本發(fā)明涉及一種檢測(cè)方法，尤其是一種基于YOLOv4?tiny的插板閥開度檢測(cè)方法。基于YOLOv4?tiny的配置文件，能構(gòu)建YOLOv4?tiny基本檢測(cè)模型，經(jīng)過訓(xùn)練后，能最終得到Y(jié)OLOv4?tiny目標(biāo)檢測(cè)模型，利用YOLOv4?tiny目標(biāo)檢測(cè)模型能對(duì)插板閥進(jìn)行開度檢測(cè)，具有魯棒性高、泛化能力強(qiáng)，能夠?qū)崿F(xiàn)其對(duì)插板閥有效的檢測(cè)，為后續(xù)對(duì)插板閥的開度進(jìn)行控制，提供了科學(xué)有效的保障，在實(shí)現(xiàn)自動(dòng)化檢測(cè)的同時(shí)，節(jié)省了勞動(dòng)力，提高智能化程度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種檢測(cè)方法，尤其是一種基于YOLOv4-tiny的插板閥開度檢測(cè)方法。

背景技術(shù)

插板閥在工業(yè)中扮演者非常重要的作用，比如我國(guó)很多洗煤廠的水、煤流量都使用插板閥來進(jìn)行控制，該種閥門開關(guān)靈活，便于控制。對(duì)于重要場(chǎng)所的插板閥，通常配備接近開關(guān)和位移傳感器等進(jìn)行開度控制，額外配置的傳感器和連接線纜需要較大的資金投入。

通常，插板閥工作區(qū)域多數(shù)都有視頻監(jiān)控系統(tǒng)，為此基于機(jī)器視覺的插板閥開度檢測(cè)算法被提出。然而，在復(fù)雜環(huán)境下，使用常規(guī)圖像處理算法的檢測(cè)精度不高，故可以借助激光傳感器輔助模板匹配算法進(jìn)行特征提取，得到插板和插板外框的坐標(biāo)，從而確定當(dāng)前插板開度值，最后將插板閥開度值反饋給集控系統(tǒng)進(jìn)行統(tǒng)一控制，具體開度檢測(cè)說明可以參考由田軍、李明、姜瑾等公開參考文獻(xiàn)：選煤廠水泵插板閥開度線激光輔助視覺監(jiān)控[J/OL].工礦自動(dòng)化，2020,46(9):1-7。所述插板開度檢測(cè)方法對(duì)光照強(qiáng)度比較敏感，其插板開度檢測(cè)算法的魯棒性和檢測(cè)精度依然有待提高。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)目標(biāo)檢測(cè)和語義分割算法在工業(yè)應(yīng)用中也成逐漸取得成功。因此，在已有視頻監(jiān)控系統(tǒng)的基礎(chǔ)上，可以使用目標(biāo)檢測(cè)算法進(jìn)行插板閥的工作區(qū)域快速定位，然后再使用語義分割算法精確分割出插板和插板閥，最后求出插板相對(duì)于插板閥的開度值，具體可以參考姜瑾公開的參考文獻(xiàn)：基于機(jī)器視覺的選煤流程插板群開度及控制系統(tǒng)研究[D].中國(guó)礦業(yè)大學(xué),2020。該類檢測(cè)算法往往需要多步算法進(jìn)行處理并且要求攝像頭的位置保持固定姿態(tài)，不然容易出現(xiàn)較大的檢測(cè)誤差，泛化性不強(qiáng)。

發(fā)明內(nèi)容

本發(fā)明的目的是克服現(xiàn)有技術(shù)中存在的不足，提供一種基于YOLOv4-tiny的插板閥開度檢測(cè)方法，其能有效實(shí)現(xiàn)對(duì)插板閥開度的實(shí)時(shí)性檢測(cè)，提高檢測(cè)過程中的魯棒性與泛化能力。

按照本發(fā)明提供的技術(shù)方案，一種基于YOLOv4-tiny的插板閥開度檢測(cè)方法，所述插板閥開度檢測(cè)方法包括如下步驟：

步驟S1、獲取插板閥的初始樣本數(shù)據(jù)集，并對(duì)所獲取的初始樣本數(shù)據(jù)集進(jìn)行所需的預(yù)處理，以得到插板閥的標(biāo)準(zhǔn)樣本數(shù)據(jù)集；

步驟S2、對(duì)上述插板閥的標(biāo)準(zhǔn)樣本數(shù)據(jù)集進(jìn)行物體類別標(biāo)注與位置信息的標(biāo)注，以得到插板閥的標(biāo)準(zhǔn)樣本標(biāo)注數(shù)據(jù)集，且對(duì)插板閥的標(biāo)準(zhǔn)樣本標(biāo)注數(shù)據(jù)集進(jìn)行劃分，以得到訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集與測(cè)試數(shù)據(jù)集；

步驟S3、讀取YOLOv4-tiny的配置文件，并配置所述YOLOv4-tiny配置文件中的網(wǎng)絡(luò)層參數(shù)信息，以得到Y(jié)OLOv4-tiny基本檢測(cè)模型；對(duì)于所述YOLOv4-tiny基本檢測(cè)模型，使用CSPDarknet53作為backbone進(jìn)行主要特征提取器，使用子階段sub-stage作為neck進(jìn)行特征融合，使用YOLO作為head進(jìn)行目標(biāo)位置與類別信息的預(yù)測(cè)，且將構(gòu)建的空間金字塔池化模塊分別與索引為m的convolution模塊、索引為m+1的convolution模塊連接；

步驟S4、利用訓(xùn)練數(shù)據(jù)集對(duì)上述的YOLOv4-tiny基本檢測(cè)模型進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練達(dá)到設(shè)定的次數(shù)或在驗(yàn)證數(shù)據(jù)集上出現(xiàn)過擬合時(shí)停止訓(xùn)練，在每次的訓(xùn)練中，更新YOLOv4-tiny基本檢測(cè)模型的權(quán)重信息，以在每次訓(xùn)練后均能得到一相應(yīng)的YOLOv4-tiny基本檢測(cè)訓(xùn)練模型；