CN113781478B - 油罐图像检测方法、装置、电子设备和计算机可读介质 - Google Patents
油罐图像检测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113781478B CN113781478B CN202111316637.8A CN202111316637A CN113781478B CN 113781478 B CN113781478 B CN 113781478B CN 202111316637 A CN202111316637 A CN 202111316637A CN 113781478 B CN113781478 B CN 113781478B
- Authority
- CN
- China
- Prior art keywords
- oil tank
- image
- tank
- radius value
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 169
- 230000009467 reduction Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000007689 inspection Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了油罐图像检测方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取油罐图像信息，其中，上述油罐图像信息包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息；对上述油罐图像进行降噪处理，得到降噪油罐图像；将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框；基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值；基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。该实施方式可以提高对油罐图像检测的准确性。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及油罐图像检测方法、装置、电子设备和计算机可读介质。
背景技术
油罐图像的检测对于油罐监测、储油分析等具有重要意义。目前，在检测油罐图像时，通常采用的方式为：通过传统的卷积网络模型的方式对油罐图像进行检测，得到油罐图像信息。
然而，当采用上述方式进行油罐图像检测时，经常会存在如下技术问题：
第一，未综合考虑影响油罐图像检测准确度的因素，导致降低对油罐图像检测的准确性；
第二，未根据油罐图像的特性对传统卷积网络模型进行调整，使得传统卷积网络模型不能较好的检测油罐图像中的特征，从而，导致训练后的卷积网络模型的检测准确度较低，进而，导致降低对油罐图像检测的准确性。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了油罐图像检测方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种油罐图像检测方法，该方法包括：获取油罐图像信息，其中，上述油罐图像信息包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息；对上述油罐图像进行降噪处理，得到降噪油罐图像；将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框；基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值；基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。
第二方面，本公开的一些实施例提供了一种油罐图像检测装置，该装置包括：获取单元，被配置成获取油罐图像信息，其中，上述油罐图像信息包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息；降噪处理单元，被配置成对上述油罐图像进行降噪处理，得到降噪油罐图像；输入单元，被配置成将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框；第一生成单元，被配置成基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值；第二生成单元，被配置成基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的油罐图像检测方法，可以提高对油罐图像检测的准确性。具体来说，导致降低对油罐图像检测的准确性的原因在于：未综合考虑影响油罐图像检测准确度的因素。基于此，本公开的一些实施例的油罐图像检测方法，首先，获取油罐图像信息，其中，上述油罐图像信息包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息。通过引入高精度雷达拍摄的油罐图像（例如，SAR图像（Synthetic Aperture Radar，合成孔径雷达图像）），可以提高油罐图像的分辨率，使得提高油罐图像检测模型对油罐图像检测的准确度。从而，可以提高对油罐图像信息检测的准确性。然后，对上述油罐图像进行降噪处理，得到降噪油罐图像。通过对油罐图像进行降噪处理，可以有效地降低高精度雷达拍摄的油罐图像中的相干斑，提高油罐图像检测模型对油罐图像检测的准确度。接着，将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框。