本申请实施例提供一种用于确定吊钩位置的方法、装置、存储介质及处理器。方法包括：获取实时的初始图像；将初始图像输入至预先训练的神经网络，以通过预先训练的神经网络输出第一感兴趣区域，其中，预先训练的神经网络用于对初始图像进行特征提取，得到多个不同尺度的特征图，对多个不同尺度的特征图进行融合以提取吊钩的定位特征，以及根据定位特征在初始图像中确定第一感兴趣区域；在初始图像中扩大第一感兴趣区域，以得到第二感兴趣区域；在第二感兴趣区域包括卷扬绳特征的情况下，根据第二感兴趣区域确定吊钩位置。采用上述技术方案能够更加精准地确定吊钩的位置，提高了设备的智能化水平，降低了操作风险，减少了人力成本。减少了人力成本。减少了人力成本。
【技术实现步骤摘要】
用于确定吊钩位置的方法、装置、存储介质及处理器
[0001]本申请涉及计算机
，具体涉及一种用于确定吊钩位置的方法、装置、存储介质及处理器。
技术介绍
[0002]随着模块化建设和智能技术的发展，用户对起重机产品的智能化、自动化吊装作业的需求逐步升级，尤其在危险吊装场景或重复吊装需求的自动吊装作业更为注重起重机产品的精准吊装。因此，为提升起重机的产品智能化、作业安全性以及产品关键性能，必须要实现吊装的精准定位。
[0003]例如，在履带式起重机自动吊装过程中，获取吊钩的空间位置是实现吊装精准定位关键部分。传统吊钩空间位置计算是通过标定卷扬绳来获取吊钩的空间位置，该方法存在明显的个体差异性，即不同的起重机需要重新标定，且当起重机在大挠度的时候，误差会急剧增加，适应性非常有限。
技术实现思路
[0004]本申请实施例的目的是提供一种用于确定吊钩位置的方法、装置、存储介质及处理器。
[0005]为了实现上述目的，本申请第一方面提供一种用于确定吊钩位置的方法，包括：
[0006]获取实时的初始图像；
[0007]将初始图像输入至预先训练的神经网络，以通过预先训练的神经网络输出第一感兴趣区域，其中，预先训练的神经网络用于对初始图像进行特征提取，得到多个不同尺度的特征图，对多个不同尺度的特征图进行融合以提取吊钩的定位特征，以及根据定位特征在初始图像中确定第一感兴趣区域；
[0008]扩大第一感兴趣区域，以得到第二感兴趣区域；
[0009]在初始图像中扩大第一感兴趣区域，以得到第二感兴趣区域；
[0010]在第二感兴趣区域包括卷扬绳特征的情况下，根据第二感兴趣区域确定吊钩位置。
[0011]在本申请实施例中，在得到第二感兴趣区域之后，方法还包括：对第二感兴趣区域进行灰度处理，得到灰度图像；对灰度图像进行梯度增强处理，得到梯度增强图像；对梯度增强图像进行二值化处理，得到二值化图像；基于二值化图像，确定第二感兴趣区域中是否包括卷扬绳特征。
[0012]在本申请实施例中，对第二感兴趣区域进行灰度处理，得到灰度图像之后，方法还包括：遍历灰度图像，以得到灰度图像的灰度直方图，灰度直方图包括每个像素灰度点的像素数量；按照灰度值从小到大的顺序，对各个像素灰度点对应的像素数量进行累加，在累加的像素数量首次大于或等于N时，将对应的像素灰度点的灰度值确定为第一阈值；按照灰度值从大到小的顺序，对各个像素灰度点对应的像素数量进行累加，在累加的像素数量首次
大于或等于M时，将对应的像素灰度点的灰度值确定为第二阈值；其中，第一阈值与第二阈值用于对灰度图像进行梯度增强处理，和/或，用于对梯度增强图像进行二值化处理。
[0013]在本申请实施例中，灰度图像进行梯度增强处理，得到梯度增强图像，包括：按如下公式对灰度图像进行梯度增强处理，得到梯度增强图像：
[0014][0015]其中，v
in
是灰度图像中任一像素的灰度值，v
out
是该像素经梯度增强处理后的灰度值，a是预设系数，r1、r2、r3是凹凸性系数，且r1>r2>r3，t1是第一阈值，t2是第二阈值。
[0016]在本申请实施例中，对梯度增强图像进行二值化处理，得到二值化图像，包括：将第一阈值与第二阈值的均值确定为二值化阈值；根据二值化阈值对梯度增强图像进行二值化处理，得到二值化图像。
[0017]在本申请实施例中，N是根据灰度图像中包含的像素总数量和第一预设比例值确定的，M是根据像素总数量和第二预设比例值确定的，第一预设比例值和第二预设比例值是根据第一感兴趣区域的扩大倍数确定的。
[0018]在本申请实施例中，基于二值化图像，确定第二感兴趣区域中是否包括卷扬绳特征，包括：将二值化图像中与第一感兴趣区域对应的图像区域的灰度值调整至最大值，以得到空白背景图像；检测空白背景图像中的直线；以与第一感兴趣区域对应的图像区域的中心点为圆形，分别采用第一预设半径和第二预设半径，在空白背景图像中生成第一弧线和第二弧线；在第一弧线与直线的交点数量与第二弧线与直线的交点数量相同的情况下，确定第二感兴趣区域中包括卷扬绳特征。
[0019]在本申请实施例中，在第二感兴趣区域包括卷扬绳特征的情况下，根据第二感兴趣区域确定吊钩位置，包括：在存在多个目标区域的情况下，确定每个目标区域的中心点与初始图像的中心点之间的距离，目标区域为包括卷扬绳特征的第二感兴趣区域；根据对应最小距离的目标区域确定吊钩的位置。
[0020]在本申请实施例中，方法还包括神经网络的训练步骤，训练步骤包括：获取吊钩的样本图像；将样本图像输入至神经网络，以通过神经网络输出样本图像中包括有吊钩的预测区域，其中，神经网络用于对样本图像进行特征提取，得到多个不同尺度的样本特征图，对多个不同尺度的样本特征图进行融合以提取吊钩的样本定位特征，以及根据样本定位特征确定出样本图像中吊钩所在的预测区域；通过SIou损失函数确定预测区域与样本图像对应的目标标记区域之间的损失值；在损失值达到预设阈值的情况下，得到训练完成的神经网络。
[0021]本申请第二方面提供一种处理器，被配置成执行上述的用于确定吊钩位置的方法。
[0022]本申请第三方面提供一种起重机，包括：
[0023]吊钩；
[0024]吊臂，吊臂上安装有图像采集设备，用于在吊装过程中，实时采集吊钩的初始图像；以及
[0025]上述处理器。
[0026]本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于确定吊钩位置的方法。
[0027]通过上述技术方案，获取实时的初始图像；以通过预先训练的神经网络输出第一感兴趣区域，其中，预先训练的神经网络用于对初始图像进行特征提取，得到多个不同尺度的特征图，对多个不同尺度的特征图进行融合以提取吊钩的定位特征，以及根据定位特征在初始图像中确定第一感兴趣区域；在初始图像中扩大第一感兴趣区域，以得到第二感兴趣区域；在第二感兴趣区域包括卷扬绳特征的情况下，根据第二感兴趣区域确定吊钩位置。采用上述技术方案能够更加精准地确定吊钩的位置，提高了设备的智能化水平，降低了操作风险，减少了人力成本。
[0028]本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0029]附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
[0030]图1示意性示出了根据本申请实施例的用于确定吊钩位置的方法的一种流程示意图；
[0031]图2示意性示出了根据本申请实施例的用于确定吊钩位置的方法的另一种流程示意图；
[0032]图3示意性示出了根据本申请实施例的起重机的结构框图；
[0033]图4示意性示出了根据本申请本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于确定吊钩位置的方法，其特征在于，所述方法包括：获取实时的初始图像；将所述初始图像输入至预先训练的神经网络，以通过所述预先训练的神经网络输出第一感兴趣区域，其中，所述预先训练的神经网络用于对所述初始图像进行特征提取，得到多个不同尺度的特征图，对所述多个不同尺度的特征图进行融合以提取吊钩的定位特征，以及根据所述定位特征在所述初始图像中确定第一感兴趣区域；在所述初始图像中扩大所述第一感兴趣区域，以得到第二感兴趣区域；在所述第二感兴趣区域包括卷扬绳特征的情况下，根据所述第二感兴趣区域确定吊钩位置。2.根据权利要求1所述的用于确定吊钩位置的方法，其特征在于，在得到第二感兴趣区域之后，所述方法还包括：对所述第二感兴趣区域进行灰度处理，得到灰度图像；对所述灰度图像进行梯度增强处理，得到梯度增强图像；对所述梯度增强图像进行二值化处理，得到二值化图像；基于所述二值化图像，确定所述第二感兴趣区域中是否包括卷扬绳特征。3.根据权利要求2所述的用于确定吊钩位置的方法，其特征在于，所述对所述第二感兴趣区域进行灰度处理，得到灰度图像之后，所述方法还包括：遍历所述灰度图像，以得到所述灰度图像的灰度直方图，所述灰度直方图包括每个像素灰度点的像素数量；按照灰度值从小到大的顺序，对各个所述像素灰度点对应的像素数量进行累加，在累加的像素数量首次大于或等于N时，将对应的像素灰度点的灰度值确定为第一阈值；按照灰度值从大到小的顺序，对各个所述像素灰度点对应的像素数量进行累加，在累加的像素数量首次大于或等于M时，将对应的像素灰度点的灰度值确定为第二阈值；其中，所述第一阈值与所述第二阈值用于对所述灰度图像进行梯度增强处理，和/或，用于对所述梯度增强图像进行二值化处理。4.根据权利要求3所述的用于确定吊钩位置的方法，其特征在于，所述对所述灰度图像进行梯度增强处理，得到梯度增强图像，包括：按如下公式对所述灰度图像进行梯度增强处理，得到梯度增强图像：其中，v
in
是灰度图像中任一像素的灰度值，v
out
是该像素经梯度增强处理后的灰度值，a是预设系数，r1、r2、r3是凹凸性系数，且r1>r2>r3，t1是第一阈值，t2是第二阈值。5.根据权利要求3所述的用于确定吊钩位置的方法，其特征在于，所述对所述梯度增强图像进行二值化处理，得到二值化图像，包括：将所述第一阈值与所述第二阈值的均值确定为二值化阈值；根据所述二值化阈值对所述梯度增强图像进行二值化处理，得到二值化...
【专利技术属性】
技术研发人员：许培培，刘延斌，范卿，尹莉，于晓颖，
申请(专利权)人：中联重科股份有限公司，
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。