[发明专利]一种基于深度学习的油位状态检测方法及其电子设备

说明书

本发明公开了一种基于深度学习的油位状态检测方法及其电子设备，包括：获取油位原始图像；标注出原始图像中油视镜；将标注完成后的图像数据进行数据增强，与原始图像混合一起制作成油视镜检测训练数据和油位状态检测训练数据；采用YOLO‑V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；基于油位状态检测训练数据，训练分割网络模型，得到油位位置；结合上述结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。本发明提出的基于深度学习的油位状态检测方法，能在不添加任何前提条件的情况下，受拍摄角度、光照等外在条件的影响较小，自动定位出油视镜的位置和大小，然后根据油视镜识别出油位的状态，直接输出油位相对于油视镜的高度值。

技术领域

本发明属于计算机技术领域，具体涉及一种基于深度学习的油位状态检测方法及其电子设备。

背景技术

目前有部分研究使用图像处理的方法来检测油位状态，一般处理步骤包括对图像进行增强、图像灰度化、图像二值化以及其他的一些形态学等图像处理方法。

但是在实际应用过程中，受拍摄的角度、图像中油位的清晰度、设备表面覆盖杂质和玻璃表面倒影等影响，处理完之后的图像存在较多的噪声，受噪声的影响不能很好的检测出油位的状态，使得这些研究在实际应用中受限比较大，操作相对复杂、繁琐，且工作难度较大，为此我们提出一种基于深度学习的油位状态检测方法。

发明内容

本发明的目的在于提供一种基于深度学习的油位状态检测方法及其电子设备，以解决上述背景技术中提出的问题。

为实现上述目的，第一方面，本发明提供如下技术方案：一种基于深度学习的油位状态检测方法，包括，

S1：获取水泥产线上不同设备的油位原始图像；

S2：通过标注工具标注出原始图像中油视镜，标注框为油视镜的最小外接矩形；

S3：将标注完成后的图像数据进行水平翻转、模糊、添加不同噪声、单应变换和灰度化数据增强，与原始图像混合一起制作成油视镜检测训练数据；

S4：采用YOLO-V3目标检测网络训练油视镜的检测模型，获得油视镜的检测结果；

S5：截取并保存步骤S3中标注好的油视镜图像，以图片左上角为原点，标注出油位页面的坐标值，对保存的图像进行水平翻转、模糊、添加不同噪声和灰度化等数据增强，与原始图像混合一起制作成油位状态检测训练数据；

S6：基于步骤S5制作好的数据，修改SegNet网络最后一层网络结构，训练分割网络模型，投影分割结果，得到油位位置；

S7：结合步骤S4和步骤S6得到的结果，计算出油视镜位置和大小以及油位在油视镜中的高度百分比。

优选的，所述S1中的原始图像，通过LabelImg对采集的数据进行标注，构建训练数据集。

优选的，所述S4中，将油视镜检测训练数据集中标注文件转换成YOLO-V3格式文件，并训练YOLO-V3检测模型。

优选的，所述S5中标注完成的原始图像数据，截取出油视镜区域保存为新的图片，使用自制标注工具，标注出油位液面相对于油视镜顶部的坐标高度，构建油位状态检测数据集。

优选的，所述标注出油位液面的坐标高度为油视镜图像的上边界的值，然后以此标注点y0为中心点，在图像上生成对应的高斯分布区域为图像的标签，生成油位液面标签的公式为：

优选的，所述油位状态检测数据集，基于SegNet网络训练油位状态检测模型。

优选的，基于S4的输出结果结合S2标注框的位置和大小，输出最终油液在油视镜中的高度。