之后，基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值。通过对生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框进行综合的考虑，生成目标半径，可以提高生成的目标半径值的准确性。避免仅检测油罐半径产生误差，造成检测准确度降低的情况。最后，基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。通过生成油罐定位信息，可以确定油罐图像中的油罐在地图中的具体坐标。从而还可以生成更加全面的油罐图像检测信息。由此，可以实现提高对油罐图像检测的准确性的目的。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的油罐图像检测方法的一个应用场景的示意图；
图2是根据本公开的油罐图像检测方法的一些实施例的流程图；
图3是根据本公开的油罐图像检测方法的另一些实施例的流程图；
图4是根据本公开的油罐图像检测方法的另一些实施例的标注后图像的示意图；
图5是根据本公开的障油罐图像检测装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的油罐图像检测方法的一个应用场景的示意图。在图1的应用场景中，首先，计算设备101可以获取油罐图像信息102，其中，上述油罐图像信息102包括油罐图像1021和拍摄上述油罐图像的高精度雷达的位置信息1022。接着，计算设备101可以对上述油罐图像1021进行降噪处理，得到降噪油罐图像103。然后，计算设备101可以将上述降噪油罐图像103输入至预设的油罐图像检测模型104，以生成第一油罐半径值105、油罐外接矩形边框106和油罐圆周边框107。之后，计算设备101可以基于上述第一油罐半径值105、上述油罐外接矩形边框106和上述油罐圆周边框107，生成目标半径值108。最后，计算设备101可以基于上述位置信息1022和上述目标半径值108，生成油罐定位信息109，以及将上述目标半径值108和上述油罐定位信息109作为油罐图像检测信息110。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的油罐图像检测方法的一些实施例的流程200。该油罐图像检测方法的流程200，包括以下步骤：
步骤201，获取油罐图像信息。
在一些实施例中，油罐图像检测方法的执行主体（如图1所示的计算设备101）可以获取油罐图像信息。其中，上述油罐图像信息可以包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息。上述高精度雷达可以是主动式的对地观测系统（例如，SAR（Synthetic Aperture Radar，合成孔径雷达））。上述油罐图像可以是上述合成孔径雷达拍摄的图像，即SAR图像。由于合成孔径雷达具有不受光照和气候条件等限制因素的影响。因此，上述油罐图像的分辨率更高。上述位置信息可以包括上述合成孔径雷达的世界坐标值。
步骤202，对油罐图像进行降噪处理，得到降噪油罐图像。
在一些实施例中，上述执行主体可以对上述油罐图像进行降噪处理，得到降噪油罐图像。其中，可以通过滤波算法（例如，Gamma-MAP滤波算法或Lee滤波算法等）对上述油罐图像进行降噪处理，得到降噪油罐图像。
步骤203，将降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框。
在一些实施例中，上述执行主体可以将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框。其中，上述油罐图像检测模型可以是Mask R-CNN（Mask Region Proposal Convolutional NeuralNetworks）网络模型、Region Proposal Convolutional Neural Networks网络模型或YOLO（You Only Live Once）网络模型等，在此不作具体限定。另外，上述油罐外接矩形可以是上述油罐图像检测模型检测到的油罐顶部区域的外接矩形。上述油罐圆周边框可以是上述油罐图像检测模型检测到的油罐顶部区域的外接圆。具体的，若仅识别油罐半径作为目标半径值，则油罐图像检测模型的检测误差会直接体现到目标半径值上。以及考虑到雷达在拍摄油罐图像时存在一定的拍摄角度，拍摄的油罐图像中的油罐顶面在一定程度上呈椭圆状。因此，通过识别油罐外接矩形边框可以直接以边框长度为直径，作为生成目标半径值的基础数据，以降低椭圆状的油罐图像区域对生成目标半径值的影响。还通过识别油罐圆周边框，降低仅油罐外接矩形边框所造成的边框误差。从而，可以提高生成目标半径值的准确度。
步骤204，基于第一油罐半径值、油罐外接矩形边框和油罐圆周边框，生成目标半径值。
在一些实施例中，上述执行主体可以基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值。其中，上述油罐外接矩形边框和上述油罐圆周边框可以处于上述油罐图像的像素坐标系中。首先，可以确定上述油罐外接矩形边框的长度值与上述油罐圆周边框直径的差值。然后，若该差值处于预设阈值范围（例如，[-1，1]像素），则可以表明油罐图像的阴影（即，油罐侧壁部分）对油罐图像检测模型的影响程度较高，导致生成的油罐圆周边框过大或过小。由于油罐外接矩形边框的长度不受该因素的影响。因此，可以在大于1像素时将目标半径值调高（例如，增加0.5米）。在小于-1像素时，可以将目标半径值调小（例如，减小0.5米）。从而，可以提高目标半径值的准确度。相比于直接识别目标半径值，该方式可以提高目标半径值检测准确度。进而，可以达到提高油罐图像检测信息的检测准确度的目的。
