CN112036393A - 一种基于页岩气田生产单指针仪表读数的识别方法 - Google Patents

Abstract

本发明公开了一种基于页岩气田生产单指针仪表读数的识别方法，涉及仪表智能识别领域，对生产现场的摄像头拍出的较为模糊的机械仪表表盘图像，将图像从RGB空间转换到HSV空间，然后对图像空间的V通道数据进行循环遍历，检测并查找每个V值下的图斑边界；然后构造机械仪表子图像的中心矩形，并过滤形成的图斑边界；然后对过滤后的图斑边界进行长宽比约束、图斑边界包含中心矩形中心点约束，然后进行机械仪表指针边界的定位；最后对查找出的指针边界进行直线拟合、偏转角度计算，计算仪表读数，实现了直接使用生产现场的监控摄像头进行机械仪表表盘的数据读取，对比现有的智能识别方法，识别模糊图片的准确率更高。

Description

一种基于页岩气田生产单指针仪表读数的识别方法

技术领域

本发明涉及仪表智能识别领域，特别涉及一种基于页岩气田生产单指针仪表读数的识别方法。

背景技术

随着页岩气产能继续增加，越来越多的无人化巡检页岩气生产平台会投入生产现场。现在页岩气生产现场关键的平台井有很多单指针的机械仪表，这些机械仪表没有连接智能电子设备，读数无法直接远程回传到后端线上平台，现有的生产现场一般采用人工巡检，读数后通过终端线上平台回传数据到后端线上平台，人力成本较高，且无法随时实时读取数据。

而页岩气生产现场安装有摄像头，每个摄像头最多可以设置256个预置位，用于快速查看现场生产设备。目前现场这些预置位均处于空置状态，摄像头的作用只是用作临时查看现场状况用，其余时间均处于无记录监控状态，摄像头利用效率有很大提升空间。

现有技术中有很多针对仪表的数据识别技术，但是其一般建立在摄像头拍出的仪表数据很清晰的基础上，而由于页岩气生产现场的监控摄像头主要起到监控作用，因此在安装时主要会考虑到监控范围的问题，不会仅仅对着机械仪表，并且摄像头采集的页岩气生产现场站单指针仪表图片，受摄像头不同旋转角度、不同时间、不同天气图像的光照、不同拍摄距离、不同大小的仪表盘、不同类型仪表面盘等因素的综合影响下，一般来说照片的清晰度不高，现有技术中公开的方法并没有考虑生产现场的上述因素，如果将现有技术直接用于识别页岩气生产现场的仪表，会导致识别效果不理想。

发明内容

本发明的目的在于：提供了一种基于页岩气田生产单指针仪表读数的识别方法，对于使用生产现场的监控摄像头获取的清晰度不高的机械仪表的图像，使用本方法进行图像处理，对机械仪表表盘进行计算机视觉分析，准确识别出仪表的读数，实现了利用摄像头配合线上后台完成读取机械仪表数据，对于摄像头获取的清晰度不高的图像也能准确识别，解决了现有针对仪表的数据识别技术无法准确识别清晰度不高的仪表图像中的读数问题。

本发明采用的技术方案如下：

一种基于页岩气田生产单指针仪表读数的识别方法，主要包括依次进行的以下步骤：

步骤1，抓拍图像：使用深度学习训练的机械仪表模型检测和定位抓拍图像中机械仪表的位置，截取仪表的子图像，进行机械仪表的计算机视觉分析；

步骤2，图像预处理：对截取的机械仪表子图像进行图像预处理，并且进行图像重采样；

步骤3，图像过滤：将重采样的图像从RGB空间转到HSV空间，对图像空间的V通道数据进行循环遍历，检测并查找每个V值下的图斑边界；

步骤4，构造中心矩形：构造机械仪表子图像的中心矩形，并用构造的中心矩形过滤步骤3形成的图斑边界；

步骤5，仪表指针定位：对过滤后的图斑边界进行长宽比约束、图斑边界包含中心矩形中心点约束，然后进行机械仪表指针边界的定位；

步骤6，指针度数识别：对查找出的指针边界进行直线拟合、偏转角度计算，确定直线的旋转角度，结合仪表起始量程，计算仪表读数。

现有的针对仪表的数据识别技术，一般建立在摄像头拍出的仪表图像数据很清晰的基础上，而由于页岩气生产现场的监控摄像头主要起到监控作用，因此在安装时主要会考虑到监控范围的问题，不会仅仅对着机械仪表，因此摄像头拍的机械仪表的图像较为模糊，现有技术难以识别使用现有监控摄像头拍出的这些图像，本发明主要针对这一问题。

