LiqD：一种面向复杂小型容器的动态液位检测模型

在日常生活和工业生产中，准确检测容器内液位的变化至关重要。传统的接触式测量方法存在一定局限性，而新兴的非接触式图像处理技术展现出良好的应用前景。本文提出了一种基于 U^2-Net 的容器动态液位检测模型。该模型使用 SAM 模型生成初始数据集，然后通过 SemiReward 框架评估并筛选出高质量的伪标签图像，以构建专属数据集。模型利用 U^2-Net 从数据集中提取容器的掩膜图像，并使用形态学处理来补偿掩膜缺陷。随后，模型计算相邻视频帧图像在同一位置的灰度差，通过设定差分阈值分割液位变化区域，最后使用轻量级神经网络对液位状态进行分类。这种方法不仅减轻了复杂环境的影响，还降低了对训练数据的需求，展现出强大的鲁棒性和通用性。大量实验结果表明，所提出的模型能够有效检测容器内液体的动态液位变化，为相关领域提供了一种新颖且高效的解决方案。