基于深度学习的机房机柜及主控板感知与坐标测量方法及装置与流程

本发明涉及坐标测量技术领域，尤其涉及一种基于深度学习的机房机柜及主控板感知与坐标测量方法及装置。

背景技术：

《中国制造2025》中将“加快发展智能制造装备和产品，组织研发具有深度感知、智慧决策、自动执行功能的工业机器人等智能制造装备，推进工程化和产业化”、“加快重点行业智能检测监管体系建设，提高智能化水平”列为发展重点。

人工智能在工业中的应用表现为机器视觉，而机器视觉中视觉测量的关键问题在于图像处理的实时性，由于计算机图像处理的速度比较慢，影响机器人的视觉测量系统的应用。随着视觉相机在机械手等机器人领域上应用的普及，以及硬件系统计算能力的日益增强，将视觉测量信息直接用于闭环控制系统成为可能，使得对视觉测量与对机器人的运动控制并行，实现机器人的跟踪闭环实时控制，并使控制系统具有良好的瞬态和稳态特性。

常见的基于深度学习的物体识别，尺寸、角度、空间位置测量的方法为利用激光或特殊标识对相机进行标定及畸变补偿，通过实际值与像素值的比例关系计算得到物体的尺寸及相位位置与姿态，如专利cn107928675a、cn107917700a中所述。此方法在强光照或低照度等特殊环境下由于无法较好的识别特殊标识而不能使用，通用性较差。

常见的基于卷积神经网络的系列目标检测算法得利于多层卷积网络的目标特征学习提取能力，具有极强的一般性和普遍适应性，能同时实现多类目标的识别检测，极大地推进了目标检测研究的发展。随着网络层数的增加，网络对目标语义特征表示能力增强，但同时也发现，随之带来目标位置信息模糊，这最终导致目标检测定位精度不高和小尺寸目标检测的失效。

上述具体专利对比文件和相关文献为：

1)、“一种基于深度学习和红点激光相结合的人体躯干测量方法”，专利号cn107928675a。该发明专利利用深度学习从图像中检测出目标对象的人体躯干，将两个光源固定且平行的红点激光打在人体上，并通过红点检测算法从图像中检测出红点的位置，计算出红点的像素距离，并根据红点的实际距离得到图像的像素距离与实际距离的转换，进而根据人体躯干的像素长度可以计算出人体躯干的实际长度。

2)、“基于深度学习的小幅度目标三维姿态角测量方法”，专利号cn107917700a。该发明专利通过在目标物表面适当位置贴放标识，通过标识对相机进行标定与畸变校正。通过高精度卷积神经网络加之高精度、大范围样本的不断训练学习，最终能将测量输出姿态角误差控制在90”(3σ)之内。利用改进后的卷积网络实现实时测量，每秒钟测量图片数可达到50张以上，从而即时输出高精度测量结果。

3)、中国科学院大学的饶江浩在2018年发表的硕士学位论文《基于cnn一体化的目标识别、定位、检测》，改文章采用与现有网络不同目标函数与激活函数进行分析比较，通过更为准确地定义目标函数，使其与位置信息更相关，并选取更契合的激活函数，从而实现目标检测定位精度的提高。研究提出了基于多尺度特征提取的目标检测算法。依据多层网络中目标语义特征表示能力随网络层增加而变化的特点，对各层的目标特征表示能力进行分析，提出了选择性的特征连接方式，在提升检测效果的同时使得特征的提取不过于冗余。

技术实现要素：

为解决上述技术问题，本发明提供的方法与装置提供了一种基于深度学习的通信机房机柜及主控板的感知与坐标测量方法及装置，所述方法及装置实现了机房机柜及主控板的自动感知与毫米级坐标位置测量，可适用于无遮光物遮挡情况下的机房机柜及主控板感知与坐标测量，大大提高机器人的智能程度。

本发明的目的通过以下的技术方案来实现：

基于深度学习的机房机柜及主控板感知与坐标测量方法包括：

a、将通信机房机柜及主控板的图像输入深度学习网络训练，训练后得到可以识别通信机房机柜及主控板的网络；

b、采集通信机房机柜及主控板的图像，输入已训练好的深度学习网络，识别出图像中的机房机柜及主控板的特征区域；

c、识别出图像中机房机柜及主控板特征区域后，通过tof飞行时间测距法对图像进行三维建模；

d根据三维模型计算得出机柜及主控板的坐标位置信息。

基于深度学习的机房机柜及主控板感知与坐标测量装置，包括：图像采集模块、部件感知模块、发射照明模块和感光接收模块；所述

图像采集模块，用于采集通信机房机柜及主控板的图像信息；

部件感知模块，用于识别采集图像信息中的机房机柜及主控板；

发射照明模块，用于发射调制后的光信号，所述光信号碰到机房机柜及主控板后反射；

感光接收模块，用于接收机房机柜反射回的调制光信号并通过tof飞行时间法计算出机房机柜及主控板的空间位置信息。

本发明基于深度学习的机房机柜及主控板感知与坐标测量方法及装置，将通信机房机柜及主控板的图像输入深度学习网络训练，训练后得到可以识别通信机房机柜及主控板的网络；采集通信机房机柜及主控板的图像，输入已训练好的深度学习网络，识别出图像中的机房机柜及主控板；识别出特征区域后，通过tof飞行时间测距法对图像进行三维建模；根据三维模型计算得出机柜及主控板的坐标位置信息。实现了机房机柜及主控板的自动感知与毫米级坐标位置测量，可适用于无遮光物遮挡情况下的机房机柜及主控板感知与坐标测量，大大提高机器人的智能程度。

附图说明

图1是基于深度学习的机房机柜及主控板感知与坐标测量方法流程图；

图2是机房机柜及主控板感知与坐标测量方法示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。

如图1所示，基于深度学习的机房机柜及主控板感知与坐标测量方法流程，包括以下步骤：

步骤10、将通信机房机柜及主控板的图像输入深度学习网络训练，训练后得到可以识别通信机房机柜及主控板的网络；

步骤20、采集通信机房机柜及主控板的图像，输入已训练好的深度学习网络，识别出图像中的机房机柜及主控板的特征区域；

步骤30、识别出图像中机房机柜及主控板特征区域后，通过tof飞行时间测距法对图像进行三维建模；

步骤40根据三维模型计算得出机柜及主控板的坐标位置信息。

上述步骤10中将通信机房机柜及主控板的rgb图像输入deeplabcut网络，如图2所示，训练集特征点的选择以机箱、主控板的左上角为起始点逆时针旋转标注在边框上，机箱标注8个点为pc1…pc8，主控板标注6个点为ps1…ps6，响应图像上某个像素点的真实响应为输出响应为则交叉熵损失eloss(p,pout)为：

当交叉熵损失eloss(p,pout)经过n次迭代训练后达到收敛时，形成训练完成的神经网络。

上述步骤20采集通信机房机柜及主控板图像，输入步骤10已训练好的deeplabcut网络，网络自动识别出图像中的机房机柜及主控板。

上述步骤30中发射照明模块发射调制后的高频率光。

上述步骤40中感光接收模块每一个像元对发射光波的往返相机与物体之间的具体相位分别进行录，测量机房机柜及主控板的深度信息，并进行三维建模。特征点坐标分别为通过特征点如pc1、pc2、pc3取其横坐标值做均值即可得到机箱左侧的平面坐标信息

同理可得平面坐标信息

深度信息d由发射光波信号与反射光波信号的相位变化来进行距离测量。通过数据处理单元提取出相位差，由公式计算出深度信息d：

本实施例还提供了一种基于深度学习的机房机柜及主控板感知与坐标测量装置，包括：图像采集模块、部件感知模块、发射照明模块和感光接收模块；所述

图像采集模块，用于采集通信机房机柜及主控板的图像信息；

部件感知模块，用于识别采集图像信息中的机房机柜及主控板；

发射照明模块，用于发射调制后的光信号，光信号碰到机房机柜及主控板后反射；

感光接收模块，用于接收机房机柜反射回的调制光信号并通过tof飞行时间法计算出机房机柜及主控板的空间位置信息。

上述实施例实现了机房机柜及主控板的自动感知与毫米级坐标位置测量，可适用于无遮光物遮挡情况下的机房机柜及主控板感知与坐标测量，使机器人具有深度感知、智慧决策、自动执行功能，大大提高机器人的智能程度，使自动维护机器人功能得以实现。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。