CN112149667A - 一种基于深度学习的指针式仪表的自动读数的方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的指针式仪表的自动读数的方法，包括以下步骤：S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针检测模型进行检测，得到仪表圆盘和指针的位置；S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到指针区域；S4.根据得到的指针区域，求出指针的偏向角度，再根据仪表的量程，得出相应的度数，从而实现指针式仪表的读数。本发明通过深度学习的方法检测出仪表圆盘和指针，利用得到的仪表圆盘和指针的位置信息，得到指针的偏向角度，进而根据仪表的量程得到仪表的读数，不仅精确性高，而且步骤简单，实用性强。

Description

一种基于深度学习的指针式仪表的自动读数的方法

技术领域

本发明涉及计算机视觉技术领域，更具体的说是涉及一种基于深度学习 的指针式仪表的自动读数的方法。

背景技术

随着模式识别技术、计算机技术等多种技术的不断完善和发展，机器视 觉获得了巨大的进步与发展。目前在许多企业中，存在大量的仪表，仪表的 读数都靠人工来完成，工作量很大而且误差率相对来说也比较高，所以发展 指针式仪表自动读数是十分有必要的。

现有的指针式仪表自动读数大多都是基于传统图像处理技术，有的方法 提出首先利用卷积神经网络模型检测得到仪表目标图像；然后利用改进有效 和准确的场景文本检测器(EAST)算法对仪表目标图像进行文本检测,再利用 印刷体数字识别模型筛选出仪表刻度数字,得到仪表刻度数字的位置信息与 数值；最后,通过仪表刻度数字的位置信息提取出仪表指针直线与仪表中心, 通过识别出的数值结合角度法完成仪表读数识别。该方法在提取出指针直线 与仪表中心的步骤中图像质量对于提取的结果影响较大，而且整个研究方法 步骤较多，较为复杂。(徐发兵,吴怀宇,陈志环,喻汉.基于深度学习的指针 式仪表检测与识别研究[J].高技术通讯,2019,29(12):1206-1215.)还有的方 法提出先基于深度学习的Faster-RCNN算法定位表盘；然后根据仪表特征与 几何特性，应用连通域分析、图像阈值分割、最小二乘法等方法分别实现仪 表表盘圆心定位、指针分割和细化；再对刻度线和表盘数字进行分割，采用 基于深度学习的LeNet-5卷积神经网络识别表盘数字并结合刻度值进行分 度值的计算，在此基础上得到示数。但是这种方法存在不足，在分割识别数字时，对倾斜角度过大和对刻度有一定遮挡的表盘，可能会出现示数判读不 准的情况，具有一定的局限性。(刘葵.基于深度学习的指针式仪表示数识 别[D].华中科技大学,2017.)除此之外还有的研究方法是利用卷积神经网络 模型检测当前视野下仪表目标的包围框位置，计算其距离视野中央的偏离值 与图像占比，据此调整相机位置和缩放倍数，使图像中心点坐标与包围框中 心点坐标重合，再通过透视变换消除仪表图像畸变，双边滤波、MSRCR算法增 强图像，最后霍夫变换检测仪表的表盘与指针，完成仪表读数识别。这种研 究方法同样存在步骤复杂的问题，对硬件计算资源要求较高，还存在一定的 漏检的情况。(邢浩强,杜志岐,苏波.变电站指针式仪表检测与识别方法[J]. 仪器仪表学报,2017,38(11):2813-2821.)

总的来说，传统的图像技术检测指针方法容易受到图像质量的影响，光 照的变化以及拍摄角度都会对其造成干扰，前期需要对图像预处理步骤较多， 研究方法大多较为复杂，对硬件计算资源要求较高。现有的基于深度学习的 方法依赖于数字字符的识别，存在识别精度等问题。本发明利用深度学习检 测指针，跟现有方法相比，具有极强的抗干扰性，能够适应于不同的环境下 进行定位识别，检测前不需要对图像进行预处理，整个研究过程步骤较为简 单，算法效率较高。

因此，如何提供一种识别精度高的基于深度学习的指针式仪表读数的方 法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于深度学习的指针式仪表读数的方法， 通过深度学习的方法检测出仪表圆盘和指针，利用得到的仪表圆盘和指针的 位置信息，得到指针的偏向角度，进而根据仪表的量程得到仪表的读数，不 仅精确性高，而且步骤简单，实用性强。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的指针式仪表的自动读数的方法，用于通过图像信息 来确定仪表的示数，包括以下步骤：

S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针 检测模型进行检测，得到仪表圆盘和指针的位置；

S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；

S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到 指针区域；

S4.根据得到的所述指针区域，求出指针的偏向角度，再根据仪表的量程， 得出相应的度数，从而实现指针式仪表的读数。

优选的，S1中利用卷积神经网络训练仪表圆盘指针检测模型的具体方法 为：

采集指针式仪表数据并进行标记；

将所采集到的指针式仪表数据和标记作为样本数据输入卷积神经网络中 对所述卷积神经网络进行训练，得到所述仪表圆盘指针检测模型。

优选的，S1具体内容包括：

将需要检测的指针式仪表的图像输入训练好的所述仪表圆盘指针检测模 型进行检测，在原始的需要检测的指针式仪表的图像上用矩形框标记仪表圆 盘和指针的位置。

优选的，S2的具体内容包括：

对原始图像进行二值化处理，得到仅存在像素值为0和255的像素点的 二值化图像。

优选的，S3的具体内容包括：

根据矩形框标记的指针位置获取矩形框的坐标，在二值化图像上裁剪矩 形框，得到指针区域。

优选的，S4的具体内容包括：

根据在指针区域图像对指针进行细化，检测指针中轴线，得到指针中轴 线所在的直线的斜率，再换算成以圆盘中心为原点的坐标系下的偏向角度；

根据得到的偏向角度和仪表量程，计算得到仪表的示数，从而得到指针 式仪表的读数。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于深 度学习的指针式仪表的自动读数的方法，将深度学习方法用于指针的检测， 能够准确地判断出指针所在的区域，有效解决了现有技术中的检测方法准确 率低的问题，其次本发明相较于基于传统图像处理对指针进行拟合直线，不 需要前期对图像进行许多的预处理步骤，有效简化了整体的方法步骤，同时 还可以降低对图像质量的依赖，具有极强的抗干扰性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的整体方法流程图；

图2附图为本发明提供的训练仪表圆盘指针检测模型的流程图；

图3附图为本发明提供的确定仪表示数的流程图。

具体实施方式

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，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 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。

本发明实施例公开了一种基于深度学习的指针式仪表的自动读数的方 法，用于通过图像信息来确定仪表的示数，如图1所示，包括以下步骤：

S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针 检测模型进行检测，得到仪表圆盘和指针的位置；

S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；

S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到 指针区域；

S4.根据得到的指针区域，求出指针的偏向角度，再根据仪表的量程，得 出相应的度数，从而实现指针式仪表的读数。

为了进一步实现上述技术方案，如图2所示，本实施例获取指针式仪表 的样本图像，利用标注软件对其进行标注，并利用卷积神经网络训练仪表圆 盘指针检测模型，其中：

获取的指针仪表样本应包括显示不同示数，不同拍摄角度的；

卷积神经网络采用较小的网络结构，提高检测速度。

利用标注软件在获取的指针式仪表图像中进行仪表圆盘和指针的标注， 即在样本图像中框出各个类别并打上标签；

将标注好的样本输入到一个浅层的卷积神经网络中进行训练，得到一个 仪表圆盘和指针的检测模型。

为了进一步实现上述技术方案，S1具体内容包括：

将需要检测的指针式仪表的图像输入训练好的仪表圆盘指针检测模型进 行检测，在原始的需要检测的指针式仪表的图像上用矩形框标记仪表圆盘和 指针的位置。

为了进一步实现上述技术方案，如图3所示，S2的具体内容包括：

对原始图像进行二值化处理，得到仅存在像素值为0和255的像素点的 二值化图像。

为了进一步实现上述技术方案，S3的具体内容包括：

根据矩形框标记的指针位置获取矩形框的坐标，在二值化图像上裁剪矩 形框，得到指针区域。

为了进一步实现上述技术方案，S4的具体内容包括：

利用指针区域部分中指针部分像素点的像素值为255，矩形框内其他部分 像素点的像素值为0的特性，在指针区域图像对指针进行细化，检测指针中 轴线等操作，得到指针中轴线所在的直线的斜率，再换算成以圆盘中心为原 点的坐标系下的偏向角度；

根据得到的偏向角度和仪表量程，计算得到仪表的示数，从而得到指针 式仪表的读数。

本发明公开提供了一种基于深度学习的指针式仪表的自动读数的方法， 通过卷积神经网络来检测仪表圆盘和指针，然后根据所得的位置信息来确定 以圆盘为中心的坐标系下指针的偏向角度，得到仪表的示数，具体而言，本 发明将首先利用卷积神经网络通过样本来训练一个检测仪表圆盘和指针的网 络模型，其次通过该模型获取得到的仪表圆盘和指针的位置信息，计算得到 以圆盘中心为原点的坐标系下指针的偏向角度，在根据仪表的量程，最终得 到仪表的示数。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都 是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。 对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述 的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下， 在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于深度学习的指针式仪表的自动读数的方法，用于通过图像信息来确定仪表的示数，其特征在于，包括以下步骤：

S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针检测模型进行检测，得到仪表圆盘和指针的位置；

S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；

S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到指针区域；

S4.根据得到的所述指针区域，求出指针的偏向角度，再根据仪表的量程，得出相应的度数，从而实现指针式仪表的读数。

2.根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S1中利用卷积神经网络训练仪表圆盘指针检测模型的具体方法为：

采集指针式仪表数据并进行标记；

将所采集到的指针式仪表数据和标记作为样本数据输入卷积神经网络中对所述卷积神经网络进行训练，得到所述仪表圆盘指针检测模型。

3.根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S1具体内容包括：

将需要检测的指针式仪表的图像输入训练好的所述仪表圆盘指针检测模型进行检测，在原始的需要检测的指针式仪表的图像上用矩形框标记仪表圆盘和指针的位置。

4.根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S2的具体内容包括：

对原始图像进行二值化处理，得到仅存在像素值为0和255的像素点的二值化图像。

5.根据权利要求3所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S3的具体内容包括：

根据矩形框标记的指针位置获取矩形框的坐标，在二值化图像上裁剪矩形框，得到指针区域。

6.根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S4的具体内容包括：

根据在指针区域图像对指针进行细化，检测指针中轴线，得到指针中轴线所在的直线的斜率，再换算成以圆盘中心为原点的坐标系下的偏向角度；

根据得到的偏向角度和仪表量程，计算得到仪表的示数，从而得到指针式仪表的读数。

Images