模型,获得磁介质损伤所在区域;
计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积;所述磁介质二值图为所述待监测磁介质图像的二值图;
根据磁介质损伤所在区域的面积和磁介质所在的定位框的面积,计算出损伤区域比;
根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求。
可选地,所述磁介质检测模型为采用磁介质检测数据集对目标检测神经网络进行训练获得的;所述目标检测神经网络为YOLOv7网络。
可选地,所述损伤分割模型为采用损伤分割数据集对目标分割神经网络进行训练获得的;所述目标分割神经网络包括编码器和解码器;
所述编码器包括依次连接第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层,所述编码器还包括第六卷积层、第七卷积层、第八卷积层和第九卷积层;所述解码器包括依次连接第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和第五反卷积层;
所述第六卷积层的输入端与所述第一卷积层的输出端连接;所述第七卷积层的输入端与所述第二卷积层的输出端连接;所述第八卷积层的输入端与所述第三卷积层的输出端连接;所述第九卷积层的输入端与所述第四卷积层的输出端连接;所述第五卷积层的输出和所述第一反卷积层的输入连接,所述第一反卷积层的输出和所述第九卷积层的输出进行通道拼接作为所述第二反卷积层的输入,所述第二反卷积层的输出和所述第八卷积层的输出进行通道拼接作为所述第三反卷积层的输入,所述第三反卷积层的输出和所述第七卷积层的输出进行通道拼接作为所述第四反卷积层的输入,所述第四反卷积层的输出和所述第六卷积层的输出进行通道拼接作为所述第五反卷积层的输入;
可选地,所述第一卷积层的卷积核为,卷积核数个为32;所述第二卷积层的卷积核为/>,卷积核个数为64;所述第三卷积层的卷积核为/>,卷积核个数为128;所述第四卷积层的卷积核为/>,卷积核个数为256;所述第五卷积层的卷积核为/>,卷积核个数为512;
所述第一反卷积层的步长为2,卷积核为,卷积核个数为255;所述第二反卷积层的步长为2,卷积核为/>,卷积核个数为127;所述第三反卷积层为步长为2,卷积核为,卷积核个数为63;所述第四反卷积层的步长为2,卷积核为/>,卷积核个数为31;
所述第五反卷积层用于输出与所述待监测磁介质图像具有相同空间维度的特征图。
可选地,根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求,具体包括:
当所述损伤区域比大于设定损伤区域比阈值,且最大背景连通域的面积小于最大背景连通域面积阈值时,停止对磁介质的溶毁,否则,继续对磁介质进行溶毁。
本发明还公开了一种基于视觉监测的磁介质溶毁处理系统,包括:
磁介质检测模型,用于在磁介质溶毁前,根据磁介质初始图像获得磁介质所在的定位框;
损伤分割模型,用于在磁介质溶毁过程中,根据待监测磁介质图像获得磁介质损伤所在区域;
最大背景连通域的面积确定模块,用于计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积;所述磁介质二值图为所述待监测磁介质图像的二值图;
损伤区域比确定模块,用于根据磁介质损伤所在区域的面积和磁介质所在的定位框的面积,计算出损伤区域比;
溶毁程度判定模型,用于根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求。
可选地,还包括图像采集模块,所述图像采集模块用于在磁介质溶毁过程中,采用工业相机实时采集待监测磁介质图像,并将实时采集的待监测磁介质图像输入所述损伤分割模型。
可选地,还包括信号灯模块,所述信号灯模块包括信号灯;
所述信号灯模块用于当所述溶毁程度判定模型输出满足销毁要求指令时,开启所述信号灯。
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:
本发明通过磁介质检测模型获得磁介质所在的定位框,通过损伤分割模型获得磁介质损伤所在区域,根据磁介质所在的定位框和磁介质损伤所在区域确定是否满足销毁要求,实现了磁介质是否满足销毁要求的自动化识别,提高了磁介质销毁的处理效率。
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为本发明实施例提供的一种基于视觉监测的磁介质溶毁处理方法流程示意图;
图2为本发明实施例提供的损伤分割模型对输入图像的处理过程示意图;
图3为本发明实施例提供的一种基于视觉监测的磁介质溶毁处理方法详细过程示意图;
