本公开涉及一种设备的工作功率的控制方法、装置及存储介质，上述方法包括：获取实时监控图像；将所述实时监控图像输入图像语义分割模型，输出目标对象的占地面积矩阵，其中，所述图像语义分割模型已通过训练，学习并保存有输入的图像与输出的所述占地面积矩阵之间的对应关系；将所述实时监控图像输入深度估计模型，输出所述目标对象的高度矩阵，其中，所述深度估计模型已通过训练，学习并保存有输入的图像与输出的所述高度矩阵之间的对应关系；将所述占地面积矩阵与所述高度矩阵中对应位置的元素的值相乘，并将相乘得到的多个元素乘积相加，得到所述目标对象的体积；根据所述目标对象的体积控制设备的工作功率。象的体积控制设备的工作功率。象的体积控制设备的工作功率。
【技术实现步骤摘要】
设备的工作功率的控制方法、装置及存储介质
[0001]本公开涉及人工智能领域，尤其涉及一种设备的工作功率的控制方法、装置及存储介质。
技术介绍
[0002]为了实现运输设备的自动化控制，根据运输物品的重量或者体积控制运输设备的工作功率是一个重要方向。因为质量和体积相关，所以测量运输物品的重量等价于测量运输物品的体积。在该方向下，首要的是测量运输物品的重量或者体积，现有技术测量运输物品的重量或者体积有两种方法。一种方法是采用接触式称重，在运输设备上面搭载传感器，其中，该传感器是平台式专用称重传感器，当煤炭运输时，运输带上煤炭的重量会施加在计量托辊上从而传导到称重传感器产生一个和重量线性相关的信号；另一种方法是采用激光测距技术，具体的利用激光盘煤仪获取的运输设备上的运输物品的三维数据，利用数字内插技术拟合运输物品表面数据，进而估计运输物品的体积。其中，激光盘煤仪是一种非接触式称重装置。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：在根据运输设备上的运输物品的体积控制设备时，需要部署相应的传感器或者仪器计算运输物品的体积的问题。
技术实现思路
[0004]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种设备的工作功率的控制方法、装置及存储介质，以至少解决现有技术中，在根据运输设备上的运输物品的体积控制设备时，需要部署相应的传感器或者仪器计算运输物品的体积的问题。
[0005]本公开的目的是通过以下技术方案实现的：第一方面，本公开的实施例提供了一种设备的工作功率的控制方法，包括：获取实时监控图像；将所述实时监控图像输入图像语义分割模型，输出目标对象的占地面积矩阵，其中，所述图像语义分割模型已通过训练，学习并保存有输入的图像与输出的所述占地面积矩阵之间的对应关系；将所述实时监控图像输入深度估计模型，输出所述目标对象的高度矩阵，其中，所述深度估计模型已通过训练，学习并保存有输入的图像与输出的所述高度矩阵之间的对应关系；将所述占地面积矩阵与所述高度矩阵中对应位置的元素的值相乘，并将相乘得到的多个元素乘积相加，得到所述目标对象的体积；根据所述目标对象的体积控制设备的工作功率。
[0006]在一个示例性实施例中，所述将所述实时监控图像输入图像语义分割模型之前，所述方法还包括：通过第一图像获取设备获取历史监控图像，通过第二图像获取设备获取所述历史监控图像对应的深度图像；对所述历史监控图像进行标注处理，得到所述历史监控图像对应的语义标签。
[0007]在一个示例性实施例中，所述对所述历史监控图像进行标注处理，得到所述历史监控图像对应的语义标签之后，所述方法还包括：使用所述历史监控图像和所述语义标签对所述图像语义分割模型进行训练；将所述深度图像作为所述历史监控图像的标签，使用所述历史监控图像和所述深度图像对所述深度估计模型进行训练。
[0008]在一个示例性实施例中，所述将所述实时监控图像输入图像语义分割模型，输出目标对象的占地面积矩阵，包括：将所述实时监控图像输入图像语义分割网络，得到第一像素矩阵，其中，所述图像语义分割模型包括：所述图像语义分割网络和语义转换网络；将所述第一像素矩阵输入所述语义转换网络，输出所述占地面积矩阵。
[0009]在一个示例性实施例中，所述将所述实时监控图像输入深度估计模型，输出所述目标对象的高度矩阵，包括：将所述实时监控图像输入深度估计网络，得到第二像素矩阵，其中，所述深度估计模型包括：所述深度估计网络和深度转换网络；将所述第二像素矩阵输入所述深度转换网络，输出所述高度矩阵。
[0010]在一个示例性实施例中，所述根据所述目标对象的体积控制设备的工作功率，包括：获取所述目标对象的密度和所述设备的运行速度区间；并根据所述密度和所述体积计算所述目标对象的质量；根据所述质量和所述运行速度区间控制所述工作功率。
[0011]在一个示例性实施例中，包括：使用所述历史监控图像对所述深度估计模型进行训练之前或获取所述实时监控图像之后对图像进行预处理，其中，所述图像包括：所述历史监控图像和所述实时监控图像；其中，对所述图像进行预处理，包括：对所述图像进行联合双边滤波处理；和/或对所述图像进行图像锐化处理。