步骤205，基于位置信息和目标半径值，生成油罐定位信息，以及将目标半径值和油罐定位信息作为油罐图像检测信息。
在一些实施例中，上述执行主体可以基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。可以获取上述合成孔径雷达在上述位置信息包括的世界坐标值拍摄上述油罐图像时的相对方位信息，上述相对方位信息可以是上述油罐圆周边框中与上述合成孔径雷达之间的最近点，与上述孔径雷达之间的相对方位信息（例如，北偏东15度，俯仰角15度）。由此，可以确定上述最近点的位置坐标值。然后，可以在上述位置坐标值的基础上，向上述油罐圆周边框中心点方向移动上述目标半径值的距离，得到目标坐标值，作为油罐定位信息。
具体的，仅以上述最近点的位置坐标值为上述油罐定位信息，若该位置坐标值存在误差，则最终的油罐定位信息也存在误差。由于油罐属于大型目标，因此通过上述方式生成的油罐定位信息表征油罐顶面区域的中心部分。那么。即使位置坐标值存在误差（例如，误差2米），得到的目标坐标值仍然可以表征油罐的位置。从而，此种方式可以提高油罐定位信息的准确性。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的油罐图像检测方法，可以提高对油罐图像检测的准确性。具体来说，导致降低对油罐图像检测的准确性的原因在于：未综合考虑影响油罐图像检测准确度的因素。基于此，本公开的一些实施例的油罐图像检测方法，首先，获取油罐图像信息，其中，上述油罐图像信息包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息。通过引入高精度雷达拍摄的油罐图像（例如，SAR图像（Synthetic Aperture Radar，合成孔径雷达图像）），可以提高油罐图像的分辨率，使得提高油罐图像检测模型对油罐图像检测的准确度。从而，可以提高对油罐图像信息检测的准确性。然后，对上述油罐图像进行降噪处理，得到降噪油罐图像。通过对油罐图像进行降噪处理，可以有效地降低高精度雷达拍摄的油罐图像中的相干斑，提高油罐图像检测模型对油罐图像检测的准确度。接着，将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框。之后，基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值。通过对生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框进行综合的考虑，生成目标半径，可以提高生成的目标半径值的准确性。避免仅检测油罐半径产生误差，造成检测准确度降低的情况。最后，基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。通过生成油罐定位信息，可以确定油罐图像中的油罐在地图中的具体坐标。从而还可以生成更加全面的油罐图像检测信息。由此，可以实现提高对油罐图像检测的准确性的目的。
进一步参考图3，其示出了油罐图像检测模型训练方法的另一些实施例的流程300。该油罐图像检测模型训练方法的流程300，包括以下步骤：
步骤301，获取油罐图像信息。
步骤302，对油罐图像进行降噪处理，得到降噪油罐图像。
步骤303，将降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框。
在一些实施例中，步骤301-303的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-203，在此不再赘述。
在一些实施例的一些可选的实现方式中，上述油罐图像检测模型可以通过以下步骤生成：
第一步，确定训练样本和初始油罐图像检测模型。其中，上述训练样本可以包括预标注样本油罐图像，上述初始油罐图像检测模型可以包括油罐半径检测网络、油罐外接矩形边框检测网络和油罐圆周边框检测网络。上述训练样本可以是预先配置后存储于内存中的。上述油罐半径检测网络、油罐外接矩形边框检测网络和油罐圆周边框检测网络均可以包括但不限于以下至少一项：Mask R-CNN（Mask Region Proposal Convolutional NeuralNetworks）网络模型、Region Proposal Convolutional Neural Networks网络模型或YOLO（You Only Live Once）、DRN（Deep Residual Network，深度残差网络）、Faster RCNN（Faster Region Proposal Convolutional Neural Networks，快速目标检测卷积网络）等。另外，上述油罐半径检测网络、油罐外接矩形边框检测网络和油罐圆周边框检测网络还可以是单个网络模型，也可以是三个网络模型。若为三个网络模型，可以是不同的网络模型，也可以是相同结果的网络模型，且网络模型之间的权重不共享。由于油罐在建成之后可以使用很长时间且不会变动大小和位置。因此图像的识别不需要较高的识别速度，只需要提高准确度。从而，网络模型之间的权重不共享的设置可以避免不同网络模型在识别对应特征时之间产生的影响。进而，可以提高油罐图像检测模型的准确度。
第二步，将上述预标注样本油罐图像输入至上述油罐半径检测网络，得到第一检测油罐半径值。
第三步，将上述预标注样本油罐图像输入至上述油罐外接矩形边框检测网络，得到检测矩形边框。
第四步，将上述预标注样本油罐图像输入至上述油罐圆周边框检测网络，得到检测圆周边框。