本发明在处理仪表图像时，采用上述步骤，其中，步骤2中的重采样将机械仪表子图像中的仪表表盘提取出来；而步骤3中将重采样的图像从RGB空间转到HSV空间，在HSV颜色空间下，比RGB颜色空间更容易跟踪某种颜色的物体，对于模糊表盘图像，虽然人眼看起来指针和表盘很难分清，但是实际上是指针和表盘的色度H有很大差别，只不过指针和表盘的亮度V值相近，因此根据表盘和指针的H值有很大区别的特点，从H值上很容易从表盘中找到指针。并且本发明的方案遍历不同的V值下的图斑边界，经验证明仪表指针轮廓和V通道相关，对此变量进行循环遍历，挑选理想的目标图像，这是自动识别指针的关键一环，目标图像的质量决定着后续仪表读数能否识别成功。

步骤4中构造仪表中心矩形是以重采样后的图像中心为新矩形中心，以图像的边长一半为矩形边长，构建新矩形，从而把整幅图像寻找指针的问题转化为在矩形内部寻找指针的问题。这种方法可以缩小指针的查找范围，使指针前景背景区分明显。

步骤5对过滤后的图像进行边界查找定位以定位出仪表的指针，生成指针边界的最小外接矩形，并且对生成的最小外接矩形进行长宽比约束和图斑边界包含中心矩形中心点约束，当长宽比约束和图斑边界包含中心矩形中心点约束满足预设的约束条件时，就找到了符合条件的指针边界。然后进行边界过滤，挑选出的边界均落在中心矩形内。对中心矩形内边界进行排序，包含像素最多的边界即为指针边界。

最后使用步骤6，对查找出的指针边界进行直线拟合、偏转角度计算，通过直线拟合指针的直线，然后确定拟合直线的旋转角度，就确定了指针的旋转角度，再结合对应仪表的起始量程，就可以计算出仪表读数。

进一步地，所述步骤3主要包括依次进行的以下步骤：

步骤3-1：将重采样的图像从RGB空间转到HSV空间；

步骤3-2：对HSV图像空间的V值从80到230进行循环遍历，对每张图像进行150次的边界判断和查找，查找图斑的边界。

需要注意的在不同应用场景中，HSV取值范围是不尽相同的，本发明是利用openCV中cvSplit函数选择图像类型，其H取值范围是0-180，S取值范围是0-255，V取值范围是0-255，而在V值太大和太小时的图斑边界的误差范围过大，因此我们选择一个中间范围的V取值范围进行循环遍历，这里我们选择V值范围从80到230。

通过分析不同旋转角度、不同时间、不同天气图像的光照、不同拍摄距离、不同大小的仪表盘、不同类型仪表面盘等情况下的仪表图像，抽象出上述图像的共有特征：即所有图像均有一个指针，指针颜色和表盘背景颜色差别明显，但是其明度相近。因此本发明将识别机械仪表的读数问题转化为识别仪表指针的旋转角度问题。并且本发明选择在HSV空间做指针的图斑边界查找，这样使得本发明所述的一种基于页岩气田生产单指针仪表读数的识别方法在图像光线强弱、仪表距离摄像头在一定范围内远近、仪表相对于摄像头的安装角度、太阳光产生的背景阴影等综合影响下，均能识别指针、计算仪表角度、高效地实现机械仪表的示数读取。

进一步地，所述步骤3中对图像空间的V通道数据进行循环遍历时，循环终止的影响因子主要包括边界线最小外接矩形的宽高比、最小外接矩形最小边长占比构造仪表中心矩形的边长比、边界线面积占构造仪表中心矩形面积比中的至少一个，所述影响因子的值均在预定义的阈值内，则循环终止，否则继续循环遍历寻找图斑边界。

进一步地，步骤3中，调用CvtColor函数将重采样的图像从RGB空间转到HSV空间；在对图像空间的V通道数据进行循环遍历的过程中，调用inRange函数过滤HSV图像空间目标像素，用于检测并查找每个V值下的图斑边界。

进一步地，所述步骤3中查找到图斑边界后，将图像从HSV空间转换为RGB空间。

进一步地，所述步骤4主要包括：构造中心矩形，在步骤3中进行循环遍历V通道数据，检测并查找每个V值下的图斑边界时，对查找出的图斑边界添加落在中心矩形内约束、边界中心包含中心子矩形中点的约束，每个V值下过滤后的图斑边界进行排序，边界数量最大的那个即为特定图斑边界。

进一步地，所述步骤5主要包括：定位查找出的特定图斑边界包含指针边界，生成查找出的边界的最小外接矩形，以查找出的边界外接矩形的高宽比大于预设阈值、边界像素数大于图像中心矩形边长、边界所包含的面积小于图像中心矩形面积的30％这三个指标进行边界过滤，挑选出的边界均落在中心矩形内，对中心矩形内边界进行排序，包含像素最多的边界即为指针边界。

步骤4、5用于找出指针边界，其中步骤4用于将步骤3中循环遍历取值范围内的每个V值取值时，对应V值取值内的图斑边界中的最佳值找出，将其作为每个V值对应的特定图斑边界，步骤5用于将步骤4中查找出的所有特定图斑边界进行筛选，筛选出的特定图斑边界作为指针边界。

进一步地，步骤6中对查找出的指针边界进行直线拟合、偏转角度计算主要包括：以最小外接矩形的两个对角点为分析对象，以每个点为中心，最小矩形短边为边长，构建新的矩形，然后统计落在这两个矩形内边界点的个数，个数多的为指针尾部，个数少的为指针的头部，拟合指针边界直线，以最小外接矩形的两个对角点的横坐标为变量，求出直线上相应纵坐标，以求出的两个纵坐标为计算对象，计算指针的偏转角度。

生成指针的最小外接矩形时，识别结果中通常会表述出最小外接矩形宽边的旋转角度，但该角度受识别指针边界的影响，误差较大。为精化指针读数精度，以最小外接矩形的两个对角点为分析对象，以每个点为中心，最小矩形短边为边长，构建新的矩形。然后统计落在这两个矩形内边界点的个数。个数多的为指针尾部，个数少的为指针的头部。拟合指针边界直线，以最小外接矩形的两个对角点的横坐标为变量，求出直线上相应纵坐标，以新求出的两个纵坐标为计算对象，计算指针的偏转角度。

进一步地，对于步骤1中定位抓拍的图像，机械仪表表盘呈像宽高均不小于100像素，机械仪表表盘和摄像头之间的夹角不小于30°。

虽然本发明是针对清晰度不高的图像，进行仪表的读数识别，但是如果清晰度太低机械仪表表盘呈像宽或高小于100像素，或者摄像头和机械仪表表盘的平面夹角小于30°，本发明的方法也无法较准确地识别出仪表的指针读数。

并且需要注意的是，在所述步骤2中调用Resize函数对输入的图像进行重采样，用于补偿仪表相对于摄像头的安装角度不同产生的角度差异；所述步骤4中调用FindContours函数查找过滤查找步骤3形成的图斑边界；所述步骤6中调用FitLine函数拟合图斑边界成直线，然后调用Atan2函数计算图斑边界拟合直线的角度，最后调用MinAreaRect函数找到边界最小外接矩形，用于计算直线的起始方向。

一种单指针仪表读数的识别方法，主要包括依次进行的以下步骤：

步骤1：使用深度学习训练的机械仪表模型检测和定位抓拍图像中机械仪表的位置，截取仪表的子图像，进行机械仪表的计算机视觉分析；

步骤2：对截取的机械仪表子图像进行图像预处理，并且进行图像重采样；

步骤3：将重采样的图像从RGB空间转到HSV空间，对图像空间的V通道数据进行循环遍历，检测并查找每个V值下的图斑边界；

步骤4：构造机械仪表子图像的中心矩形，并用构造的中心矩形过滤步骤3形成的图斑边界；

步骤5：对过滤后的图斑边界进行长宽比约束、图斑边界包含中心矩形中心点约束，然后进行机械仪表指针边界的定位；

步骤6：对查找出的指针边界进行直线拟合、偏转角度计算，确定直线的旋转角度，结合仪表起始量程，计算仪表读数。

本发明是基于页岩气生产现场的单指针机械仪表的读数识别的背景下开发，但是其泛用性很广，主要针对指针或表盘清晰度不高的图片，对表盘进行指针读数识别，因此不仅仅针对页岩气生产现场的单指针机械仪表，也不仅仅针对生产现场的单指针机械仪表，凡是清晰度不高的图片，只要图像中的机械仪表表盘呈像宽高均不小于100像素，均可以使用本方法进行仪表读数识别，因此本方法的保护范围不仅仅限于页岩气生产现场的仪表识别，也不仅仅限于固定摄像头拍摄的图像，凡是使用本方法进行仪表读数识别，均落入本发明的保护范围。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明一种基于页岩气田生产单指针仪表读数的识别方法，对生产现场的摄像头拍出的较为模糊的机械仪表表盘图像，将图像从RGB空间转换到HSV空间，然后再对机械仪表表盘进行计算机视觉分析，识别出仪表的读数，针对较为模糊的机械仪表表盘图像，识别率有所提高；

