【技術實現步驟摘要】
本專利技術涉及圖像識別，特別是一種基于深度學習的油窗液位高度識別方法及系統。
技術介紹
1、液位高度識別算法在現代化工業生產和精細化工原料的儲存、運輸環節中扮演著不可或缺的角色，其重要性日益凸顯。這一關鍵技術不僅直接關系到生產流程的自動化水平與效率提升，還深刻影響著原料管理的安全性與精確性。傳統上，液位檢測主要依賴于各類傳感器，盡管這些傳感器在常規條件下能夠有效工作，但在面對工業生產中常見的高溫高壓極端環境、彌漫的灰塵、以及潮濕多變的存儲條件時，往往顯得力不從心，極易出現性能下降甚至失效的情況。此外，傳感器的布置還常常受限于狹窄或特殊形狀的空間，進一步限制了其應用范圍和效果。
2、鑒于此，研發一款集高精度、強魯棒性于一身，并能在復雜多變環境中保持卓越穩定性能的液位高度識別算法顯得尤為迫切。
技術實現思路
1、針對上述缺陷，本專利技術的目的在于提出一種基于深度學習的油窗液位高度識別方法及系統，以解決高溫高壓環境下，傳感器無法正常獲取設備液位溫度的問題。
2、為達此目的，本專利技術采用以下技術方案：一種基于深度學習的油窗液位高度識別方法，包括如下步驟：
3、獲取待檢測設備的油窗的檢測圖像；
4、將檢測圖像輸入到圖像分割模型中，通過圖像分割模型獲取得到油窗掩碼圖像以及液位掩碼圖像；
5、分別對油窗掩碼圖想以及液位掩碼圖像進行圖像處理，獲取得到圓形以及直線；
6、通過直線與圓形之間的位置關系，計算得到待檢測設備的液位高
7、優選的，在調用圖像分割模型前，需要對圖像分割模型進行訓練，其中訓練過程如下：
8、獲取在不同場景、不同光照條件下的訓練圖片，其中所述訓練圖片包括含有油窗的圖片以及包含有液位的圖片；
9、通過第三方標注軟件labelme標注出訓練圖片中每個圓形油視鏡和液位的多邊形區域，并對圖片進行類型名稱的信息標注，得到訓練集圖像；
10、用建立好的訓練集圖像訓練yolov8s-seg圖像分割網絡，獲得訓練好的針對油窗掩碼分割以及液位掩碼分割的圖像分割模型。
11、優選的，所述圖像處理包括圓形處理以及直線處理；
12、其中圓形處理包括以下步驟：
13、對油窗掩碼圖像進行圖像形態學的開運行，得到第一圖像；
14、在第一圖像根據邊緣點像素獲取最小外接圓；
15、以所述最小外接圓作為所述圓形；
16、所述直線處理包括以下步驟：
17、獲取液位掩碼圖像中的最小旋轉包圍框，作為第一包圍框；
18、獲取第一包圍框與圖像水平方向夾角最小的邊，作為第一邊；
19、以第一邊的中心點為基點，將第一包圍框縮小至原來的1/2，得到第一處理包圍框；
20、使用第一處理包圍框截取所述液位掩碼圖像的內容，得到第一處理掩碼圖像；
21、獲取第一處理掩碼圖像像中的最小旋轉包圍框，作為第二包圍框；
22、獲取第二包圍框與圖像垂直平方向夾角最新小的兩條邊，分別作為第二邊與第三邊；
23、分別獲取第二邊以及第三邊的中點，連接所述第二邊的中點以及第三邊的中點，得到所述直線。
24、優選的，所述通過直線與圓形之間的位置關系，計算得到待檢測設備的液位高度的具體步驟如下：
25、獲取所述圓形的圓心；
26、判斷所述直線是否經過圓心，若經過圓心，則以圓形的半徑r作為當前液位高度；
27、若不經過圓心，則獲取所述直線至圓心的垂直距離d，判斷所述直線是否位于圓心的上方，若是，則以圓形的半徑r加上垂直距離d上作為當前液位高度，若否，則以圓形的半徑r減去垂直距離d上作為當前液位高度。
28、一種基于深度學習的油窗液位高度識別系統，使用所述一種基于深度學習的油窗液位高度識別方法，包括獲取模塊、分割模塊、處理模塊以及計算模塊；
29、所述獲取模塊用于獲取待檢測設備的油窗的檢測圖像；
30、所述分割模塊用于將檢測圖像輸入到圖像分割模型中，通過圖像分割模型獲取得到油窗掩碼圖像以及液位掩碼圖像；
31、所述處理模塊用于分別對油窗掩碼圖想以及液位掩碼圖像進行圖像處理，獲取得到圓形以及直線；
32、所述計算模塊用于通過直線與圓形之間的位置關系，計算得到待檢測設備的液位高度。
33、優選的，還包括建模模塊；
34、所述建模模塊用于獲取在不同場景、不同光照條件下的訓練圖片，其中所述訓練圖片包括含有油窗的圖片以及包含有液位的圖片；
