CN118429974A - 一种液位仪表智能识别方法、系统、装置以及存储介质 - Google Patents

一种液位仪表智能识别方法、系统、装置以及存储介质 Download PDF

Info

Publication number
CN118429974A
CN118429974A CN202410888347.8A CN202410888347A CN118429974A CN 118429974 A CN118429974 A CN 118429974A CN 202410888347 A CN202410888347 A CN 202410888347A CN 118429974 A CN118429974 A CN 118429974A
Authority
CN
China
Prior art keywords
liquid level
scale
oil level
oil
level meter
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.)
Granted
Application number
CN202410888347.8A
Other languages
English (en)
Other versions
CN118429974B (zh
Inventor
吴苓芝
李天赋
王传钦
王浩
付建文
张森
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.)
Dongfang Electronics Co Ltd
Original Assignee
Dongfang Electronics 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 Dongfang Electronics Co Ltd filed Critical Dongfang Electronics Co Ltd
Priority to CN202410888347.8A priority Critical patent/CN118429974B/zh
Publication of CN118429974A publication Critical patent/CN118429974A/zh
Application granted granted Critical
Publication of CN118429974B publication Critical patent/CN118429974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

本发明公开了一种液位仪表智能识别方法、系统、装置以及存储介质,属于图像识别的技术领域,包括获取油位表设备图片;从预设的数据库中调用油位表区域检测模型;将所述油位表设备图片输入至油位表区域检测模型中,检测油位表区域,确定油位表区域图;从预设的数据库中调用油位表刻度及液位线检测模型;将所述油位表区域图输入至油位表刻度及液位线检测模型中,根据所检测得到的第一刻度目标、第二刻度目标以及液位线,分别确定相对应的目标检测框数据:根据所述第一刻度目标、第二刻度目标,获取参与计算的刻度目标的刻度值;根据液位线计算公式得到油位表液位读数。本发明具有自动识别油位表读数的效果。

Description

一种液位仪表智能识别方法、系统、装置以及存储介质
技术领域
本发明涉及图像识别的技术领域,尤其涉及一种液位仪表智能识别方法、系统、装置以及存储介质。
背景技术
浮标式油位计广泛应用于各种容器和储罐中,特别是在电力、化工、石油、水处理和食品加工等行业中。在变电站场景中,浮标式油位计通过浮力原理来测量液位。它通常包含一个漂浮在液体表面的浮标,浮漂上连接有浮杆,刻度值印刷在浮杆上,当液位上升或下降时,刻度值随浮杆上下浮动,刻度线始终固定于油位表玻璃窗的中间位置。
变压器储油柜油位表液位指示,通常位于储油柜的侧面或底部,它的作用是帮助工作人员判断变压器液位的高低。日常巡视检查要关注液位数值的变化,正确地读取液位指示刻度是保障变压器正常运行的一个重要环节,当发现液位异常时,工作人员应及时添加或排放油,防止出现安全隐患。上述过程存在有传统人工巡检工作量大、巡检质量难以保证、手工记录难以利用等缺点。
发明内容
本发明提供的一种液位仪表智能识别方法、系统、装置以及存储介质采用如下的技术方案:
第一方面,本发明提供一种液位仪表智能识别方法,包括以下步骤:
获取油位表设备图片;
从预设的数据库中调用油位表区域检测模型;
将所述油位表设备图片输入至所述油位表区域检测模型中,检测油位表区域,确定油位表区域图;
从预设的数据库中调用油位表刻度及液位线检测模型;
将所述油位表区域图输入至油位表刻度及液位线检测模型中,检测得到第一刻度目标、第二刻度目标以及液位线;
根据所检测得到的第一刻度目标、第二刻度目标以及液位线,分别确定相对应的目标检测框数据:
根据所述第一刻度目标、第二刻度目标,获取参与计算的刻度目标的刻度值;
根据液位线计算公式得到油位表液位读数。
进一步的,在所述从预设的数据库中调用油位表区域检测模型的步骤之前,包括:
获取训练图片数据,所述训练图片数据包括室内及室外场景的多张油位表设备图片;
使用LabelImg标注工具人工标注油位表目标框,构建生成油位表检测数据集;
根据所述油位表检测数据集,采用YOLOv8深度学习目标检测算法,训练油位表区域检测模型,用于定位油位表在图片中的位置;
将所述油位表区域检测模型保存至预设数据库中。
进一步的,在所述从预设的数据库中调用油位表刻度及液位线检测模型的步骤之前,还包括:
根据所述油位表检测数据集,抠取油位表区域小图;
根据所述油位表区域小图,使用LabelImg标注工具人工标注刻度及液位线的目标框,构建生成刻度及液位线检测数据集;
根据所述刻度及液位线检测数据集,采用YOLOv8深度学习目标检测算法,训练油位表刻度及液位线检测模型,用于获取当前时刻液位线和刻度目标的检测框区域数据;
将所述油位表刻度及液位线检测模型保存至预设数据库中。
进一步的,获取油温值t;
从预设的数据库中获取油温曲线数据;
根据所述油温值t与油温曲线数据,得到与所述油温值t相对应的液位阈值;
当所述油位表液位value超过所述液位阈值时,产生报警指令并执行。
进一步的,在从预设的数据库中获取油温曲线数据的步骤之前,还包括:
获取两组油位表液位value与油温值t的对应数值;
将两组油位表液位value与油温值t的对应数值带入直线方程value=at+b中,计算得出a和b的数值;
将计算得出的value=at+b作为油温曲线数据存储至数据库中。
第二方面,本发明提供一种液位仪表智能识别系统,包括:
油位表设备图片获取模块,用于获取油位表设备图片;
油位表区域检测模型调用模块,用于从预设的数据库中调用油位表区域检测模型;
油位表区域图检测模块,用于将所述油位表设备图片输入至油位表区域检测模型中,检测油位表区域,确定油位表区域图;
油位表刻度及液位线检测模型调用模块,用于从预设的数据库中调用油位表刻度及液位线检测模型;
油位表刻度及液位线检测模块,用于将所述油位表区域图输入至油位表刻度及液位线检测模型中,检测得到第一刻度目标、第二刻度目标以及液位线;
目标检测框数据确定模块,用于根据所检测得到的第一刻度目标、第二刻度目标以及液位线,分别确定相对应的目标检测框数据;
