CN114913316B - 工业设备表计识别的图像分类方法、装置、电子设备和存储介质 - Google Patents
工业设备表计识别的图像分类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114913316B CN114913316B CN202210344313.3A CN202210344313A CN114913316B CN 114913316 B CN114913316 B CN 114913316B CN 202210344313 A CN202210344313 A CN 202210344313A CN 114913316 B CN114913316 B CN 114913316B
- Authority
- CN
- China
- Prior art keywords
- image
- meter
- value
- mode
- formula
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像识别技术领域,特别涉及一种工业设备表计识别的全天候图像分类方法、装置、电子设备和存储介质,所述图像分类方法包括:将图像采集单元采集到的图像中的所有二维像素点进行灰度化转化,转化为以灰度值形式表示为f(x,y)的基础分布;接着对f(x,y)进行二维图像的频谱变换以获得相应的空间灰度矩阵;再分别计算得到所采集图像的平均灰度随时间变化趋势、图像功率谱变化趋势以及高斯权重矩阵秩变化趋势,并以上述三个方面的趋势变化判定工业表计识别是否处于全天候中的弱光时段,从而转化相应的图像采集策略;通过本发明提供的方法来决定图像采集单元在红外模式与可见光模式之间切换,确保了工业设备表计识别的准确性。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种工业设备表计识别的全天候图像分类方法、装置、电子设备和存储介质。
背景技术
近年来,我国的中大型工业生产企业(能源、电力、化工、冶炼、机械加工等)面临着新时期转型发展的需求。对于该类生产企业而言,在其流程生产体系中必不可少的需要使用各类大小工业设备以完成全流程生产、加工等步骤,大小工业设备的可靠性、稳定性是关乎生产质量、成本等要素的关键影响因素。除了远传的仪表数据以外,大量就地仪表的数据往往需要人工巡检记录,通过采用在工业现场加装摄像头的方式,用图像采集相应设备表计读数,从而最终实现工业现场的智能巡检。然而采用摄像头巡检会遇到环境光照不稳定的因素影响,尤其当室外天气因素不稳定或现场光源不足等情况发生时,摄像头为了获得足够曝光度而延长了快门时间,从而用于识别表计的图片将会出现颗粒化现象。为了降低上述情况的影响,需要对用于表计识别的图片进行全天候的图片分类从而更好完成对于表计的识别过程。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种工业设备表计识别的全天候图像分类方法,通过该图像分类方法,使得在光线不足的情况下及时转变相应的图像采集策略,以确保表计识别的准确性。
为了实现上述目的,本发明第一方面提供了一种工业设备表计识别的全天候图像分类方法,所述图像分类方法包括:在对工业设备表计进行识别的过程中,将图像采集单元采集到的图像中的所有二维像素点进行灰度化转化,转化为以灰度值形式表示为f(x,y)的基础分布,其中x,y分别代表所采集图像的尺寸M×N对应的位置点,且0≤x≤M,0≤y≤N;接着对f(x,y)进行二维图像的频谱变换以获得相应的空间灰度矩阵;再分别计算得到所采集图像的平均灰度随时间变化趋势、图像功率谱变化趋势以及高斯权重矩阵秩变化趋势,并以上述三个方面的趋势变化判定工业表计识别是否处于全天候中的弱光时段,从而转化相应的图像采集策略。
在进一步的技术方案中,对f(x,y)按照式1-1)的规则转化为灰度图,再根据式1-2)的规则获取图像的平均灰度水平F(x,y);
f(x,y)=(x+y) 1-1)
在进一步的技术方案中,对f(x,y)按照式2)的规则进行频谱变换:
其中u=0,1,2,…,M-1;v=0,1,2,…,N-1;
u,v分别代表傅里叶频谱变换过程后,在频率域上x,y方向上的元素;
j为傅里叶变换中采用欧拉变换的虚部;
然后将频谱变换后的F(u,v)按照式3)进行功率谱分析:
P(u,v)=|F(u,v)|2 3)。
在进一步的技术方案中,对所采集的图像进行逐点高斯模糊化处理,获取图像的高斯权重矩阵,所述图像的尺寸为M×N;设定用于处理的高斯核大小为3×3,则有核矩阵为式4):
(-1,1) | (0,1) | (1,1) |
(-1,0) | (0,0) | (1,0) |
(-1,-1) | (0,-1) | (1,-1) |
4);
将式4)中的(x,y)坐标值结合核矩阵中对应各点的像素值大小,代入中,获得高斯权重矩阵,并根据初等行变换求取高斯模糊化矩阵后的秩大小,所述秩设为g(x,y),其中,σ为图像像素(x,y)在进行统计后得到的标准差;
再根据式5)获得图像的秩水平:
K=sig(F)+sig(G)+sig(P);
当K值<2时,将图像采集单元的采集模式调整为红外图像模式;
当K值≥2时,将图像采集单元的采集模式调整为可见光模式。
本发明第二方面提供了一种工业设备表计识别的全天候图像分类装置,包括:
图像采集模块,用于采集待识别工业设备的表计图像;
计算模块,其具有平均灰度水平计算单元、图像功率谱计算单元和图像的秩水平计算单元,分别用于计算所述图像采集模块采集到的图像的平均灰度水平、图像功率谱和图像的秩水平;
以及用于计算K值的K值计算单元,其中,
K=sig(F)+sig(G)+sig(P);
其中,F低为图像的平均灰度水平的阈值,P高为功率谱的阈值,G低为秩水平的阈值;
判断模块,用于判断K值大小,若K值<2时,将图像采集模块的采集模式调整为红外图像模式;
当K值≥2时,将图像采集模块的采集模式调整为可见光模式。
本发明第三方面提供了一种电子设备,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计算机程序,所述的处理器执行所述计算机程序时实现上述的图像分类方法。
本发明第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的图像分类方法。
与现有技术相比,本发明具有以下技术效果:
本发明提供的图像分类方法,通过对图像采集单元采集到的图像进行处理,并进一步从图像的平均灰度水平、图像功率谱以及图像的秩水平来判断该图像是否能够满足工业设备表计识别的要求,进而决定图像采集单元在红外模式与可见光模式之间切换,以确保工业设备表计识别的准确性。
本发明的其他特征和优点将在随后的具体实施方式中予以详细说明。
附图说明
图1示出为根据本发明具体实施方式提供的一种工业设备表计识别的全天候图像分类方法的流程图;
图2示出为根据本发明具体实施方式提供的一种工业设备表计识别的全天候图像分类装置的示意图;
图3示出为在可见光模式下工业设备表计示数清晰图片;
图4示出为图3中工业设备在光线不足条件时,可见光模式下采集到模糊图片;
图5示出为图4中相同光线条件下,基于本发明提供的图像分类方法后切换到红外模式下采集到的清晰图片。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体附图,进一步阐明本发明。
针对现有技术中,在对工业设备进行表计识别的过程中,因受到光照条件的变化影响,在单一图像采集模式下,例如可见光模式下,在光照不足时,采集到的图像不够清楚,无法准确实现表计识别;而现有图像采集设备为了获得足够曝光度而延长快门时间时,采集到的用于表计识别的图像将出现颗粒化现象,仍无法准确识别出表计读数这一技术问题。
本发明提供了一种全天候图像分类方法,通过对采集到的图像进行分析处理,以判断出当前光照水平,进而决定是否切换图像采集模式,以确保采集到的图像能够满足标表计识别的要求。
请参阅图1,本发明提供的全天候图像分类方法包括以下步骤:
S1:在对工业设备表计进行识别的过程中,将图像采集单元采集到的图像中的所有二维像素点进行灰度化转化,转化为以灰度值形式表示为f(x,y)的基础分布;其中x,y分别代表所采集图像的尺寸M×N对应的位置点,且0≤x≤M,0≤y≤N;
S2:对f(x,y)进行二维图像的频谱变换以获得相应的空间灰度矩阵;
S3:分别计算得到所采集图像的平均灰度随时间变化趋势、图像功率谱变化趋势以及高斯权重矩阵秩变化趋势,并以上述三个方面的趋势变化判定工业表计识别是否处于全天候中的弱光时段,从而转化相应的图像采集策略。
具体的,本发明中,在确定平均灰度水平的过程中,对f(x,y)按照式1-1)的规则转化为灰度图,再根据式1-2)的规则获取图像的平均灰度水平F(x,y);
f(x,y)=(x+y) 1-1)
本发明中,在确定图像功率谱的过程中,对f(x,y)按照式2)的规则进行频谱变换:
其中u=0,1,2,…,M-1;v=0,1,2,…,N-1;
u,v分别代表傅里叶频谱变换过程后,在频率域上x,y方向上的元素;
j为傅里叶变换中采用欧拉变换的虚部;
然后将频谱变换后的F(u,v)按照式3)进行功率谱分析:
P(u,v)=|F(u,v)|2 3)。
在确定高斯权重矩阵秩变化趋势的过程中,对所采集的图像进行逐点高斯模糊化处理,获取图像的高斯权重矩阵,所述图像的尺寸为M×N;
设定用于处理的高斯核大小为3×3,则有核矩阵为式4):
(-1,1) | (0,1) | (1,1) |
(-1,0) | (0,0) | (1,0) |
(-1,-1) | (0,-1) | (1,-1) |
4);
将式4)中的(x,y)坐标值结合核矩阵中对应各点的像素值大小,代入中,获得高斯权重矩阵,并根据初等行变换求取高斯模糊化矩阵后的秩大小,所述秩设为g(x,y),其中,σ为图像像素(x,y)在进行统计后得到的标准差;
再根据式5)获得图像的秩水平:
按照式6)原则进行判断:
K=sig(F)+sig(G)+sig(P);
当K值<2时,说明此时环境光线出现不足,工业设备表计的示数不够清晰;此时需要将图像采集单元的采集模式调整为红外图像模式;当K值≥2时,说明可见光模式下就已经能看清工业设备表计清晰的示数,进而将图像采集单元的采集模式调整为可见光模式。
结合图2所示,本发明还提供了一种工业设备表计识别的全天候图像分类装置,所述装置包括图像采集模块、计算模块和判断模块;
其中,所述图像采集模块用于采集待识别工业设备的表计图像,所述图像采集模块可采用本领域人员所常用的相机、摄像头等具有拍照功能的终端,通过设置一定的快门模式、曝光度和对焦水平等参数,获得待识别的工业设备的表计图像,具体可参阅图3中,即通过相机在可见光模式下采集到工业设备的表计图像。
所述计算模块具有平均灰度水平计算单元、图像功率谱计算单元和图像的秩水平计算单元,分别用于计算所述图像采集模块采集到的图像的平均灰度水平、图像功率谱和图像的秩水平;以及用于计算K值的K值计算单元,其中,
K=sig(F)+sig(G)+sig(P);
其中,F低为图像的平均灰度水平的阈值,P高为功率谱的阈值,G低为秩水平的阈值;
所述判断模块,用于判断K值大小,若K值<2时,将图像采集模块的采集模式调整为红外图像模式;
当K值≥2时,将图像采集模块的采集模式调整为可见光模式。
通过上述装置来判断当前环境光线水平,进而决定图像采集模块的采集模式,以获得清晰的表计图像,再利用表计识别程序来识别出相应的读数,所述表计识别程序为本领域人员所公知的,本发明在此不做赘述。
在本发明的一个具体的实施例中,如图3所示为可见光模式下工业设备表计示数清晰图片;
如图4所示为图3中表计在光线不足条件时,可见光模式下采集到模糊图片,该图片质量无法用于表计读数的确定。
如图5所示为图4中相同光线条件下,通过本发明提供图像分类方法进行判定后,切换到红外模式下采集到的工业表计读数的清晰图片,该图片质量可用于表计读数的确定。
以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种工业设备表计识别的全天候图像分类方法,其特征在于,所述图像分类方法包括:
在对工业设备表计进行识别的过程中,将图像采集单元采集到的图像中的所有二维像素点进行灰度化转化,转化为以灰度值形式表示为f(x,y)的基础分布,其中x,y分别代表所采集图像的尺寸M×N对应的位置点,且0≤x≤M,0≤y≤N;
接着对f(x,y)进行二维图像的频谱变换以获得相应的空间灰度矩阵;再分别计算得到所采集图像的平均灰度随时间变化趋势、图像功率谱变化趋势以及高斯权重矩阵秩变化趋势,并以上述三个方面的趋势变化判定工业表计识别是否处于全天候中的弱光时段,从而转化相应的图像采集策略;
对f(x,y)按照式1-1)的规则转化为灰度图,再根据式1-2)的规则获取图像的平均灰度水平F(x,y);
f(x,y)=(x+y) 1-1)
对f(x,y)按照式2)的规则进行频谱变换:
其中u=0,1,2,…,M-1;v=0,1,2,…,N-1;
u,v分别代表傅里叶频谱变换过程后,在频率域上x,y方向上的元素;
j为傅里叶变换中采用欧拉变换的虚部;
然后将频谱变换后的F(u,v)按照式3)进行功率谱分析:
P(u,v)=|F(u,v)|2 3);
对所采集的图像进行逐点高斯模糊化处理,获取图像的高斯权重矩阵,所述图像的尺寸为M×N;设定用于处理的高斯核大小为3×3,则有核矩阵为式4):
4);
将式4)中的(x,y)坐标值结合核矩阵中对应各点的像素值大小,代入中,获得高斯权重矩阵,并根据初等行变换求取高斯模糊化矩阵后的秩大小,所述秩设为g(x,y),其中,σ为图像像素(x,y)在进行统计后得到的标准差;
再根据式5)获得图像的秩水平:
当K值<2时,将图像采集单元的采集模式调整为红外图像模式;
当K值≥2时,将图像采集单元的采集模式调整为可见光模式。
3.一种电子设备,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计算机程序,其特征在于,所述的处理器执行所述计算机程序时实现权利要求1-2任意一项所述的方法。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-2任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344313.3A CN114913316B (zh) | 2022-04-02 | 2022-04-02 | 工业设备表计识别的图像分类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344313.3A CN114913316B (zh) | 2022-04-02 | 2022-04-02 | 工业设备表计识别的图像分类方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913316A CN114913316A (zh) | 2022-08-16 |
CN114913316B true CN114913316B (zh) | 2023-04-07 |
Family
ID=82763265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344313.3A Active CN114913316B (zh) | 2022-04-02 | 2022-04-02 | 工业设备表计识别的图像分类方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913316B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660437B2 (en) * | 1992-05-05 | 2010-02-09 | Automotive Technologies International, Inc. | Neural network systems for vehicles |
US8505108B2 (en) * | 1993-11-18 | 2013-08-06 | Digimarc Corporation | Authentication using a digital watermark |
US20020071140A1 (en) * | 1998-06-03 | 2002-06-13 | Takashi Suzuki | Threshold matrix, and method and apparatus of reproducing gray levels using threshold matrix |
CN100341658C (zh) * | 2005-07-04 | 2007-10-10 | 中国航空工业第一集团公司北京航空制造工程研究所 | 一种高能束流焊接过程多信号融合监测仪 |
CN103927507A (zh) * | 2013-01-12 | 2014-07-16 | 山东鲁能智能技术有限公司 | 一种改进的变电站巡检机器人的多仪表读数识别方法 |
CN106548492A (zh) * | 2016-09-30 | 2017-03-29 | 上海联影医疗科技有限公司 | 确定匹配点对的方法及装置、图像获取方法 |
CN109804119B (zh) * | 2016-12-30 | 2021-03-19 | 同济大学 | 基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN109815970B (zh) * | 2018-12-21 | 2023-04-07 | 平安科技(深圳)有限公司 | 翻拍图像的识别方法、装置、计算机设备和存储介质 |
CN113076802B (zh) * | 2021-03-04 | 2022-06-07 | 国网湖北省电力有限公司超高压公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
-
2022
- 2022-04-02 CN CN202210344313.3A patent/CN114913316B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114913316A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401324A (zh) | 图像质量评估方法、装置、存储介质及电子设备 | |
CN112508887B (zh) | 一种图像清晰度评价方法、***、存储介质、设备及应用 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及*** | |
Pan et al. | No-reference assessment on haze for remote-sensing images | |
CN108230412B (zh) | 一种红外图像压缩方法及装置 | |
CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和*** | |
WO2019010932A1 (zh) | 一种利于模糊核估计的图像区域选择方法和*** | |
CN112070682A (zh) | 图像亮度补偿的方法和装置 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测***及方法 | |
CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
Varjo et al. | Image based visibility estimation during day and night | |
CN113965814A (zh) | 基于视频会议场景的多会场关键帧提取方法及*** | |
CN114913316B (zh) | 工业设备表计识别的图像分类方法、装置、电子设备和存储介质 | |
CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及*** | |
CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及*** | |
CN115760653B (zh) | 图像校正方法、装置、设备及可读存储介质 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN111612766B (zh) | 图像质量评价方法、装置和电子设备 | |
CN115620119A (zh) | 一种天气类型图像检测及雾天图像处理方法及装置 | |
CN109660863B (zh) | 视觉关注区域检测方法、装置、设备及计算机存储介质 | |
CN114764771A (zh) | 一种图像质量评价方法、装置、设备、芯片及存储介质 | |
CN112001905A (zh) | 基于图像处理的家居产品破损检测***及检测方法 | |
CN117726666B (zh) | 跨相机单目图片度量深度估计方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |