[发明专利]一种桥式起重机设备运行状态量的检测及误差分析方法

说明书

本发明公开了一种桥式起重机设备运行状态量的检测及误差分析方法，包括：利用深度学习模型Mask R‑CNN预测摄像头每帧画面中起重机部件的定位框、部件区域的实例分割以及部件关键点和自然标定物关键点；利用起重机上的自然标定物关键点建立世界坐标系，并与Mask R‑CNN识别出的对应位置的像素坐标作为求解PnP问题的输入值，求解获得坐标变换的单应性矩阵，即得到当前帧的相机坐标到世界坐标的坐标变换矩阵；结合坐标变换矩阵，及Mask R‑CNN预测的关键位置像素坐标，利用相机投影变换性质求出像素坐标对应的关键点世界坐标；依据求出的关键点世界坐标，计算起重机运行状态量；利用微分近似误差的方法，分析求取关键点世界坐标的计算误差，得出了计算误差的解析表达式。

技术领域

本发明涉及模式识别技术领域，尤其涉及桥式起重机基于单目视觉的运行状态量识别方法。

背景技术

现有桥式起重机运行状态量测量技术大多依赖各类传感器关于状态量的直接测量，此类传感器需要安装于起重机的关键位置，进行直接的测量，这造成拆装的非便利性，造成了多余的安装成本以及降低了传感器在其他起重机上的复用性。本发明提出的一种桥式起重机设备运行状态量的检测方法，结合了深度学习算法与单目视觉的相机位姿PnP问题求解方法，充分利用深度学习算法对图像的高级语义理解能力、高鲁棒性与高泛化性，实现了仅利用单目视觉，便可求出桥式起重机的多种运行状态量。相比传统安装大量传感器的测量方案，此方法仅需单目相机从而节省了设备成本，且利用了深度学习的高泛化性，因而对相机摆放位置无需做特定要求，提升了测量装置的易用性。

发明内容

为解决上述技术问题，本发明的目的是提供一种桥式起重机的运行状态量的模式测量及误差分析方法。

本发明的目的通过以下的技术方案来实现：

一种桥式起重机设备运行状态量的检测及误差分析方法，包括：

A利用深度学习模型Mask R-CNN预测摄像头每帧画面中起重机部件的定位框、部件区域的实例分割以及部件关键点和自然标定物关键点；

B利用起重机上的自然标定物关键点建立世界坐标系，并与Mask R-CNN识别出的对应位置的像素坐标作为求解PnP问题的输入值，求解获得坐标变换的单应性矩阵，即得到当前帧的相机坐标到世界坐标的坐标变换矩阵；

C结合坐标变换矩阵，及Mask R-CNN预测的关键位置像素坐标，利用相机投影变换性质求出像素坐标对应的关键点世界坐标；

D依据求出的关键点世界坐标，计算起重机运行状态量；

E利用微分近似误差的方法，分析求取关键点世界坐标的计算误差，得出了计算误差的解析表达式。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

相比传统安装大量传感器的测量方案，此方法仅需单目相机从而节省了设备成本，且利用了深度学习的高泛化性，因而对相机摆放位置无需做特定要求，提升了测量装置的易用性。

附图说明

图1是桥式起重机设备运行状态量的检测及误差分析方法流程框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。

如图1所示，为桥式起重机设备运行状态量的检测及误差分析方法流程，包括样本集制作与算法训练阶段；相机位姿实时计算阶段；关键点世界坐标计算阶段；运行状态量计算阶段；误差计算阶段；具体包括如下步骤：

步骤10利用深度学习模型Mask R-CNN预测摄像头每帧画面中起重机部件的定位框、部件区域的实例分割以及部件关键点和自然标定物关键点；