刻度目标刻度值计算模块,用于根据所述第一刻度目标、第二刻度目标转换得到参与计算的刻度目标的刻度值;
油位表液位计算模块,用于根据液位线中心线的y坐标、第一刻度目标、第二刻度目标检测框底边的y坐标,以及刻度值,计算得到油位表液位。
第三方面,本发明提供一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行上述一种液位仪表智能识别方法的计算机程序。
第四方面,本发明提供一种计算机可读存储介质,存储有能够被处理器加载并执行上述一种液位仪表智能识别方法的计算机程序。
综上所述,与现有技术相比,上述技术方案的有益效果是:
本发明所述的一种液位仪表智能识别方法、系统、装置以及存储介质,能够根据变压器的实际运行状况,动态调整液位报警的阈值,从而更加精确地反映储油柜的液位状态。这种自适应的阈值设置机制,减少了因固定阈值导致的误报或漏报,提高了报警系统的准确性和可靠性。油位表液位智能识别功能,利用图像处理技术,对油位表的液位进行实时监测和分析。与传统的人工检查相比,该装置能够实现24小时不间断的监控,及时发现液位异常,确保变压器的安全运行。报警系统的开发,进一步强化了装置的实用性。该系统能够根据智能识别的结果,自动触发报警,并通过智能盒子将报警信息传输至控制中心或维护人员,实现了告警的即时性和远程监控。这种集成化的告警机制,不仅提高了故障响应速度,也为维护人员提供了便捷的故障诊断和处理手段。
综上所述,本发明的装置通过其智能化和自动化的特点,显著提升了变压器储油柜的监控水平,降低了维护成本,增强了系统的稳定性和安全性,具有显著的技术效果和社会经济效益。
附图说明
图1是本发明实施例的示意图。
图2是本发明实施例中计算得到油位表液位value的流程示意图。
图3是本发明实施例中训练油位表区域检测模型的流程示意图。
图4是本发明实施例中训练油位表刻度及液位线检测模型的流程示意图。
图5是本发明实施例中产生报警指令并执行的流程示意图。
图6是本发明实施例中计算生成直线方程value=at+b的流程示意图。
图7是本发明实施例的模块框图。
附图标记说明:1、油位表设备图片获取模块;2、油位表区域检测模型调用模块;3、油位表区域图检测模块;4、油位表刻度及液位线检测模型调用模块;5、油位表刻度及液位线检测模块;6、目标检测框数据确定模块;7、刻度目标刻度值计算模块;8、油位表液位计算模块。
具体实施方式
以下结合全部附图对本发明作进一步详细说明。
本发明实施例公开一种液位仪表智能识别方法、系统、装置以及存储介质,参照图1和图2,一种液位仪表智能识别方法包括:
S101、获取油位表设备图片。
具体的,变压器储油柜上设有摄像机,智能识别系统设置分钟级拍摄任务,控制摄像机每分钟抓拍一张图像;并接收摄像机对油位表设备的抓拍图像。
S102、从预设的数据库中调用油位表区域检测模型。
具体的,智能识别系统从预设的数据库中调用油位表区域检测模型,以便检测油位表区域图。
S103、将所述油位表设备图片输入至油位表区域检测模型中,检测油位表区域,确定油位表区域图。
具体的,智能识别系统将每分钟抓拍到的图像,输入给刻度及液位线检测模型,定位油位表区域。
S104、从预设的数据库中调用油位表刻度及液位线检测模型。
具体的,智能识别系统从预设的数据库中调用油位表刻度及液位线检测模型,以便对油位表刻度及液位线进行识别,举例来说,共22个类别标签,["0", "0.5","1", "1.5","2", "2.5","3", "3.5","4", "4.5", "5", "5.5", "6", "6.5", "7", "7.5", "8", "8.5", "9", "9.5", "10", "rline"],其中,前21个标签为油位表的刻度目标标签,第22个标签是液位线标签。
S105、检测第一刻度目标O1、第二刻度目标O2以及液位线Oline
