本发明涉及一种翻板阀静止检测方法，尤其为一种基于光流的翻板阀静止检测方法。
背景技术：
1、翻板阀是一种用于控制流体或气体流通的机械设备，通常用于工业管道系统中。它的主要作用是通过改变阀门的开关状态来控制流体的流向和流通量，以达到调节系统流量、压力和流向的目的。翻板阀通常由阀体、阀板和驱动装置组成，可以通过手动、电动或气动等方式进行控制。如果翻板阀静止，可能会导致生产过程中的物料流动受阻，从而影响生产效率；甚至使物料在管道中积聚，从而导致管道堵塞。因不同工厂的翻板阀形状不同，将翻板阀配重臂刷上红漆更利于识别，现有的翻板阀检修方法是人为巡检，通过技术人员在厂区内巡逻，对翻板阀逐一排查，来确定相关故障。这种方式效率低、并行度差，无法及时发现故障问题，且会耗费较多的人力成本因此本发明目的在于提供一种基于光流的翻板阀静止检测方法因此本发明目的在于提供一种基于光流的翻板阀静止检测方法。
技术实现思路
1、本发明的主要目的在于提供一种基于光流的翻板阀静止检测方法，以解决相关技术中提出的问题。
2、为了实现上述目的，根据本发明的一个方面，提供了一种基于光流的翻板阀静止检测方法，包括s1：通过深度学习实例分割网络，分割出图片中的翻板阀配重臂所在区域；
3、s2：使用光流预测网络识别配重臂所在区域的是否存在运动信息；
4、s3：基于面积重叠度的规则，判断翻板阀的运动状态。
5、进一步地，s1中，深度学习实例分割网络分割图片的具体步骤为：
6、1.1：将待处理的图像输入到深度学习实例分割网络中；
7、1.2：深度学习实例分割网络会将输入图像进行卷积操作，提取出图像中的特征；
8、1.3：生成一组特征金字塔，用于捕捉不同尺度的物体信息；
9、1.4：生成候选区域，进行像素分类；
10、1.5：将像素的特征向量输入到分类器，进行分类，根据像素类别构建和分割图像，然后输出分割图像。
11、进一步地，所述s1.2中，对输入图像进行卷积操作，提取出图像中的特征，所述卷积操作的算法公式为：
12、
13、其中x[p]表示一个长度为[p]的序列；w为一个k*k的卷积核；z[m][n]表示经过卷积操作后得到的输出序列；[m]和[n]分别表示输出序列的下标，p表示卷积核序列的下标，
14、卷积操作可以理解为将一个k*k的二维矩阵沿着行方向依次与输入序列的每个元素进行点乘，得到一个输出序列。
15、进一步地，所述s1.5中，将像素的特征向量输入到分类器，进行分类，所述分类器采用支持向量机分类器，所述算法公式为：
16、
17、其中k是类别的数量，wi和wj分别是两个不同类别的支持向量，θi和θj是两个不同但属于同一类别的数据点的权重；wi和wj的距离表示两个支持相邻之间的距离；θi表示类别i的权重；θj表示类别j的权重。
18、进一步地，所述s2中，光流预测网络识别配重臂所在区域的是否存在运动信息的具体步骤为：
19、5.1：首先提取输入图像中的特征；
20、5.2：利用这些特征来计算相邻帧之间的光流场，即图像中像素点的运动向量；
21、5.3：通过分析光流场，光流预测网络确定配重臂所在区域的像素是否有运动；
22、5.4：光流预测网络根据像素变化，识别运动信息。
23、进一步地，所述s5.1中，提取的图像特征采用卷积神经网络算法操作提取图像特征，所述光流预测网络基于深度学习的光流估计算法，通过对光流场进行训练和学习，预测出图像中每个像素点的运动信息，在配重臂所在区域识别中，所述光流预测网络可以预测出配重臂在不同时间点的运动情况，从而判断配重臂是否存在运动信息。
24、进一步地，所述s5.2中，光流预测网络的光流场的算法公式为：
25、对于图像中的某个像素点，其在时间t和t+1时刻的位置分别为(x，y)和(x+u，y+v)，其中(u，v)表示该像素点在水平和垂直方向上的位移，在一个短时间内，相邻帧之间的像素灰度值保持不变，光流场的算法公式为：。
26、i(x，y，t)≈i(x+u，y+v，t+1)
27、通过泰勒级数展开，简化成以下形式：
28、ix*u+iy*v+it＝0
29、其中ix和iy别是图像在x和y方向上的梯度；it是随时间变化的图像灰度值，
30、光流场的目标就是找到使得上述方程成立的位移值(u，v)，光流算法通过最小化这个方程来计算出最佳的位移值，从而确定像素的运动。
31、进一步地，所述s3中，基于面积重叠度的规则，翻板阀配重臂的状态为：
32、8.1：如果没有检测出来运动信息，则表明翻板阀配重臂处于静止状态；
33、8.2：当有运动信息时，运动信息的面积与分割出的翻板阀区域面积重叠度低于80％，则表明翻板阀配重臂附近有其他目标在运动；
34、8.3：当有运动信息时，运动信息的面积与分割出的翻板阀区域面积重叠度超过80％，则表明翻板阀配重臂在运动。
35、进一步地，所述s8.2中，有运动信息时运动信息的面积算法公式为：
36、
37、其中(x1，x2)和(y1，y2)分别为物体移动前后的坐标。
38、进一步地，所述s8.2和s8.3中运动信息的面积与分割出的翻板阀区域面积重叠度的是运动信息的总面积与分割出的区域总面积之比，有效地检测出配重臂的运动状态，并判断其附近是否有其他目标在运动，所述重叠度的计算公式为：
39、
40、其中n表示分割出的区域数目。
41、与现有技术相比，本发明具有以下有益效果：
42、该一种基于光流的翻板阀静止检测方法中，采用流预测网络识别出配重臂所在区域的是否存在运动信息，采用深度学习实例分割网络将图片中翻板阀配重臂所在区域分割出来，采用运动信息面积与分割的区域面积的重叠度进行计算，更精确的判断翻板阀配重臂的状态，这样可以更快更好的查看物料输送的状态，避免生产过程中的物料流动受阻，从而影响生产效率。
1.一种基于光流的翻板阀静止检测方法，其特征在于：包括：
2.根据权利要求1所述的基于光流的翻板阀静止检测方法，其特征在于：所述s1中，深度学习实例分割网络分割图片的具体步骤为：
3.根据权利要求2所述的基于光流的翻板阀静止检测方法，其特征在于：所述s1.2中，对输入图像进行卷积操作，提取出图像中的特征，所述卷积操作的算法公式为：
4.根据权利要求2所述的基于光流的翻板阀静止检测方法，其特征在于：所述s1.5中，将像素的特征向量输入到分类器，进行分类，所述分类器采用支持向量机分类器，所述算法公式为：
5.根据权利要求1所述的基于光流的翻板阀静止检测方法，其特征在于：所述s2中，光流预测网络识别配重臂所在区域的是否存在运动信息的具体步骤为：
6.根据权利要求5所述的基于光流的翻板阀静止检测方法，其特征在于：所述s5.1中，提取的图像特征采用卷积神经网络算法操作提取图像特征，所述光流预测网络基于深度学习的光流估计算法，通过对光流场进行训练和学习，预测出图像中每个像素点的运动信息，在配重臂所在区域识别中，所述光流预测网络可以预测出配重臂在不同时间点的运动情况，从而判断配重臂是否存在运动信息。
7.根据权利要求5所述的基于光流的翻板阀静止检测方法，其特征在于：所述s5.2中，光流预测网络的光流场的算法公式为：
8.根据权利要求1所述的基于光流的翻板阀静止检测方法，其特征在于：所述s3中，基于面积重叠度的规则，翻板阀配重臂的状态为：
9.根据权利要求8所述的基于光流的翻板阀静止检测方法，其特征在于：所述s8.2中，有运动信息时运动信息的面积算法公式为：
10.根据权利要求8所述的基于光流的翻板阀静止检测方法，其特征在于：所述s8.2和s8.3中运动信息的面积与分割出的翻板阀区域面积重叠度的是运动信息的总面积与分割出的区域总面积之比，有效地检测出配重臂的运动状态，并判断其附近是否有其他目标在运动，所述重叠度的计算公式为：
