[发明专利]一种用于输油场站巡检机器人的油杯液位检测方法

说明书

本发明公开了一种用于输油场站巡检机器人的油杯液位检测方法，涉及液位检测技术领域，解决现有的油杯液位检测方法准确率低的技术问题，方法包括：采用基于yolov3神经网络的无标牌检测方法从场站视频图像中获取检测油杯区域；对检测油杯区域采用全局与局部图像亮度曲线相结合的图像预处理操作，得到油杯区域图像；采用以yolov3网络为基础并引入KL loss作为回归损失函数的检测神经网络，将油杯区域图像输入检测神经网络获取油杯液位及警戒线在油杯区域图像中的区域；根据油杯液位及警戒线的区域位置，计算液位高度，并与预设的液位高度阈值进行对比，判断是否满足报警阈值；若满足，则进行报警；否则，视为正常。

技术领域

本发明涉及液位检测技术领域，更具体地说，它涉及一种用于输油场站巡检机器人的油杯液位检测方法。

背景技术

石化输油场站的日常巡检工作是必不可少的，巡检机器人能够有效代替人工完成日常巡检工作，在众多的巡检目标中，电机的油杯液位由于没有后台数据监控，是巡检目标的重中之重，传统的目标检测算法是在场站视频图像中直接进行检测，对于远距离目标，油杯目标占据的像素个数少，图像不清晰；加上夜间光线不足等问题导致亮度低，液位难以辨识；另外，油杯外表面覆盖的保护罩以及警戒线，都对油杯检测造成较大困难。由于上述各种原因导致巡检机器人油杯液位检测成功率、准确率均难以满足巡检要求。

发明内容

本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的是提供一种可以提高检测精度的用于输油场站巡检机器人的油杯液位检测方法。

本发明的技术方案是：一种用于输油场站巡检机器人的油杯液位检测方法，包括：

步骤S1.采用基于yolov3神经网络的无标牌检测方法从场站视频图像中获取检测油杯区域；

步骤S2.对所述检测油杯区域采用全局与局部图像亮度曲线相结合的图像预处理操作，以提高所述检测油杯区域的低灰度区域的亮度及对比度，增强图像质量，得到油杯区域图像；

步骤S3.采用以yolov3网络为基础并引入KL loss作为回归损失函数的检测神经网络，将所述油杯区域图像输入所述检测神经网络获取油杯液位及警戒线在所述油杯区域图像中的区域；

步骤S4.根据所述油杯液位及警戒线的区域位置，计算液位高度，并与预设的液位高度阈值进行对比，判断是否满足报警阈值；若满足，则进行报警；否则，视为正常。

作为进一步地改进，所述步骤S1包括：

步骤S11.利用历史巡检纪录中清晰的图像数据，进行检测label标注，基于所述yolov3神经网络预先训练油杯液位检测的权重模型；

步骤S12.获取云台相机采集的场站图像数据；

步骤S13.将所述场站图像数据输入所述权重模型，检测到油杯区域并判断所述油杯区域所占的像素面积大小是否满足阈值要求；若不满足要求，则对所述油杯区域进行二次放大，直至得到大小合适且清晰的油杯区域图像，并作为检测油杯区域。

进一步地，所述步骤S2包括：

步骤S21.获取所述检测油杯区域的亮度分布函数

进行归一化处理得到：

采用映射函数

对所述检测油杯区域进行线性增强，初步提升图像低亮度区域的像素值，其中

L表示图像亮度直方图累计达到0.1时的像素值；

步骤S22.对提升亮度的图像进行对比度增强处理