[发明专利]基于HSV与深度学习的列车液压刹车油位识读方法

权利要求书

1.一种基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，包括：

步骤1：获取多个初始校正后的列车液压刹车油位的图像；

步骤2：对获取到的每个校正后的油位图像中刻度尺的位置进行标注，得到多个标注后的油位刻度尺图像；

步骤3：将所述多个标注后的油位图像输入目标检测算法，训练得到的列车液压刹车油位的目标检测模型；

步骤4：通过HSV颜色模型分割油位图像；

步骤5：根据此模型确定每一个列车液压刹车油位图像中刻度尺的位置与相对应的坐标；

步骤6：根据每个列车液压刹车油位刻度尺位置和油位面在油位图像中对应的坐标，确定每个列车液压刹车油位图像的读数。

2.根据权利要求1所述的基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，获取多个初始校正后的列车液压刹车油位的图像的同时，还需进行如下操作：

通过监控摄像头获取初始的列车液压刹车油位的图像；

通过所述的监控摄像头获取到视频，通过free studio软件进行处理，逐帧获取到不同时间、不同光照下的多个列车液压刹车油位图像；

对所述多个列车液压刹车油位图像进行预处理，得到多个校正后的列车液压刹车油位图像。

3.根据权利要求2所述的基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，所述预处理操作包括：

1)对所述多个列车液压刹车油位图像中每个目标列车液压刹车油位图像进行去噪，采用均值漂移滤波算法进行过滤噪声，滤波和二值化后得到多个预处理后的列车液压刹车油位图像；

2)根据OpenCV的最小外接矩形方法，确定每个预处理后的列车液压刹车油位图像中刻度尺的宽度、高度、坐标和旋转角度；

3)根据每个预处理后的列车液压刹车油位图像中刻度尺的宽度、高度、坐标和旋转角度以及OpenCV的图像旋转方法，得到多个校正后的列车液压刹车油位图像。

4.根据权利要求1所述的基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，所述步骤2在对获取到的每个校正后的油位图像中刻度尺的位置进行标注过程中，识别每个所述校正后的列车液压刹车油位图像中的刻度尺，标注所述油位刻度尺的油位面和油位量程的位置并注上标签，得到多个标注后的油位刻度尺图像。

5.根据权利要求1所述的基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，所述步骤3中将所述多个标注后的油位图像输入目标检测算法，训练得到的列车液压刹车油位的目标检测模型的具体操作为：

步骤3.1：将所述多个标注后的油位图像进行划分，得到训练集和测试集；

步骤3.2：获取初始目标检测算法，采用所述训练集对所述初始目标检测算法进行训练，得到目标检测模型；

步骤3.3：根据所述目标检测模型和测试集，确定所述目标检测模型的精度。

6.根据权利要求5所述的基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，其特征在于，步骤3.2中，目标检测算法采用FCOS目标检测算法，使用深度学习框架Pytorch进行模型训练，主干网络采用resnet18，颈部结构采用scp-panet，优化器为adamw。

7.根据权利要求1所述的基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，步骤4中HSV颜色模型分割油位图像的具体操作为：

步骤4.1：读取列车液压刹车油位图片数据；

步骤4.2：将所述图片数据转换至HSV颜色空间，并提取S通道数据；

步骤4.3：对S通道数据进行OSTU自适应阈值选取，并对所述油位图像数据进行油位图像分割；

步骤4.4：所述图片数据转换至HSV颜色空间的方法为通过OpenCV的cvtColor函数将RGB图像转换至HSV颜色空间。

8.根据权利要求1所述的基于HSV与深度学习的列车液压刹车油位识读方法，其特征在于，步骤6中确定每个列车液压刹车油位图像的读数的具体操作为：

步骤6.1：获取预设算法，所述预设算法为：

其中，dushu为油位图像的读数，oil_index为油位面的高度，index为油位量程的高度，kedu_vector为油位刻度尺的实际量程；

步骤6.2：将每个油位刻度尺的油位面和油位量程在所对应的油位图像中的坐标，油位刻度尺的实际量程输入所述预设算法，得到所述每个油位图像的读数。