CN115655576B - 一种指针式压力表位移异常的自动感知方法 - Google Patents
一种指针式压力表位移异常的自动感知方法 Download PDFInfo
- Publication number
- CN115655576B CN115655576B CN202211595603.1A CN202211595603A CN115655576B CN 115655576 B CN115655576 B CN 115655576B CN 202211595603 A CN202211595603 A CN 202211595603A CN 115655576 B CN115655576 B CN 115655576B
- Authority
- CN
- China
- Prior art keywords
- pressure gauge
- characteristic
- circle center
- abnormal
- range
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000013519 translation Methods 0.000 claims abstract description 54
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及一种指针式压力表位移异常的自动感知方法,包括步骤:边缘端获取压力表的圆心特征,根据圆心特征判断压力表是否发生平移异常;若发生平移异常,则服务器端获取压力表的四项特征;若未发生平移异常,则获取压力表的固定位置特征,根据固定位置特征判断压力表是否发生旋转异常,若未发生旋转异常,则计算当前压力值;若发生旋转异常则服务器端获取压力表的四项特征,并判断是否存在任一预警情况,若存在则生成现场调试指令;若不存在则服务器端根据四项特征计算单位角度压力值,下发到边缘端,边缘端计算当前压力值。本发明解决压力表发生平移或位移时,识别压力值与实际压力值不匹配的问题。
Description
技术领域
本发明涉及燃气压力表的监控技术领域,特别涉及一种指针式压力表位移异常的自动感知方法。
背景技术
压力表在工业流程及科研领域中具有非常广泛的应用,摄像压力表体系通过在已有压力表上安装摄像头,通过图像识别技术实时识别设置在边缘端的摄像头所拍摄的压力表读数,并远传至服务器进行后续分析。
上述体系的摄像压力表识别任务均在边缘端执行,识别原理为:
(1)摄像头拍摄压力表,识别表盘上指针的方向和角度;
(2)根据指针的角度反算压力读数,
假设Ap为识别出的指针与水平方向的角度(Ap∈[0,2π]);Ac为指针初始的角度(Ac∈[0,2π]),通常Ac作为参数在建表时保存在设备的存储部件内;μ为压力表上每单位角度代表的压力值;β为指针在零点时所允许的角度误差。摄像头采集压力表表盘的图像后,识别出指针的角度Ap,并按照式(01)将其转换为修正的指针与水平方向的角度Ap`,再按照式(02)计算当前压力值。
然而在实际的运行中,由于设备维护、人为破坏等动作,造成燃气压力表和摄像头卡扣产生平移或旋转,导致参数Ac出现变化,造成识别读数出现严重问题。如图2所示,尽管图2(a)和图2(b)的读数均为0kPa,但由于摄像压力表只可识别指针与水平方向所呈角度,导致反算压力读数时出现与实际读数不匹配的问题。
发明内容
本发明的目的在于解决燃气压力表或摄像头发生平移或位移时,识别压力值与实际压力值不匹配的问题,提供一种指针式压力表位移异常的自动感知方法。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一种指针式压力表位移异常的自动感知方法,包括以下步骤:
步骤1,边缘端获取压力表的圆心特征,根据圆心特征判断压力表是否发生平移异常;若发生平移异常则执行步骤2;若未发生平移异常,则获取压力表的固定位置特征,根据固定位置特征判断压力表是否发生旋转异常,若未发生旋转异常,则计算当前压力值;若发生旋转异常则进入步骤2;
步骤2,服务器端获取压力表的四项特征,四项特征包括圆心特征、量程起始位置特征、量程终止位置特征、固定位置特征,若存在任一预警情况,则生成现场调试指令;若不存在任何预警情况,则进行步骤3;
步骤3,服务器端根据四项特征计算量程起始位置角度、单位角度压力值,并下发到边缘端,边缘端计算当前压力值。
所述步骤1中获取压力表的圆心特征,根据圆心特征判断压力表是否发生平移异常的具体步骤,包括:
步骤1-1,对摄像头采集的原始图像进行降采样,对降采样后的图像执行中值滤波,对中值滤波后的图像进行边缘计算,得到圆心边缘检测点;基于圆心边缘检测点进行霍夫圆空间投票,计算圆心,获得圆心的初步定位;
步骤1-2,将进行了降采样且具有圆心初步定位的图像还原到摄像头采集的原始图像中,重复步骤1-1,获得圆心的精确定位,从而获得压力表的圆心特征(xc,yc);
所述步骤1中获取压力表的固定位置特征,根据固定位置特征判断压力表是否发生旋转异常的具体步骤,包括:
步骤1-4,按照安装压力表时预设的固定位置特征子图的位置(x1,x2,y1,y2),从摄像头采集的原始图像中提取相同位置(x1,x2,y1,y2)的特征子图;并将提取的特征子图压缩为28×28像素的图像imgsub,将图像imgsub输入二分类卷积神经网络;
步骤1-5,根据二分类卷积神经网络输出的分类结果,若分类结果为1,则表示包含了预设的固定位置特征子图,判断压力表未发生旋转异常;若分类结果为0,则表示未包含预设的固定位置特征子图,判断压力表发生旋转异常。
所述二分类卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层;其中,
所述输入层输入像素为28×28的图像imgsub;
所述第一卷积层由6个5×5的卷积核组成,对像素为28×28的图像imgsub进行计算生成6个24×24的特征向量图;
所述第一池化层为2×2下采样,将6个24×24的特征向量图转化为6个12×12的特征向量图;
所述第二卷积层由12个5×5×6的卷积核组成,对6个12×12的特征向量图进行计算生成12个8×8的特征向量图;
所述第二池化层为2×2下采样,将12个8×8的特征向量图转化为12个4×4的特征向量图;
所述全连接层将12个4×4的特征向量图按行展开为一个列向量,后接2个输出神经元来完成对图像imgsub的分类结果。
在步骤2中获取圆心特征、固定位置特征的方式为:
将摄像头采集的原始图像预处理成分辨率为320×240的灰度图像,并通过补0后形成1×320×320的张量输入YOLO-v5深度学习模型;
经YOLO-v5深度学***、合并、检测,最终获得原始图像中的圆心特征、固定位置特征,并获取圆心特征的中心位置坐标(xc,xy)、固定位置特征的中心位置坐标(xf,yf)。
在步骤2中获取量程起始位置特征的方式为:YOLO-v5深度学习模型从固定位置特征的中心位置坐标(xf,yf)出发,顺时针寻找距离最近的数字0作为量程起始位置特征,并获取量程起始位置特征的中心位置坐标(xs,ys);
在步骤2中获取量程终止位置特征的方式为:YOLO-v5深度学习模型从固定位置特征的中心位置坐标(xf,yf)出发,逆时针寻找距离最近的数据作为量程终止位置特征,并获取量程终止位置特征的中心位置坐标(xe,ye)。
所述预警情况包括:
(1)四项特征中的某一项未能检测到,或某一项的置信度小于第一设定阈值;
(2)圆心特征的中心位置坐标(xc,yc)与原始图像的中心位置坐标(160,120)的距离大于第二设定阈值;
步骤3中服务器端根据四项特征计算量程起始位置角度、单位角度压力值的步骤,包括:
服务器端根据圆心特征的中心位置坐标(xc,xy)、量程起始位置特征的中心位置坐标(xs,ys)、量程终止位置特征的中心位置坐标(xe,ye)计算量程起始位置角度和量程终止位置角度:
其中,A0为发生平移异常和/或旋转异常后的量程起始位置角度;Ae为发生平移异常和/或旋转异常后的量程终止位置角度;
再根据量程起始位置角度和量程终止位置角度计算单位角度压力值:
其中,u为单位角度压力值;Pmax为量程最大值,Pmin为量程最小值。
步骤3中边缘端计算当前压力值步骤,包括:
边缘端识别当前的指针角度A,根据服务器端下发的量程起始位置角度A0、单位角度压力值u计算当前压力值:
其中,P为当前压力值;A为发生平移异常和/或旋转异常后识别出的指针角度。
步骤3中服务器端除了将量程起始位置角度、单位角度压力值下发到边缘端外,还要将圆心特征的中心位置坐标(xc,xy)、固定位置特征的坐标(x1`,x2`,y1`,y2`)下发到边缘端。
与现有技术相比,本发明的有益效果:
本发明将计算尽可能的放在边缘端执行,因为每个边缘端代表一个压力表,由于具有若干的压力表,如果将所有压力表的计算都放在服务器端执行,那么会大大增加服务器端的压力。所以服务器端只对边缘端判断出不在可控误差范围内的平移异常和旋转异常进行再次异常确认,即便最终服务器端判断出压力表的平移异常和旋转异常在可控范围内,都要将相应的数据下发到该边缘端,由边缘端去计算当前压力值,因此尽可能的减少了服务器端的计算压力,也减轻了边缘端与服务器端之间的通讯数据流量。
本发明通过对压力表表盘的平移和旋转的异常处理操作,可在判断表盘异常的前提下尽量通过边缘端检测矫正,对摄像压力表的运作有较大的鲁棒性提升。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明方法流程示意图;
图2为背景技术介绍存在平移或旋转时和不存在平移和旋转时摄像头拍摄的压力表原始图像,图2中的a为不存在平移或旋转时摄像头拍摄的压力表原始图像,图2中的b为存在平移或旋转时摄像头拍摄的压力表原始图像;
图3为本发明实施例步骤3计算当前压力值时的压力表表盘示意图;
图4为本发明实施例步骤1获取到圆心特征和固定位置特征的压力表表盘示意图;
图5为本发明实施例步骤2获取到四项特征的压力表表盘示意图;
图6为本发明实施例二分类卷积神经网络架构示意图;
图7为本发明实施例YOLO-v5深度学习模型的网络架构示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性,或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。另外,术语“相连”、“连接”等可以是元件之间直接相连,也可以是经由其他元件的间接相连。
请参见图2为摄像头拍摄的压力表的原始图像(注意,本实施例是将摄像头拍摄的原始图像模拟为图形的形式,但不影响对本方案的解释),其中图2(a)为未发生平移和旋转时的图像,或者图2(a)为发生轻微平移或/和旋转时的图像;图2(b)为发生严重平移或/和旋转时的图像。对于图2(a)的情况,本方案使用背景技术的方式计算当前压力值;但对于图2(b)的情况,本方案则需要自动校准或下发现场调试指令。因此,本方案通过摄像头采集到压力表的原始图像后,首先判断压力表是否发生了平移或/和旋转,再进行后续的当前压力值计算,或现场调试。
需要解释的是,请继续参见图3,其中指针所在直线OF与水平线O1O2的角度定义为指针角度。即,建表时压力表未发生平移和旋转,此处假设建表时设定摄像头拍摄的压力表原始图像中的汉字与原始图像的长边平行,且设定建表时的圆心特征(xp,yp),但不限于此种参照方式。
本发明通过下述技术方案实现,将方案分布在边缘端和服务器端执行,边缘端即为安装在现场的压力表、摄像头、处理器等,服务器端为后台的服务器,请参见图1,一种指针式压力表位移异常的自动感知方法,包括以下步骤:
步骤1,边缘端获取压力表的圆心特征,根据圆心特征判断压力表是否发生平移异常;若发生平移异常则执行步骤2;若未发生平移异常,则获取压力表的固定位置特征,根据固定位置特征判断压力表是否发生旋转异常,若未发生旋转异常,则计算当前压力值;若发生旋转异常则进入步骤2。
压力表在正常工作时,摄像头拍摄压力表的原始图像应尽量保证表盘圆心处于图像中心位置附近,从而使表盘尽可能完整展现,以提升识别准确率。但因移动造成平移后的表盘圆心将小幅度远离图像中心,此时表盘基本完整,指针的角度不会受到影响,识别功能能正常实现。然而当表盘出现大幅度平移时,甚至可能造成图像中关键部分缺失,进而无法准确识别。
请继续参见图1所示的流程图,首先判断压力表是否发生了平移异常,当压力表仅发生平移时,压力表圆心的位置会发生变化,但压力表指向0时,指针的角度是不会变化的。所以先获取摄像头采集的压力表原始图像中的圆心特征(xc,yc),圆心特征(xc,yc)的获取方式为:
步骤1-1,对摄像头采集的原始图像进行降采样,对降采样后的图像执行中值滤波,对中值滤波后的图像进行边缘计算,得到圆心边缘检测点;基于圆心边缘检测点进行霍夫圆空间投票,计算圆心,获得圆心的初步定位;
步骤1-2,将进行了降采样且具有圆心初步定位的图像还原到摄像头采集的原始图像中,重复步骤1-1,获得圆心的精确定位,从而获得压力表的圆心特征(xc,yc)。需要说明的是,获取圆心精确定位的方式请参见申请号为202211053147.8的专利文献。
步骤1-3,然后将获得的圆心特征(xc,yc)与建表时预先设定的圆心特征(xp,yp)进行比对,计算,若r大于设定的平移阈值∆r,则判断压力表发生平移异常,进入步骤2;否则,说明压力表只是发生了轻微的平移,在可计算的误差范围内,或者说明压力表未发生平移异常,因此若r小于等于设定的平移阈值∆r,则继续判断压力表是否发生旋转异常。
若表盘发生旋转,采用步骤1-1至步骤1-3检测圆心特征的方式无法判断是否发生旋转异常,但旋转后对表盘读数的影响极大,并且当表盘发生旋转时,圆心以外的特征必然发生位移,因此接着通过检测固定位置特征的方式来判断表盘是否发生旋转异常。
步骤1-4,按照建表时预设的固定位置特征子图的位置(x1,x2,y1,y2),从摄像头采集的原始图像中提取相同位置(x1,x2,y1,y2)的固定特征子图;并将提取的固定特征子图压缩为28×28像素的图像imgsub,将图像imgsub输入二分类卷积神经网络。
固定位置特征子图可以是压力表表盘上非圆心的其他目标特征,比如初始量程0附近的某个字符,或者其他。如图4所示本实施例使用虚线圆圈圈起来的是圆心特征,使用虚线方框框起来的是固定位置特征子图(在本案中也叫做固定位置特征)。提取固定位置特征子图的位置以周围像素的坐标(x1,x2,y1,y2)表示,将摄像头采集的原始图像中的相同像素坐标(x1,x2,y1,y2)所示的特征子图压缩后输入二分类卷积神经网络。
请参见图6,所述二分类卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层;其中:
所述输入层输入像素为28×28的图像imgsub;
所述第一卷积层由6个5×5的卷积核组成,对像素为28×28的图像imgsub进行计算生成6个24×24的特征向量图;
所述第一池化层为2×2下采样,将6个24×24的特征向量图转化为6个12×12的特征向量图;
所述第二卷积层由12个5×5×6的卷积核组成,对6个12×12的特征向量图进行计算生成12个8×8的特征向量图;
所述第二池化层为2×2下采样,将12个8×8的特征向量图转化为12个4×4的特征向量图;
所述全连接层将12个4×4的特征向量图按行展开为一个列向量,后接2个输出神经元来完成对图像imgsub的分类结果。
步骤1-5,根据二分类卷积神经网络输出的分类结果,若分类结果为1,则表示包含了预设的固定特征子图,判断压力表未发生旋转异常,直接通过背景技术的方案计算当前压力值;若分类结果为0,则表示未包含预设的固定特征子图,判断压力表发生旋转异常,进入步骤2。
在训练二分类卷积神经网络时,可以设定置信度阈值ε%,当采集的特征子图中包含了ε%的预设的固定特征子图,则分类结果为1,否则分类结果为0。
本方案在边缘端部署霍夫变换和浅层神经网络,识别压力表的圆心特征和固定位置特征,实现边缘端检测判断压力表是否发生平移异常和/或旋转异常。
步骤2,服务器端获取压力表的四项特征,四项特征包括圆心特征、量程起始位置特征、量程终止位置特征、固定位置特征,若存在任一预警情况,则生成现场调试指令;若不存在任何预警情况,则进行步骤3。
请参见图7为服务器端中搭载的YOLO-v5深度学习模型的网络架构示意图,获取圆心特征、固定位置特征的方式为:
将摄像头采集的原始图像预处理成分辨率为320×240的灰度图像,并通过补0后形成1×320×320的张量输入YOLO-v5深度学***、合并、检测,最终获得原始图像中的圆心特征、固定位置特征,并获取圆心特征的中心位置坐标(xc,xy)、固定位置特征的中心位置坐标(xf,yf)。
获取量程起始位置特征的方式为:YOLO-v5深度学习模型从固定位置特征的中心位置坐标(xf,yf)出发,顺时针寻找距离最近的数字0作为量程起始位置特征,并获取量程起始位置特征的中心位置坐标(xs,ys)。
获取量程终止位置特征的方式为:YOLO-v5深度学习模型从固定位置特征的中心位置坐标(xf,yf)出发,逆时针寻找距离最近的数据作为量程终止位置特征,并获取量程终止位置特征的中心位置坐标(xe,ye)。
请参见图5中标记出的位置,是由YOLO-v5深度学习模型输出圆心特征的中心位置坐标(xc,xy)、固定位置特征的中心位置坐标(xf,yf)、量程起始位置特征的中心位置坐标(xs,ys)、量程终止位置特征的中心位置坐标(xe,ye)。
若出现以下四种中任一种预警情况,则生成现场调试指令,以派工程师到现场调试:
(1)四项特征中的某一项未能检测到,或某一项的置信度小于第一设定阈值;
(2)圆心特征的中心位置坐标(xc,yc)与原始图像的中心位置坐标(160,120)的距离大于第二设定阈值;
上述所说第一设定阈值、第二设定阈值、第三设定阈值可根据实际情况预先设定。
如果不存在上述四种中任何一种预警情况,则说明此次压力表发生的平移异常和/或旋转异常可以依靠本方案自动校准,继而进入步骤3计算当前压力值,无需工程师到现场调试。
步骤3,服务器端根据四项特征计算量程起始位置角度、单位角度压力值,并下发到边缘端,边缘端计算当前压力值。
请参见图3为本步骤中各角度的示意图,服务器端根据获取的圆心特征的中心位置坐标(xc,xy)、量程起始位置特征的中心位置坐标(xs,ys)、量程终止位置特征的中心位置坐标(xe,ye)计算量程起始位置角度和量程终止位置角度:
再根据量程起始位置角度和量程终止位置角度计算单位角度压力值:
其中,u为单位角度压力值;Pmax为量程最大值,即0kPa,Pmin为量程最小值,即25kPa。
服务器端将量程起始位置角度A0、单位角度压力值u下发到边缘端,由边缘端计算当前压力值:
综上,本发明首先在边缘端初步判断是否发生平移异常或旋转异常,如果未发生平移异常和旋转异常,或发生的平移异常和旋转异常在可控误差范围内,则按照背景技术中的方式计算当前压力值;否则由服务器端采集压力表原始图像,通过YOLO-v5深度学***移异常和/或旋转异常是否在服务器端的计算可控范围内,如果在的话,则根据识别出的四项特征计算出单位角度压力值后,交由边缘端继续计算当前压力值,否则派工程师到现场调试。
更进一步地,服务器端除了将计算出来的起始量程角度A0、单位角度压力值u下发到边缘端以外,还要向边缘端下发圆心特征的中心位置坐标(xc,xy)、固定位置特征的坐标(x1`,x2`,y1`,y2`),边缘端在之后的识别过程时,根据更新的圆心特征的中心位置坐标(xc,xy)、固定位置特征的坐标(x1`,x2`,y1`,y2`)判断压力表是否发生平移异常和/或旋转异常。
其中固定位置特征的坐标(x1`,x2`,y1`,y2`)在服务器端的YOLO-v5深度学习模型输出固定位置特征的中心位置坐标(xf,yf)前,会先得到固定位置特征的坐标(x1`,x2`,y1`,y2`)。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种指针式压力表位移异常的自动感知方法,其特征在于:包括以下步骤:
步骤1,边缘端获取压力表的圆心特征,根据圆心特征判断压力表是否发生平移异常;若发生平移异常则执行步骤2;若未发生平移异常,则获取压力表的固定位置特征,根据固定位置特征判断压力表是否发生旋转异常,若未发生旋转异常,则计算当前压力值;若发生旋转异常则进入步骤2;
所述步骤1中获取压力表的圆心特征,根据圆心特征判断压力表是否发生平移异常的具体步骤,包括:
步骤1-1,对摄像头采集的原始图像进行降采样,对降采样后的图像执行中值滤波,对中值滤波后的图像进行边缘计算,得到圆心边缘检测点;基于圆心边缘检测点进行霍夫圆空间投票,计算圆心,获得圆心的初步定位;
步骤1-2,将进行了降采样且具有圆心初步定位的图像还原到摄像头采集的原始图像中,重复步骤1-1,获得圆心的精确定位,从而获得压力表的圆心特征(xc,yc);
所述步骤1中获取压力表的固定位置特征,根据固定位置特征判断压力表是否发生旋转异常的具体步骤,包括:
步骤1-4,按照安装压力表时预设的固定位置特征子图的位置(x1,x2,y1,y2),从摄像头采集的原始图像中提取相同位置(x1,x2,y1,y2)的特征子图;并将提取的特征子图压缩为28×28像素的图像imgsub,将图像imgsub输入二分类卷积神经网络;
步骤1-5,根据二分类卷积神经网络输出的分类结果,若分类结果为1,则表示包含了预设的固定位置特征子图,判断压力表未发生旋转异常;若分类结果为0,则表示未包含预设的固定位置特征子图,判断压力表发生旋转异常;
步骤2,服务器端获取压力表的四项特征,四项特征包括圆心特征、量程起始位置特征、量程终止位置特征、固定位置特征,若存在任一预警情况,则生成现场调试指令;若不存在任何预警情况,则进行步骤3;
步骤3,服务器端根据四项特征计算量程起始位置角度、单位角度压力值,并下发到边缘端,边缘端计算当前压力值。
2.根据权利要求1所述的一种指针式压力表位移异常的自动感知方法,其特征在于:所述二分类卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层;其中,
所述输入层输入像素为28×28的图像imgsub;
所述第一卷积层由6个5×5的卷积核组成,对像素为28×28的图像imgsub进行计算生成6个24×24的特征向量图;
所述第一池化层为2×2下采样,将6个24×24的特征向量图转化为6个12×12的特征向量图;
所述第二卷积层由12个5×5×6的卷积核组成,对6个12×12的特征向量图进行计算生成12个8×8的特征向量图;
所述第二池化层为2×2下采样,将12个8×8的特征向量图转化为12个4×4的特征向量图;
所述全连接层将12个4×4的特征向量图按行展开为一个列向量,后接2个输出神经元来完成对图像imgsub的分类结果。
3.根据权利要求1所述的一种指针式压力表位移异常的自动感知方法,其特征在于:在步骤2中获取圆心特征、固定位置特征的方式为:
将摄像头采集的原始图像预处理成分辨率为320×240的灰度图像,并通过补0后形成1×320×320的张量输入YOLO-v5深度学习模型;
经YOLO-v5深度学***、合并、检测,最终获得原始图像中的圆心特征、固定位置特征,并获取圆心特征的中心位置坐标(xc,xy)、固定位置特征的中心位置坐标(xf,yf)。
4.根据权利要求3所述的一种指针式压力表位移异常的自动感知方法,其特征在于:
在步骤2中获取量程起始位置特征的方式为:YOLO-v5深度学习模型从固定位置特征的中心位置坐标(xf,yf)出发,顺时针寻找距离最近的数字0作为量程起始位置特征,并获取量程起始位置特征的中心位置坐标(xs,ys);
在步骤2中获取量程终止位置特征的方式为:YOLO-v5深度学习模型从固定位置特征的中心位置坐标(xf,yf)出发,逆时针寻找距离最近的数据作为量程终止位置特征,并获取量程终止位置特征的中心位置坐标(xe,ye)。
8.根据权利要求3所述的一种指针式压力表位移异常的自动感知方法,其特征在于:步骤3中服务器端除了将量程起始位置角度、单位角度压力值下发到边缘端外,还要将圆心特征的中心位置坐标(xc,xy)、固定位置特征的坐标(x1`,x2`,y1`,y2`)下发到边缘端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595603.1A CN115655576B (zh) | 2022-12-13 | 2022-12-13 | 一种指针式压力表位移异常的自动感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595603.1A CN115655576B (zh) | 2022-12-13 | 2022-12-13 | 一种指针式压力表位移异常的自动感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115655576A CN115655576A (zh) | 2023-01-31 |
CN115655576B true CN115655576B (zh) | 2023-03-10 |
Family
ID=85018838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595603.1A Active CN115655576B (zh) | 2022-12-13 | 2022-12-13 | 一种指针式压力表位移异常的自动感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115655576B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426809A (zh) * | 2015-08-18 | 2016-03-23 | 张大堃 | 一种仪表指针自动识别的方法 |
CN105741307A (zh) * | 2016-03-03 | 2016-07-06 | 深圳元启智能技术有限公司 | 一种指针式压力表读数自动识别方法 |
CN106056529A (zh) * | 2015-04-03 | 2016-10-26 | 阿里巴巴集团控股有限公司 | 一种对用于图片识别的卷积神经网络训练的方法与设备 |
CN106529559A (zh) * | 2016-12-30 | 2017-03-22 | 山东鲁能软件技术有限公司 | 一种指针式圆形多仪表盘实时读数识别方法 |
JP2020160691A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社フュージョンテク | 遠隔メータ読取コンピュータ、その方法及びプログラム |
CN114093007A (zh) * | 2021-11-29 | 2022-02-25 | 云知声(上海)智能科技有限公司 | 双目摄像头人脸图像异常监测的方法及*** |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005032028A (ja) * | 2003-07-07 | 2005-02-03 | Ntt Power & Building Facilities Inc | 指針回転式メータの指針値読取方法、指針回転式メータの指針値読取装置及びメータ指針値読取プログラム |
US8764450B2 (en) * | 2008-02-15 | 2014-07-01 | Carla M. Pugh | Clinical assessment and training system |
US9020229B2 (en) * | 2011-05-13 | 2015-04-28 | Broncus Medical, Inc. | Surgical assistance planning method using lung motion analysis |
IN2014DN06211A (zh) * | 2014-02-03 | 2015-10-23 | Prosper Creative Co Ltd | |
US10108874B2 (en) * | 2017-03-06 | 2018-10-23 | Intelligent Security Systems Corporation | Systems and methods for evaluating readings of gauge dials |
CN107239742B (zh) * | 2017-05-11 | 2020-06-09 | 安徽慧视金瞳科技有限公司 | 一种仪表指针刻度值计算方法 |
CN110807458A (zh) * | 2019-10-24 | 2020-02-18 | 深圳市嘉繁科技有限公司 | 一种指针式仪表自动读数方法 |
CN111521321A (zh) * | 2020-05-08 | 2020-08-11 | 北京京仪仪器仪表研究总院有限公司 | 一种指针式压力表智能检定***及方法 |
CN113516850B (zh) * | 2021-09-14 | 2021-11-12 | 成都千嘉科技有限公司 | 基于空间句法分析的管道沿线交通流量数据采集方法 |
CN114549981A (zh) * | 2022-02-11 | 2022-05-27 | 国网河南省电力公司电力科学研究院 | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 |
CN115082658A (zh) * | 2022-04-14 | 2022-09-20 | 华能阜新风力发电有限责任公司 | 一种指针表读数的识别方法及装置 |
CN114757922A (zh) * | 2022-04-19 | 2022-07-15 | 河南中原动力智能制造有限公司 | 一种应用于指针式压力表的仪表读数方法及装置 |
CN114898198A (zh) * | 2022-05-19 | 2022-08-12 | 中国计量大学 | 一种用于指针式压力表自动读数的图像处理方法 |
CN114663744A (zh) * | 2022-05-24 | 2022-06-24 | 西安石油大学 | 基于机器学习的仪表自动识别方法及*** |
CN115424277A (zh) * | 2022-08-04 | 2022-12-02 | 浙江大华技术股份有限公司 | 指针仪表读数识别方法、装置、计算机设备和存储介质 |
CN115457556A (zh) * | 2022-08-11 | 2022-12-09 | 中核武汉核电运行技术股份有限公司 | 一种核电厂圆盘指针式仪表读数方法 |
CN115049916A (zh) * | 2022-08-17 | 2022-09-13 | 四川金信石信息技术有限公司 | 一种指针式仪表读数识别方法及识别装置 |
CN115222817B (zh) * | 2022-08-31 | 2022-11-29 | 成都千嘉科技股份有限公司 | 一种指针式压力表的指针定位方法 |
CN115601743A (zh) * | 2022-12-13 | 2023-01-13 | 南京瀚元科技有限公司(Cn) | 一种配电房指针型仪器示数自动读数识别方法 |
-
2022
- 2022-12-13 CN CN202211595603.1A patent/CN115655576B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056529A (zh) * | 2015-04-03 | 2016-10-26 | 阿里巴巴集团控股有限公司 | 一种对用于图片识别的卷积神经网络训练的方法与设备 |
CN105426809A (zh) * | 2015-08-18 | 2016-03-23 | 张大堃 | 一种仪表指针自动识别的方法 |
CN105741307A (zh) * | 2016-03-03 | 2016-07-06 | 深圳元启智能技术有限公司 | 一种指针式压力表读数自动识别方法 |
CN106529559A (zh) * | 2016-12-30 | 2017-03-22 | 山东鲁能软件技术有限公司 | 一种指针式圆形多仪表盘实时读数识别方法 |
JP2020160691A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社フュージョンテク | 遠隔メータ読取コンピュータ、その方法及びプログラム |
CN114093007A (zh) * | 2021-11-29 | 2022-02-25 | 云知声(上海)智能科技有限公司 | 双目摄像头人脸图像异常监测的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115655576A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130070099A1 (en) | Image based dial gauge reading | |
CN111814740B (zh) | 指针仪表读数的识别方法、装置、计算机设备和存储介质 | |
JP6786874B2 (ja) | 針式メータ検出装置、方法およびプログラム | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别*** | |
CN114005108A (zh) | 一种基于坐标变换的指针式仪表度数识别方法 | |
CN115655576B (zh) | 一种指针式压力表位移异常的自动感知方法 | |
CN109034151A (zh) | 一种用于多个指针式仪表识别的定位方法 | |
CN113298725A (zh) | 一种轮船图标图像叠加误差的纠正方法 | |
KR102642691B1 (ko) | 계기판 이미지 왜곡 및 촬영 장치 왜곡을 보정하는 계측값 인식 장치 | |
CN115474108B (zh) | 一种基于边缘计算的事件监控***及监控方法 | |
CN115222817B (zh) | 一种指针式压力表的指针定位方法 | |
CN116051809A (zh) | 一种基于深度学习的六氟化硫仪表读数识别方法及设备 | |
CN115601713A (zh) | 一种汽包水位图像识别方法及其装置 | |
WO2015086076A1 (en) | Method for determining a similarity value between a first image and a second image | |
US11238267B1 (en) | Distorted fingerprint matching using pose and minutia grouping | |
CN113111849A (zh) | 人体关键点检测方法、装置、***与计算机可读介质 | |
CN114022873A (zh) | 仪表状态检测方法、电子设备及存储介质 | |
CN114218860A (zh) | 一种基于机器学习的激光雷达测风运动补偿方法和*** | |
CN114067123A (zh) | 仪表自动识别***、识别方法及计算机可读取的存储介质 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN112308061A (zh) | 一种车牌字符排序方法、识别方法及装置 | |
Trairattanapa et al. | Real-time multiple analog gauges reader for an autonomous robot application | |
Wang et al. | The comparison of canny and structured forests edge detection application in precision identification of pointer instrument | |
CN118096742B (zh) | 一种基于角点检测和三维建模技术的贴片机吸嘴检测方法 |
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 |