本发明涉及图像处理，尤其涉及一种基于图像识别的起重机位移检测方法、装置电子设备及存储介质。
背景技术：
1、传统的位移检测方法，特别是类似于施工现场组塔过程的位移检测，目前是人工操作经纬仪之类的测量仪器进行手动测量，但很多情况下，位移是瞬时发生的，使用传统的测量方法无法有效捕捉到这种脉冲性质的位移变化，精度也无法保证。随着图像技术的成熟，目前卷积神经网络已经广泛应用到图像处理，对于一些瞬时发生特征变化的图像，卷积神经网络在处理一些瞬时发生特征变化的图像时表现出色，能够准确捕捉并提取这种特征。然而，目前卷积神经网络在图像处理过程中的计算量较大，导致处理效率较低。卷积神经网络的计算复杂度主要来自于卷积层和池化层的操作，池化层通过降采样的方式减小特征图的尺寸，但在降采样的过程中也会丢失一些信息，导致处理效率下降。目前的位移检测技术亟需一种将卷积神经网络应用的同时高效快速提取出位移对象的特征信息的方法，省去不必要的计算流程，实现高效高质量的位移检测。
技术实现思路
1、本发明实施例提供一种基于图像识别的起重机位移检测方法、装置电子设备及存储介质，旨在解决上述背景技术存在的问题。
2、为了解决上述技术问题，本发明是这样实现的：
3、第一方面，本发明实施例提供了一种基于图像识别的起重机位移检测方法，所述方法包括：
4、在起重机上粘贴检测标签并在起重机位移过程中拍摄所述检测标签移动的视频，所述检测标签用于标记所观测的位移测点；
5、将所述视频进行抽帧处理，获得初始帧图像和最终帧图像；
6、采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素；
7、根据所述第一元素和所述第二元素得到所述检测标签的位移值，将所述检测标签的位移值确定为所述起重机的位移值。
8、可选地，在采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素之前，所述方法还包括：
9、将所述检测标签所占图像区域作为像素单位；
10、根据所述像素单位，将所述初始帧图像和所述最终帧图像划分为多个像素点。
11、可选地，采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素，包括：
12、在所述初始帧图像和所述最终帧图像中，分别将每个像素点基于灰度值转化为灰度元素，得到第一灰度矩阵和第二灰度矩阵；
13、在所述卷积神经网络中，卷积核分别对所述第一灰度矩阵和第二灰度矩阵中的每个灰度元素进行卷积操作，计算出每个灰度元素的特征值，得到第一特征矩阵和第二特征矩阵；
14、分别从所述第一特征矩阵和所述第二特征矩阵中提取出相同特征值的元素，作为第一元素和第二元素。
15、可选地，根据所述第一元素和所述第二元素得到所述检测标签的位移值，包括：
16、确定所述检测标签的真实尺寸；
17、确定所述第一元素和第二元素的像素距离；
18、根据所述检测标签的真实尺寸和所述像素距离，计算出所述检测标签的位移值。
19、可选地，在采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素前，所述方法还包括：
20、将所述卷积神经网络的卷积核训练为基于灰度值对所述检测标签进行标定的特定卷积核；
21、所述卷积神经网络的卷积核训练步骤包括：
22、收集多个针对所述检测标签拍摄的图像，作为样本图像，所述检测标签的尺寸和灰度值保持固定；
23、对所述样本图像进行预处理，包括样本图像灰度化和样本图像尺寸调整；
24、使用所述样本图像训练所述卷积神经网络的卷积核。
25、发明实施例第二方面提出一种基于图像识别的起重机位移检测装置，所述装置包括：
26、第一模块，被配置为执行在起重机上粘贴检测标签并在起重机位移过程中拍摄所述检测标签移动的视频，所述检测标签用于标记所观测的位移测点；
27、第二模块，被配置为执行将所述视频进行抽帧处理，获得初始帧图像和最终帧图像；
28、第三模块，被配置为执行采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素；
29、第四模块，被配置为执行根据所述第一元素和所述第二元素得到所述检测标签的位移值，将所述检测标签的位移值确定为所述起重机的位移值。
30、可选地，所述装置还包括：
31、第五模块，被配置为执行在图像中将所述检测标签作为像素单位；
32、第六模块，被配置为执行根据所述像素单位，将所述初始帧图像和所述最终帧图像划分为多个像素点。
33、可选地，所述第三模块包括：
34、第一子模块，被配置为执行在所述初始帧图像和所述最终帧图像中，分别将每个像素点基于灰度值转化为灰度元素，得到第一灰度矩阵和第二灰度矩阵；
35、第二子模块，被配置为执行在所述卷积神经网络中，卷积核分别对所述第一灰度矩阵和第二灰度矩阵中的每个灰度元素进行卷积操作，计算出每个灰度元素的特征值，得到第一特征矩阵和第二特征矩阵；
36、第三子模块，被配置为执行分别从所述第一特征矩阵和所述第二特征矩阵中提取出相同特征值的元素，作为第一元素和第二元素。
37、发明实施例第三方面提出一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现基于图像识别的起重机位移检测方法的步骤。
38、本发明实施例第四方面提出一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现基于图像识别的起重机位移检测方法的步骤。
39、本发明实施例包括以下优点：
40、在本发明中，利用图像的原理，通过拍摄标签移动的图像信息，并采用卷积神经网络提取图像特征，从而获得标签的特征信息。通过比较两张图片中标签特征信息的差值，可以计算出起重机的位移信息。相比传统的经纬仪监测方法，本发明能够捕捉瞬间的位移值，提高了位移检测的准确性和效率。在起重机上张贴指定大小的标签，并采用高清摄像机拍摄标签移动的图像信息。然后，利用卷积神经网络提取图像的特征，并获得标签的特征信息。通过计算两张图片中标签特征信息的差值，可以得到起重机的位移信息。相比传统的卷积神经网络，本发明不需要大量的训练数据和复杂的计算过程，简化了位移检测的计算流程，提高了计算效率。
1.一种基于图像识别的起重机位移检测方法，其特征在于，应用于基于图像识别的起重机位移检测系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素，包括：
4.根据权利要求3所述的方法，其特征在于，根据所述第一元素和所述第二元素得到所述检测标签的位移值，包括：
5.根据权利要求1所述的方法，其特征在于，在采用卷积神经网络对所述初始帧图像和所述最终帧图像进行处理，分别提取出第一元素和第二元素前，所述方法还包括：
6.一种基于图像识别的起重机位移检测装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
8.根据权利要求7所述的装置，其特征在于，所述第三模块包括：
9.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