具体的,智能识别系统在油位表区域中检测刻度及液位线,通过两级检测来避免变电站复杂背景对刻度及液位线检测的误检。将所述油位表区域图输入至油位表刻度及液位线检测模型中,检测得到第一刻度目标O1、第二刻度目标O2以及液位线Oline
油位表中显示的刻度有时会超过两个,部分刻度可能存在遮挡,导致置信度较低,为了计算更为准确,智能识别系统选取两个置信度较高的刻度目标用于液位计算。对识别到的所有刻度目标按置信度排序,取置信度最大的两个刻度目标,记作第一刻度目标O1、第二刻度目标O2,用于计算油位表液位。举例来说,检测到刻度目标三个,其中中间的刻度8存在遮挡,置信度相对较低,因此取置信度较高的刻度8.5和9.5参与液位计算。
S106、确定相对应的目标检测框数据。
具体的,智能识别系统根据所检测得到的第一刻度目标O1、第二刻度目标O2以及液位线Oline,分别确定相对应的目标检测框数据:
O1:[x1, y1, w1, h1, label1, Score1];
O2:[x2, y2, w2, h2, label2, Score2];
Oline:[xline, yline, wline, hline, labelline, Scoreline];
其中,x1和y1共同代表第一刻度目标O1目标检测框的左上角坐标,w1和h1分别代表第一刻度目标O1目标检测框的宽和高,label1代表第一刻度目标O1的类别标签,Score1代表第一刻度目标O1的置信度;x2和y2共同代表第二刻度目标O2目标检测框的左上角坐标,w2和h2分别代表第二刻度目标O2目标检测框的宽和高,label2代表第二刻度目标O2的类别标签,Score2代表第二刻度目标O2的置信度;xline和yline共同代表液位线Oline目标检测框的左上角坐标,wline和hline分别代表液位线Oline目标检测框的宽和高,labelline代表液位线Oline的类别标签,Scoreline代表液位线Oline的置信度。
S107、将字符串标签转换为数值。
具体的,第一刻度目标O1、第二刻度目标O2的类别标签为字符串类型,将字符串标签转换为数值,得到参与计算的刻度目标的刻度值kmin和kmax
其中,f代表将字符串转换为浮点数的函数,kmin和kmax分别代表参与计算的第一刻度目标O1、第二刻度目标O2的刻度值。举例来说,共22个类别标签,前21个标签为油位表的刻度目标标签,在本实施例中,使用python语言的float()函数能将str类型、int类型的数据转换成浮点数类型,因此能够将21类的标签转换为浮点型的数值。
S108、计算第一刻度目标O1、第二刻度目标O2以及液位线Oline的坐标。
具体的,在像素坐标系中,像素的原点在图像的左上角,刻度数字的检测框下边缘与刻度线接近,因此选择第一刻度目标O1、第二刻度目标O2检测框底边的y值用于液位计算,液位线Oline选择检测框中心线用于液位计算更为精确。
智能识别系统将第一刻度目标O1、第二刻度目标O2检测框底边的y值分别记为ymin和ymax,液位线Oline中心线的y坐标记为yoline,计算公式如下:
其中,h1代表第一刻度目标O1目标检测框的高,h2代表第二刻度目标O2目标检测框的高,hline代表液位线Oline目标检测框的高;
S109、计算得到油位表液位value。
具体的,智能识别系统根据液位线Oline中心线的y坐标yoline、第一刻度目标O1、第二刻度目标O2检测框底边的y坐标ymin和ymax,以及刻度值kmin和kmax,列出液位线计算公式:
计算得到油位表液位value:
其中,value代表计算得到的液位线液位读数。
参照图3,S102之前还根据训练图片数据训练油位表区域检测模型,具体包括以下步骤:
S201、获取训练图片数据。
具体的,智能识别系统获取训练图片数据,所述训练图片数据包括室内及室外场景的多张油位表设备图片。这些图片将作为训练模型的原始数据,图片数据的多样性有助于提高模型在不同场景下的泛化能力。
S202、构建生成油位表检测数据集。