图4为本发明实施例提供的一种基于视觉监测的磁介质溶毁处理系统结构示意图;
图5为本发明实施例提供的一种基于视觉监测的磁介质溶毁处理装置结构示意图。
符号说明:
视觉监视系统—1,磁介质—2,介质溶毁池—3,信号灯—4。
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基于视觉监测的磁介质溶毁处理方法及系统,提高了磁介质销毁的处理效率。
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。
实施例1
本实施例提供了一种基于视觉监测的磁介质溶毁处理方法,如图1所示,该方法包括如下步骤。
步骤101:在磁介质溶毁前,将磁介质初始图像输入磁介质检测模型,获得磁介质所在的定位框。
磁介质检测模型获得的定位框,包括定位框的左上角坐标(x,y)和定位框的宽度w与高度h。
所述磁介质检测模型为采用磁介质检测数据集对目标检测神经网络进行训练获得的;所述目标检测神经网络为YOLOv7网络。YOLOv7网络在检测速度和准确率方面均具有较为出色的表现。
磁介质检测数据集的构建过程包括:采用工业相机拍摄介质溶毁池内不同类型磁介质的初始图像,初始图像为未溶毁的磁介质图像,确保在不同光照环境及拍摄角度下进行图像采集,获得未溶毁初始图像库。对获得的未溶毁初始图像库中一系列未溶毁初始图像进行标注,标注出磁介质的位置框及类别,从而获得标注文件;基于未溶毁初始图像与各初始图像对应的标注文件,得到磁介质检测数据集。
采用磁介质检测数据集对YOLOv7网络进行训练及测试,测试准确率达到应用要求后,以最后一次训练所获得的YOLOv7检测模型作为磁介质检测模型。
步骤102:在磁介质溶毁过程中,将待监测磁介质图像输入损伤分割模型,获得磁介质损伤所在区域。
所述损伤分割模型为采用损伤分割数据集对目标分割神经网络进行训练获得的。
损伤分割数据集的构建过程包括:在不同类型磁介质被溶毁并出现损伤的过程中,每隔固定时长,基于工业相机拍摄介质溶毁池内的磁介质损伤图像,并获得磁介质损伤图像库,应确保在不同光照环境及拍摄角度下进行图像采集;对获得的一系列磁介质损伤图像进行分割标注,标注出损伤所在区域,从而获得标注文件;基于磁介质损伤图像库与各磁介质损伤图像对应的标注文件,得到损伤分割数据集。
所述目标分割神经网络包括编码器和解码器。
所述编码器包括依次连接第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层,所述编码器还包括第六卷积层、第七卷积层、第八卷积层和第九卷积层;所述解码器包括依次连接第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和第五反卷积层。
所述第六卷积层的输入端与所述第一卷积层的输出端连接;所述第七卷积层的输入端与所述第二卷积层的输出端连接;所述第八卷积层的输入端与所述第三卷积层的输出端连接;所述第九卷积层的输入端与所述第四卷积层的输出端连接;所述第五卷积层的输出和所述第一反卷积层的输入连接,所述第一反卷积层的输出和所述第九卷积层的输出进行通道拼接作为所述第二反卷积层的输入,所述第二反卷积层的输出和所述第八卷积层的输出进行通道拼接作为所述第三反卷积层的输入,所述第三反卷积层的输出和所述第七卷积层的输出进行通道拼接作为所述第四反卷积层的输入,所述第四反卷积层的输出和所述第六卷积层的输出进行通道拼接作为所述第五反卷积层的输入。
所述第一卷积层的卷积核为,卷积核数个为32;所述第二卷积层的卷积核为,卷积核个数为64;所述第三卷积层的卷积核为/>,卷积核个数为128;所述第四卷积层的卷积核为/>,卷积核个数为256;所述第五卷积层的卷积核为/>,卷积核个数为512;
所述第一反卷积层的步长为2,卷积核为,卷积核个数为255;所述第二反卷积层的步长为2,卷积核为/>,卷积核个数为127;所述第三反卷积层为步长为2,卷积核为,卷积核个数为63;所述第四反卷积层的步长为2,卷积核为/>,卷积核个数为31。
所述第五反卷积层为步长为2的反卷积层,用于输出与所述待监测磁介质图像具有相同空间维度的特征图。第五反卷积层输出二值图,其中,像素值大于像素阈值的像素点值设置为1,即损伤区域,像素值小于或者等于像素阈值的像素点值设置为0,即背景区域。
(1)构建编码器以获得不同类型磁介质的损伤特征表示:将磁介质损伤图像依次输入连续的5个卷积层中,其卷积核依次为、/>、/>、/>、/>,卷积核个数依次为32、64、128、256、512,第一卷积层生成特征图U1(/>),第二卷积层生成特征图U2(/>),第三卷积层生成特征图U3(/>),第四卷积层生成特征图U4(/>),第五卷积层生成特征图U5(/>);将上述特征图U1-特征图U4分别输入卷积核为/>,卷积核个数为1的卷积层中,获得通道数为1的特征图V1()、特征图V2(/>)、特征图V3(/>)、特征图V4(),则特征图V1-特征图V4分别是各层特征图的轻量式核心信息表征。