[0012]在一个示例性实施例中，对所述图像语义分割模型进行训练之前，所述方法还包括：根据图像边缘信息的提取指令，通过消融实验分别在所述图像语义分割模型和所述深度估计模型中增加一层或多层注意力网络，并在模型中调整所述注意力网络的层序号；和/或根据模型运行的实时性要求指令，通过消融实验分别在所述图像语义分割模型和所述深度估计模型中减少一层或多层神经网络。
[0013]第二方面，本公开的实施例提供了一种设备的工作功率的控制装置，包括：获取模块，用于获取实时监控图像；第一模型模块，用于将所述实时监控图像输入图像语义分割模型，输出目标对象的占地面积矩阵，其中，所述图像语义分割模型已通过训练，学习并保存有输入的图像与输出的所述占地面积矩阵之间的对应关系；第二模型模块，用于将所述实时监控图像输入深度估计模型，输出所述目标对象的高度矩阵，其中，所述深度估计模型已通过训练，学习并保存有输入的图像与输出的所述高度矩阵之间的对应关系；相乘模块，用于将所述占地面积矩阵与所述高度矩阵中对应位置的元素的值相乘，并将相乘得到的多个元素乘积相加，得到所述目标对象的体积；控制模块，用于根据所述目标对象的体积控制设备的工作功率。
[0014]第三方面，本公开的实施例提供了一种电子设备。上述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如上所述的设备的工作功率的控制方法或图像处理的方法。
[0015]第四方面，本公开的实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的设备的工作
功率的控制方法或图像处理的方法。
[0016]本公开实施例提供的上述技术方案与现有技术相比至少具有如下优点的部分或全部：获取实时监控图像；将所述实时监控图像输入图像语义分割模型，输出目标对象的占地面积矩阵，其中，所述图像语义分割模型已通过训练，学习并保存有输入的图像与输出的所述占地面积矩阵之间的对应关系；将所述实时监控图像输入深度估计模型，输出所述目标对象的高度矩阵，其中，所述深度估计模型已通过训练，学习并保存有输入的图像与输出的所述高度矩阵之间的对应关系；将所述占地面积矩阵与所述高度矩阵中对应位置的元素的值相乘，并将相乘得到的多个元素乘积相加，得到所述目标对象的体积；根据所述目标对象的体积控制设备的工作功率。因为，本公开实施例可以通过图像语义分割模型，计算目标对象的占地面积矩阵，通过深度估计模型计算所述目标对象的高度矩阵，根据所述占地面积矩阵与所述高度矩阵计算所述目标对象的体积，因此，采用上述技术手段，可以解决现有技术中，在根本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种设备的工作功率的控制方法，其特征在于，包括：获取实时监控图像；将所述实时监控图像输入图像语义分割模型，输出目标对象的占地面积矩阵，其中，所述图像语义分割模型已通过训练，学习并保存有输入的图像与输出的所述占地面积矩阵之间的对应关系；将所述实时监控图像输入深度估计模型，输出所述目标对象的高度矩阵，其中，所述深度估计模型已通过训练，学习并保存有输入的图像与输出的所述高度矩阵之间的对应关系；将所述占地面积矩阵与所述高度矩阵中对应位置的元素的值相乘，并将相乘得到的多个元素乘积相加，得到所述目标对象的体积；根据所述目标对象的体积控制设备的工作功率。2.根据权利要求1所述的方法，其特征在于，所述将所述实时监控图像输入图像语义分割模型之前，所述方法还包括：通过第一图像获取设备获取历史监控图像，通过第二图像获取设备获取所述历史监控图像对应的深度图像；对所述历史监控图像进行标注处理，得到所述历史监控图像对应的语义标签。3.根据权利要求2所述的方法，其特征在于，所述对所述历史监控图像进行标注处理，得到所述历史监控图像对应的语义标签之后，所述方法还包括：使用所述历史监控图像和所述语义标签对所述图像语义分割模型进行训练；将所述深度图像作为所述历史监控图像的标签，使用所述历史监控图像和所述深度图像对所述深度估计模型进行训练。4.根据权利要求1所述的方法，其特征在于，所述将所述实时监控图像输入图像语义分割模型，输出目标对象的占地面积矩阵，包括：将所述实时监控图像输入图像语义分割网络，得到第一像素矩阵，其中，所述图像语义分割模型包括：所述图像语义分割网络和语义转换网络；将所述第一像素矩阵输入所述语义转换网络，输出所述占地面积矩阵。5.根据权利要求1所述的方法，其特征在于，所述将所述实时监控图像输入深度估计模型，输出所述目标对象的高度矩阵，包括：将所述实时监控图像输入深度估计网络，得到第二像素矩阵，其中，所述深度估计模型包括：所述深度估计网络和深度转换网络；将所述第二像素矩阵输入所述深度转换网络，...
【专利技术属性】
技术研发人员：李江昀，刘博伟，魏冬，皇甫玉彬，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。