具体的,智能识别系统使用LabelImg标注工具人工标注油位表目标框,构架生成油位表检测数据集。通过人工标注,可以确保油位表目标框的准确性和可靠性。这些标注数据将作为模型训练的基准,帮助模型学习如何识别和定位油位表。
S203、训练油位表区域检测模型。
具体的,智能识别系统根据所述油位表检测数据集,采用YOLOv8深度学习目标检测算法,训练油位表区域检测模型,用于定位油位表在图片中的位置;YOLOv8是一种先进的深度学习目标检测算法,具有高精度和实时性。使用该算法训练油位表区域检测模型,可以确保模型在识别油位表时具有较高的准确率和速度。YOLOv8算法在处理复杂场景和多个目标时表现出色,适用于油位表检测任务。此外,该算法还支持多尺度预测和特征融合,有助于提高模型的性能。
S204、将所述油位表区域检测模型保存至预设数据库中。
具体的,智能识别系统将所述油位表区域检测模型保存至预设数据库中。将训练好的模型保存至预设数据库,方便后续调用和使用。这有助于实现油位表检测的自动化和智能化。
参照图4,S104之前还使用构建生成的油位表检测数据集训练油位表刻度及液位线检测模型,具体包括以下步骤:
S301、抠取油位表区域小图。
具体的,智能识别系统根据所述油位表检测数据集,抠取油位表区域小图;通过从油位表检测数据集中抠取油位表区域的小图,可以专注于油位表本身的结构和细节,减少背景噪声对后续刻度及液位线检测的影响。这种做法提高了数据的质量和模型的训练效率,使得模型能够更好地学习和识别油位表上的刻度及液位线。
S302、构建生成刻度及液位线检测数据集。
具体的,智能识别系统根据所述油位表区域小图,使用LabelImg标注工具人工标注刻度及液位线的目标框,构建生成刻度及液位线检测数据集;使用LabelImg等标注工具对油位表区域小图中的刻度及液位线进行人工标注,有利于生成准确的目标框信息。这些信息将作为模型训练的基准。
S303、训练油位表刻度及液位线检测模型。
具体的,智能识别系统根据所述刻度及液位线检测数据集,采用YOLOv8深度学习目标检测算法,训练油位表刻度及液位线检测模型,用于获取当前时刻液位线和刻度目标的检测框区域数据;采用YOLOv8深度学习目标检测算法,使用构建生成的刻度及液位线检测数据集,训练油位表刻度及液位线检测模型。这个模型将用于获取当前时刻液位线和刻度目标的检测框区域数据。YOLOv8算法的高效性和准确性使得模型能够快速准确地识别油位表上的刻度及液位线。这有助于实现油位表的自动化监测和读数。
S304、将所述油位表刻度及液位线检测模型保存至预设数据库中。
具体的,智能识别系统将训练好的油位表刻度及液位线检测模型保存至预设数据库中,以便后续调用和使用。这有助于实现油位表检测的自动化和智能化。
参照图5,本实施例公开一种报警方法,具体包括以下步骤:
S401、获取油温值t。
具体的,智能识别系统获取油温值t;油温值t的获取是后续步骤的基础,它反映了当前油品的温度状态。油温对于油品的体积、密度等物理特性有直接影响,因此是确定液位阈值的重要参数。
S402、从预设的数据库中获取油温曲线数据。
具体的,智能识别系统从预设的数据库中获取油温曲线数据;油温曲线数据通常包含不同油温下的液位阈值信息。这些数据是通过实验或历史数据积累得到的,反映了油温与液位阈值之间的对应关系。通过查询这些数据,可以快速获取与当前油温值t相对应的液位阈值。
S403、得到与所述油温值t相对应的液位阈值。
具体的,智能识别系统根据所述油温值t与油温曲线数据,得到与所述油温值t相对应的液位阈值;通过油温值t在油温曲线数据中进行查找或插值计算,可以得到与当前油温相对应的液位阈值。这个液位阈值将作为判断液位是否超过安全范围的标准。
S404、产生报警指令并执行。
具体的,智能识别系统当所述油位表液位value超过所述液位阈值时,产生报警指令并执行。通过比较油位表液位value与计算得到的液位阈值,可以判断液位是否超过了安全范围。如果液位超过阈值,系统将产生报警指令并执行相应的报警操作,如发出声音、灯光闪烁、发送短信或邮件等,以提醒操作人员注意。这种方法能够及时发现液位异常情况,并通过报警提醒操作人员采取措施,避免潜在的安全风险。同时,由于采用了基于油温的液位阈值计算方法,使得报警更加准确和可靠。
参照图6,S402之后还根据油位表液位value与油温值t生成油温曲线数据,具体包括以下步骤:
S501、获取两组油位表液位value与油温值t的对应数值。
具体的,智能识别系统获取两组油位表液位value与油温值t的对应数值;这些数据将用于后续的直线方程拟合。
S502、计算生成直线方程value=at+b。
具体的,智能识别系统将两组油位表液位value与油温值t的对应数值带入直线方程value=at+b中,计算得出a和b的数值;这里将利用代入消去法或加减消去法来求解直线方程value=at+b中的参数a和b。通过将多组液位与油温的对应数据带入方程,可以得到最符合这些数据的直线方程参数a和b。参数a反映了油温对液位值的影响程度,而参数b则代表了当油温为0时(理论上)的液位值。
S503、将计算得出的value=at+b作为油温曲线数据存储至数据库中。
具体的,智能识别系统将计算得出的value=at+b作为油温曲线数据存储至数据库中。将得到的直线方程value=at+b及其参数a和b作为油温曲线数据存储到预设的数据库中。这样,在后续的液位监测过程中,就可以根据实时测得的油温值t,通过该方程快速计算出对应的液位值value,从而实现对液位值的准确预测或估计。
参照图7,基于上述方法,本发明实施例还公开一种液位仪表智能识别系统,包括:
油位表设备图片获取模块1,油位表设备图片获取模块1用于获取油位表设备图片。
油位表区域检测模型调用模块2,油位表区域检测模型调用模块2用于从预设的数据库中调用油位表区域检测模型。
油位表区域图检测模块3,油位表区域图检测模块3用于将所述油位表设备图片输入至油位表区域检测模型中,检测油位表区域,确定油位表区域图。
油位表刻度及液位线检测模型调用模块4,油位表刻度及液位线检测模型调用模块4用于从预设的数据库中调用油位表刻度及液位线检测模型。
油位表刻度及液位线检测模块5,油位表刻度及液位线检测模块5用于根据所述油位表刻度及液位线检测模型和所述油位表区域图,检测第一刻度目标O1、第二刻度目标O2以及液位线Oline
目标检测框数据确定模块6,目标检测框数据确定模块6用于根据所检测得到的第一刻度目标O1、第二刻度目标O2以及液位线Oline,分别确定相对应的目标检测框数据。
刻度目标刻度值计算模块7,刻度目标刻度值计算模块7用于所述第一刻度目标O1、第二刻度目标O2的类别标签为字符串类型,将字符串标签转换为数值,得到参与计算的刻度目标的刻度值kmin和kmax
第一刻度目标O1、第二刻度目标O2检测框底边的y值分别记为ymin和ymax,液位线Oline中心线的y坐标记为yoline
油位表液位计算模块8,油位表液位计算模块8用于根据液位线Oline中心线的y坐标yoline、第一刻度目标O1、第二刻度目标O2检测框底边的y坐标ymin和ymax,以及刻度值kmin和kmax,计算得到油位表液位value。
本发明实施例还公开一种智能终端,其包括存储器和处理器,其中,存储器上存储有能够被处理器加载并执行如上述的一种液位仪表智能识别方法的计算机程序。
本发明实施例还公开一种计算机可读存储介质。计算机可读存储介质内存储有能够被处理器加载并执行如上述的一种液位仪表智能识别方法的计算机程序,计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案,而非对发明的保护范围进行限制。显然,所描述的实施例仅仅是本发明部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明,本领域普通技术人员依然可以在不冲突的情况下,不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整,从而得到不同的、本质未脱离本发明的构思的其他技术方案,这些技术方案也同样属于本发明所要保护的范围。

