CN114550149A - 基于深度学习的指针仪表读数方法及*** - Google Patents
基于深度学习的指针仪表读数方法及*** Download PDFInfo
- Publication number
- CN114550149A CN114550149A CN202210118662.3A CN202210118662A CN114550149A CN 114550149 A CN114550149 A CN 114550149A CN 202210118662 A CN202210118662 A CN 202210118662A CN 114550149 A CN114550149 A CN 114550149A
- Authority
- CN
- China
- Prior art keywords
- pointer
- scale
- reading
- instrument
- angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度学习的指针仪表读数方法及***，其涉及仪表智能读数技术领域，该方法包括如下步骤：采集指针仪表的图像信息；通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域；对所述读数区域进行二值化处理和Blod分析，确定所述指针仪表的指针圆心位置和刻度位置；基于所述刻度位置和所述指针圆心位置确定所述指针仪表的指针位置，并计算得到刻度角度范围和指针角度；基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数。本申请具有不进行参数调整可以对多类型仪表进行读数的效果。
Description
技术领域
本申请涉及仪表智能读数技术领域，尤其是涉及一种基于深度学习的指针仪表读数方法及***。
背景技术
电厂和变电站都是电力***的重要组成部分，电厂为电力***提供电压和电流，变电站对电力***中的电压和电流进行变换并进行分配。在电厂和变电站的输电过程中，为了实时监测获取各项数据，需要安装大量的指针仪表，再通过对所有指针仪表的读数分析电厂或变电站整体的运行状态。
近年来出现了一些利用机器进行仪表读数的方案，相较于人工读数，利用机器进行仪表读数将会节省大量的读数时间，例如通过SURF特征点检测仪表，通常先采集到仪表的图像信息，再对图像信息中的仪表图像进行抓取，再基于同一类型仪表的仪表特征对仪表图像进行图像处理分析，并最终得到仪表图像中指针仪表的读数。
针对上述中的相关技术，发明人认为存在有以下缺陷：相关技术中的仪表读数方法需要提前获取待测仪表类型的表盘特征，再根据表盘特征配置处理参数，再基于处理参数对待测仪表的仪表图像进行图像分析处理，然而不同类型仪表的表盘特征也不同，当需要对不同类型的仪表进行读数前，还需要提前调整处理参数，因此在对多类型的仪表进行读数时具有局限性。
发明内容
为了改善对多类型的仪表进行读数时具有局限性的缺陷，本申请提供一种基于深度学习的指针仪表读数方法及***。
第一方面，本申请提供一种基于深度学习的指针仪表读数方法，该方法包括如下步骤：
采集指针仪表的图像信息；
通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域；
对所述读数区域进行二值化处理和Blod分析，确定所述指针仪表的指针圆心位置和刻度位置；
基于所述刻度位置和所述指针圆心位置计算得到刻度角度范围和指针角度；
基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数。
