一种垃圾堆场卸料门开关状态检测方法及系统技术方案

本发明专利技术公开了一种垃圾堆场卸料门开关状态检测方法及系统，所述方法包括步骤：1)预先建立并训练好垃圾堆场卸料门开关状态检测模型；其中垃圾堆场卸料门开关状态检测模型采用轻量化神经网络模型；2)获取待检测图像，并对待检测图像进行灰度自适应调整，以实现亮度自适应调整；其中待检测图像为垃圾堆场卸料门视频图像帧数据；3)将灰度自适应调整好的待检测图像输入至垃圾堆场卸料门开关状态检测模型中，得到此待检测图像中卸料门的开关状态。本发明专利技术具有检测精度高，实时性好等优点。实时性好等优点。实时性好等优点。

【技术实现步骤摘要】
一种垃圾堆场卸料门开关状态检测方法及系统


[0001]本专利技术主要涉及视觉
，具体涉及一种垃圾堆场卸料门开关状态检测方法及系统。

技术介绍

[0002]垃圾焚烧发电是处理城镇乡村生活垃圾的高效手段。城市垃圾在焚烧前必须经过垃圾转运车的运输投入到垃圾堆场中进行发酵和脱水。为保证焚烧炉的稳定与安全，在投放过程中需进行大件异物垃圾的检测，因此需要通过目标识别与检测的方法判断卸料门的开关并作为异物垃圾检测算法的启停信号，有利于未来模块化的商业推广，也有利于硬件设备的低功耗运行。
[0003]目标识别与检测是机器视觉领域的热点研究话题，但是面向于垃圾堆场卸料门的开关状态检测研究却比较匮乏。目前常见的目标识别与检测研究主要包括：传统目标检测和基于深度学习的目标检测。传统的目标识别与检测算法大多是基于手工特征构建的，提取特征低级，计算冗余度高。相较于传统方法而言，基于深度学习的方法检测精度更高，速度更快，鲁棒性更强。
[0004]基于深度学习的目标识别与检测方法也分为一阶段的算法和两阶段的算法。两阶段的算法又称为基于区域建议的目标检测算法，这类算法在前期先进行生成区域建议，之后对感兴趣区域中的内容进行分类和回归。一阶段的目标检测算法忽略了感兴趣区域的生成，字节将目标识别与检测任务看作是整体的回归。相对于前者而言实时性更高，现场应用性更强。针对现场卸料门开关速度快，衔接后续异物垃圾检测算法实时性要求高的特点，本专利申请人发现一阶段的算法更适用于卸料门的检测任务。

技术实现思路

[0005]本专利技术要解决的技术问题就在于：针对现有技术存在的问题，本专利技术提供一种检测精度高、实时性好的垃圾堆场卸料门开关状态检测方法及系统。
[0006]为解决上述技术问题，本专利技术提出的技术方案为：
[0007]一种垃圾堆场卸料门开关状态检测方法，包括步骤：
[0008]1)预先建立并训练好垃圾堆场卸料门开关状态检测模型；其中垃圾堆场卸料门开关状态检测模型采用轻量化神经网络模型；
[0009]2)获取待检测图像，并对待检测图像进行灰度自适应调整，以实现亮度自适应调整；其中待检测图像为垃圾堆场卸料门视频图像帧数据；
[0010]3)将灰度自适应调整好的待检测图像输入至垃圾堆场卸料门开关状态检测模型中，得到此待检测图像中卸料门的开关状态。
[0011]优选地，步骤2)的具体过程为：
[0012]2.1)获取光照从弱到强的卸料门图像，计算得到各卸料门图像的背景平均灰度值并将背景平均灰度值与标准背景平均灰度值进行差值运算，得到背景平均灰度差
值其中标准背景平均灰度值为标准曝光时间下的背景平均灰度值；
[0013]2.2)将背景平均灰度差值与预设灰度差阈值进行比对；若则进行曝光时间补偿以实现亮度自适应调整。
[0014]优选地，在步骤2.2)中，获取各卸料门的图像曝光时间expo，再基于预设的曝光时间补偿曲线得到曝光时间差值expo
diff
，再基于曝光时间差值expo
diff
进行曝光时间补偿。
[0015]优选地，所述曝光时间补偿曲线的得到过程为：
[0016]获取各卸料门的图像曝光时间expo，并与标准图像曝光时间expo
best
进行差值运算，得到图像曝光时间差值expo
diff
；以背景平均灰度差值为自变量，图像曝光时间差值expo
diff
为因变量，进行函数关系拟合得到曝光时间补偿曲线。
[0017]优选地，在步骤2.2)中，预设灰度差阈值得到的具体过程为：
[0018]将步骤2.1)中不同光照强度下的卸料门图像输入至垃圾堆场卸料门开关状态检测模型中进行检测；当由于光照条件影响导致检测置信度小于n％时，将此时的灰度差作为是否进行光照补偿的预设灰度差阈值其中n为70～90。
[0019]优选地，在步骤1)中，所述垃圾堆场卸料门开关状态检测模型的训练样本数据的处理过程为：
[0020]1.1)获取训练样本数据；
[0021]1.2)对训练样本数据进行统一格式的数据标注，获取用于垃圾堆场卸料门开关状态检测模型的轻量化样本数据集；数据标注的统一格式为VOC数据集，标注后的数据集包含图像、标签以及标签尺寸信息；
[0022]1.3)对轻量化样本数据集进行有监督的数据增强处理，得到数据增强扩充后的样本数据集。
[0023]优选地，在步骤1.3)中，有监督的数据增强处理包括采用预设的数据变换规则和多种数据增强运算单独或同时在已有数据的基础上进行数据的扩增。
[0024]优选地，所述垃圾堆场卸料门开关状态检测模型包括：
[0025]轻量化骨干网络结构：采用ShuffleNetV2 1.0x作为骨干网络结构，并去掉原网络的最后一层卷积层，同时利用特征提取结构中的8、16和32倍下采样的多维度特征作为轻量化特征金字塔模型的输入并进行多尺度的特征融合；
[0026]轻量化特征金字塔模型：采用金字塔注意力模型作为基础，并去掉所有的卷积结构，仅使用原模型中从轻量化骨干网络结构中提取出的1
×
1卷积结构完成特征通道维度的对齐，同时使用插值方式完成上采样和下采样任务；
[0027]轻量化检测头：采用FCOS的检测头作为模型基础，对轻量化特征金字塔模型输出的多尺度特征通道图进行同一系数的卷积预测，并引入Generalized Focal Loss损失函数去掉FCOS中的无中心分支，将这一分支上附带的大量卷积删除以达到轻量化的目的。
[0028]本专利技术还公开了一种垃圾堆场卸料门开关状态检测系统，包括：
[0029]模型构建单元，用于预先建立并训练好垃圾堆场卸料门开关状态检测模型；其中垃圾堆场卸料门开关状态检测模型采用轻量化神经网络模型；
[0030]图像获取单元，用于获取待检测图像，并对待检测图像进行灰度自适应调整，以实现亮度自适应调整；其中待检测图像为垃圾堆场卸料门视频图像帧数据；
[0031]开关状态检测单元，用于将灰度自适应调整好的待检测图像输入至垃圾堆场卸料门开关状态检测模型中，得到此待检测图像中卸料门的开关状态。
[0032]本专利技术进一步公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
[0033]与现有技术相比，本专利技术的优点在于：
[0034]本专利技术采用轻量化神经网络模型对输入数据进行训练、学习和推理，相较于传统基于深度学习的神经网络而言，该种轻量化神经网络模型速度更快，实时性更高，对硬件设备的依赖性和造成的负荷更小，更加有利于现场的实时部署与应用；本专利技术针对垃圾堆场光照条件变化大等问题，对输入图像进行灰度自适应调节，使检测光照条件保持稳定，保证检测的准确效果；本专利技术采用基于深度学习的目标识别与检测技术进行垃圾堆场卸料门开关状态的检测，针对于利用现场PLC信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾堆场卸料门开关状态检测方法，其特征在于，包括步骤：1)预先建立并训练好垃圾堆场卸料门开关状态检测模型；其中垃圾堆场卸料门开关状态检测模型采用轻量化神经网络模型；2)获取待检测图像，并对待检测图像进行灰度自适应调整，以实现亮度自适应调整；其中待检测图像为垃圾堆场卸料门视频图像帧数据；3)将灰度自适应调整好的待检测图像输入至垃圾堆场卸料门开关状态检测模型中，得到此待检测图像中卸料门的开关状态。2.根据权利要求1所述的垃圾堆场卸料门开关状态检测方法，其特征在于，步骤2)的具体过程为：2.1)获取光照从弱到强的卸料门图像，计算得到各卸料门图像的背景平均灰度值并将背景平均灰度值与标准背景平均灰度值进行差值运算，得到背景平均灰度差值其中标准背景平均灰度值为标准曝光时间下的背景平均灰度值；2.2)将背景平均灰度差值与预设灰度差阈值进行比对；若则进行曝光时间补偿以实现亮度自适应调整。3.根据权利要求2所述的垃圾堆场卸料门开关状态检测方法，其特征在于，在步骤2.2)中，获取各卸料门的图像曝光时间expo，再基于预设的曝光时间补偿曲线得到曝光时间差值expo
diff
，再基于曝光时间差值expo
diff
进行曝光时间补偿。4.根据权利要求3所述的垃圾堆场卸料门开关状态检测方法，其特征在于，所述曝光时间补偿曲线的得到过程为：获取各卸料门的图像曝光时间expo，并与标准图像曝光时间expo
best
进行差值运算，得到图像曝光时间差值expo
diff
；以背景平均灰度差值为自变量，图像曝光时间差值expo
diff
为因变量，进行函数关系拟合得到曝光时间补偿曲线。5.根据权利要求2～4中任意一项所述的垃圾堆场卸料门开关状态检测方法，其特征在于，在步骤2.2)中，预设灰度差阈值得到的具体过程为：将步骤2.1)中不同光照强度下的卸料门图像输入至垃圾堆场卸料门开关状态检测模型中进行检测；当由于光照条件影响导致检测置信度小于n％时，将此时的灰度差作为是否进行光照补偿的预设灰度差阈值其中n为70～90。6.根据权利要求2～4中任意一项所述的垃圾堆场卸料门开关状态检测方法，其特征在于，在步骤1)中，所述垃圾堆场卸料门开关状态检测模型...

【专利技术属性】
技术研发人员：孙纪康，张小刚，颜文槟，王凯，朱俊宇，唐小文，陈华，王炼红，潘政，
申请(专利权)人：湖南大学，
类型：发明
国别省市：