Claims (8)

1.一种液位仪表智能识别方法,其特征在于,包括以下步骤:
获取油位表设备图片;
从预设的数据库中调用油位表区域检测模型;
将所述油位表设备图片输入至所述油位表区域检测模型中,检测油位表区域,确定油位表区域图;
从预设的数据库中调用油位表刻度及液位线检测模型;
将所述油位表区域图输入至油位表刻度及液位线检测模型中,检测得到第一刻度目标、第二刻度目标以及液位线;
根据所检测得到的第一刻度目标、第二刻度目标以及液位线,分别确定相对应的目标检测框数据:
根据所述第一刻度目标、第二刻度目标,获取参与计算的刻度目标的刻度值;
根据液位线计算公式得到油位表液位读数。
2.根据权利要求1所述的一种液位仪表智能识别方法,其特征在于,在所述从预设的数据库中调用油位表区域检测模型的步骤之前,包括:
获取训练图片数据,所述训练图片数据包括室内及室外场景的多张油位表设备图片;
使用LabelImg标注工具人工标注油位表目标框,构建生成油位表检测数据集;
根据所述油位表检测数据集,采用YOLOv8深度学习目标检测算法,训练油位表区域检测模型,用于定位油位表在图片中的位置;
将所述油位表区域检测模型保存至预设数据库中。
3.根据权利要求2所述的一种液位仪表智能识别方法,其特征在于,在所述从预设的数据库中调用油位表刻度及液位线检测模型的步骤之前,还包括:
根据所述油位表检测数据集,抠取油位表区域小图;
根据所述油位表区域小图,使用LabelImg标注工具人工标注刻度及液位线的目标框,构建生成刻度及液位线检测数据集;
根据所述刻度及液位线检测数据集,采用YOLOv8深度学习目标检测算法,训练油位表刻度及液位线检测模型,用于获取当前时刻液位线和刻度目标的检测框区域数据;
将所述油位表刻度及液位线检测模型保存至预设数据库中。
4.根据权利要求1所述的一种液位仪表智能识别方法,其特征在于,还包括:
获取油温值t;
从预设的数据库中获取油温曲线数据;
根据所述油温值t与油温曲线数据,得到与所述油温值t相对应的液位阈值;
当所述油位表液位value超过所述液位阈值时,产生报警指令并执行。
5.根据权利要求4所述的一种液位仪表智能识别方法,其特征在于,在从预设的数据库中获取油温曲线数据的步骤之前,还包括:
获取两组油位表液位value与油温值t的对应数值;
将两组油位表液位value与油温值t的对应数值带入直线方程value=at+b中,计算得出a和b的数值;
将计算得出的value=at+b作为油温曲线数据存储至数据库中。
6.一种液位仪表智能识别系统,其特征在于,包括:
油位表设备图片获取模块,用于获取油位表设备图片;
油位表区域检测模型调用模块,用于从预设的数据库中调用油位表区域检测模型;
油位表区域图检测模块,用于将所述油位表设备图片输入至油位表区域检测模型中,检测油位表区域,确定油位表区域图;
油位表刻度及液位线检测模型调用模块,用于从预设的数据库中调用油位表刻度及液位线检测模型;
油位表刻度及液位线检测模块,用于将所述油位表区域图输入至油位表刻度及液位线检测模型中,检测得到第一刻度目标、第二刻度目标以及液位线;
目标检测框数据确定模块,用于根据所检测得到的第一刻度目标、第二刻度目标以及液位线,分别确定相对应的目标检测框数据;
刻度目标刻度值计算模块,用于根据所述第一刻度目标、第二刻度目标转换得到参与计算的刻度目标的刻度值;
油位表液位计算模块,用于根据液位线中心线的y坐标、第一刻度目标、第二刻度目标检测框底边的y坐标,以及刻度值,计算得到油位表液位。
7.一种智能终端,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至5中任一种方法的计算机程序。
8.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至5中任一种方法的计算机程序。
CN202410888347.8A 2024-07-04 2024-07-04 一种液位仪表智能识别方法、系统、装置以及存储介质 Active CN118429974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410888347.8A CN118429974B (zh) 2024-07-04 2024-07-04 一种液位仪表智能识别方法、系统、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410888347.8A CN118429974B (zh) 2024-07-04 2024-07-04 一种液位仪表智能识别方法、系统、装置以及存储介质