通过采用上述技术方案，采集指针仪表的图像信息后，可以通过神经网络模型深度提取图像信息中指针仪表的图像特征，从而可以在图像信息中定位出任意类型指针仪表所在的读数区域，再对读数区域进行二值化处理，以突出读数区域内的指针特征和刻度特征，即使不同类型指针仪表的指针长度、最大量程、刻度位置或刻度大小均不相同，也可以通过Blod分析确定出指针圆心位置和刻度位置，并根据指针圆心位置和刻度位置计算出刻度角度范围和指针角度，刻度角度范围决定指针仪表的最大量程，而指针角度表示当前指针仪表的读数，因此通过局部搜索法可以计算得到指针仪表当前的仪表读数。
可选的，所述通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域包括如下步骤：
调整所述图像信息的尺寸，得到标准尺寸的标准图像信息；
利用去除全连接层的backbone主干网络对所述标准图像信息进行特征提取，得到所述标准图像信息的图像特征；
通过残差结构对所述图像特征进行卷积操作，得到所述标准图像信息的特征张量；
根据所述特征张量在所述标准图像信息中定位存在所述指针仪表的读数区域。
通过采用上述技术方案，在基于神经网络模型对图像信息进行处理之前，需要先将图像信息的尺寸调整为适配于神经网络模型的标准尺寸，再以去除全连接层的backbone主干网络作为特征提取器提取标准图像信息的图像特征，通过残差结构对图像特征进行卷积操作后，可以得到各个深度图像信息的特征张量，其中深层网络的特征张量可以用于大尺度仪表的分析，而浅层网路的特征张量分别用于中等尺度和小尺度仪表的分析。最后根据特征张量在标准图像信息中定位包含指针仪表的读数区域。
可选的，所述对所述读数区域进行二值化处理和Blod分析，确定所述指针仪表的指针圆心位置和刻度位置包括如下步骤：
在RGB颜色空间中对所述读数区域进行二值化处理，得到RBG二值化图像；
将所述读数区域转换至HSV颜色空间，并在所述HSV颜色空间中对所述读数区域进行二值化处理，得到HSV二值化图像；
对所述RGB二值化图像进行Blod分析，确定所述指针仪表的指针圆心位置；
对所述HSV二值化图像进行所述Blod分析，确定所述指针仪表的刻度位置。
通过采用上述技术方案，由于采集到的图像信息属于RGB图像，因此先在RGB颜色空间中对读数区域进行二值化处理，再将读数区域转换至HSV颜色空间的HSV图像，再次进行二值化处理，得到两种二值化图像。在RGB颜色空间中，三个颜色分量是高度相关的，所以连续变换颜色时并不直观，因此RGB二值化图像可以更清楚的显示出指针图像，而HSV颜色空间是一种均匀性较好的颜色空间，有利于处理连续变换的颜色，指针仪表中的多个刻度的颜色与背景色结合是连续变换的，因此在HSV二值化图像中可以更清楚的显示出仪表刻度。分别对RGB二值化图像和HSV二值化图像进行Blod分析，从而可以确定出指针仪表的指针圆心位置和刻度位置。
可选的，所述对所述RGB二值化图像进行Blod分析，确定所述指针仪表的指针圆心位置包括如下步骤：
将所述RGB二值化图像进行去噪处理；
对所述去噪处理后的RGB二值化图像进行连通性分析，并识别出多个连通域；
计算出每个连通域的特征值；
分别将各个特征值与预设的指针特征值进行比对；
将所述特征值与所述指针特征值相同的连通域标记为指针连通域；
根据所述指针连通域的重心确定所述指针仪表的指针圆心位置。
通过采用上述技术方案，去噪处理可以去除RGB二值化图像中的干扰噪点，由于在RGB二值化图像中，指针是连续性的颜色区域，因此在连通性分析中会将指针图像识别为一个整体的连通域，又由于指针图像的长度决定了连通域的长度，因此可以根据指针特征值从所有连通域中筛选出表示指针的连通域，从而根据指针连通域的重心确定出指针仪表的指针圆心位置。
可选的，所述刻度位置包括起始刻度位置和终止刻度位置，所述对所述HSV二值化图像进行所述Blod分析，确定所述指针仪表的刻度位置包括如下步骤：
将所述HSV二值化图像进行去噪处理；
对所述去噪处理后的HSV二值化图像进行连通性分析，并识别出多个目标连通域；
分别计算各个目标连通域的连通域面积；
从所有目标连通域中筛选出所述连通域面积最大的两个目标连通域作为目标刻度连通域；
基于预设的几何参数将两个所述目标刻度连通域拆分为起始刻度连通域和终止刻度连通域；
根据所述起始刻度连通域和所述终止刻度连通域的位置确定所述起始刻度位置和所述终止刻度位置。
通过采用上述技术方案，去噪处理可以去除HSV二值化图像中的干扰噪点，在HSV二值化图像中，每个刻度均是连续性的颜色区域，因此在连通性分析中会将各个刻度图像分别识别为单独的连通域，在指针仪表的仪表盘中，起始刻度和终止刻度线通常会比中间的刻度线更长或更宽，因此可以根据连通域面积进行筛选，最大的连通域面积所对应的刻度即为两端的刻度，再通过预设的几何参数将两个刻度连通域进行区分，拆解为起始刻度连通域和终止刻度连通域，最后根据两个连通域的位置确定读数区域中起始刻度和终止刻度的位置。
可选的，所述基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数包括如下步骤：
根据所述指针角度确定所述指针仪表的指针位置；
基于所述指针角度和预设的角度临界值对所述指针位置的临近区域进行局部整刻度搜索，得到指针临近刻度区域；
采用极坐标搜索算法计算所述指针临近刻度区域中所有整刻度的极坐标角度；
基于非极大值抑制算法对所有极坐标角度进行分析筛选，得到两个目标极坐标角度，两个目标极坐标角度所对应的两个整刻度离所述指针位置最近且分别位于所述指针位置两侧；
结合所述刻度角度范围、所述指针角度和所述目标极坐标角度计算得到所述指针仪表的仪表读数。
通过采用上述技术方案，先确定好指针位置，再根据指针位置进行局部整刻度搜索，找到指针位置临近的指针临近刻度区域，有利于后续计算仪表读数时进行整数部分的读取，并且可以使仪表读数精确到小数。在搜索得到指针临近刻度区域之后，先建立极坐标系并根据极坐标搜索算法计算出指针位置临近的所有整刻度的极坐标角度，两个整刻度之间为小数部分，因此确定了指针两侧最近的两个整刻度的极坐标角度之后，结合刻度量程和指针角度可以计算出较为精确的仪表读数。
可选的，所述结合所述刻度角度范围、所述指针角度和所述目标极坐标角度计算得到所述指针仪表的仪表读数包括如下步骤：
基于所述刻度角度范围和所述指针角度计算得到所述指针仪表的整刻度读数；
基于所述目标极坐标角度和所述指针角度计算得到所述指针仪表的非整刻数读数；
将所述整刻度读数与所述非整数读数相加计算得到所述指针仪表的仪表读数。
通过采用上述技术方案，根据刻度角度范围可以得出指针仪表的最大量程，再结合指针仪表在刻度角度范围内的指针角度大小，可以计算出指针仪表的整刻度读数，即仪表读数的整数部分。再通过两个目标极坐标角度和指针角度进行局部计算，可以计算出指针仪表的非整数读数，即仪表读数的小数部分，最后将整数部分和小数部分相加，即为指针仪表的仪表读数。
第二方面，本申请还提供一种基于深度学习的指针仪表读数***，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现如第一方面所述的基于深度学习的指针仪表读数方法。
通过采用上述技术方案，通过程序的调取，先采集指针仪表的图像信息，再通过神经网络模型深度提取图像信息中指针仪表的图像特征，从而可以在图像信息中定位出任意类型指针仪表所在的读数区域，再对读数区域进行二值化处理，以突出读数区域内的指针特征和刻度特征，即使不同类型指针仪表的指针长度、最大量程、刻度位置或刻度大小均不相同，也可以通过Blod分析确定出指针圆心位置和刻度位置，并根据指针圆心位置和刻度位置计算出刻度角度范围和指针角度，刻度角度范围决定指针仪表的最大量程，而指针角度表示当前指针仪表的读数，因此通过局部搜索法可以计算得到指针仪表当前的仪表读数。
综上所述，本申请包括以下至少一种有益技术效果：
1.先采集指针仪表的图像信息，再通过神经网络模型深度提取图像信息中指针仪表的图像特征，从而可以在图像信息中定位出任意类型指针仪表所在的读数区域，再对读数区域进行二值化处理，以突出读数区域内的指针特征和刻度特征，即使不同类型指针仪表的指针长度、最大量程、刻度位置或刻度大小均不相同，也可以通过Blod分析确定出指针圆心位置和刻度位置，并根据指针圆心位置和刻度位置计算出刻度角度范围和指针角度，刻度角度范围决定指针仪表的最大量程，而指针角度表示当前指针仪表的读数，因此通过局部搜索法可以计算得到指针仪表当前的仪表读数。
2.先确定好指针位置，再根据指针位置进行局部整刻度搜索，找到指针位置临近的指针临近刻度区域，有利于后续计算仪表读数时进行整数部分的读取，并且可以使仪表读数精确到小数。在搜索得到指针临近刻度区域之后，先建立极坐标系并根据极坐标搜索算法计算出指针位置临近的所有整刻度的极坐标角度，两个整刻度之间为小数部分，因此确定了指针两侧最近的两个整刻度的极坐标角度之后，结合刻度量程和指针角度可以计算出较为精确的仪表读数。
附图说明
图1是本申请其中一实施例的基于深度学习的指针仪表读数方法的流程示意图。
图2是本申请其中一实施例的通过神经网络模型定位读数区域的流程示意图。
图3是本申请其中一实施例的对读数区域进行二值化处理和Blod分析的流程示意图。
图4是本申请其中一实施例的确定指针仪表的指针圆心位置的流程示意图。
图5是本申请其中一实施例的确定指针仪表的刻度位置的流程示意图。
图6是本申请其中一实施例的基于刻度角度范围和指针角度计算指针仪表的仪表读数的流程示意图。
图7是本申请其中一实施例的结合刻度角度范围、指针角度和目标极坐标角度计算仪表读数的流程示意图。
具体实施方式
以下结合附图1-7对本申请作进一步详细说明。
本申请实施例公开了一种基于深度学习的指针仪表读数方法。
参照图1，基于深度学习的指针仪表读数方法包括如下步骤：
101，采集指针仪表的图像信息。
其中，可以采用高清摄像头采集到包含指针仪表的图像信息。
102，通过神经网络模型在图像信息中定位存在指针仪表的读数区域。
其中，通过神经网络模型对图像信息进行特征提取和卷积处理，从而可以根据指针仪表在图像信息中的特征张量定位出读数区域。
103，对读数区域进行二值化处理和Blod分析，确定指针仪表的指针圆心位置和刻度位置。
其中，进行二值化处理后的读数区域仅包含0和255两种色值，因此可以将仪表刻度和仪表指针进行突出显示，从而有利于采用Blod分析确定出指针仪表在读数区域内的指针圆心位置和刻度位置。
104，基于刻度位置和指针圆心位置计算得到刻度角度范围和指针角度。
其中，利用找到的指针圆心位置建立极坐标系，通过极坐标系的变化对二值化刻度盘按极角为步长进行搜索，并记录每一个极角下，白色点的累加得分，累加得分高的区域即为指针区域和刻度区域，从而可以根据刻度区域计算出刻度角度范围，再根据刻度角度范围和极坐标系计算出指针角度。
105，基于刻度角度范围和指针角度并通过局部搜索法计算得到指针仪表的仪表读数。
本实施例的实施原理为：
采集指针仪表的图像信息后，可以通过神经网络模型深度提取图像信息中指针仪表的图像特征，从而可以在图像信息中定位出任意类型指针仪表所在的读数区域，再对读数区域进行二值化处理，以突出读数区域内的指针特征和刻度特征，即使不同类型指针仪表的指针长度、最大量程、刻度位置或刻度大小均不相同，也可以通过Blod分析确定出指针圆心位置和刻度位置，并根据指针圆心位置和刻度位置计算出刻度角度范围和指针角度，刻度角度范围决定指针仪表的最大量程，而指针角度表示当前指针仪表的读数，因此通过局部搜索法可以计算得到指针仪表当前的仪表读数。
在图1所示实施例的步骤102中，基于神经网络模型可以深度提取图像信息中的特征张量，从而可以定位出图像信息中不同尺度的仪表。具体通过图2所示实施例进行详细说明。
参照图2，通过神经网络模型定位读数区域包括如下步骤：
201，调整图像信息的尺寸，得到标准尺寸的标准图像信息。
202，利用去除全连接层的backbone主干网络对标准图像信息进行特征提取，得到标准图像信息的图像特征。
203，通过残差结构对图像特征进行卷积操作，得到标准图像信息的特征张量。
其中，通过残差结构的特征张量与上一采样张量进行拼接得到特征张量，深层网络的特征张量用于大尺度仪表的分析，浅层网路的特征张量分别用于中等尺度和小尺度仪表的分析。
204，根据特征张量在标准图像信息中定位存在指针仪表的读数区域。
本实施例的实施原理为：
在基于神经网络模型对图像信息进行处理之前，需要先将图像信息的尺寸调整为适配于神经网络模型的标准尺寸，再以去除全连接层的backbone主干网络作为特征提取器提取标准图像信息的图像特征，通过残差结构对图像特征进行卷积操作后，可以得到各个深度图像信息的特征张量，其中深层网络的特征张量可以用于大尺度仪表的分析，而浅层网路的特征张量分别用于中等尺度和小尺度仪表的分析。最后根据特征张量在标准图像信息中定位包含指针仪表的读数区域。
在图1所示实施例的步骤103中，分别从RGB颜色空间和HSV颜色空间对图像信息进行二值化处理，在分别对得到的两个二值化图像进行Blod分析，从而确定指针仪表的指针圆心位置和刻度位置。具体通过图3所示实施例进行详细说明。
参照图3，对读数区域进行二值化处理和Blod分析包括如下步骤：
301，在RGB颜色空间中对读数区域进行二值化处理，得到RBG二值化图像。
其中，采用阈值分割法对读数区域进行二值化处理。
302，将读数区域转换至HSV颜色空间，并在HSV颜色空间中对读数区域进行二值化处理，得到HSV二值化图像。
其中，采用阈值分割法对读数区域进行二值化处理。
303，对RGB二值化图像进行Blod分析，确定指针仪表的指针圆心位置。
304，对HSV二值化图像进行Blod分析，确定指针仪表的刻度位置。
本实施例的实施原理为：
由于采集到的图像信息属于RGB图像，因此先在RGB颜色空间中对读数区域进行二值化处理，再将读数区域转换至HSV颜色空间的HSV图像，再次进行二值化处理，得到两种二值化图像。在RGB颜色空间中，三个颜色分量是高度相关的，所以连续变换颜色时并不直观，因此RGB二值化图像可以更清楚的显示出指针图像，而HSV颜色空间是一种均匀性较好的颜色空间，有利于处理连续变换的颜色，指针仪表中的多个刻度的颜色与背景色结合是连续变换的，因此在HSV二值化图像中可以更清楚的显示出仪表刻度。分别对RGB二值化图像和HSV二值化图像进行Blod分析，从而可以确定出指针仪表的指针圆心位置和刻度位置。
在图3所示实施例的步骤303中，通过去噪处理、连通性分析和特征值比对等Blod分析过程，确定出指针仪表的指针圆心位置。具体通过图4所示实施例进行详细说明。
参照图4，确定指针仪表的指针圆心位置包括如下步骤：
401，将RGB二值化图像进行去噪处理。
其中，去噪处理可以去除RGB二值化图像中的噪点，从而避免噪点对连通性分析结果造成影响。
402，对去噪处理后的RGB二值化图像进行连通性分析，并识别出多个连通域。
403，计算出每个连通域的特征值。
其中，特征值包括连通域面积、连通域最大长度、连通域最大宽度等。
404，分别将各个特征值与预设的指针特征值进行比对。
405，将特征值与指针特征值相同的连通域标记为指针连通域。
406，根据指针连通域的重心确定指针仪表的指针圆心位置。
本实施例的实施原理为：
去噪处理可以去除RGB二值化图像中的干扰噪点，由于在RGB二值化图像中，指针是连续性的颜色区域，因此在连通性分析中会将指针图像识别为一个整体的连通域，又由于指针图像的长度决定了连通域的长度，因此可以根据指针特征值从所有连通域中筛选出表示指针的连通域，从而根据指针连通域的重心确定出指针仪表的指针圆心位置。
在图3所示实施例的步骤304中，通过去噪处理、连通性分析和连通域面积筛选等Blod分析过程，确定出指针仪表的刻度位置。具体通过图5所示实施例进行详细说明.
参照图5，确定指针仪表的刻度位置包括如下步骤：
501，将HSV二值化图像进行去噪处理。
其中，其中，去噪处理可以去除HSV二值化图像中的噪点，从而避免噪点对连通性分析结果造成影响。
502，对去噪处理后的HSV二值化图像进行连通性分析，并识别出多个目标连通域。
503，分别计算各个目标连通域的连通域面积。
504，从所有目标连通域中筛选出连通域面积最大的两个目标连通域作为目标刻度连通域。
505，基于预设的几何参数将两个目标刻度连通域拆分为起始刻度连通域和终止刻度连通域。
其中，当两个目标刻度连通域均处于上半部分时，通过预设的几何参数将HSV二值化图像进行垂直分离，位于左半部分的目标刻度连通域则为起始刻度连通域；当两个目标刻度连通域均处于右半部分时，通过预设的几何参数将HSV二值化图像进行水平分离，位于下半部分的目标刻度连通域则为起始刻度连通域。
506，根据起始刻度连通域和终止刻度连通域的位置确定起始刻度位置和终止刻度位置。
本实施例的实施原理为：
去噪处理可以去除HSV二值化图像中的干扰噪点，在HSV二值化图像中，每个刻度均是连续性的颜色区域，因此在连通性分析中会将各个刻度图像分别识别为单独的连通域，在指针仪表的仪表盘中，起始刻度和终止刻度线通常会比中间的刻度线更长或更宽，因此可以根据连通域面积进行筛选，最大的连通域面积所对应的刻度即为两端的刻度，再通过预设的几何参数将两个刻度连通域进行区分，拆解为起始刻度连通域和终止刻度连通域，最后根据两个连通域的位置确定读数区域中起始刻度和终止刻度的位置。
在图1所示实施例的步骤105中，结合局部搜索法、极坐标搜索算法和非极大值抑制算法计算出指针仪表的仪表读数。具体通过图6所示实施例进行详细说明。
参照图6，基于刻度角度范围和指针角度计算指针仪表的仪表读数包括如下步骤：
601，根据所述指针角度确定所述指针仪表的指针位置。
602，基于指针角度和预设的角度临界值对指针位置的临近区域进行局部整刻度搜索，得到指针临近刻度区域。
其中，角度临界值为预设的角度值，预设的角度值通常大于标准仪表盘中两个相邻整刻度之间的角度值，假设指针角度为α，角度临界值为β，则局部整刻度搜索的范围为[α+β，α-β]。
603，采用极坐标搜索算法计算指针临近刻度区域中所有整刻度的极坐标角度。
其中，利用结构体记录白色得分值，使用极坐标搜索算法时搜索的角度范围为局部整刻度搜索的范围，搜索步长为固定步长，遍历临近刻度区域中所有的像素点，若像素点的色值为0，则白色得分值加1，遍历结束后根据白色得分值定位所有整刻度，再根据以指针圆心位置建立的极坐标系计算出所有整刻度的极坐标角度。
604，基于非极大值抑制算法对所有极坐标角度进行分析筛选，得到两个目标极坐标角度。
其中，两个目标极坐标角度所对应的两个整刻度离指针位置最近且分别位于指针位置两侧。
605，结合刻度角度范围、指针角度和目标极坐标角度计算得到指针仪表的仪表读数。
本实施例的实施原理为：
先确定好指针位置，再根据指针位置进行局部整刻度搜索，找到指针位置临近的指针临近刻度区域，有利于后续计算仪表读数时进行整数部分的读取，并且可以使仪表读数精确到小数。在搜索得到指针临近刻度区域之后，先建立极坐标系并根据极坐标搜索算法计算出指针位置临近的所有整刻度的极坐标角度，两个整刻度之间为小数部分，因此确定了指针两侧最近的两个整刻度的极坐标角度之后，结合刻度量程和指针角度可以计算出较为精确的仪表读数。
在图6所示实施例的步骤605中，先分别计算出指针仪表的整刻度读数和非整刻度读数，再进行相加即可算出指针仪表的仪表读数。具体通过图7所示实施例进行详细说明。
参照图7，结合刻度角度范围、指针角度和目标极坐标角度计算仪表读数包括如下步骤：
701，基于刻度角度范围和指针角度计算得到指针仪表的整刻度读数。
其中，根据刻度角度范围确定最大量程，结合指针角度和刻度角度范围可以计算出指针位于刻度角度范围中的角度值，对计算出的角度值进行取整运算得到指针仪表的整刻度读数。
702，基于目标极坐标角度和指针角度计算得到指针仪表的非整刻数读数。
其中，通过两个目标极坐标角度确定指针仪表两个整刻度之间的角度范围，再根据指针仪表位于两个整刻度之间的角度范围中的角度值，计算出指针仪表的非整刻度读数。
703，将整刻度读数与非整数读数相加计算得到指针仪表的仪表读数。
本实施例的实施原理为：
根据刻度角度范围可以得出指针仪表的最大量程，再结合指针仪表在刻度角度范围内的指针角度大小，可以计算出指针仪表的整刻度读数，即仪表读数的整数部分。再通过两个目标极坐标角度和指针角度进行局部计算，可以计算出指针仪表的非整数读数，即仪表读数的小数部分，最后将整数部分和小数部分相加，即为指针仪表的仪表读数。
本申请实施例还公开一种基于深度学习的指针仪表读数***，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，该程序能够被处理器加载执行时实现如图1-图7所示的基于深度学习的指针仪表读数方法。
本实施例的实施原理为：
通过程序的调取，先采集指针仪表的图像信息，再通过神经网络模型深度提取图像信息中指针仪表的图像特征，从而可以在图像信息中定位出任意类型指针仪表所在的读数区域，再对读数区域进行二值化处理，以突出读数区域内的指针特征和刻度特征，即使不同类型指针仪表的指针长度、最大量程、刻度位置或刻度大小均不相同，也可以通过Blod分析确定出指针圆心位置和刻度位置，并根据指针圆心位置和刻度位置计算出刻度角度范围和指针角度，刻度角度范围决定指针仪表的最大量程，而指针角度表示当前指针仪表的读数，因此通过局部搜索法可以计算得到指针仪表当前的仪表读数。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种基于深度学习的指针仪表读数方法，其特征在于，包括如下步骤：
采集指针仪表的图像信息；
通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域；
对所述读数区域进行二值化处理和Blod分析，确定所述指针仪表的指针圆心位置和刻度位置；
基于所述刻度位置和所述指针圆心位置计算得到刻度角度范围和指针角度；
基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数。
2.根据权利要求1所述的基于深度学习的指针仪表读数方法，其特征在于，所述通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域包括如下步骤：
调整所述图像信息的尺寸，得到标准尺寸的标准图像信息；
利用去除全连接层的backbone主干网络对所述标准图像信息进行特征提取，得到所述标准图像信息的图像特征；
通过残差结构对所述图像特征进行卷积操作，得到所述标准图像信息的特征张量；
根据所述特征张量在所述标准图像信息中定位存在所述指针仪表的读数区域。
3.根据权利要求1所述的基于深度学习的指针仪表读数方法，其特征在于，所述对所述读数区域进行二值化处理和Blod分析，确定所述指针仪表的指针圆心位置和刻度位置包括如下步骤：
在RGB颜色空间中对所述读数区域进行二值化处理，得到RBG二值化图像；
将所述读数区域转换至HSV颜色空间，并在所述HSV颜色空间中对所述读数区域进行二值化处理，得到HSV二值化图像；
对所述RGB二值化图像进行Blod分析，确定所述指针仪表的指针圆心位置；
对所述HSV二值化图像进行所述Blod分析，确定所述指针仪表的刻度位置。
4.根据权利要求3所述的基于深度学习的指针仪表读数方法，其特征在于，所述对所述RGB二值化图像进行Blod分析，确定所述指针仪表的指针圆心位置包括如下步骤：
将所述RGB二值化图像进行去噪处理；
对所述去噪处理后的RGB二值化图像进行连通性分析，并识别出多个连通域；
计算出每个连通域的特征值；
分别将各个特征值与预设的指针特征值进行比对；
将所述特征值与所述指针特征值相同的连通域标记为指针连通域；
根据所述指针连通域的重心确定所述指针仪表的指针圆心位置。
5.根据权利要求3所述的基于深度学习的指针仪表读数方法，其特征在于，所述刻度位置包括起始刻度位置和终止刻度位置，所述对所述HSV二值化图像进行所述Blod分析，确定所述指针仪表的刻度位置包括如下步骤：
将所述HSV二值化图像进行去噪处理；
对所述去噪处理后的HSV二值化图像进行连通性分析，并识别出多个目标连通域；
分别计算各个目标连通域的连通域面积；
从所有目标连通域中筛选出所述连通域面积最大的两个目标连通域作为目标刻度连通域；
基于预设的几何参数将两个所述目标刻度连通域拆分为起始刻度连通域和终止刻度连通域；
根据所述起始刻度连通域和所述终止刻度连通域的位置确定所述起始刻度位置和所述终止刻度位置。
6.根据权利要求1所述的基于深度学习的指针仪表读数方法，其特征在于，所述基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数包括如下步骤：
根据所述指针角度确定所述指针仪表的指针位置；
基于所述指针角度和预设的角度临界值对所述指针位置的临近区域进行局部整刻度搜索，得到指针临近刻度区域；
采用极坐标搜索算法计算所述指针临近刻度区域中所有整刻度的极坐标角度；
基于非极大值抑制算法对所有极坐标角度进行分析筛选，得到两个目标极坐标角度，两个目标极坐标角度所对应的两个整刻度离所述指针位置最近且分别位于所述指针位置两侧；
结合所述刻度角度范围、所述指针角度和所述目标极坐标角度计算得到所述指针仪表的仪表读数。
7.根据权利要求6所述的基于深度学习的指针仪表读数方法，其特征在于，所述结合所述刻度角度范围、所述指针角度和所述目标极坐标角度计算得到所述指针仪表的仪表读数包括如下步骤：
基于所述刻度角度范围和所述指针角度计算得到所述指针仪表的整刻度读数；
基于所述目标极坐标角度和所述指针角度计算得到所述指针仪表的非整刻数读数；
将所述整刻度读数与所述非整数读数相加计算得到所述指针仪表的仪表读数。
8.一种基于深度学习的指针仪表读数***，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现如权利要求1-7中任一项所述的基于深度学习的指针仪表读数方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210118662.3A CN114550149A (zh) | 2022-02-08 | 2022-02-08 | 基于深度学习的指针仪表读数方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210118662.3A CN114550149A (zh) | 2022-02-08 | 2022-02-08 | 基于深度学习的指针仪表读数方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114550149A true CN114550149A (zh) | 2022-05-27 |
Family
ID=81673345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210118662.3A Pending CN114550149A (zh) | 2022-02-08 | 2022-02-08 | 基于深度学习的指针仪表读数方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114550149A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058390A (zh) * | 2023-08-28 | 2023-11-14 | 北京航空航天大学 | 一种高鲁棒性的圆形指针式表盘图像状态分割方法 |
-
2022
- 2022-02-08 CN CN202210118662.3A patent/CN114550149A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117058390A (zh) * | 2023-08-28 | 2023-11-14 | 北京航空航天大学 | 一种高鲁棒性的圆形指针式表盘图像状态分割方法 |
| CN117058390B (zh) * | 2023-08-28 | 2024-05-14 | 北京航空航天大学 | 一种高鲁棒性的圆形指针式表盘图像状态分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
| CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| CN109801267B (zh) | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 | |
| CN111369516B (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
| CN108711158B (zh) | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN109872303B (zh) | 表面缺陷视觉检测方法、装置和电子设备 | |
| CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
| CN108921813B (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
| CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
| CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
| CN103852034B (zh) | 一种电梯导轨垂直度检测方法 | |
| CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
| WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
| CN112734729A (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
| CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN114550149A (zh) | 基于深度学习的指针仪表读数方法及*** | |
| CN116434206A (zh) | 一种基于机器视觉技术的棉花质量性状检测方法 | |
| CN113408519B (zh) | 一种基于模板旋转匹配的指针仪表读数的方法及*** | |
| CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
| CN113269758A (zh) | 一种基于机器视觉的卷烟外观检测方法及测试装置 | |
| CN116596921B (zh) | 一种焚烧炉渣分选方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |