一种危化品仓储堆垛图片样本生成方法及系统技术方案

本发明专利技术涉及一种危化品仓储堆垛图片样本生成方法及系统，该方法包括：获取第一数量的危化品仓储堆垛的真实图片样本；对第一数量的真实图片样本进行GAN算法处理，得到第二数量的危化品仓储堆垛的生成图片样本；对第二数量的生成图片样本进行边缘特征提取、角点检测及噪声滤波，以使生成图片样本的样本分布接近所述真实图片样本的样本分布。本发明专利技术提供的技术方案，通过采用GAN算法生成大量的图片样本，并对生成的图片样本进行边角点提取及噪声滤波，使得生成的图片样本的样本分布接近真实图片样本的样本分布，该算法对危化品监控后续所需的立体匹配、距离监测及三维还原具有重要的研究意义，为危化品仓储库内视觉测距在样本上提供有力的技术支持。

A Sample Generation Method and System for Pictures of Hazardous Chemicals Storage and Stacking

The invention relates to a method and system for generating picture samples of dangerous chemicals storage and stacking, which includes: obtaining the first number of real picture samples of dangerous chemicals storage and stacking; processing the first number of real picture samples with GAN algorithm to obtain the second number of generated picture samples of dangerous chemicals storage and stacking; and extracting the edge features of the second number of generated picture samples. Corner detection and noise filtering are used to make the sample distribution of the generated image sample close to the sample distribution of the real image sample. The technical scheme provided by the invention generates a large number of picture samples by using GAN algorithm, extracts the edges and corners of the generated picture samples and filters the noise, so that the sample distribution of the generated picture samples is close to the sample distribution of the real picture samples. The algorithm has important research significance for the stereo matching, distance monitoring and three-dimensional restoration required for the follow-up monitoring of dangerous chemicals. It provides powerful technical support for visual ranging in dangerous chemicals warehouse.

【技术实现步骤摘要】
一种危化品仓储堆垛图片样本生成方法及系统
本专利技术涉及危化品仓储
，具体涉及一种危化品仓储堆垛图片样本生成方法及系统。
技术介绍
危险化学品具有易燃易爆、有毒有害等特性，使用不当，会对环境和人身安全造成巨大危害。为了避免这些危险化学品储存过程中由于泄露、火灾等而对环境或者人造成危害，需要对其进行严格的监管。库内码垛“五距”是关键监控参数，双目视觉测距是解决该问题的技术手段之一。面对此问题，需要对危化品仓库实时监控、预警，现阶段采取的监控方式主要为人工视频监控。但是这种方式需要耗费大量劳动力，且难以保证库房的绝对安全，数据传输上报效率也较低，不能满足现代企业信息化的要求。机器视觉在人工智能领域发展迅速，电脑可以通过对安全、危险的正负样本学习，掌握货品仓储的特征分布，实现自动监控。但机器学习、深度学习都需要大量的数据样本，传统的样本获取方式效率较低，导致危化品库内码垛“五距”双目视觉测距面临危化品仓储堆垛图片样本严重不足的问题。
技术实现思路
有鉴于此，本专利技术的目的在于克服现有技术的不足，提供一种危化品仓储堆垛图片样本生成方法及系统，以解决现有技术中危化品自动监控所需危化品仓储堆垛图片样本严重不足的问题。为实现以上目的，本专利技术采用如下技术方案：一种危化品仓储堆垛图片样本生成方法，包括：步骤S1、获取第一数量的危化品仓储堆垛的真实图片样本；步骤S2、对所述第一数量的真实图片样本进行GAN算法处理，得到第二数量的危化品仓储堆垛的生成图片样本，所述第二数量＞第一数量；步骤S3、对所述第二数量的生成图片样本进行边缘特征提取、角点检测及噪声滤波，以使所述生成图片样本的样本分布接近所述真实图片样本的样本分布。优选地，所述步骤S1，包括：采用双目相机拍摄危化品仓储堆垛的视频，通过预存的提取帧程序进行视频流提帧，得到第一数量的危化品仓储堆垛的真实图片样本。优选地，所述步骤S2包括：步骤S21、将所述第一数量的危化品仓储堆垛图片样本作为训练集，同时定义一个噪声Z作为随机变量，输入到生成式对抗网络的生成器G中，以将输入的噪声Z映射成生成图片G(Z)；步骤S22、将生成图片G(Z)输入到生成式对抗网络的判别器D中，以判断所述生成图片G(Z)是否接近真实图片，以对所述生成图片G(Z)进行筛选。优选地，所述步骤S3中对所述第二数量的生成图片样本进行角点检测，具体为：采用Harris角点检测算法，对所述第二数量的生成图片样本进行角点检测。优选地，所述步骤S3中对所述第二数量的生成图片样本进行角点检测，包括：对任一生成图片样本，使用一个固定窗口在图片样本上进行任意方向上的滑动，比较滑动前与滑动后两种情况下窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，则判定该窗口中存在角点。优选地，所述步骤S3中对所述第二数量的生成图片样本进行噪声滤波，包括：对Harris角点检测算法检测出的角点，进行非极大值抑制及k-means聚类去噪，以去除光线照射、阴影和其他非堆垛物品造成的Harris角点检测算法检测出的错误角点。优选地，所述对Harris角点检测算法检测出的角点，进行k-means聚类去噪，包括：对任一生成图片样本，在图片样本上随机选取三个中心点；遍历所有的角点，将每个角点划分至最近的中心点，得到多个聚类；计算每个聚类的平均值，作为新的中心点；判断所述聚类是否收敛，若是，归档聚类结果，否则，将该角点确定为错误角点。另外，本专利技术还提出了一种危化品仓储堆垛图片样本生成系统，包括：获取模块，用于获取第一数量的危化品仓储堆垛的真实图片样本；生成模块，用于对所述第一数量的真实图片样本进行GAN算法处理，得到第二数量的危化品仓储堆垛的生成图片样本，所述第二数量＞第一数量；去噪模块，用于对所述第二数量的生成图片样本进行边缘特征提取、角点检测及噪声滤波，以使所述生成图片样本的样本分布接近所述真实图片样本的样本分布。优选地，所述获取模块，具体用于：采用双目相机拍摄危化品仓储堆垛的视频，通过预存的提取帧程序进行视频流提帧，得到第一数量的危化品仓储堆垛的真实图片样本。优选地，所述生成模块，具有用于：将所述第一数量的危化品仓储堆垛图片样本作为训练集，同时定义一个噪声Z作为随机变量，输入到生成式对抗网络的生成器G中，以将输入的噪声Z映射成生成图片G(Z)；将生成图片G(Z)输入到生成式对抗网络的判别器D中，以判断所述生成图片G(Z)是否接近真实图片，以对所述生成图片G(Z)进行筛选。本专利技术采用以上技术方案，至少具备以下有益效果：通过采用GAN算法生成大量的图片样本，并对生成的图片样本进行边角点提取及噪声滤波，使得生成的图片样本的样本分布接近真实图片样本的样本分布，该算法对危化品监控后续所需的立体匹配、距离监测及三维还原具有重要的研究意义，为危化品仓储库内视觉测距在样本上提供有力的技术支持。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的一种危化品仓储堆垛图片样本生成方法的流程图；图2为本专利技术一实施例提供的模拟危化品仓库的视频截图；图3为本专利技术一实施例提供的Harris算法角点检测效果图；图4为本专利技术一实施例提供的生成图片样本去噪前后准确率对比图；图5为本专利技术一实施例提供的一种危化品仓储堆垛图片样本生成系统的示意框图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。参见图1，本专利技术一实施例提供的一种危化品仓储堆垛图片样本生成方法，包括：步骤S1、获取第一数量的危化品仓储堆垛的真实图片样本；步骤S2、对所述第一数量的真实图片样本进行GAN算法处理，得到第二数量的危化品仓储堆垛的生成图片样本，所述第二数量＞第一数量；步骤S3、对所述第二数量的生成图片样本进行边缘特征提取、角点检测及噪声滤波，以使所述生成图片样本的样本分布接近所述真实图片样本的样本分布。可以理解的是，生成式对抗网络(GAN,GenerativeAdversarialNetworks)这种深度学习模型，小样本生成大样本，用来进行下一步的机器学习，是近年来复杂分布上无监督学习最具前景的方法之一。生成对抗网络是模拟两个模型的对抗过程，其中一个是生成器G(Generator)，捕获真实数据的分布，生成逼近于真实分布的数据；另一个是判别器D(Discriminator)，判断数据是否来自真实分布，输出数据来自于真实分布的概率，即一个0～1之间的数值。可以理解的是，本专利技术提出的技术方案，通过采用GAN算法生成大量的图片样本，并对生成的图片样本进行边角点提取及噪声滤波，使得生成的图片样本的样本分布接近真实图片样本的样本分布，该算法对危化品监控后续所需的立体匹配本文档来自技高网...

【技术保护点】
1.一种危化品仓储堆垛图片样本生成方法，其特征在于，包括：步骤S1、获取第一数量的危化品仓储堆垛的真实图片样本；步骤S2、对所述第一数量的真实图片样本进行GAN算法处理，得到第二数量的危化品仓储堆垛的生成图片样本，所述第二数量＞第一数量；步骤S3、对所述第二数量的生成图片样本进行边缘特征提取、角点检测及噪声滤波，以使所述生成图片样本的样本分布接近所述真实图片样本的样本分布。

【技术特征摘要】
1.一种危化品仓储堆垛图片样本生成方法，其特征在于，包括：步骤S1、获取第一数量的危化品仓储堆垛的真实图片样本；步骤S2、对所述第一数量的真实图片样本进行GAN算法处理，得到第二数量的危化品仓储堆垛的生成图片样本，所述第二数量＞第一数量；步骤S3、对所述第二数量的生成图片样本进行边缘特征提取、角点检测及噪声滤波，以使所述生成图片样本的样本分布接近所述真实图片样本的样本分布。2.根据权利要求1所述的方法，其特征在于，所述步骤S1，包括：采用双目相机拍摄危化品仓储堆垛的视频，通过预存的提取帧程序进行视频流提帧，得到第一数量的危化品仓储堆垛的真实图片样本。3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：步骤S21、将所述第一数量的危化品仓储堆垛图片样本作为训练集，同时定义一个噪声Z作为随机变量，输入到生成式对抗网络的生成器G中，以将输入的噪声Z映射成生成图片G(Z)；步骤S22、将生成图片G(Z)输入到生成式对抗网络的判别器D中，以判断所述生成图片G(Z)是否接近真实图片，以对所述生成图片G(Z)进行筛选。4.根据权利要求1所述的方法，其特征在于，所述步骤S3中对所述第二数量的生成图片样本进行角点检测，具体为：采用Harris角点检测算法，对所述第二数量的生成图片样本进行角点检测。5.根据权利要求4所述的方法，其特征在于，所述步骤S3中对所述第二数量的生成图片样本进行角点检测，包括：对任一生成图片样本，使用一个固定窗口在图片样本上进行任意方向上的滑动，比较滑动前与滑动后两种情况下窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，则判定该窗口中存在角点。6.根据权利要求4所述的方法，其特征在于，所述步骤S3中对所述第二数...

【专利技术属性】
技术研发人员：刘学君，魏宇晨，晏涌，袁碧贤，张建东，赵子贤，乔文，梁永宁，龚鸿博，董选鹤，王萌，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：北京,11