Publications (2)

Publication Number Publication Date
CN118429974A true CN118429974A (zh) 2024-08-02
CN118429974B CN118429974B (zh) 2024-10-29

Family

ID=92310870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410888347.8A Active CN118429974B (zh) 2024-07-04 2024-07-04 一种液位仪表智能识别方法、系统、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN118429974B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108332779A (zh) * 2018-02-12 2018-07-27 浙江中控技术股份有限公司 一种液柱型仪表的读数方法及相关装置
CN112015091A (zh) * 2019-05-29 2020-12-01 广东美的生活电器制造有限公司 一种控制方法及装置、设备和计算机存储介质
WO2020237501A1 (zh) * 2019-05-28 2020-12-03 深圳大学 一种多源协同道路车辆监控系统
CN114022670A (zh) * 2021-11-04 2022-02-08 许继集团有限公司 一种液位型变压器油位计识别方法及系统
CN114549399A (zh) * 2021-12-31 2022-05-27 阿里云计算有限公司 液位数据获取方法和界面及计算机可读存储介质
CN116453104A (zh) * 2023-06-15 2023-07-18 安徽容知日新科技股份有限公司 液位识别方法、装置、电子设备及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108332779A (zh) * 2018-02-12 2018-07-27 浙江中控技术股份有限公司 一种液柱型仪表的读数方法及相关装置
WO2020237501A1 (zh) * 2019-05-28 2020-12-03 深圳大学 一种多源协同道路车辆监控系统
CN112015091A (zh) * 2019-05-29 2020-12-01 广东美的生活电器制造有限公司 一种控制方法及装置、设备和计算机存储介质
CN114022670A (zh) * 2021-11-04 2022-02-08 许继集团有限公司 一种液位型变压器油位计识别方法及系统
CN114549399A (zh) * 2021-12-31 2022-05-27 阿里云计算有限公司 液位数据获取方法和界面及计算机可读存储介质
CN116453104A (zh) * 2023-06-15 2023-07-18 安徽容知日新科技股份有限公司 液位识别方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN118429974B (zh) 2024-10-29

Similar Documents

Publication Publication Date Title
CN102975826A (zh) 基于机器视觉的便携式船舶水尺自动检测和识别方法
CN112017173B (zh) 基于目标检测网络和结构化定位的电力设备缺陷检测方法
CN112183470B (zh) 一种船舶水尺识别方法、设备及存储介质
CN113469178B (zh) 一种基于深度学习的电力表计识别方法
CN108960070A (zh) 一种水位高程检测系统及其方法
CN113076899A (zh) 一种基于目标跟踪算法的高压输电线路异物检测方法
CN112329644A (zh) 一种蓄水池水位监测方法、系统、介质及电子终端
CN117037132A (zh) 一种基于机器视觉的船舶水尺读数检测和识别方法
CN111521245A (zh) 基于视觉分析的液位控制方法
CN118429974B (zh) 一种液位仪表智能识别方法、系统、装置以及存储介质
CN114627461A (zh) 一种基于人工智能高精度识别水尺数据的方法及系统
CN112198464B (zh) 一种变压器故障检测系统及方法
CN115861407A (zh) 基于深度学习的安全距离检测方法及系统
CN112991342B (zh) 基于水位尺图像的水位线检测方法、装置与系统
CN112329770B (zh) 一种仪表刻度识别方法及装置
CN109360289B (zh) 融合巡检机器人定位信息的电力表计检测方法
CN112651958A (zh) 一种基于物联网和人工智能的水产养殖环境实时在线监测方法及大数据云平台
CN116935079B (zh) 一种基于视觉的线状开关状态监测方法及终端
CN116977994A (zh) 一种基于图像识别的灭火器压力表检测方法
TWI811096B (zh) 多表頭自動辨識系統與多表頭自動辨識方法
CN118430215B (zh) 一种基于船联网的报警装置
CN114119496B (zh) 一种基于机器视觉的岸桥单双箱检测方法和装置
CN116399418B (zh) 一种基于固定摄像头的水位识别方法及系统
CN118379640B (zh) 一种粮仓智能巡检方法、系统、设备、介质
CN118212503A (zh) 基于抽样理论的绝缘子样本库质量评估方法及系统

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