2.本发明一种基于页岩气田生产单指针仪表读数的识别方法，对生产现场的摄像头拍出的较为模糊的机械仪表表盘图像，将图像从RGB空间转换到HSV空间，然后再对机械仪表表盘进行计算机视觉分析，识别出仪表的读数，实现了直接使用生产现场的监控摄像头进行机械仪表表盘的数据读取，对比现有的人工巡检读取机械仪表数据，节约人力成本，且实时效率更高。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明的原理框图；

图2是本发明的关键函数调用示意图；

图3是本发明的一个实施例重采样后的示意图；

图4是本发明的一个实施例空间变换后的示意图；

图5是本发明的一个实施例图斑边界检测后的示意图；

图6是本发明的一个实施例构造中心子矩形添加约束后的示意图；

图7是本发明的一个实施例确定直线方向后的示意图；

图8是本发明的一个实施例确定指针读数计算时的示意图；

图9是本发明的另一个实施例重采样后的示意图；

图10是本发明的另一个实施例空间变换后V值取70时的示意图；

图11是本发明的另一个实施例空间变换后V值取130时的示意图；

图12是本发明的另一个实施例空间变换后V值取160时的示意图；

图13是本发明的另一个实施例空间变换后V值取220时的示意图；

图14是本发明的另一个实施例构造中心子矩形添加约束后的示意图；

图15是本发明的另一个实施例确定直线方向后的示意图；

图16是本发明的另一个实施例确定指针读数计算时的示意图。

具体实施方式

为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面结合图1至图16对本发明作详细说明。

实施例1

一种基于页岩气田生产单指针仪表读数的识别方法，如图1，主要包括依次进行的以下步骤：

步骤1，抓拍图像：使用深度学习训练的机械仪表模型检测和定位抓拍图像中机械仪表的位置，截取仪表的子图像，进行机械仪表的计算机视觉分析；

步骤2，图像预处理：对截取的机械仪表子图像进行图像预处理，并且进行图像重采样；

步骤3，图像过滤：将重采样的图像从RGB空间转到HSV空间，对图像空间的V通道数据进行循环遍历，检测并查找每个V值下的图斑边界；

步骤4，构造中心矩形：构造机械仪表子图像的中心矩形，并用构造的中心矩形过滤步骤3形成的图斑边界；

步骤5，仪表指针定位：对过滤后的图斑边界进行长宽比约束、图斑边界包含中心矩形中心点约束，然后进行机械仪表指针边界的定位；

步骤6，指针度数识别：对查找出的指针边界进行直线拟合、偏转角度计算，确定直线的旋转角度，结合仪表起始量程，计算仪表读数。

现有的针对仪表的数据识别技术，一般建立在摄像头拍出的仪表图像数据很清晰的基础上，而由于页岩气生产现场的监控摄像头主要起到监控作用，因此在安装时主要会考虑到监控范围的问题，不会仅仅对着机械仪表，因此摄像头拍的机械仪表的图像较为模糊，现有技术难以识别使用现有监控摄像头拍出的这些图像，本发明主要针对这一问题。

工作原理：本发明在处理仪表图像时，采用上述步骤，其中，步骤2中的重采样将机械仪表子图像中的仪表表盘提取出来；而步骤3中将重采样的图像从RGB空间转到HSV空间，在HSV颜色空间下，比RGB颜色空间更容易跟踪某种颜色的物体，对于模糊表盘图像，虽然人眼看起来指针和表盘很难分清，但是实际上是指针和表盘的色度H有很大差别，只不过指针和表盘的亮度V值相近，因此根据表盘和指针的H值有很大区别的特点，从H值上很容易从表盘中找到指针。并且本发明的方案遍历不同的V值下的图斑边界，经验证明仪表指针轮廓和V通道相关，对此变量进行循环遍历，挑选理想的目标图像，这是自动识别指针的关键一环，目标图像的质量决定着后续仪表读数能否识别成功。

