申请/专利权人：杭州电子科技大学

申请日：2021-04-30

公开（公告）日：2024-03-19

公开（公告）号：CN113392823B

主分类号：G06V10/22

分类号：G06V10/22;G06V10/774;G06V10/25;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.10.01#实质审查的生效;2021.09.14#公开

摘要：本发明公开了一种基于深度网络回归的油位表读数方法，包括：步骤S1：获取油位表的图像数据作为样本图像；步骤S2：建立深度神经网络模型；步骤S3：对模型进行训练，首先，在输入训练样本的时候对两类样本进行混合，一部分是完整图样本，用来预测油位表位置大小，另一部分是根据油位表信息生成的截图，用于预测液位面高度位置；然后，使用交叉训练方式，即混合两种尺度图像作为输入，若输入大尺度图像，则使用网络的第一和第二分支的输出作为预测结果，使用油位表位置作为真值计算损失；若输入小尺度图像，则使用网络的第三分支输出作为预测结果，利用液位面高度计算损失；步骤S4：将工业油位表监控摄像头采集的图像输入训练好的模型进行预测。

主权项：1.一种基于深度网络回归的油位表读数方法，其特征在于，具体包括以下步骤：步骤S1：获取油位表的图像数据作为样本图像，并对样本图像进行标注得到训练用的标签数据；其中，得到两类样本标注信息，即预测油位表和液位面两个标签的信息；步骤S2：建立深度神经网络模型，该模型结构采用GoogleNet为主干网络，且该模型输出三个分支，其中，第一分支用于油位表概率预测，第二分支用于油位表位置大小回归预测，第三分支用于液位面高度位置回归预测；步骤S3：对步骤S2建立的模型进行训练，其中，为了让一个网络同时能预测油位表和液位面高度，首先，在输入训练样本的时候对两类样本进行混合，一部分是完整图样本，用来预测油位表位置大小，另一部分是根据油位表信息生成的截图，用于预测液位面高度位置；然后，使用交叉训练方式，即混合两种尺度图像作为输入，若输入大尺度图像，则使用网络的第一和第二分支的输出作为预测结果，使用油位表位置作为真值计算损失；若输入小尺度图像，则使用网络的第三分支输出作为预测结果，利用液位面高度计算损失；步骤S4：将工业油位表监控摄像头采集的图像输入训练好的模型进行预测，得出油位表在图像中的位置和大小，以及用油位表截图来预测液位面高度位置坐标。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于深度网络回归的油位表读数方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD