[發(fā)明專利]一種基于圖像識別的光盤庫故障自動恢復方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202111357711.0
• 申請日: 2021-11-17
• 公開（公告）號: CN113791929B
• 公開（公告）日: 2022-04-08
• 發(fā)明（設計）人: 張理
• 申請（專利權）人: 北京中科開迪軟件有限公司
• 主分類號: G06F11/07
• 分類號: G06F11/07;G06K9/62;G06V10/764;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

1.一種基于圖像識別的光盤庫故障自動恢復方法，其特征在于，包括：

采集光盤庫的實時故障圖像，并對所述實時故障圖像進行預處理，得到預處理后的實時故障圖像；所述光盤庫包括轉籠、機械臂、光驅陣列以及攝像頭；

所述采集光盤庫的實時故障圖像，并對所述實時故障圖像進行預處理，得到預處理后的實時故障圖像，具體包括：

利用所述攝像頭對所述光盤庫中的轉籠、機械臂和光驅陣列進行實時監(jiān)控，采集轉籠、機械臂和光驅陣列的所述實時故障圖像；

設置一個像素實驗閾值；

將每一幅所述實時故障圖像的像素值與所述像素實驗閾值進行比較，確定每一幅所述實時故障圖像中的反光區(qū)域；

剔除每一幅所述實時故障圖像中所有的反光區(qū)域，并將所述反光區(qū)域周圍的非反光區(qū)域的像素值作為所述反光區(qū)域的像素值進行像素補充，得到無反光的實時故障圖像；

對所述無反光的實時故障圖像進行歸一化處理，得到所述預處理后的實時故障圖像；

將所述預處理后的實時故障圖像輸入至訓練好的深度神經(jīng)網(wǎng)絡分類模型中進行故障識別，得到實時故障類別碼；所述訓練好的深度神經(jīng)網(wǎng)絡分類模型為以所述光盤庫的故障圖像為輸入，以所述故障圖像對應的故障類別碼為輸出訓練得到的具有多層圓形卷積主干網(wǎng)絡的深度神經(jīng)網(wǎng)絡分類模型；

所述主干網(wǎng)絡對故障圖像進行特征提取時，首先對輸入的故障圖像的RGB三個通道構成的三維矩陣進行多次的圓形卷積、激活和池化計算，多層圓形卷積的特征提取過程表示為圓形卷積層→激活層→池化層→圓形卷積層→激活層→池化層→圓形卷積層→激活層→池化層→圓形卷積層→激活層→池化層→圓形卷積層→激活層→池化層→輸出結果，最終輸出結果是特征圖，此時的特征圖表示所述光盤庫在不同故障狀態(tài)下的畫面場景；

根據(jù)所述實時故障類別碼對所述光盤庫的故障進行自動修復處理。

2.根據(jù)權利要求1所述的基于圖像識別的光盤庫故障自動恢復方法，其特征在于，所述光盤庫的故障類別碼包括轉籠未將盤匣轉出對應的故障碼，機械臂未成功抓起光盤對應的故障碼，光驅未及時彈出對應的故障碼和光盤掉落對應的故障碼。

3.根據(jù)權利要求1所述的基于圖像識別的光盤庫故障自動恢復方法，其特征在于，所述將每一幅所述實時故障圖像的像素值與所述像素實驗閾值進行比較，確定每一幅所述實時故障圖像中的反光區(qū)域，具體包括：

將每一幅所述實時故障圖像的像素值分別與所述像素實驗閾值進行大小比較，根據(jù)比較結果判斷所述實時故障圖像中是否存在所述反光區(qū)域；

當所述像素值大于所述像素實驗閾值時，則判斷該像素值對應的圖像區(qū)域為反光區(qū)域；

當所述像素值小于或等于所述像素實驗閾值時，則判斷該像素值對應的圖像區(qū)域為非反光區(qū)域。

4.根據(jù)權利要求1所述的基于圖像識別的光盤庫故障自動恢復方法，其特征在于，所述根據(jù)所述實時故障類別碼對所述光盤庫的故障進行自動修復處理，具體包括：

根據(jù)每一幅所述預處理后的實時故障圖像對應的實時的故障類別碼，確定當前所述光盤庫所發(fā)生故障的故障類型；

根據(jù)所述故障類型，對所述光盤庫的故障進行自動修復處理。

5.根據(jù)權利要求4所述的基于圖像識別的光盤庫故障自動恢復方法，其特征在于，所述根據(jù)所述故障類型，對所述光盤庫的故障進行自動修復處理，具體包括：

當所述故障類型為轉籠未將盤匣轉出時，則自動將轉籠歸為零點，并進行重新轉出盤匣操作；

當所述故障類型為機械臂未能成功抓起光盤時，則自動將機械臂歸為零點，并進行重新抓取操作；

當所述故障類型為光驅未及時彈出時，則自動將光驅重置，或者加大光驅彈出馬達的力矩，使光驅盤托彈出；

當所述故障類型為光盤掉落時，則自動向機械臂發(fā)送指令，控制所述機械臂從備用光盤匣中拾取盤片進行空盤補充。