一种基于关键点检测的闸门开度识别方法技术

本发明专利技术公开了一种基于关键点检测的闸门开度识别方法，包括以下步骤：步骤一，模型确立；步骤二，模型训练；步骤三，视频接入；步骤四，指针位置检测；步骤五，刻度点标定；步骤六，交点确定；步骤七，像素长度计算；步骤八，实际长度计算；步骤九，闸门开度计算；步骤十，结果输出；该发明专利技术采用关键点检测算法自动识别出闸门开度尺指针所在位置，根据预标定的刻度线，计算出闸门指针与标定线段的相交点所在的闸门开度，即可算出闸门的实际开度值，有利于提高闸门开度测量的效率，具有直观可见的测量能力，并且该发明专利技术没有采用传感器测量，有利于降低测量误差，同时测量设备均位于水面上，避免了浸水损坏的现象发生。了浸水损坏的现象发生。

【技术实现步骤摘要】
一种基于关键点检测的闸门开度识别方法


[0001]本专利技术涉及泄水闸门开度测量
，具体为一种基于关键点检测的闸门开度识别方法。

技术介绍

[0002]现有的弧形闸门开度测量技术，多采用传感器测量闸门的转动行程和闸门转动的角度，然后通过指定的换算关系计算出闸门的开度，然而利用安装特定的传感器间接测量出实际的闸门开度，无法直接计算出闸门开度，由于传感器的固有误差和长期使用的损耗产生的偏差，会造成计算出的闸门开度数据并不完全准确，同时传感器装置长期浸没在水中，容易出现损坏,从而造成一定的损失，并且由于是通过传感器测量闸门开度，需要对闸门本身进行一定的改动，一方面安装部署较为复杂，另一方面也会对闸门造成潜在的风险。

技术实现思路

[0003]本专利技术的目的在于提供一种基于关键点检测的闸门开度识别方法，以解决上述
技术介绍
中提出的问题。
[0004]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于关键点检测的闸门开度识别方法，包括以下步骤：步骤一，模型确立；步骤二，模型训练；步骤三，视频接入；步骤四，指针位置检测；步骤五，刻度点标定；步骤六，交点确定；步骤七，像素长度计算；步骤八，实际长度计算；步骤九，闸门开度计算；步骤十，结果输出；
[0005]其中在上述步骤一中，基于深度学习技术的闸门开度关键点检测模型，关键点检测模型采用基于深度学习的关键点检测模型CPN，标注模型训练所需要的闸门开度尺关键点样本数据；
[0006]其中在上述步骤二中，使用步骤一中的闸门开度尺关键点检测模型，利用步骤一中标注好的样本数据，利用样本数据进行多次迭代来训练关键点检测模型；
[0007]其中在上述步骤三中，接入实时的闸门监控视频，设定三个预置位用以覆盖闸门刻度的量程范围，摄像头分别对三个预置位进行拍摄，截取三张不同预置位的图像数据，用于下一步的模型预测；
[0008]其中在上述步骤四中，利用步骤二训练完成的关键点检测模型来预测步骤三获取到的三张闸门开度尺图像，关键点检测模型会检测出其中一张图像数据中存在的闸门开度尺指针位置坐标；
[0009]其中在上述步骤五中，根据步骤三获取到的摄像头的三个预置位图像，闸门刻度尺不是一个直线而是一个弯曲的刻度尺，根据闸门的弯曲度标注若干组刻度点，每个刻度点都对应一个实际的刻度值，刻度点连接的刻度段可以近似弯曲的刻度尺，由刻度点组成的线段用于下一步计算闸门指针的刻度；
[0010]其中在上述步骤六中，利用步骤四中的闸门开度尺指针线段和步骤五中标定的刻度段，求解出两个线段的交点的坐标，交点坐标用于下一步计算；
[0011]其中在上述步骤七中，根据步骤六所求解的坐标点，利用近似三角形公式算出交点位于刻度段上的像素长度，并且求解的像素长度用于后续计算交点的实际闸门开度值；
[0012]其中在上述步骤八中，根据步骤五标定的若干刻度点对应的实际刻度值，可以得到刻度段的像素长度和实际长度，根据像素长度和实际长度，求解出刻度段对应的单位像素的实际长度l；
[0013]其中在上述步骤九中，由步骤七求解的交点位于刻度段上的像素长度乘以单位像素实际长度l，可以求解出交点位于刻度段上的像素长度所对应的实际长度L，根据实际长度L求出的交点所对应的实际刻度值即为实际的闸门开度值；
[0014]其中在上述步骤十中，将在步骤四中预测出关键点的预置位、步骤四中模型计算出的关键点、步骤五中的标定点和求解的相交点在图像上绘制出来，取模型计算出的指针尖端的纵坐标，在图像中，绘制一条横线用于表示此时闸门指针末端的位置，并将实际的闸门开度绘制在图像中，输出预测的闸门开度分析结果。
[0015]根据上述技术方案，所述步骤三中，摄像头每五分钟对三个预置位分别进行一次拍摄。
[0016]根据上述技术方案，所述步骤三中，摄像头为球形摄像头。
[0017]根据上述技术方案，所述步骤四中，闸门开度尺指针位置坐标由若干个点组成，分布在闸门开度尺指针的末端和拐角处，其中指针尾部构成的直线，用于后续的计算闸门指针所指向的刻度。
[0018]根据上述技术方案，所述步骤五中，在实际场景中，需要根据刻度尺的弯曲程度来进一步确定标定点的个数，点的个数越多越能近似弯曲的刻度尺。
[0019]与现有技术相比，本专利技术所达到的有益效果是：该专利技术采用关键点检测算法自动识别出闸门开度尺指针所在位置，根据预标定的刻度线，计算出闸门指针与标定线段的相交点所在的闸门开度，即可算出闸门的实际开度值，然后将测量的闸门开度和图像输出，采用基于视频图像分析的方法，有利于大大提高闸门开度测量的效率，而且具有直观可见的测量能力，并且该专利技术没有采用传感器测量，有利于降低测量误差，同时该专利技术的测量设备均位于水面上，避免了浸水损坏的现象发生。
附图说明
[0020]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0021]图1是本专利技术的方法流程图；
[0022]图2是本专利技术的闸门开度尺简化示意图；
[0023]图3是本专利技术的闸门开度实际预测图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]请参阅图1
‑
3，本专利技术提供一种技术方案：一种基于关键点检测的闸门开度识别方法，包括以下步骤：步骤一，模型确立；步骤二，模型训练；步骤三，视频接入；步骤四，指针位置检测；步骤五，刻度点标定；步骤六，交点确定；步骤七，像素长度计算；步骤八，实际长度计算；步骤九，闸门开度计算；步骤十，结果输出；
[0026]其中在上述步骤一中，基于深度学习技术的闸门开度关键点检测模型，关键点检测模型采用基于深度学习的关键点检测模型CPN，标注模型训练所需要的闸门开度尺关键点样本数据；
[0027]其中在上述步骤二中，使用步骤一中的闸门开度尺关键点检测模型，利用步骤一中标注好的样本数据，训练关键点检测模型，采用Pytorch框架来实现模型的训练，模型训练的关键指标参数设置为：学习率0.001，动量参数为0.9，权重衰减参数为0.0001，模型迭代训练12个数据周期；
[0028]其中在上述步骤三中，接入实时的闸门监控视频，设定三个预置位用以覆盖闸门刻度的量程范围，摄像头每五分钟轮询一次三个预置位，摄像头为球形摄像头，截取三张不同预置位的图像数据，用于下一步的模型预测；
[0029]其中在上述步骤四中，利用步骤二训练完成的关键点检测模型来预测步骤三获取到的三张闸门开度尺图像，关键点检测模型会检测出其中一张图像数据中存在的闸门开度尺指针位置坐标，闸门开度尺指针位置坐标由4个点组成，分布在闸门开度尺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关键点检测的闸门开度识别方法，包括以下步骤：步骤一，模型确立；步骤二，模型训练；步骤三，视频接入；步骤四，指针位置检测；步骤五，刻度点标定；步骤六，交点确定；步骤七，像素长度计算；步骤八，实际长度计算；步骤九，闸门开度计算；步骤十，结果输出；其特征在于：其中在上述步骤一中，基于深度学习技术的闸门开度关键点检测模型，关键点检测模型采用基于深度学习的关键点检测模型，标注模型训练所需要的闸门开度尺关键点样本数据；其中在上述步骤二中，使用步骤一中的闸门开度尺关键点检测模型，利用步骤一中标注好的样本数据，利用样本数据进行多次迭代来训练关键点检测模型；其中在上述步骤三中，接入实时的闸门监控视频，设定三个预置位用以覆盖闸门刻度的量程范围，摄像头分别对三个预置位进行拍摄，截取三张不同预置位的图像数据，用于下一步的模型预测；其中在上述步骤四中，利用步骤二训练完成的关键点检测模型来预测步骤三获取到的三张闸门开度尺图像，关键点检测模型会检测出其中一张图像数据中存在的闸门开度尺指针位置坐标；其中在上述步骤五中，根据步骤三获取到的摄像头的三个预置位图像，闸门刻度尺不是一个直线而是一个弯曲的刻度尺，根据闸门的弯曲度标注若干组刻度点，每个刻度点都对应一个实际的刻度值，刻度点连接的刻度段可以近似弯曲的刻度尺，由刻度点组成的线段用于下一步计算闸门指针的刻度；其中在上述步骤六中，利用步骤四中的闸门开度尺指针线段和步骤五中标定的刻度段，求解出两个线段的交点的坐标，交点坐标用于下一步计算；其中在上述步骤七中，根据步骤六所求解的坐标点，利用近似三角形公式算出交点位于刻度段上的像素长...

【专利技术属性】
技术研发人员：陈鹏飞，周威，田丁，邹煜，林作永，张竞超，
申请(专利权)人：江河瑞通北京技术有限公司，
类型：发明
国别省市：