Durch Computer Vision und Deep Learning unterstützte Echtzeit Flüssigkeitsstandserkennung und -messung in transparenten Behältern

Mit dem Aufkommen von Industrie 4.0 ist die Fähigkeit, Flüssigkeitsstände und -volumen in transparenten Behältern (d.h. Reagenzgläser in einem Labor) automatisch und in Echtzeit zu erkennen und zu messen, ein entscheidender Bestandteil des gesamten Wahrnehmungssystems eines autonomen Roboters/Systems. Durch den Einsatz modernster Computer Vision- und Deep Learning-Technologie können wir dieses Problem leicht lösen. Die Aufgabe der Flüssigkeitsstandserkennung und -messung in transparenten Behältern ist eine wichtige Aufgabe in verschiedenen Branchen, einschließlich der Pharmazeutik, Fertigung und chemischen Verarbeitung, insbesondere in automatisierten Öltestlaboren, wo autonome Systeme präzise Wahrnehmungsfähigkeiten benötigen. Dieses Papier untersucht das Potenzial von Computer Vision und Deep Learning zur genauen Messung des Flüssigkeitsstands und -volumens in transparenten Behältern. Unser Ansatz wird durch das Training eines Deep Learning Modells, insbesondere des YOLOv8 (You Only Look Once Version 8) Modells, implementiert, welches darauf trainiert ist, Merkmale wie Behältertyp, Flüssigkeitsoberfläche und -höhe zu erkennen. Nach der Identifizierung dieser Schlüsselmerkmale verwendet unser vorgeschlagener Algorithmus diese, um Fehler in der Flüssigkeitshöhe aufgrund von Perspektivverzerrung zu korrigieren und den Flüssigkeitsstand sowie das Flüssigkeitsvolumen in Echtzeit in einem gegebenen transparenten Behälter genau zu erfassen. Unser Ansatz erreichte eine Genauigkeit von 98,57 Prozent für transparente Flüssigkeiten und 98,12 Prozent für farbige Flüssigkeiten, was das Potenzial des Systems für praktische Anwendungen insbesondere in verschiedenen automatisierten Laborprüfungsbranchen demonstriert.