第六卷积层生成的是特征图V1,第七卷积层生成的是特征图V2,第八卷积层生成的是特征图V3,第九卷积层生成的是特征图V4。
(2)构建解码器:令特征图U5为解码器的初始特征图R5(),将R5输入步长为2、卷积核数为255的反卷积层中,获得尺寸为/>的特征图,将该特征图与特征图V4进行通道维度的拼接,获得特征图R4(/>);按照上述方式,基于步长为2、卷积核个数分别为127、63、31的反卷积层和特征图V1-特征图V3,顺次生成特征图R3()、特征图R2(/>)、特征图R1(/>),则特征图R1-特征图R4在逐层扩张进行精确损伤定位的同时,通过与特征图V1-特征图V4的连接,保留了足够的损伤上下文信息;接着,对特征图R1再进行一次步长为2的反卷积操作,获得与所输入磁介质损伤图具有相同空间维度的特征图R0(/>);为了从图像背景中分割出损伤区域,需进行特征图的通道压缩,对R0进行卷积核为/>、卷积核个数为2的卷积操作,获得特征图R(/>);最后,将特征图R中的第一张图像转化为二值图并输出(将其中像素值大于像素阈值的像素点值设置为1,即损伤区域,像素值小于或者等于像素阈值的像素点值设置为0,即背景区域)。
特征图R5与特征图U5相同,特征图R5作为第一反卷积层的输入。特征图R4为第一反卷积层的输出与特征图V4进行通道维度的拼接后得到的,特征图R3为第二反卷积层的输出与特征图V3进行通道维度的拼接后得到的,特征图R2为第三反卷积层的输出与特征图V2进行通道维度的拼接后得到的,特征图R1为第四反卷积层的输出与特征图V1进行通道维度的拼接后得到的。特征图R0为第五反卷积层的输出。特征图R为第十卷积层的输出。
采用损伤分割数据集对目标分割神经网络进行训练及测试,测试准确率达到应用要求后,以最后一次训练所获得的分割模型作为损伤分割模型。
如图3所示,作为具体实施方式,在磁介质溶毁过程中,将实时获得的待监测磁介质图像输入损伤分割模型,获得磁介质损伤所在区域。
步骤103:计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积;所述磁介质二值图为所述待监测磁介质图像的二值图。
其中,步骤103中具体包括:基于opencv库计算损伤所在区域的面积S1,即磁介质二值图中像素值为1的区域面积;并求取磁介质二值图中面积最大背景连通域的面积S2。
步骤104:根据磁介质损伤所在区域的面积和磁介质所在的定位框的面积,计算出损伤区域比。
步骤105:根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求。
其中,步骤105具体包括:
当所述损伤区域比大于设定损伤区域比阈值,且最大背景连通域的面积小于最大背景连通域面积阈值时,停止对磁介质的溶毁,否则,继续对磁介质进行溶毁。
设定损伤区域比阈值为M’,最大背景连通域面积阈值为S’。当计算出的M值和S2值满足M>M’且S2<S’时,即损伤区域在磁介质磁层表面所占的比例足够大,并且各个未被破坏的表面涂层区域面积足够小(不足以存储有效信息)时,说明当前磁介质已满足销毁要求,应发送“销毁完成”指令给信号灯模块,信号灯模块开启信号灯;否则说明当前该磁介质不满足销毁要求,不发送指令,介质溶毁池需继续进行溶毁操作。
本发明一种基于视觉监测的磁介质溶毁处理方法,还包括:在磁介质溶毁过程中,采用工业相机实时采集待监测磁介质图像,并将实时采集的待监测磁介质图像输入损伤分割模型。
本发明采用基于深度学习的目标分割及目标检测技术设计了磁介质损伤视觉监测系统,并将其应用于磁介质的销毁程度判定,从而实现了一套自动化的磁介质销毁处理方法。该方法能实时准确地识别当前磁介质的磁层表面所出现的掉磁、剥离等微小损伤,并根据损伤状态进行销毁程度的实时反馈,从而实现磁介质的自动化销毁。该方法避免了磁介质销毁流程对专业人员的高度依赖,在节约人力成本的同时,更好地解决了目前磁介质销毁技术中所存在的安全性、可靠性、时效性等关键问题。
本发明针对磁层表面损伤识别设计了专用的损伤分割网络,通过在解码阶段加入轻量式核心信息表征,提升了算法对损伤特征的表达能力,进而增强损伤分割模型对磁层表面损伤的识别准确率。
实施例2
本实施例提供了一种基于视觉监测的磁介质溶毁处理系统,如图4所示,该系统包括:
磁介质检测模型201,用于在磁介质溶毁前,根据磁介质初始图像获得磁介质所在的定位框。
损伤分割模型202,用于在磁介质溶毁过程中,根据待监测磁介质图像获得磁介质损伤所在区域。
最大背景连通域的面积确定模块203,用于计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积;所述磁介质二值图为所述待监测磁介质图像的二值图。
损伤区域比确定模块204,用于根据磁介质损伤所在区域的面积和磁介质所在的定位框的面积,计算出损伤区域比。
溶毁程度判定模型205,用于根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求。
本发明一种基于视觉监测的磁介质溶毁处理系统,还包括图像采集模块,所述图像采集模块用于在磁介质溶毁过程中,采用工业相机实时采集待监测磁介质图像,并将实时采集的待监测磁介质图像输入所述损伤分割模型。
本发明一种基于视觉监测的磁介质溶毁处理系统,还包括信号灯模块;,所述信号灯模块包括信号灯。
所述信号灯模块用于当所述溶毁程度判定模型输出满足销毁要求指令时,开启信号灯。
介质溶毁池3中存在大量腐蚀性液体,负责对放置其中的磁介质2进行浸泡,使磁介质表面的磁粉溶解、活化、剥离(浸泡时长越长,则破坏程度越严重,直至达到磁介质中的信息无法识别、无法加载的目的)。
视觉监测系统由图像采集模块、损伤分割模型、磁介质检测模型和溶毁程度判定模块组成。如图5所示,视觉监测系统1、介质溶毁池3和信号灯4构成一种基于视觉监测的磁介质溶毁处理装置。
图像采集模块包括工业相机和连接装置,负责在溶毁开始前采集一张未溶毁磁介质图像和实时采集介质溶毁池中的磁介质图像,并将实时采集图像和未溶毁磁介质图像分别输入至损伤分割模型和磁介质检测模型;损伤分割模型和磁介质检测模型以磁介质图像为输入,并且分别运算输出损伤所在区域和磁介质所在的定位框到溶毁程度判定模块;溶毁程度判定模块根据输入数据,判断并输出当前磁介质的销毁程度是否达标;损伤分割模型、磁介质检测模型和溶毁程度判定模块集成于图5底座的控制器中,共同负责根据图像采集模块所输入的磁介质图像,判断销毁程度是否达标,并在达标时,传递“销毁完成”指令至信号灯模块,即控制器执行实施例1所述的一种基于视觉监测的磁介质溶毁处理方法。
信号灯模块与视觉监测系统相连接,负责接收来自溶毁程度判定模块的“销毁完成”指令,收到指令后,信号灯开启,表示该磁介质的销毁处理已完成,人员应进行磁介质的更换。
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。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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 (5)
1.一种基于视觉监测的磁介质溶毁处理方法,其特征在于,包括:
在磁介质溶毁前,将磁介质初始图像输入磁介质检测模型,获得磁介质所在的定位框;
在磁介质溶毁过程中,将待监测磁介质图像输入损伤分割模型,获得磁介质损伤所在区域;
计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积;所述磁介质二值图为所述待监测磁介质图像的二值图;
根据磁介质损伤所在区域的面积和磁介质所在的定位框的面积,计算出损伤区域比;
根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求;
磁介质检测模型获得的定位框,包括定位框的左上角坐标(x,y)和定位框的宽度w与高度h;
所述磁介质检测模型为采用磁介质检测数据集对目标检测神经网络进行训练获得的;所述目标检测神经网络为YOLOv7网络;
磁介质检测数据集的构建过程包括:采用工业相机拍摄介质溶毁池内不同类型磁介质的初始图像,初始图像为未溶毁的磁介质图像,确保在不同光照环境及拍摄角度下进行图像采集,获得未溶毁初始图像库;对获得的未溶毁初始图像库中一系列未溶毁初始图像进行标注,标注出磁介质的位置框及类别,从而获得标注文件;基于未溶毁初始图像与各初始图像对应的标注文件,得到磁介质检测数据集;
采用磁介质检测数据集对YOLOv7网络进行训练及测试,测试准确率达到应用要求后,以最后一次训练所获得的YOLOv7检测模型作为磁介质检测模型;
所述损伤分割模型为采用损伤分割数据集对目标分割神经网络进行训练获得的;所述目标分割神经网络包括编码器和解码器;
损伤分割数据集的构建过程包括:在不同类型磁介质被溶毁并出现损伤的过程中,每隔固定时长,基于工业相机拍摄介质溶毁池内的磁介质损伤图像,并获得磁介质损伤图像库,应确保在不同光照环境及拍摄角度下进行图像采集;对获得的一系列磁介质损伤图像进行分割标注,标注出损伤所在区域,从而获得标注文件;基于磁介质损伤图像库与各磁介质损伤图像对应的标注文件,得到损伤分割数据集;
计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积,具体包括:基于opencv库计算损伤所在区域的面积S1,即磁介质二值图中像素值为1的区域面积;并求取磁介质二值图中面积最大背景连通域的面积S2;
根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求,具体包括:
当所述损伤区域比大于设定损伤区域比阈值,且最大背景连通域的面积小于最大背景连通域面积阈值时,停止对磁介质的溶毁,否则,继续对磁介质进行溶毁;
设定损伤区域比阈值为M’,最大背景连通域面积阈值为S’;当计算出的M值和S2值满足M>M’且S2<S’时,说明当前磁介质已满足销毁要求,应发送销毁完成指令给信号灯模块,信号灯模块开启信号灯;否则说明当前该磁介质不满足销毁要求,不发送指令,介质溶毁池需继续进行溶毁操作。
2.根据权利要求1所述的基于视觉监测的磁介质溶毁处理方法,其特征在于,所述编码器包括依次连接第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层,所述编码器还包括第六卷积层、第七卷积层、第八卷积层和第九卷积层;所述解码器包括依次连接第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和第五反卷积层;
所述第六卷积层的输入端与所述第一卷积层的输出端连接;所述第七卷积层的输入端与所述第二卷积层的输出端连接;所述第八卷积层的输入端与所述第三卷积层的输出端连接;所述第九卷积层的输入端与所述第四卷积层的输出端连接;所述第五卷积层的输出和所述第一反卷积层的输入连接,所述第一反卷积层的输出和所述第九卷积层的输出进行通道拼接作为所述第二反卷积层的输入,所述第二反卷积层的输出和所述第八卷积层的输出进行通道拼接作为所述第三反卷积层的输入,所述第三反卷积层的输出和所述第七卷积层的输出进行通道拼接作为所述第四反卷积层的输入,所述第四反卷积层的输出和所述第六卷积层的输出进行通道拼接作为所述第五反卷积层的输入;
3.根据权利要求2所述的基于视觉监测的磁介质溶毁处理方法,其特征在于,所述第一卷积层的卷积核为,卷积核数个为32;所述第二卷积层的卷积核为/>,卷积核个数为64;所述第三卷积层的卷积核为/>,卷积核个数为128;所述第四卷积层的卷积核为/>,卷积核个数为256;所述第五卷积层的卷积核为/>,卷积核个数为512;
所述第一反卷积层的步长为2,卷积核为,卷积核个数为255;所述第二反卷积层的步长为2,卷积核为/>,卷积核个数为127;所述第三反卷积层为步长为2,卷积核为/>,卷积核个数为63;所述第四反卷积层的步长为2,卷积核为/>,卷积核个数为31;
所述第五反卷积层用于输出与所述待监测磁介质图像具有相同空间维度的特征图。
4.一种基于视觉监测的磁介质溶毁处理系统,其特征在于,包括:
磁介质检测模型,用于在磁介质溶毁前,根据磁介质初始图像获得磁介质所在的定位框;
损伤分割模型,用于在磁介质溶毁过程中,根据待监测磁介质图像获得磁介质损伤所在区域;
最大背景连通域的面积确定模块,用于计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积;所述磁介质二值图为所述待监测磁介质图像的二值图;
损伤区域比确定模块,用于根据磁介质损伤所在区域的面积和磁介质所在的定位框的面积,计算出损伤区域比;
溶毁程度判定模型,用于根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求;
所述的基于视觉监测的磁介质溶毁处理系统还包括信号灯模块,所述信号灯模块包括信号灯;
所述信号灯模块用于当所述溶毁程度判定模型输出满足销毁要求指令时,开启所述信号灯;
磁介质检测模型获得的定位框,包括定位框的左上角坐标(x,y)和定位框的宽度w与高度h;
所述磁介质检测模型为采用磁介质检测数据集对目标检测神经网络进行训练获得的;所述目标检测神经网络为YOLOv7网络;
磁介质检测数据集的构建过程包括:采用工业相机拍摄介质溶毁池内不同类型磁介质的初始图像,初始图像为未溶毁的磁介质图像,确保在不同光照环境及拍摄角度下进行图像采集,获得未溶毁初始图像库;对获得的未溶毁初始图像库中一系列未溶毁初始图像进行标注,标注出磁介质的位置框及类别,从而获得标注文件;基于未溶毁初始图像与各初始图像对应的标注文件,得到磁介质检测数据集;
采用磁介质检测数据集对YOLOv7网络进行训练及测试,测试准确率达到应用要求后,以最后一次训练所获得的YOLOv7检测模型作为磁介质检测模型;
所述损伤分割模型为采用损伤分割数据集对目标分割神经网络进行训练获得的;所述目标分割神经网络包括编码器和解码器;
损伤分割数据集的构建过程包括:在不同类型磁介质被溶毁并出现损伤的过程中,每隔固定时长,基于工业相机拍摄介质溶毁池内的磁介质损伤图像,并获得磁介质损伤图像库,应确保在不同光照环境及拍摄角度下进行图像采集;对获得的一系列磁介质损伤图像进行分割标注,标注出损伤所在区域,从而获得标注文件;基于磁介质损伤图像库与各磁介质损伤图像对应的标注文件,得到损伤分割数据集;
计算出磁介质损伤所在区域的面积和磁介质二值图的最大背景连通域的面积,具体包括:基于opencv库计算损伤所在区域的面积S1,即磁介质二值图中像素值为1的区域面积;并求取磁介质二值图中面积最大背景连通域的面积S2;
根据所述损伤区域比和最大背景连通域的面积确定是否满足销毁要求,具体包括:
当所述损伤区域比大于设定损伤区域比阈值,且最大背景连通域的面积小于最大背景连通域面积阈值时,停止对磁介质的溶毁,否则,继续对磁介质进行溶毁;
设定损伤区域比阈值为M’,最大背景连通域面积阈值为S’;当计算出的M值和S2值满足M>M’且S2<S’时,说明当前磁介质已满足销毁要求,应发送销毁完成指令给信号灯模块,信号灯模块开启信号灯;否则说明当前该磁介质不满足销毁要求,不发送指令,介质溶毁池需继续进行溶毁操作。
5.根据权利要求4所述的基于视觉监测的磁介质溶毁处理系统,其特征在于,还包括图像采集模块,所述图像采集模块用于在磁介质溶毁过程中,采用工业相机实时采集待监测磁介质图像,并将实时采集的待监测磁介质图像输入所述损伤分割模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388650.7A CN116109636B (zh) | 2023-04-13 | 2023-04-13 | 一种基于视觉监测的磁介质溶毁处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388650.7A CN116109636B (zh) | 2023-04-13 | 2023-04-13 | 一种基于视觉监测的磁介质溶毁处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109636A CN116109636A (zh) | 2023-05-12 |
CN116109636B true CN116109636B (zh) | 2023-06-23 |
Family
ID=86258317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310388650.7A Active CN116109636B (zh) | 2023-04-13 | 2023-04-13 | 一种基于视觉监测的磁介质溶毁处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109636B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523920B (zh) * | 2023-07-05 | 2023-09-08 | 山东万里红信息技术有限公司 | 一种基于视觉监测的磁介质销毁处理方法 |
CN116702069B (zh) * | 2023-08-08 | 2023-11-24 | 北京中超伟业信息安全技术股份有限公司 | 一种基于状态感知的介质销毁的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364577A (zh) * | 2010-11-30 | 2012-02-29 | 中国电子科技集团公司第三十研究所 | 一种磁介质数据的销毁方法及消磁磁场产生电路 |
CN107765196A (zh) * | 2017-09-27 | 2018-03-06 | 东北大学 | 一种用于测量聚磁介质感应磁场的试验装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898621B (zh) * | 2020-08-05 | 2023-09-05 | 苏州大学 | 一种轮廓形状识别方法 |
CN113435424B (zh) * | 2021-08-27 | 2021-11-26 | 北京中超伟业信息安全技术股份有限公司 | 一种保密介质销毁颗粒度的识别方法和系统 |
CN114776380A (zh) * | 2022-04-08 | 2022-07-22 | 煤炭科学研究总院有限公司 | 冲击地压预警方法、装置、设备及存储介质 |
CN115641294A (zh) * | 2022-09-09 | 2023-01-24 | 北京算路科技有限公司 | 基于周长面积比筛选阳性突变细胞的方法及系统 |
-
2023
- 2023-04-13 CN CN202310388650.7A patent/CN116109636B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364577A (zh) * | 2010-11-30 | 2012-02-29 | 中国电子科技集团公司第三十研究所 | 一种磁介质数据的销毁方法及消磁磁场产生电路 |
CN107765196A (zh) * | 2017-09-27 | 2018-03-06 | 东北大学 | 一种用于测量聚磁介质感应磁场的试验装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116109636A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109636B (zh) | 一种基于视觉监测的磁介质溶毁处理方法及系统 | |
Liu et al. | Deep learning–based enhancement of motion blurred UAV concrete crack images | |
Tian et al. | LDFT-based watermarking resilient to local desynchronization attacks | |
CN110827247A (zh) | 一种识别标签的方法及设备 | |
CN111709883B (zh) | 一种图像检测方法、装置及设备 | |
CN110163831B (zh) | 三维虚拟沙盘的物体动态展示方法、装置及终端设备 | |
CN111104913B (zh) | 一种基于结构及相似度的视频提取ppt方法 | |
CN113344826B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110610144A (zh) | 隐私保护的表情识别方法及系统 | |
CN108694716B (zh) | 一种工件检测方法、模型训练方法及设备 | |
JP2006252364A (ja) | 点検作業管理システム | |
CN115578392B (zh) | 线条检测方法、装置及存储介质 | |
Nataraj et al. | Holistic image manipulation detection using pixel co-occurrence matrices | |
CN111612800B (zh) | 船舶图像检索方法、计算机可读存储介质和设备 | |
CN111724425B (zh) | 航标图拼接方法、装置及终端设备 | |
CN113902744A (zh) | 基于轻量级网络的图像检测方法、系统、设备和存储介质 | |
CN114299475A (zh) | 一种防振锤锈蚀检测方法及相关设备 | |
Neamtu et al. | Exposing copy-move image tampering using forensic method based on SURF | |
Hong et al. | Automatic waterline detection and 3D reconstruction in model ship tests using stereo vision | |
CN114441541B (zh) | 一种输水隧洞检测机器人声光视觉检测系统、方法、设备和介质 | |
CN112669266B (zh) | 超高检测方法、装置、电子设备和存储介质 | |
Torikoshi et al. | Sensitive Region-based Metamorphic Testing Framework using Explainable AI | |
CN118172625A (zh) | 用于训练油污泄露检测模型的样本获取方法、装置及设备 | |
CN113781287B (zh) | 水印图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN112652004B (zh) | 一种图像处理方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |