一种液压柱读数自动识别方法与流程

1.本发明涉及机器人巡检应用领域，尤其涉及一种液压柱读数自动识别方法。


背景技术：

2.巡检机器人巡检的环境有着不确定性，在传统的方法下，机器人只能在特定的角度或者特定的距离对读数进行识别，但精度也并不高。其次，在白天或者晚上因为光线的强弱，角度，距离，环境的有所不同，可能并不能把完整的液压检测出来，这就导致了读数的识别也会出现很大的误差甚至识别错误。
3.传统液压柱读数识别的方法主要存在以下问题：液压柱读数的识别准确率较低；不同环境下的识别误差较大，泛化性不高；对光线，距离，角度的要求较高，必须达到一定的范围才能进行识别。


技术实现要素：

4.鉴于以上现有技术存在的问题，本发明提出一种液压柱读数自动识别方法，主要解决现有方法依赖人工，识别效率低、环境适应性差的问题。
5.为了实现上述目的及其他目的，本发明采用的技术方案如下。
6.一种液压柱读数自动识别方法，包括：通过目标检测模型获取原始图像中的液压柱图像；从所述液压柱图像中提取液体高度与液压柱高度之间的高度比；根据液压柱的高度值以及所述高度比，计算得到对应液体高度值。
7.可选地，通过目标检测模型获取原始图像中的液压柱图像之前，还包括：获取多种角度以及环境亮度下的液压柱图像构建训练样本集；对所述训练样本集中图像进行标注，其中，针对液压柱图像中液压柱整体读数对应区域进行标注；将经过标注的训练样本集用于训练目标检测算法，得到目标检测模型。
8.可选地，所述目标检测算法包括：yolov5检测算法。
9.可选地，从所述液压柱图像中提取液体高度与液压柱高度之间的高度比之前，包括：对所述液压柱图像中的液压柱高度和液面高度进行分别标注，并将标注后的图像输入预训练的识别模型，分别得到液压柱感受野和液体区域感受野。
10.可选地，所述识别模型包括：u2net识别模型。
11.可选地，从所述液压柱图像中提取液体高度与液压柱高度之间的高度比，包括：根据所述液压柱感受野的轮廓尺寸，读取液压柱感受野整体高度；根据所述液体区域感受野的轮廓尺寸，读取液体区域感受野的高度；计算所述液体区域感受野的高度与所述液压柱感受野整体高度的高度比，作为所述液体高度与液压柱高度之间的高度比。
12.如上所述，本发明一种液压柱读数自动识别方法，具有以下有益效果。
13.自动识别各种环境及角度下的液压柱读数，提高巡检识别效率；增强环境适应性，提高整体泛化性能。
附图说明
14.图1为本发明一实施例中液压柱读数自动识别方法的流程图。
具体实施方式
15.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
16.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
17.请参阅图1，本发明提供一种液压柱读数自动识别方法，其特征在于包括步骤s01-s03。
18.在步骤s01中，通过目标检测模型获取原始图像中的液压柱图像。
19.在一实施例中，通过目标检测模型获取原始图像中的液压柱图像之前，还包括：获取多种角度以及环境亮度下的液压柱图像构建训练样本集；对训练样本集中图像进行标注，其中，针对液压柱图像中液压柱整体读数对应区域进行标注；将经过标注的训练样本集用于训练目标检测算法，得到目标检测模型。具体地，在已构建的训练样本集上，使用augmentor库(python库)对训练样本集进行了增广(其中包括图像的旋转，缩放，偏移等操作)，并指定所需生成的数据集数量。进一步地，将所生成的数据，使用工具labelimg对液压柱整体进行标注，取左上和右下两个点形成一个封闭的矩形，标注完成的文件保存为一个xml文件；将标注完成的所有的xml文件使用编写的python代码全部转化成txt文件(方便后面使用yolo进行目标检测)。将转化的txt文件放入到yolov5中进行液压柱目标检测的模型训练(yolov5可根据最新发布的论文进行编写)，在训练了200个周期之后，液压柱的目标检测模型在训练样本集上可达到了99.86%的准确率，测试集上达到了97.52%，对相对于所训练的数据里的数据差异不大（角度，光线，距离等）的图片进行了测试。
20.在步骤s02中，从液压柱图像中提取液体高度与液压柱高度之间的高度比。
21.在一实施例中，从所述液压柱图像中提取液体高度与液压柱高度之间的高度比之前，包括：对所述液压柱图像中的液压柱高度和液面高度进行分别标注，并将标注后的图像输入预训练的识别模型，分别得到液压柱感受野和液体区域感受野。
22.根据所述液压柱感受野的轮廓尺寸，读取液压柱感受野整体高度；根据所述液体区域感受野的轮廓尺寸，读取液体区域感受野的高度；
计算所述液体区域感受野的高度与所述液压柱感受野整体高度的高度比，作为所述液体高度与液压柱高度之间的高度比。
23.具体地，使用labelme对整个液压柱的高度进行语义分割的标注，并保存为json文件的格式；使用labelme对液压柱的液体高度进行语义分割的标注，并保存为json文件的格式。
24.把标注完成的数据集(对应的json文件)放入u2net 网络进行训练(u2net是一个两层嵌套的u型结构，没有使用图像分类的预训练主干模型，可以从头训练，可以根据现有论文进行代码的编写)，训练200个周期之后，得到识别模型，通过识别模型识别待检测的原始图像对应的液压柱图像，得到了液压柱整体高度的轮廓以及液体高度的轮廓。进而可根据轮廓尺寸计算高度比。
25.步骤s03，根据液压柱的高度值以及所述高度比，计算得到对应液体高度值。
26.在一实施例中，根据前述步骤检测出了液压柱总体的高度和液体的高度，设定整体高度为h，液体高度为h，液体高度与总体高度的比例为s，则s=h/h，也就是读数所占的比例，再根据所给出的整体液压柱的最小值和最大值可以知道液压柱的高度(最大值减去最小值并设为c)，根据液压柱整体的高度(c)可以算出液体的高度(设为c)，即c=c*s,最后得出液压柱的读数。
27.综上所述，本发明一种液压柱读数自动识别方法，使用深度学习网络，可使得巡检机器人适用于各种苛刻的检测条件，提高了液压柱读数识别的准确率；降低了因不同环境、不同角度等因素所造成的读数的误差，提高了泛化性；简化了复杂的传统算法，实现了自动化。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
28.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。