步骤4中构造仪表中心矩形是以重采样后的图像中心为新矩形中心，以图像的边长一半为矩形边长，构建新矩形，从而把整幅图像寻找指针的问题转化为在矩形内部寻找指针的问题。这种方法可以缩小指针的查找范围，使指针前景背景区分明显。

步骤5对过滤后的图像进行边界查找定位以定位出仪表的指针，生成指针边界的最小外接矩形，并且对生成的最小外接矩形进行长宽比约束和图斑边界包含中心矩形中心点约束，当长宽比约束和图斑边界包含中心矩形中心点约束满足预设的约束条件时，就找到了符合条件的指针边界。然后进行边界过滤，挑选出的边界均落在中心矩形内。对中心矩形内边界进行排序，包含像素最多的边界即为指针边界。

最后使用步骤6，对查找出的指针边界进行直线拟合、偏转角度计算，通过直线拟合指针的直线，然后确定拟合直线的旋转角度，就确定了指针的旋转角度，再结合对应仪表的起始量程，就可以计算出仪表读数。

目前现有技术能准确识别的清晰图像和现有技术无法准确识别的模糊图像对比起来，清晰图像中的指针和表盘在RGB颜色空间有很明显的差异性，而模糊图像在RGB颜色空间的差异性十分复杂难以用一个公式去区分，故而若继续在RGB颜色空间进行方法上的改进，只能是徒劳，而在HSV颜色空间来说，清晰图像的指针和表盘的色度H有很大差别，其亮度V值相近都较大，而模糊图像的指针和表盘的色度H值也有很大差别，不过其亮度V值相近且都很小，因此我们只需要控制整个模糊图像的V值，在指针和表盘的色度差别最大的时候查找出指针的边界，即可完成指针的定位进而读取表盘的读数。

本发明是基于页岩气生产现场的单指针机械仪表的读数识别的背景下开发，但是其泛用性很广，主要针对指针或表盘清晰度不高的图片，对表盘进行指针读数识别，因此不仅仅针对页岩气生产现场的单指针机械仪表，也不仅仅针对生产现场的单指针机械仪表，凡是清晰度不高的图片，只要图像中的机械仪表表盘呈像宽高均不小于100像素，均可以使用本方法进行仪表读数识别，因此本方法的保护范围不仅仅限于页岩气生产现场的仪表识别，也不仅仅限于固定摄像头拍摄的图像，凡是使用本方法进行仪表读数识别，均落入本发明的保护范围。

实施例2

在上述实施例1的基础上，所述步骤3主要包括依次进行的以下步骤：

步骤3-1：将重采样的图像从RGB空间转到HSV空间；

步骤3-2：对HSV图像空间的V值从80到230进行循环遍历，对每张图像进行150次的边界判断和查找，查找图斑的边界。

需要注意的在不同应用场景中，HSV取值范围是不尽相同的，如图2，本发明是利用openCV中cvSplit函数选择图像类型，其H取值范围是0-180，S取值范围是0-255，V取值范围是0-255，而在V值太大和太小时的图斑边界的误差范围过大，因此我们选择一个中间范围的V取值范围进行循环遍历，这里我们选择V值范围从80到230。

工作原理：通过分析不同旋转角度、不同时间、不同天气图像的光照、不同拍摄距离、不同大小的仪表盘、不同类型仪表面盘等情况下的仪表图像，抽象出上述图像的共有特征：即所有图像均有一个指针，指针颜色和表盘背景颜色差别明显，但是其明度相近。因此本发明将识别机械仪表的读数问题转化为识别仪表指针的旋转角度问题。并且本发明选择在HSV空间做指针的图斑边界查找，这样使得本发明所述的一种基于页岩气田生产单指针仪表读数的识别方法在图像光线强弱、仪表距离摄像头在一定范围内远近、仪表相对于摄像头的安装角度、太阳光产生的背景阴影等综合影响下，均能识别指针、计算仪表角度、高效地实现机械仪表的示数读取。

实施例3

在上述实施例1或2的基础上，所述步骤3中对图像空间的V通道数据进行循环遍历时，循环终止的影响因子主要包括边界线最小外接矩形的宽高比、最小外接矩形最小边长占比构造仪表中心矩形的边长比、边界线面积占构造仪表中心矩形面积比中的至少一个，所述影响因子的值均在预定义的阈值内，则循环终止，否则继续循环遍历寻找图斑边界。

实施例4

在上述实施例1或2的基础上，如图2，步骤3中，调用CvtColor函数将重采样的图像从RGB空间转到HSV空间；在对图像空间的V通道数据进行循环遍历的过程中，调用inRange函数过滤HSV图像空间目标像素，用于检测并查找每个V值下的图斑边界。

所述步骤3中查找到图斑边界后，将图像从HSV空间转换为RGB空间。并且是调用ConvertTo函数将含有过滤出的图斑边界的图像从HSV空间转换为RGB空间。

实施例5

在上述实施例1的基础上，在实施例1的步骤4、5中，需要从遍历的所有V值对应的大量图斑边界中，筛选出我们需要的指针边界，首先我们在图斑边界中筛选出特定图斑边界，我们对每个V值下找到的图斑边界进行判断，构造一个中心子矩形，保留落在中心子矩形的图斑边界，这样就缩小了图斑边界数量，对满足以下几个判断条件的图斑边界进行排序：

判断条件1：图斑边界的最小外接矩形的长除以宽的商大于3；

判断条件2：图斑边界构成的多边形包含中心子矩形区域的中心点；

对排序后边界数量最大的那个选取为特定图斑边界。

在对图像空间的V通道数据进行循环遍历时，每一个V值对应的图像的图斑边界，都进行上述判断和排序，都找到一个特定图斑边界，对所有V值对应的图像找出的所有特定特定边界，按像素数量求取均值、方差、标准差，并且对每个特定图斑边界的图像，生成查找出的特定图斑边界的最小外接矩形，并且挑选出满足以下判断条件的像素数最大的特定图斑边界为指针边界：

判断条件3：落在一个标准差内；

判断条件4：特定图斑边界的像素数大于图像中心矩形边长；

判断条件5：特定图斑边界所包含的面积小于中心子矩形面积的30％。

实施例6

在上述实施例1的基础上，步骤6中对查找出的指针边界进行直线拟合、偏转角度计算主要包括：以最小外接矩形的两个对角点为分析对象，以每个点为中心，最小矩形短边为边长，构建新的矩形，然后统计落在这两个矩形内边界点的个数，个数多的为指针尾部，个数少的为指针的头部，拟合指针边界直线，以最小外接矩形的两个对角点的横坐标为变量，求出直线上相应纵坐标，以求出的两个纵坐标为计算对象，计算指针的偏转角度。

工作原理：生成指针的最小外接矩形时，识别结果中通常会表述出最小外接矩形宽边的旋转角度，但该角度受识别指针边界的影响，误差较大。为精化指针读数精度，以最小外接矩形的两个对角点为分析对象，以每个点为中心，最小矩形短边为边长，构建新的矩形。然后统计落在这两个矩形内边界点的个数。个数多的为指针尾部，个数少的为指针的头部。拟合指针边界直线，以最小外接矩形的两个对角点的横坐标为变量，求出直线上相应纵坐标，以新求出的两个纵坐标为计算对象，计算指针的偏转角度。

仪表读数计算：默认仪表起始刻度和终止刻度之间的夹角为90°，默认仪表盘满刻度为270°，默认仪表盘起始刻度相对于X轴的角度为225°，仪表指针相对于轴的夹取值范围为(-180，180]，则仪表读数为：

实施例7

在上述实施例1的基础上，对于步骤1中定位抓拍的图像，机械仪表表盘呈像宽高均不小于100像素，机械仪表表盘和摄像头之间的夹角不小于30°。

虽然本发明是针对清晰度不高的图像，进行仪表的读数识别，但是如果清晰度太低机械仪表表盘呈像宽或高小于100像素，或者摄像头和机械仪表表盘的平面夹角小于30°，本发明的方法也无法较准确地识别出仪表的指针读数。

并且需要注意的是，在所述步骤2中调用Resize函数对输入的图像进行重采样，用于补偿仪表相对于摄像头的安装角度不同产生的角度差异；所述步骤4中调用FindContours函数查找过滤查找步骤3形成的图斑边界；所述步骤6中调用FitLine函数拟合图斑边界成直线，然后调用Atan2函数计算图斑边界拟合直线的角度，最后调用MinAreaRect函数找到边界最小外接矩形，用于计算直线的起始方向。

实施例8

如图3-图8，是本发明所述的一种基于页岩气田生产单指针仪表读数的识别方法识别一个页岩气井口压力表表盘的过程图像，其中：

如图3是进行步骤2后，重采样后底的图像，此时图像处于RGB空间，指针和表盘的颜色相近；

如图4是进行步骤3-1后，空间变换到HSV空间后，再进行步骤3-2，在遍历HSV空间的V值时，在V值取113时的图像，可以很明显的从肉眼看出，指针对比于背景后表盘的图斑边界很清晰；

进行步骤4，经过计算这个图确定出的指针的图斑边界就是特定图斑边界中的一个，并且也是最终求出的指针边界；我们将其再变换回RGB空间后，如图5就是这个表盘的含指针边界的图；

如图6是进行步骤5后这个表盘最终确定的指针边界的图含有指针边界、最小外接矩形和中心子矩形的图，图6中，较大的矩形是中心子矩形，落在中心子矩形内的较小的矩形是最小外接矩形，图6满足以下条件：

判断条件1：指针边界的最小外接矩形的长除以宽的商大于3；

判断条件2：指针边界构成的多边形包含中心子矩形区域的中心点；

判断条件3：指针边界落在所有V值的特定图斑边界的一个标准差内；

判断条件4：指针边界的像素数大于图像中心矩形边长；

判断条件5：指针边界所包含的面积小于中心子矩形面积的30％。

如图7对比图6多出的直线，是继续进行步骤6中的直线拟合计算后，拟合出的指针对应的直线，图7中最小外接矩形的画圈的两个对角点，以这两个对角点的横坐标为变量，求出直线上相应纵坐标，以新求出的两个纵坐标为计算对象，计算指针的偏转角度，图中指针，求出的相对X轴的偏转角度为154°。

图8是继续进行步骤6最后的偏转角度计算和计算仪表读数时的图，针对图7拟合出的指针对应的直线，本压力仪表起始刻度和终止刻度之间的夹角为90°，量程为0～16Mpa，默认仪表盘满刻度为270°，默认仪表盘起始刻度相对于X轴的角度为225°，图8中建立的坐标系中第三象限和第四象限的直线就是找出的该图像表盘的起始刻度和终止刻度，最后通过公式

即

计算可以得出指针的读数是4.21Mpa，实际指针读数4.20Mpa。

实施例9

如图9-图16，是本发明所述的一种基于页岩气田生产单指针仪表读数的识别方法识别一个页岩气H5-4井口压力表表盘的过程图像，其中：

如图9是进行步骤2后，重采样后底的图像，此时图像处于RGB空间，指针和表盘的颜色相近；

如图10-13是进行步骤3-1后，空间变换到HSV空间后，再进行步骤3-2，在遍历HSV空间的V值时，在V值不同时的图像，其中图10是V值取70时的图像，图11是V值取130时的图像，图12是V值取160时的图像，图13是V值取220时的图像。

进行步骤4，经过计算确定出的指针的图斑边界就是特定图斑边界中的一个，并且也是最终求出的指针边界；我们将其再变换回RGB空间后，如图14就是这个表盘的含指针边界的图、最小外接矩形和中心子矩形的图，其中，较大的矩形是中心子矩形，落在中心子矩形内的较小的矩形是最小外接矩形，图14满足以下条件：

判断条件1：指针边界的最小外接矩形的长除以宽的商大于3；

判断条件2：指针边界构成的多边形包含中心子矩形区域的中心点；

判断条件3：指针边界落在所有V值的特定图斑边界的一个标准差内；

判断条件4：指针边界的像素数大于图像中心矩形边长；

判断条件5：指针边界所包含的面积小于中心子矩形面积的30％。

如图15对比图14多出的直线，是继续进行步骤6中的直线拟合计算后，拟合出的指针对应的直线，图7中最小外接矩形的画圈的两个对角点，以这两个对角点的横坐标为变量，求出直线上相应纵坐标，以新求出的两个纵坐标为计算对象，计算指针的偏转角度，图中指针，求出的相对X轴的偏转角度为203°。

图16是继续进行步骤6最后的偏转角度计算和计算仪表读数时的图，针对图15拟合出的指针对应的直线，本压力仪表起始刻度和终止刻度之间的夹角为90°，量程为0～25Mpa，默认仪表盘满刻度为270°，默认仪表盘起始刻度相对于X轴的角度为225°，图8中建立的坐标系中第三象限和第四象限的直线就是找出的该图像表盘的起始刻度和终止刻度，最后通过公式

即

计算可以得出指针的读数是2.04Mpa，实际读数1.97Mpa。

经过实施例8、9及实际生产过程中的应用，误差率在5％以下，满足生产需求。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (10)

1.一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：主要包括依次进行的以下步骤：

步骤1：使用深度学习训练的机械仪表模型检测和定位抓拍图像中机械仪表的位置，截取仪表的子图像，进行机械仪表的计算机视觉分析；

步骤2：对截取的机械仪表子图像进行图像预处理，并且进行图像重采样；

步骤3：将重采样的图像从RGB空间转到HSV空间，对图像空间的V通道数据进行循环遍历，检测并查找每个V值下的图斑边界；

步骤4：构造机械仪表子图像的中心矩形，并用构造的中心矩形过滤步骤3形成的图斑边界；

步骤5：对过滤后的图斑边界进行长宽比约束、图斑边界包含中心矩形中心点约束，然后进行机械仪表指针边界的定位；

步骤6：对查找出的指针边界进行直线拟合、偏转角度计算，确定直线的旋转角度，结合仪表起始量程，计算仪表读数。

2.根据权利要求1所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：所述步骤3主要包括依次进行的以下步骤：

步骤3-1：将重采样的图像从RGB空间转到HSV空间；

步骤3-2：对HSV图像空间的V值从80到230进行循环遍历，对每张图像进行150次的边界判断和查找，查找图斑的边界。

3.根据权利要求1或2所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：所述步骤3中对图像空间的V通道数据进行循环遍历时，循环终止的影响因子主要包括边界线最小外接矩形的宽高比、最小外接矩形最小边长占比构造仪表中心矩形的边长比、边界线面积占构造仪表中心矩形面积比中的至少一个，所述影响因子的值均在预定义的阈值内，则循环终止，否则继续循环遍历寻找图斑边界。

4.根据权利要求1或2所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：步骤3中，调用CvtColor函数将重采样的图像从RGB空间转到HSV空间；在对图像空间的V通道数据进行循环遍历的过程中，调用inRange函数过滤HSV图像空间目标像素，用于检测并查找每个V值下的图斑边界。

5.根据权利要求1或2所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：所述步骤3中查找到图斑边界后，将图像从HSV空间转换为RGB空间。

6.根据权利要求1所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：所述步骤4主要包括：构造中心矩形，在步骤3中进行循环遍历V通道数据，检测并查找每个V值下的图斑边界时，对查找出的图斑边界添加落在中心矩形内约束、边界中心包含中心子矩形中点的约束，每个V值下过滤后的图斑边界进行排序，边界数量最大的那个即为特定图斑边界。

7.根据权利要求1所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：所述步骤5主要包括：定位查找出的图斑边界包含指针边界，生成查找出的边界的最小外接矩形，以查找出的边界外接矩形的高宽比大于预设阈值、边界像素数大于图像中心矩形边长、边界所包含的面积小于图像中心矩形面积的30%这三个指标进行边界过滤，挑选出的边界均落在中心矩形内，对中心矩形内边界进行排序，包含像素最多的边界即为指针边界。

8.根据权利要求1所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：步骤6中对查找出的指针边界进行直线拟合、偏转角度计算主要包括：以最小外接矩形的两个对角点为分析对象，以每个点为中心，最小矩形短边为边长，构建新的矩形，然后统计落在这两个矩形内边界点的个数，个数多的为指针尾部，个数少的为指针的头部，拟合指针边界直线，以最小外接矩形的两个对角点的横坐标为变量，求出直线上相应纵坐标，以求出的两个纵坐标为计算对象，计算指针的偏转角度。

9.根据权利要求1所述的一种基于页岩气田生产单指针仪表读数的识别方法，其特征在于：对于步骤1中定位抓拍的图像，机械仪表表盘呈像宽高均不小于100像素，机械仪表表盘和摄像头之间的夹角不小于30°。

10.一种指针仪表读数的识别方法，其特征在于：主要包括依次进行的以下步骤：

步骤1：使用深度学习训练的机械仪表模型检测和定位抓拍图像中机械仪表的位置，截取仪表的子图像，进行机械仪表的计算机视觉分析；

步骤2：对截取的机械仪表子图像进行图像预处理，并且进行图像重采样；

步骤3：将重采样的图像从RGB空间转到HSV空间，对图像空间的V通道数据进行循环遍历，检测并查找每个V值下的图斑边界；

步骤4：构造机械仪表子图像的中心矩形，并用构造的中心矩形过滤步骤3形成的图斑边界；

步骤5：对过滤后的图斑边界进行长宽比约束、图斑边界包含中心矩形中心点约束，然后进行机械仪表指针边界的定位；

步骤6：对查找出的指针边界进行直线拟合、偏转角度计算，确定直线的旋转角度，结合仪表起始量程，计算仪表读数。

Images