[发明专利]基于深度学习的机械隔离刀闸的状态精确判断方法及系统

权利要求书

1.一种基于深度学习的机械隔离刀闸状态精确判断方法，其特征在于，包括以下步骤：

步骤1，构建基于深度学习网络的目标检测模型；

步骤2，构建获得刀闸坐标系OXYZ到摄像机成像坐标系O_pUV之间的转换矩阵；

步骤3，通过摄像机获得机械隔离刀闸图片，使用步骤1获得的目标检测模型进行模型推理，获得机械隔离刀闸部件在摄像机成像坐标系O_pUV下的坐标；

步骤4，在摄像机成像坐标系O_pUV下，计算刀闸摆臂向量并构造触头运动的椭圆方程；

步骤5，根据步骤4获得的刀闸摆臂向量，椭圆长轴向量和短轴向量，计算刀闸摆臂在刀闸坐标系OXYZ下的实时旋转角度；

步骤6，根据步骤5获得的实时旋转角度确定机械隔离刀闸当前状态。

2.根据权利要求1所述的基于深度学习的机械隔离刀闸状态精确判断方法，其特征在于：

步骤1包括：

步骤1.1，采用公开数据集对通用图像特征的深度学习网络CNN模型进行预训练，获得通用图像特征提取的预训练模型；

步骤1.2，以机械隔离刀闸的样本数据训练预训练模型，获得目标检测模型。

3.根据权利要求1或2所述的基于深度学习的机械隔离刀闸状态精确判断方法，其特征在于：

步骤2具体包括：

步骤2.1，获得现场部署参数，包括：机械隔离刀闸的空间几何参数，摄像机的位置参数和成像参数；

步骤2.2，以如下公式表示摄像机相对于刀闸坐标系OXYZ绕其X轴、Y轴和Z 轴的旋转转换矩阵，

式中：

α,β,γ分别额表示摄像机相对于刀闸坐标系OXYZ的Z轴方向的偏航角、俯仰角和滚动角，

步骤2.3，以如下公式表示刀闸坐标系OXYZ至摄像机成像坐标系O_pUV之间的转换关系，

式中：

(u,v)表示在摄像机成像坐标系O_pUV下的坐标，即像素的行数和列数，

(u₀,v₀)表示相机中心所在成像坐标系下的坐标，

dx,dy分别表示每个像素在摄像机成像坐标系O_pUV下U轴和V轴上的物理尺寸，

x,y,z表示在刀闸坐标系OXYZ下的坐标，

R表示步骤2.2获得的摄像机旋转转换矩阵，

t表示摄像机在刀闸坐标系OXYZ下的坐标(Ocx,Ocy,Ocz)，

f表示摄像机的焦距，

步骤2.4，根据步骤2.3的坐标转换关系，获得转换矩阵，以如下公式表示，

式中：

Mt表示刀闸坐标系OXYZ至摄像机成像坐标系O_pUV的转换矩阵。

4.根据权利要求3所述的基于深度学习的机械隔离刀闸状态精确判断方法，其特征在于：

步骤2.1中，在刀闸坐标系下，机械隔离刀闸的空间几何参数包括：机械隔离刀闸的摆臂和立柱，摄像机位置和滚动角。

5.根据权利要求3或4所述的基于深度学习的机械隔离刀闸状态精确判断方法，其特征在于：

步骤4中，根据步骤3中的结果，计算摄像机成像坐标系O_pUV下的刀闸运动机构的方向向量，具体包括：

以如下公式计算第一摆臂的向量，

O′₁M′＝P(M′)-P(O′₁)

以如下公式计算第二摆臂的向量，

O′₂N′＝P(N′)-P(O′₂)

以如下公式计算两摆臂旋转中心点的向量，

O′₁O′₂＝P(O′₂)-P(O′₁)。