35、通過第三方標注軟件labelme標注出訓練圖片中每個圓形油視鏡和液位的多邊形區域，并對圖片進行類型名稱的信息標注，得到訓練集圖像；
36、用建立好的訓練集圖像訓練yolov8s-seg圖像分割網絡，獲得訓練好的針對油窗掩碼分割以及液位掩碼分割的圖像分割模型。
37、優選的，所述處理模塊包括第一處理子模塊與第二處理子模塊；
38、所述第一處理子模塊用于對油窗掩碼圖像進行圖像形態學的開運行，得到第一圖像；
39、在第一圖像根據邊緣點像素獲取最小外接圓；
40、以所述最小外接圓作為所述圓形；
41、第二處理子模塊用于獲取液位掩碼圖像中的最小旋轉包圍框，作為第一包圍框；
42、獲取第一包圍框與圖像水平方向夾角最小的邊，作為第一邊；
43、以第一邊的中心點為基點，將第一包圍框縮小至原來的1/2，得到第一處理包圍框；
44、使用第一處理包圍框截取所述液位掩碼圖像的內容，得到第一處理掩碼圖像；
45、獲取第一處理掩碼圖像像中的最小旋轉包圍框，作為第二包圍框；
46、獲取第二包圍框與圖像垂直平方向夾角最新小的兩條邊，分別作為第二邊與第三邊；
47、分別獲取第二邊以及第三邊的中點，連接所述第二邊的中點以及第三邊的中點，得到所述直線。
48、優選的，所述計算模塊執行如下步驟：
49、獲取所述圓形的圓心；
50、判斷所述直線是否經過圓心，若經過圓心，則以圓形的半徑r作為當前液位高度；
51、若不經過圓心，則獲取所述直線至圓心的垂直距離d，判斷所述直線是否位于圓心的上方，若是，則以圓形的半徑r加上垂直距離d上作為當前液位高度，若否，則以圓形的半徑r減去垂直距離d上作為當前液位高度。
52、上述技術方案中的一個技術方案具有如下優點或有益效果：在本專利技術中采用了圖像識別的算法，通過相機、攝像頭等設備對油窗進行拍攝，得到檢測圖像。本專利技術中將液位高度檢測的復雜問題化為深度學習圖像分割問題。利用分割出的掩碼圖像進行圓形油視鏡對應所述圓形和液位的所述直線之間的位置關系，獲取得到當前油位的高度。無需采用傳感設備進行檢測，避免了高溫高壓環境下，傳感器無法正常工作的問題。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的油窗液位高度識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于深度學習的油窗液位高度識別方法，其特征在于，在調用圖像分割模型前，需要對圖像分割模型進行訓練，其中訓練過程如下：
3.根據權利要求1所述的一種基于深度學習的油窗液位高度識別方法，其特征在于，所述圖像處理包括圓形處理以及直線處理；
4.根據權利要求1所述的一種基于深度學習的油窗液位高度識別方法，其特征在于，所述通過直線與圓形之間的位置關系，計算得到待檢測設備的液位高度的具體步驟如下：
5.一種基于深度學習的油窗液位高度識別系統，其特征在于，使用權利要求1～4任一項所述一種基于深度學習的油窗液位高度識別方法，包括獲取模塊、分割模塊、處理模塊以及計算模塊；
6.根據權利要求5所述的一種基于深度學習的油窗液位高度識別系統，其特征在于，還包括建模模塊；
7.根據權利要求5所述的一種基于深度學習的油窗液位高度識別系統，其特征在于，所述處理模塊包括第一處理子模塊與第二處理子模塊；
8.根據權利要求5所述的一種
...【技術特征摘要】
1.一種基于深度學習的油窗液位高度識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于深度學習的油窗液位高度識別方法，其特征在于，在調用圖像分割模型前，需要對圖像分割模型進行訓練，其中訓練過程如下：
3.根據權利要求1所述的一種基于深度學習的油窗液位高度識別方法，其特征在于，所述圖像處理包括圓形處理以及直線處理；
4.根據權利要求1所述的一種基于深度學習的油窗液位高度識別方法，其特征在于，所述通過直線與圓形之間的位置關系，計算得到待檢測設備的液位高度的具體步驟如下：
<...【專利技術屬性】
技術研發人員：李丁，廖思軍，郭京珠，胡文濤，紀俊杰，
申請(專利權)人：廣東科凱達智能機器人有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。