第五步，将上述检测矩形边框的长度的一半确定为第二检测油罐半径值。其中，考虑到油罐顶面图像会形变为椭圆状，而形变的椭圆长轴与油罐顶面圆形的直径相同。因此，首先按照拍摄比例将上述检测矩形边框进行实际尺寸还原，得到实际尺寸检测矩形。然后，可以将实际尺寸检测矩形的长度值的一半确定为第二检测油罐半径值。从而，可以避免形变产生的影响。
第六步，确定上述检测圆周边框的半径值，作为第三检测油罐半径值。其中，首先可以按照上述拍摄比例，将上述检测圆周边框还原成实际尺寸，得到实际尺寸圆。最后可以将上述实际尺寸圆的半径确定为第三检测油罐半径值。
第七步，响应于确定上述第一检测油罐半径值、上述第二检测油罐直径值和上述第三检测油罐半径值满足预设条件，确定上述初始油罐图像检测模型未训练完成，以及调整上述初始油罐图像检测模型中的相关参数。其中，上述预设条件，可以是上述初始油罐图像检测模型的训练次数达到目标次数（例如，1000次），以及上述第一检测油罐半径值、上述第二检测油罐直径值和上述第三检测油罐半径值中每两个之间的差值大于预设阈值。若训练次数达到目标次数，以及存在大于预设阈值的差值。则可以表示油罐半径检测网络、油罐外接矩形边框检测网络和油罐圆周边框检测网络生成的数据不够准确，则可以表明需要再次训练，由此可以调整上述初始油罐图像检测模型中的相关参数。
在一些实施例的一些可选的实现方式中，上述执行主体还可以响应于确定上述第一检测油罐半径值、上述第二检测油罐半径值和上述第三检测油罐半径值满足上述预设条件，可以确定上述初始油罐图像检测模型训练完成，以及将上述初始油罐图像检测模型确定为上述油罐图像检测模型。从而，上述实现方式根据油罐图像特性对传统卷积网络模型进行调整，使得可以更好的检测油罐图像中的特征。提高了油罐图像检测模型的检测准确度。进而，提高了对油罐图像检测的准确性。
可选的，还可以将一个神经网络（例如，基于RestNet101残差网络的Mask RegionProposal Convolutional Neural Networks网络模型）作为油罐图像检测模型，以检测第一油罐半径值和油罐外接矩形边框和油罐圆周边框。其中，上述网络模型可以包括残差网络，区域生成网络，感兴趣区域池化层，全连接层。首先，残差网络中卷积层参数可以是：卷积核3×3，pad填充为1，步长为1。残差网络中的池化层参数可以是：卷积核2×2。填充为0，步长为2。然后，区域生成网络可以包括锚点生成器和特征金字塔网络，锚点尺度变化参数scales=[8]。比例因子ratios=[0.5，1.0，2.0]，锚点生成器的步长可以是1。特征金字塔网络的降采样步长strides=[4，8，16，32，64]。正样本阈值可以是0.4。区域生成网络的输入通道可以是256，特征层通道数可以是256。之后，感兴趣区域池化层的Mask掩盖模可以是28。感兴趣区域的特征层尺寸roi_feat_size=7。而后，上述全连接层的输入通道数可以是256，输出通道数可以是1024。上述网络模型中的Classification分类参数设置为两类num_classes=2。边界框回归bounding box regression可以后扩展1个参数向量，填充半径R。最后，网络模型的输出结果可以是：油罐位置框的左上角在图像中的像素坐标、该油罐位置框的长和宽，以及半径值。另外，训练参数设置可以是：最大目标数的数目为100，网络模型的学习率为2e-4，batch_size为8，验证迭代次数为50，总迭代次数为epoch=1000。损失函数可以为交叉熵损失函数。边界框损失函数可以是L1范数。非极大值抑制阈值可以是0.72。由此，可以检测出第一油罐半径值和油罐外接矩形边框。还可以将分类参数设置为3，使得可以识别出油罐圆周边框。
可选的，上述训练样本可以是通过以下步骤生成的：
第一步，对原始油罐图像进行插值处理（例如，双线性差值算法），得到插值后图像。其中，原始油罐图像可以是合成孔径雷达拍摄的原始图像。
第二步，多对上述插值后图像进行拆分，得到拆分图像集。其中，可以将差值后图像拆分成目标尺寸。例如，512像素×512像素。上述拆分图像集中的拆分图像数量可以大于5000。
第三步，对上述拆分图像集中的各个拆分图像进行标注，得到标注后图像集和对应的样本标签集。其中，上述标注可以是通过标注软件（例如，Labellme）进行标注。可以标注拆分图像中油罐顶面区域的半径和位置。标注位置可以是先确定拆分图像中平行于距离向的两个强散射点。其中一个强散射点可以是处于油罐顶部区域边界上的强散射点，另一个强散射点可以是处于油罐顶面区域外的、最近的、与上述其中一个强散射点的连线平行于距离的强散射点。接着，可以标注出上述其中一个强散射点所在的油罐顶面区域的圆周。上述圆周的中点处于两个强散射点连线与圆周的交点的连线的二分之一处。半径为该中点到圆周的长度值。另外，还可以将上述圆周沿两个强散射点连线，向上述另一个强散射点方向进行平移，使得平移后的圆周刚好处于上述另一个强散射点。之后，可以标注出外接矩形框。该外接矩形框可以是上述圆周与上述平移后的圆周的外接矩形。最后，以上述两个强散射点之前的连线与上述圆周之间的交点为外接点，过上述外接点做平行于上述外接矩形短边的直线，由此，可以得到标注油罐图像外接矩形框。
作为示例，如图4所示。
第四步，将上述拆分图像集中标注后图像和对应的样本标签确定为样本信息，以及将上述样本信息转换为XML（eXtensible Markup Language，可扩展标记语言）文件。可以得到多个XML文件。
第五步，将生成的多个XML文件划分为训练集和测试集，可以得到训练样本（即，XML文件）。其中，可以按照3：1的比例进行划分。
步骤304，基于第一油罐半径值、油罐外接矩形边框和油罐圆周边框，生成目标半径值。
在一些实施例中，油罐图像检测方法的执行主体（如图1所示的计算设备101）可以基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值。其中，可以通过以下步骤生成目标半径值：
第一步，根据上述油罐外接矩形边框，确定为第二油罐半径值。其中，首先，可以将上述油罐圆周边框中距离最远的两个像素点之间的距离值确定为图像圆周半径值。然后，可以根据拍摄比例，确定上述图像圆周半径值的实际尺寸，得到实际圆周半径值。上述拍摄比例可以是图像中物体的尺寸与实际物体尺寸的比例。例如，1:1000（单位，米）。
第二步，根据上述油罐圆周边框，确定为第三油罐半径值。其中，首先，可以将上述油罐外接矩形边框的长度值确定为图像边框半径值。然后，可以根据拍摄比例，确定上述图像边框半径值的实际尺寸，得到实际边框半径值。
第三步，对上述第一油罐半径值、上述第二油罐半径值和上述第三油罐半径值进行加权求和，以生成目标半径值。其中，可以对上述第一油罐半径值、上述实际圆周半径值和上述实际边框半径值进行加权求和，得到目标半径值。具体的，加权求和过程中的权重可以是预先设置的。例如，第一油罐半径值的权重为0.5。边框半径值的权重为0.25。圆周半径值的权重为0.25。由此，通过不同的方式生成半径值，再加权求和生成目标半径值。通过加权求和，可以将考虑到的、对油罐图像检测准确度有影响的因素进行融合，使得可以提高目标半径值的准确度。
在一些实施例的一些可选的实现方式中，上述执行主体对上述第一油罐半径值、上述第二油罐半径值和上述第三油罐半径值进行加权求和，以生成目标半径值，还可以包括以下步骤：
第一步，对上述油罐图像进行目标直线提取，以及确定提取目标直线是否成功。其中，可以通过目标检测算法（例如，LSD（Line Segment Detector，线段检测算法）、APD（Aligned Points Density，对齐密度算法）和PO（Pseudo-Ordering，梯度伪排序算法）等）对上述油罐图像进行目标直线提取，得到提取直线组。若提取直线组中存在提取直线、提取直线的长度值大于预设阈值（例如，100米）、以及提取直线的延长线与上述油罐圆周边框中心的距离最近，则可以确定目标直线提取成功，反之则不成功。具体的，提取直线可以更加便于运算。提取直线的长度值大于预设阈值、以及提取直线的延长线与上述油罐圆周边框中心的距离最近可以减少量化误差。
第二步，响应于确定目标直线提取成功，确定上述油罐图像对应的图像比例。其中，首先可以将上述油罐圆周边框映射至上述目标直线上，以得到投影长度值。然后，可以将上述投影长度值占上述目标直线长度的比重确定为图像比例。
第三步，根据上述目标直线与上述图像比例，生成比例半径。其中，可以根据上述拍摄比例与上述目标直线的长度值确定上述目标直线的实际长度。然后可以根据上述图像比例与上述实际长度生成比例半径。
第四步，对上述比例半径、上述第一油罐半径值、上述第二油罐半径值和上述第三油罐半径值进行加权求和，以生成目标半径值。其中，在加权求和时各项的权重可以是相同的（0.25）。
步骤305，根据预设的标准油罐信息和目标半径值，生成油罐高度值。
在一些实施例中，上述执行主体可以根据预设的标准油罐信息和上述目标半径值，生成油罐高度值。其中，上述标准油罐信息可以是油罐半径与高度的比值。从而，可以根据该比值和目标半径值得到油罐高度值。另外，上述油罐图像信息还可以包括上述高精度雷达的拍摄距离值组。上述拍摄距离值组中的拍摄距离值可以是上述合成孔径雷达与上述油罐图像表征的油罐顶部的各个区域与上述合成孔径雷达之间的距离值。上述区域可以是以预设的体素化网格为单位的区域（例如，1米乘1米为一个单位）。
步骤306，从拍摄距离值组中选出与目标半径值相匹配的拍摄距离值，得到目标距离值。
在一些实施例中，上述执行主体可以从上述拍摄距离值组中选出与上述目标半径值相匹配的拍摄距离值，得到目标距离值。其中，相匹配可以是拍摄距离值对应的区域为上述油罐圆周边框的中心点所在的区域。
步骤307，基于目标距离值、位置信息、目标半径值和油罐高度值，生成油罐定位信息，以及将目标半径值和油罐定位信息作为油罐图像检测信息。
在一些实施例中，上述执行主体可以基于上述目标距离值、上述位置信息、上述目标半径信息和上述油罐高度值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。其中，可以通过以下步骤生成油罐定位信息：
第一步，获取上述目标距离值对应的俯仰角。其中，上述俯仰角可以用于表征上述合成孔径雷达与上述油罐圆周边框的中心点之间的连线与上述合成孔径雷达高度线之间的夹角。上述合成孔径雷达高度线可以是上述合成孔径雷达与其地面投影点之间的连线。
第二步，利用上述俯仰角、上述目标距离值和上述位置信息包括的世界坐标值的竖坐标值与上述油罐高度值的差值，生成上述中心点与上述合成孔径雷达高度线之间的距离值。
第三步，根据上述相对方位信息、上述距离值和上述世界坐标值，生成中心点坐标值。
第三步，利用上述目标半径，生成上述目标坐标值。其中，具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205，在此不再赘述。
第四步，可以将上述中心点坐标值和上述目标坐标值之间连线的中点的坐标值确定为上述油罐定位信息。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的油罐图像检测方法的流程300体现了生成目标半径值和油罐定位信息，以及上述油罐图像检测模型的构成和训练样本的生成等步骤。由此，不仅综合考虑了生成目标半径值和油罐定位信息的影响因素，使得可以提高油罐图像检测的准确性。还根据油罐图像的特征，有针对性的生成训练样本，以及调整了传统卷积网络模型。从而，可以进一步的提高油罐图像检测模型的准确性。进而可以提高生成油罐定位信息的准确性。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种油罐图像检测装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的油罐图像检测装置500包括：获取单元501、降噪处理单元502、输入单元503、第一生成单元504和第二生成单元505。其中，获取单元501，被配置成获取油罐图像信息，其中，上述油罐图像信息包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息；降噪处理单元502，被配置成对上述油罐图像进行降噪处理，得到降噪油罐图像；输入单元503，被配置成将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框；第一生成单元504，被配置成基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值；第二生成单元505，被配置成基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取油罐图像信息，其中，上述油罐图像信息包括油罐图像和拍摄上述油罐图像的高精度雷达的位置信息；对上述油罐图像进行降噪处理，得到降噪油罐图像；将上述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框；基于上述第一油罐半径值、上述油罐外接矩形边框和上述油罐圆周边框，生成目标半径值；基于上述位置信息和上述目标半径值，生成油罐定位信息，以及将上述目标半径值和上述油罐定位信息作为油罐图像检测信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、降噪处理单元、输入单元、第一生成单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取油罐图像信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种油罐图像检测方法，包括：
获取油罐图像信息，其中，所述油罐图像信息包括油罐图像和拍摄所述油罐图像的高精度雷达的位置信息；
对所述油罐图像进行降噪处理，得到降噪油罐图像；
将所述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框；
基于所述第一油罐半径值、所述油罐外接矩形边框和所述油罐圆周边框，生成目标半径值；
基于所述位置信息和所述目标半径值，生成油罐定位信息，以及将所述目标半径值和所述油罐定位信息作为油罐图像检测信息；
其中，所述油罐图像检测模型通过以下步骤生成：
确定训练样本和初始油罐图像检测模型，其中，所述训练样本包括预标注样本油罐图像，所述初始油罐图像检测模型包括油罐半径检测网络、油罐外接矩形边框检测网络和油罐圆周边框检测网络；
将所述预标注样本油罐图像输入至所述油罐半径检测网络，得到第一检测油罐半径值；
将所述预标注样本油罐图像输入至所述油罐外接矩形边框检测网络，得到检测矩形边框；
将所述预标注样本油罐图像输入至所述油罐圆周边框检测网络，得到检测圆周边框；
将所述检测矩形边框的长度的一半确定为第二检测油罐半径值；
确定所述检测圆周边框的半径值，作为第三检测油罐半径值；
响应于确定所述第一检测油罐半径值、所述第二检测油罐半径值和所述第三检测油罐半径值不满足预设条件，确定所述初始油罐图像检测模型未训练完成，以及调整所述初始油罐图像检测模型中的相关参数；
其中，训练样本是通过以下步骤生成的：
对原始油罐图像进行插值处理，得到插值后图像；
对所述插值后图像进行拆分，得到拆分图像集；
对所述拆分图像集中的各个拆分图像进行标注，得到标注后图像集合对应的样本标签集，其中，标注是标注拆分图像中油罐顶面区域的半径、位置、圆周和外接矩形框，所述位置是拆分图像中平行于距离向的两个强散射点，所述半径是中点到圆周的长度值，所述圆周是其中一个强散射点所在的油罐顶面区域的圆周，所述圆周的中点处于过两个强散射点的直线与圆周的交点之间的连线的二分之一处，所述其中一个强散射点是处于油罐顶部区域边界上的强散射点，另一个强散射点处于油罐顶面区域外的、最近的、与所述其中一个强散射点的连线平行于距离向的强散射点，所述外接矩形是圆周与平移后的圆周的外接矩形，所述平移后的圆周是所述圆周沿两个强散射点连线，向所述另一个强散射点方向平移、平移后的圆周刚好处于所述另一个强散射点。
2.根据权利要求1所述的方法，其中，所述方法还包括：
根据所述油罐图像检测信息，对所述油罐图像进行标记，以生成标记油罐图像；
将所述标记油罐图像发送至显示终端以供显示。
3.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述第一检测油罐半径值、所述第二检测油罐半径值和所述第三检测油罐半径值满足所述预设条件，确定所述初始油罐图像检测模型训练完成，以及将所述初始油罐图像检测模型确定为所述油罐图像检测模型。
4.根据权利要求1所述的方法，其中，所述油罐图像信息还包括所述高精度雷达的拍摄距离值组；以及
所述基于所述位置信息和所述目标半径值，生成油罐定位信息，包括：
根据预设的标准油罐信息和所述目标半径值，生成油罐高度值；
从所述拍摄距离值组中选出与所述目标半径值相匹配的拍摄距离值，得到目标距离值；
基于所述目标距离值、所述位置信息、所述目标半径值和所述油罐高度值，生成油罐定位信息。
5.根据权利要求1所述的方法，其中，所述基于所述第一油罐半径值、所述油罐外接矩形边框和所述油罐圆周边框，生成目标半径值，包括：
根据所述油罐外接矩形边框，确定第二油罐半径值；
根据所述油罐圆周边框，确定第三油罐半径值；
对所述第一油罐半径值、所述第二油罐半径值和所述第三油罐半径值进行加权求和，以生成目标半径值。
6.根据权利要求5所述的方法，其中，所述对所述第一油罐半径值、所述第二油罐半径值和所述第三油罐半径值进行加权求和，以生成目标半径值，包括：
对所述油罐图像进行目标直线提取，以及确定提取目标直线是否成功；
响应于确定目标直线提取成功，确定所述油罐图像对应的图像比例；
根据所述目标直线与所述图像比例，生成比例半径；
对所述比例半径、所述第一油罐半径值、所述第二油罐半径值和所述第三油罐半径值进行加权求和，以生成目标半径值。
7.一种油罐图像检测装置，包括：
获取单元，被配置成获取油罐图像信息，其中，所述油罐图像信息包括油罐图像和拍摄所述油罐图像的高精度雷达的位置信息；
降噪处理单元，被配置成对所述油罐图像进行降噪处理，得到降噪油罐图像；
输入单元，被配置成将所述降噪油罐图像输入至预设的油罐图像检测模型，以生成第一油罐半径值、油罐外接矩形边框和油罐圆周边框；
第一生成单元，被配置成基于所述第一油罐半径值、所述油罐外接矩形边框和所述油罐圆周边框，生成目标半径值；
第二生成单元，被配置成基于所述位置信息和所述目标半径值，生成油罐定位信息，以及将所述目标半径值和所述油罐定位信息作为油罐图像检测信息；
其中，所述油罐图像检测模型通过以下步骤生成：
确定训练样本和初始油罐图像检测模型，其中，所述训练样本包括预标注样本油罐图像，所述初始油罐图像检测模型包括油罐半径检测网络、油罐外接矩形边框检测网络和油罐圆周边框检测网络；
将所述预标注样本油罐图像输入至所述油罐半径检测网络，得到第一检测油罐半径值；
将所述预标注样本油罐图像输入至所述油罐外接矩形边框检测网络，得到检测矩形边框；
将所述预标注样本油罐图像输入至所述油罐圆周边框检测网络，得到检测圆周边框；
将所述检测矩形边框的长度的一半确定为第二检测油罐半径值；
确定所述检测圆周边框的半径值，作为第三检测油罐半径值；
响应于确定所述第一检测油罐半径值、所述第二检测油罐半径值和所述第三检测油罐半径值不满足预设条件，确定所述初始油罐图像检测模型未训练完成，以及调整所述初始油罐图像检测模型中的相关参数；
其中，训练样本是通过以下步骤生成的：
对原始油罐图像进行插值处理，得到插值后图像；
对所述插值后图像进行拆分，得到拆分图像集；
对所述拆分图像集中的各个拆分图像进行标注，得到标注后图像集合对应的样本标签集，其中，标注是标注拆分图像中油罐顶面区域的半径、位置、圆周和外接矩形框，所述位置是拆分图像中平行于距离向的两个强散射点，所述半径是中点到圆周的长度值，所述圆周是其中一个强散射点所在的油罐顶面区域的圆周，所述圆周的中点处于过两个强散射点的直线与圆周的交点之间的连线的二分之一处，所述其中一个强散射点是处于油罐顶部区域边界上的强散射点，另一个强散射点处于油罐顶面区域外的、最近的、与所述其中一个强散射点的连线平行于距离向的强散射点，所述外接矩形是圆周与平移后的圆周的外接矩形，所述平移后的圆周是所述圆周沿两个强散射点连线，向所述另一个强散射点方向平移、平移后的圆周刚好处于所述另一个强散射点。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111316637.8A CN113781478B (zh) | 2021-11-09 | 2021-11-09 | 油罐图像检测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111316637.8A CN113781478B (zh) | 2021-11-09 | 2021-11-09 | 油罐图像检测方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113781478A CN113781478A (zh) | 2021-12-10 |
| CN113781478B true CN113781478B (zh) | 2022-05-24 |
Family
ID=78956858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111316637.8A Active CN113781478B (zh) | 2021-11-09 | 2021-11-09 | 油罐图像检测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781478B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113960602B (zh) * | 2021-12-22 | 2022-05-20 | 中科星睿科技(北京)有限公司 | 轨道误差信息生成方法、装置、电子设备和可读介质 |
| CN115355952B (zh) * | 2022-10-20 | 2023-01-20 | 山东联合能源管道输送有限公司 | 一种原油储罐智能巡检系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688782A (zh) * | 2017-08-23 | 2018-02-13 | 中国科学院软件研究所 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
| CN108053416A (zh) * | 2017-12-14 | 2018-05-18 | 北京市遥感信息研究所 | 一种基于单幅卫星图像的最大储油量提取系统 |
| CN110210453A (zh) * | 2019-06-14 | 2019-09-06 | 中国资源卫星应用中心 | 一种基于遥感图像特征的油罐存储量确定方法及系统 |
| CN113592033A (zh) * | 2021-08-20 | 2021-11-02 | 中科星睿科技(北京)有限公司 | 油罐图像识别模型训练方法、油罐图像识别方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9195876B2 (en) * | 2013-06-05 | 2015-11-24 | Digitalglobe Inc. | Oil tank farm storage monitoring |
| CN111462222B (zh) * | 2020-04-03 | 2024-05-14 | 深圳前海微众银行股份有限公司 | 待侦测物体储量确定方法、装置、设备及介质 |
-
2021
- 2021-11-09 CN CN202111316637.8A patent/CN113781478B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688782A (zh) * | 2017-08-23 | 2018-02-13 | 中国科学院软件研究所 | 基于高分辨率光学遥感图像的油罐检测和储量分析方法 |
| CN108053416A (zh) * | 2017-12-14 | 2018-05-18 | 北京市遥感信息研究所 | 一种基于单幅卫星图像的最大储油量提取系统 |
| CN110210453A (zh) * | 2019-06-14 | 2019-09-06 | 中国资源卫星应用中心 | 一种基于遥感图像特征的油罐存储量确定方法及系统 |
| CN113592033A (zh) * | 2021-08-20 | 2021-11-02 | 中科星睿科技(北京)有限公司 | 油罐图像识别模型训练方法、油罐图像识别方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| "基于似圆阴影的光学遥感图像油罐检测";李轩 等;《电子与信息学报》;20160630;第38卷(第6期);第1489-1495页 * |
| "基于改进Faster R-CNN的高分遥感影像储油罐检测与信息提取";江一帆 等;《遥感信息》;20200831;第35卷(第4期);第89-96页 * |
| "基于遥感影像的油罐自动检测算法";张维胜 等;《宇航学报》;20061130;第27卷(第6期);第1298-1301页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113781478A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
| WO2022078197A1 (zh) | 点云分割方法、装置、设备和存储介质 | |
| CN113781478B (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
| CN112183627B (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
| CN114399588B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
| CN113688928B (zh) | 图像匹配方法、装置、电子设备和计算机可读介质 | |
| CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
| CN116182878B (zh) | 道路曲面信息生成方法、装置、设备和计算机可读介质 | |
| CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
| CN112597788A (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
| CN108229273B (zh) | 多层神经网络模型训练、道路特征识别的方法和装置 | |
| CN111965383B (zh) | 车速信息生成方法、装置、电子设备和计算可读介质 | |
| CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
| CN114842448B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
| CN115620264B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
| CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
| CN115393423A (zh) | 目标检测方法和装置 | |
| CN115393826A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
| CN112766068A (zh) | 一种基于网格化标注的车辆检测方法及系统 | |
| CN114399555B (zh) | 数据在线标定方法、装置、电子设备和计算机可读介质 | |
| CN113542800B (zh) | 视频画面定标方法、装置、终端设备 | |
| CN113936203B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
| CN118170371B (zh) | 基于拖拽式页面组件的页面生成方法、装置和电子设备 | |
| CN118097449B (zh) | 基于多源遥感的洪涝灾害监测方法、装置和电子设备 | |
| CN118941616A (zh) | 污泥称重方法、装置、电子设备和计算机可读介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |