【技术实现步骤摘要】
本专利技术涉及智能冶金工程，尤其涉及一种浮子流量计读数识别方法及系统。
技术介绍
1、在工业生产的广阔领域中，浮子流量计的应用至关重要，但许多设备尚未经历数字化转型，仍依赖于人工读数。这种传统方法不仅效率低下，而且精度有限，无法满足现代工业对精确度和效率的严格要求。
2、现有目标检测算法模型大多都是针对多目标的检测，而且大多都是进行的矩形目标检测，针对在浮子流量计读数识别这一场景中，视野中往往最多只有一个目标，且目标在视野中占比相对较大，常规的目标检测模型如yolo、ssd系列等算法模型结构，存在目标检测精度较低，同时也只能检测到浮子流量计的矩形位置，对浮子流量计校正还需使用其他模型对浮子流量计的4个角点和浮子进行检测，这些模型针对大目标的图片，为了提高其全局搜索能力，需要使用较深的网络结构，不仅提高算法的整体复杂性，模型的运行时间增加，算法模型的实时性较低，而且使得算法模型的结构复杂还无法精准检测浮子流量计。
技术实现思路
1、本专利技术提供了一种ddwconvnet的浮子流量计读数识别方法及系统，以解决现有的检测浮子流量计的算法模型结构复杂且无法精准检测问题。
2、为了实现上述目的，本专利技术通过如下的技术方案来实现：
3、第一方面，本专利技术提供一种ddwconvnet（dilated depthwise convolutionalnetwork）的浮子流量计读数识别方法，包括如下步骤：
4、步骤1：训练ddwconvnet模型
5、所述ddwconvnet模型的主干网络包括若干捕获特征的bigk block模块和一个全连接层；
6、所述bigk block模块包括用于进行空间特征扩展的膨胀深度可分离块；
7、所述膨胀深度可分离块为大核卷积与小核卷积并行设计；
8、所述膨胀深度可分离块包括如下约束：
9、；
10、其中，为大核卷积的核大小；为小核卷积的核大小；为膨胀率；
11、步骤2：获取待检测的浮子流量计图像，将浮子流量计图像进行归一化处理，将归一化处理后的浮子流量计图像输入ddwconvnet浮子检测模型中，获取浮子流量计图像中的角点位置和浮子位置；
12、步骤3：根据角点位置和浮子位置获取浮子流量计读数结果。
13、通过上述设计，改进了大核卷积模块，降低了算法的复杂性，提升了算法的实时性，通过优化全连接层，优化输出，简化了模型的结构，将输出的检测作为单一目标，提升模型对浮子流量计的角点和浮子的检测精度，此外，膨胀深度可分离块也使得模型能够适应多边形检测，提升了大目标检测的精度和实时性。
14、在工业自动化和数字化转型的大背景下，对浮子流量计读数识别技术的迫切需求，以及现有技术的局限性。通过本申请提出的技术解决方案，显著提高浮子流量计读数的识别精度和实时性，为工业生产中的流量测量提供了一种更为高效和准确的方法。不仅有助于提高生产效率，还能确保产品质量，推动工业生产向智能化、自动化的方向发展。
15、在本专利技术的ddwconvnet浮子检测模型中，通过多层次的卷积网络架构，实现了高效的特征提取和精准的目标定位。
16、进一步的，所述ddwconvnet浮子检测模型的主干网络还包括若干深度特征学习的smallk block模块。
17、进一步的，所述构建ddwconvnet浮子检测模型包括如下步骤：
18、步骤101：获取若干浮子流量计的图像，对所有图像进行筛选和标记真实标签，执行归一化处理后作为数据集，并将数据集按照预设比例划分为验证集与训练集，确定ddwconvnet浮子检测模型的损失函数和优化器；
19、步骤102：对训练集进行数据增强，将数据增强后的训练集输入ddwconvnet模型中进行训练，并获取图像中的浮子位置识别结果，以ddwconvnet模型对图像中浮子位置识别结果和真实标签相近为目标，结合反向传播与优化器对学习率进行调整，减小损失函数；
20、步骤103：重复执行步骤102，直至验证集输入ddwconvnet模型中获取的评估结果达到预定指标，并将达到预定指标的ddwconvnet模型作为ddwconvnet浮子检测模型。
21、其中，对所有图像进行筛选和真实标签指人工手段将获取的浮子流量计进行筛选，去除其中未照到浮子流量计角点与浮子的图像，对存留的图像中浮子流量计的角点和浮子的读数，并做对应标记；
22、归一化处理指将图像进行标准化处理，使图像均为统一尺寸和像素值范围；
23、数据增强包括图像的旋转、缩放和反转。
24、进一步的，在步骤101中，所述优化器包括随机梯度下降或adam算法。
25、进一步的，所述损失函数包括类别损失、矩形位置损失、角点位置损失以及浮子位置损失，所述损失函数表达式为：
26、；
27、其中，、、以及均为权重系数，为类别损失，为矩形位置损失，为角点位置损失，为浮子位置损失；
28、所述表达式为：
29、；
30、其中，为真实标签，为预测概率，为样本数量；
31、所述表达式为：
32、；
33、其中，为预测的边界框，为真实的边界框；
34、所述的表达式为：
35、；
36、其中，是真实角点坐标，是预测角点坐标；
37、所述的表达式为：
38、；
39、其中，是真实浮子坐标，是预测浮子坐标。
40、通过上述设计，针对浮子流量计设置的损失函数，提升了模型训练效果，减少了预测误差。
41、进一步的，在步骤103中，若评估结果未达到预定指标，则调整学习率、训练集批量大小或模型结构；
42、所述预定指标包括ddwconvnet模型的准确率、召回率以及f1分数。
43、进一步的，所述根据角点位置和浮子位置获取浮子流量计读数结果包括根据角点位置和浮子位置计算透视变换矩阵，根据透视变换矩阵修正浮子流量计图像，根据修正后的浮子流量计图像获取浮子流量计读数结果。
44、通过上述设计，透视变换矩阵解决了目标检测算法应用到浮子流量计读数时图片偏移导致角点以及浮子位置偏移无法校正的问题，提升了读数识别的精准度。
45、进一步的，所述根据角点位置和浮子位置计算透视变换矩阵包括：确定角点位置和浮子流量计图像中对应的角点图像位置，根据角点位置和角点图像位置构建透视变换矩阵；
46、所述根据透视变换矩阵修正浮子流量计图像的表达式为：
47、；
48、其中，为透视变换矩阵，是齐次坐标系中的缩放因子，为浮子流量计图像中浮子横坐标，为浮子流量计图像中浮子纵坐标，为经透视变换矩阵修正后未缩放的浮子横坐标，为经透视变本文档来自技高网...
【技术保护点】
1.一种DDWConvNet的浮子流量计读数识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的DDWConvNet的浮子流量计读数识别方法，其特征在于，所述DDWConvNet模型的主干网络还包括若干深度特征学习的SmallK BlocK模块。
3.根据权利要求1所述的DDWConvNet的浮子流量计读数识别方法，其特征在于，所述构建DDWConvNet浮子检测模型包括如下步骤：
4.根据权利要求3所述的DDWConvNet的浮子流量计读数识别方法，其特征在于，在步骤101中，所述优化器包括随机梯度下降或Adam算法。
5.根据权利要求3所述的DDWConvNet的浮子流量计读数识别方法，其特征在于，所述损失函数表达式为：
6.根据权利要求3所述的DDWConvNet的浮子流量计读数识别方法，其特征在于，在步骤103中，若评估结果未达到预定指标，则调整学习率、训练集批量大小或模型结构；
7.根据权利要求1所述的DDWConvNet的浮子流量计读数识别方法，其特征在于，所述根据角点位置和浮子位置获取
8.根据权利要求7所述的DDWConvNet的浮子流量计读数识别方法，其特征在于，所述根据角点位置和浮子位置计算透视变换矩阵包括：确定角点位置和浮子流量计图像中对应的角点图像位置，根据角点位置和角点图像位置构建透视变换矩阵；
9.一种DDWConvNet的浮子流量计读数识别系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-8任一所述方法的步骤。
...【技术特征摘要】
1.一种ddwconvnet的浮子流量计读数识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的ddwconvnet的浮子流量计读数识别方法，其特征在于，所述ddwconvnet模型的主干网络还包括若干深度特征学习的smallk block模块。
3.根据权利要求1所述的ddwconvnet的浮子流量计读数识别方法，其特征在于，所述构建ddwconvnet浮子检测模型包括如下步骤：
4.根据权利要求3所述的ddwconvnet的浮子流量计读数识别方法，其特征在于，在步骤101中，所述优化器包括随机梯度下降或adam算法。
5.根据权利要求3所述的ddwconvnet的浮子流量计读数识别方法，其特征在于，所述损失函数表达式为：
6.根据权利要求3所述的ddwconvnet的浮子流量计读数识别方法，其特征在于，在步骤103中...
【专利技术属性】
技术研发人员：黄勇，汪檠，邹立超，刘洋，肖晶峰，
申请(专利权)人：长沙矿冶研究院有限责任公司，
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。