CN110909738A - 一种基于关键点检测的指针仪表自动读数方法 - Google Patents

一种基于关键点检测的指针仪表自动读数方法 Download PDF

Info

Publication number
CN110909738A
CN110909738A CN201911119848.5A CN201911119848A CN110909738A CN 110909738 A CN110909738 A CN 110909738A CN 201911119848 A CN201911119848 A CN 201911119848A CN 110909738 A CN110909738 A CN 110909738A
Authority
CN
China
Prior art keywords
pointer
key point
reading
point detection
instrument
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
Application number
CN201911119848.5A
Other languages
English (en)
Inventor
齐冬莲
方翌啸
闫云凤
李启
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Far Mdt Infotech Ltd
Original Assignee
Hangzhou Far Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Far Mdt Infotech Ltd filed Critical Hangzhou Far Mdt Infotech Ltd
Priority to CN201911119848.5A priority Critical patent/CN110909738A/zh
Publication of CN110909738A publication Critical patent/CN110909738A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于关键点检测的指针仪表自动读数方法。采集指针型仪表的正面RGB图像，并构建基于改进掩膜区域卷积神经网络的关键点检测网络；将已知仪表读数的指针型仪表的正面RGB图像及其读数输入到关键点检测网络进行训练，对待测对象进行预测获得定位位置和表盘上刻度线和指针的关键点；基于检测到的关键点拟合刻度线构成的圆弧以及指针所在的直线；最后根据指针所在的直线和刻度线构成的圆弧之间的相对角度自动计算指针型仪表的读数。本发明能够实现指针型仪表的自动读数，具有很好的精度以及鲁棒性，可以适用于多种类型的指针型仪表，具有重要的工程价值和意义。

Description

一种基于关键点检测的指针仪表自动读数方法
技术领域
本发明涉及一种指针仪表自动读数方法，尤其是涉及一种基于关键点检测的指针仪表自动读数方法。
背景技术
指针式仪表因为其良好的实用性、高可靠性以及低成本的优势，目前被广泛应用在电力系统、石油化工以及其他的传统行业中。以电力系统中的变电站为例，出于安全的考虑，在变电站中有很多指针式仪表监控着设备的温度及气压等状态。目前变电站巡检人员需要每天去记录各个仪表的读数，确保设备处于正常的运行状态，这种低劳动价值的工作十分耗时，并且是对人力资源的极大浪费。最近，随着智能电网概念的提出，变电站的操作和运维技术都朝着智能化的方向发展。因此，目前在变电站中依靠巡检人员去读指针表的读数并记录的传统方式，也逐渐将被智能化的自动仪表读数系统所取代。所以，现有技术中缺少了一个具有高精度以及高稳定性的自动读取仪表读数的方法。
发明内容
为解决上述问题，本发明提出一种基于关键点检测的指针仪表自动读数方法。该方法是利用改进的掩膜区域卷积神经网络定位图像中指针仪表的位置并检测刻度线和指针的关键点位置，最后基于刻度线和指针的位置关系计算最终读数。
本发明的技术方案包括如下步骤：
1)首先采集指针型仪表的正面RGB图像，并构建基于改进掩膜区域卷积神经网络的关键点检测网络；
2)将已知仪表读数的指针型仪表的正面RGB图像及其读数输入到关键点检测网络进行训练，采用训练后的关键点检测网络对待测的指针型仪表的正面RGB图像进行处理，预测获得指针型仪表的表盘区域在正面RGB图像中的定位位置，并获得指针型仪表的表盘上刻度线和指针的关键点；
3)基于检测到的关键点拟合刻度线构成的圆弧以及指针所在的直线；
4)最后根据指针所在的直线和刻度线构成的圆弧之间的相对角度自动计算指针型仪表的读数。
为了使整个关键点检测网络能够实现从输入采集图像到输出刻度线和指针关键点的端到端的训练，本发明提出了基于改进的掩膜区域卷积神经网络的关键点检测网络。
所述的步骤1)中，如图1所示，关键点检测网络包括特征提取网络、区域提取网络、感兴趣区域对齐(RoIAlign)层、检测器和分割分支；
原始正面RGB图像输入到特征提取网络进行特征提取得到特征图，再将特征图再通过区域提取网络产生可能存在指针型仪表的感兴趣区域，将生成的若干个感兴趣区域经过感兴趣区域对齐(RoIAlign)层被池化为固定大小的二维矩阵，其中感兴趣区域对齐层不对计算结果取整，始终使用浮点数来表示二维矩阵坐标，并且通过双线性插值处理获得感兴趣区域中每个像素点的特征值然后再进行池化来提升精度，这一方法解决了池化后的二维矩阵没有与真实的感兴趣区域对齐而使得要求像素级精度的分割任务的精度变低的问题。
在获得二维矩阵之后，关键点检测网络分为两路：
一路为检测器，包括多个连续连接的全连接层，带有感兴趣区域信息的二维矩阵输入到检测器中对每个感兴趣区域进行分类和坐标回归，预测输出完全包括指针型仪表的感兴趣区域；当感兴趣区域中有指针型仪表时，通过感兴趣区域的位置定位该指针型仪表在输入的正面RGB图像中的位置；
另一路为分割分支，包括多个连续连接的卷积层，带有感兴趣区域信息的二维矩阵输入到分割分支预测感兴趣区域中的关键点位置，每一个卷积层作为一个通道检测一个关键点，通道的数量和图中的关键点数量相同，将分割分支的每一个通道上输出的二维矩阵中的峰值点作为前景。
对于需检测N个关键点的指针型仪表，改进的掩膜区域卷积神经网络的分割分支输出N个通道来预测N个关键点。
每一个通道上输出的二维矩阵是一个浮点数的二维矩阵，取该二维矩阵中的最大值作为峰值点，并作为前景，其他值作为背景；具体实施中，将前景标记为1，背景标记为0。
本发明技术方案中，主要由区域提取网络和检测器和分割分支。
第一阶段，是由全卷积层组成的区域提取网络(RPN)，区域提取网络用来产生输入的RGB图像中可能存在指针型仪表的区域，即感兴趣区域(RoI)。产生的感兴趣区域用作判断指针型仪表是否存在于该区域的检测框，该检测框包含指针型仪表的情况分为：完全包括、部分包括和不包括。
第二阶段是一个检测器和分割分支，检测器对第一阶段生成的感兴趣区域进行分类和坐标回归，其中感兴趣区域的分类是指判别该感兴趣区域中是否包括要检测的指针型仪表，而感兴趣区域的坐标回归是对感兴趣区域的坐标进行修正，使部分包括指针型仪表的感兴趣区域修正为全部包括该指针型仪表的感兴趣区域，之后并对感兴趣区域中的指针型仪表进行逐像素分割，使其与图像中的背景分离开。
分割分支也是改进的掩膜区域卷积神经网络定义的组成部分，对于具有N个关键点的指针型仪表，改进的掩膜区域卷积神经网络的分割分支输出N个通道，每个通道用来预测一个关键点。
所述步骤2)中，在训练过程中，输出的每一个通道上产生的损失用损失函数计算，对于预测的每一个关键点，在二维矩阵上最小化损失函数以降低损失，通道输出的二维矩阵利用softmax函数将值归一化到0到1之间，预测的N个关键点的总损失函数表示为：
Figure BDA0002275152200000031
其中，mi,j代表改进的掩膜区域卷积神经网络输出的二维矩阵中坐标为(i,j)位置的标签值，pi,j代表网络的真实输出值，k表示第k个通道；i、j分别表示二维矩阵中的行列坐标序号，x、y分别表示二维矩阵中的行列总数。
所述的感兴趣区域对齐层不对计算结果取整，始终使用浮点数来表示二维矩阵的坐标。
所述的关键点检测网络中采用MobileNet V2作为特征提取网络。
MobileNet V2特征提取网络结构如下表1。
表1 MobileNet v2网络结构
Figure BDA0002275152200000032
其中，t表示操作bottleneck的扩展因子，c表示通道数，n表示重叠次数，s表示卷积层的步长。
所述的关键点包括表盘上刻度线的关键点和指针的关键点，每个刻度线的关键点为刻度线上的仅一个点，指针的关键点为指针尖、指针转动中心和指针尾的三个点。
本发明检测的指针型仪表的关键点设置有两种：一是表盘上刻度线的关键点设置为若干刻度为关键点；二是指针的关键点设置为指针尖、指针转动中心、指针尾三个关键点。
所述的步骤3)中，拟合指针所在的直线是采用遍历任意两个指针关键点计算直线斜率并平均的方法，采用指针尖、指针转动中心、指针尾的三个关键点计算得到准确的直线方程。具体为：
Figure BDA0002275152200000041
其中，(xa,ya)和(xd,yd)表示两个不同关键点的坐标，K表示直线斜率，b表示直线截距，F表示NP个关键点中任取两个关键点进行组合的总数量，C为排列组合的数学处理。
所述的步骤3)中的拟合刻度线构成的圆弧是采用最小二乘法对检测到的刻度线的关键点(xe,ye),e＝1,...,NS，计算出圆心的最优解：
Figure BDA0002275152200000042
其中，(xc,yc)表示拟合的圆弧的圆心，C、D、E、G、H分别计算如下：
Figure BDA0002275152200000043
根据圆心的坐标，进一步求解得到圆弧的半径：
Figure BDA0002275152200000044
得到半径和圆心坐标后就拟合指针型仪表的表盘上刻度线上关键点所在的圆弧。
所述的步骤3)中，计算指针型仪表读数是根据拟合得到的刻度线圆弧和指针直线计算圆弧和直线的相交点P，作为指针表读数的刻度位置，记刻度盘上最小读数和最大读数分别为Vmin,Vmax，最小读数和最大读数对应的关键点分别为Smin,Smax，则指针仪表的最终读数计算为：
Figure BDA0002275152200000051
其中，
Figure BDA0002275152200000052
表示最小读数关键点Smin和相交点P之间的弧度，
Figure BDA0002275152200000053
表示最小读数关键点Smin和最大读数关键点Smax之间的弧度。
本发明具有的有益的效果是：
相比于以往的基于传统图像处理的指针仪表识别或自动读数方法，本发明方法准确率高，鲁棒性好，且不易受到环境光照变化及噪声的影响，同时对多种类型的指针仪表具备通用性。
本发明能够实现指针型仪表的自动读数，具有很好的精度以及鲁棒性，可以适用于多种类型的指针型仪表，对于实现智能电网具有重要意义。
附图说明
图1为本发明提出的指针型仪表关键点检测网络的结构图。
图2为实施例训练过程中的损失和精度变化的实验结果曲线图。
图3为实施例关键点检测网络检测结果的实验结果图。
图3(1)为量程为0-1MPa的指针型压力表的原始正面RGB图像和放大后的关键点检测结果图。
图3(2)为指针型油位计-YZF2-250TH的原始正面RGB图像和放大后的关键点检测结果图。
图3(3)为指针型温度计的原始正面RGB图像和放大后的关键点检测结果图。
图3(4)为量程为0-4MPa的指针型压力表的原始正面RGB图像和放大后的关键点检测结果图。
图3(5)为指针型油位计-YZF2-200TH的原始正面RGB图像和放大后的关键点检测结果图。
图3(6)为指针型电接点压力表的原始正面RGB图像和放大后的关键点检测结果图。
图3(7)为量程为0-6MPa的指针型压力表的原始正面RGB图像和放大后的关键点检测结果图。
图3(8)为量程为0-0.25MPa的指针型压力表的原始正面RGB图像和放大后的关键点检测结果图。
图3(9)为指针型油位计-YZF3-140TH的原始正面RGB图像和放大后的关键点检测结果图。
图3(10)为指针型SF6压力表的原始正面RGB图像和放大后的关键点检测结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
按照本发明完整方法实施的具体实施例及其实施情况如下：
实验图片共有3212张，包括十类指针型仪表，各个类别的图片数量分布如表2，其中用于训练的图片有2570张，其余642张作验证集图片。
表2 各类指针型仪表图片数量
Figure BDA0002275152200000061
本发明在训练时使用的服务器操作系统是Ubuntu 16.04，服务器的配置包含1个型号为Intel Xeon E5 2683v3的CPU，2个型号为Nvidia Titan X(Pascal)的GPU，共32G内存。训练时在2个GPU上共迭代了100个epoch，初始学习率设置为0.02，并在第60和第80个epoch时缩小为原来的1/10。L2正则化权重设置为0.0001，动量项系数为0.9。关键点检测网络的输入图片尺寸被重新缩放成最小边为800，最大边不超过1333。训练时每个GPU的图片批数量设置为2。本发明提出的关键点检测网络在训练过程中的损失以及精度的变化曲线如图2。
在验证集上检测指针型仪表的关键点并进行读数。验证集上的关键点检测结果如图3。一共对10个类别的指针仪表进行了关键点检测，图3中左边为采集的指针型仪表的正面RGB图像，右边为关键点检测结果图，为了更清晰地看见关键点的检测精度，右图针对表盘区域进行了相应放大。从图中可以看出，关键点检测网络准确地在采集的正面RGB图像中定位到了指针型仪表的位置，并对不同类型的指针型仪表的刻度线和指针的关键点预测也做到了很高的精度。
在得到指针型仪表的关键点之后，可以计算得到刻度线关键点拟合的圆弧以及指针所在的直线，最终计算得到指针型仪表的读数。图3中所示的十种指针型仪表的相应读数结果如下表3所示，由表可知，指针型仪表的自动读数结果均能反应指针型仪表的真实读数。
表3 十种指针型仪表自动读数结果
Figure BDA0002275152200000071
对所有的642张验证集的图片逐一进行关键点的位置检测以及读数，最终的误差统计结果信息收集在下表4中。
表4 自动读数算法在验证集上的误差统计
Figure BDA0002275152200000072
从表4可以看出，所有类型的指针型仪表的平均误差都小于该类型指针表的最小刻度间隔，由此可见，本发明提出的一种基于关键点检测的指针仪表自动读数方法的准确性能够满足变电站中指针型仪表读数对于精度的要求，同时适用于各种不同种类的指针型仪表，并且都得到了很高的精度，证明了该方法具有普适性以及鲁棒性。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (10)

1.一种基于关键点检测的指针仪表自动读数方法，其特征在于：
1)首先采集指针型仪表的正面RGB图像，并构建基于改进掩膜区域卷积神经网络的关键点检测网络；
2)将已知仪表读数的指针型仪表的正面RGB图像及其读数输入到关键点检测网络进行训练，采用训练后的关键点检测网络对待测的指针型仪表的正面RGB图像进行处理，预测获得指针型仪表在正面RGB图像中的定位位置，并获得指针型仪表的表盘上刻度线和指针的关键点；
3)基于检测到的关键点拟合刻度线构成的圆弧以及指针所在的直线；
4)最后根据指针所在的直线和刻度线构成的圆弧之间的相对角度自动计算指针型仪表的读数。
2.根据权利要求1所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述的步骤1)中，关键点检测网络包括特征提取网络、区域提取网络、感兴趣区域对齐(RoIAlign)层、检测器和分割分支；原始正面RGB图像输入到特征提取网络进行特征提取得到特征图，再将特征图再通过区域提取网络产生可能存在指针型仪表的感兴趣区域，将生成的若干个感兴趣区域经过感兴趣区域对齐(RoIAlign)层被池化为固定大小的二维矩阵，并且通过双线性插值处理获得感兴趣区域中每个像素点的特征值然后再进行池化来提升精度；在获得二维矩阵之后，关键点检测网络分为两路：
一路为检测器，包括多个连续连接的全连接层，带有感兴趣区域信息的二维矩阵输入到检测器中对每个感兴趣区域进行分类和坐标回归，预测输出完全包括指针型仪表的感兴趣区域；当感兴趣区域中有指针型仪表时，通过感兴趣区域的位置定位该指针型仪表在输入的正面RGB图像中的位置；
另一路为分割分支，包括多个连续连接的卷积层，带有感兴趣区域信息的二维矩阵输入到分割分支预测感兴趣区域中的关键点位置，每一个卷积层作为一个通道检测一个关键点，通道的数量和图中的关键点数量相同，将分割分支的每一个通道上输出的二维矩阵中的峰值点作为前景。
3.根据权利要求2所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：每一个通道上输出的取该二维矩阵中的最大值作为峰值点，并作为前景，其他值作为背景。
4.根据权利要求2所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述步骤2)中，在训练过程中，输出的每一个通道上产生的损失用损失函数计算，对于预测的每一个关键点，在二维矩阵上最小化损失函数以降低损失，通道输出的二维矩阵利用softmax函数将值归一化到0到1之间，预测的N个关键点的总损失函数表示为：
Figure FDA0002275152190000021
其中，mi,j代表改进的掩膜区域卷积神经网络输出的二维矩阵中坐标为(i,j)位置的标签值，pi,j代表网络的真实输出值，k表示第k个通道；i、j分别表示二维矩阵中的行列坐标序号，x、y分别表示二维矩阵中的行列总数。
5.根据权利要求2所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述的感兴趣区域对齐层不对计算结果取整，始终使用浮点数来表示二维矩阵的坐标。
6.根据权利要求2所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述的关键点检测网络中采用MobileNet V2作为特征提取网络。
7.根据权利要求2所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述的关键点包括表盘上刻度线的关键点和指针的关键点，每个刻度线的关键点为刻度线上的仅一个点，指针的关键点为指针尖、指针转动中心和指针尾的三个点。
8.根据权利要求1所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述的步骤3)中，拟合指针所在的直线是采用遍历任意两个指针关键点计算直线斜率并平均的方法，采用指针尖、指针转动中心、指针尾的三个关键点计算得到准确的直线方程。
9.根据权利要求1所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述的步骤3)中的拟合刻度线构成的圆弧是采用最小二乘法对检测到的刻度线的关键点(xe,ye),e＝1,...,NS，计算出圆心的最优解：
Figure FDA0002275152190000022
其中，(xc,yc)表示拟合的圆弧的圆心，C、D、E、G、H分别计算如下：
Figure FDA0002275152190000031
根据圆心的坐标，进一步求解得到圆弧的半径：
Figure FDA0002275152190000032
得到半径和圆心坐标后就拟合指针型仪表的表盘上刻度线上关键点所在的圆弧。
10.根据权利要求1所述的一种基于关键点检测的指针仪表自动读数方法，其特征在于：所述的步骤3)中，计算指针型仪表读数是根据拟合得到的刻度线圆弧和指针直线计算圆弧和直线的相交点P，作为指针表读数的刻度位置，记刻度盘上最小读数和最大读数分别为Vmin,Vmax，最小读数和最大读数对应的关键点分别为Smin,Smax，则指针仪表的最终读数计算为：
Figure FDA0002275152190000033
其中，
Figure FDA0002275152190000034
表示最小读数关键点Smin和相交点P之间的弧度，
Figure FDA0002275152190000035
表示最小读数关键点Smin和最大读数关键点Smax之间的弧度。
CN201911119848.5A 2019-11-15 2019-11-15 一种基于关键点检测的指针仪表自动读数方法 Pending CN110909738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911119848.5A CN110909738A (zh) 2019-11-15 2019-11-15 一种基于关键点检测的指针仪表自动读数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911119848.5A CN110909738A (zh) 2019-11-15 2019-11-15 一种基于关键点检测的指针仪表自动读数方法

Publications (1)

Publication Number Publication Date
CN110909738A true CN110909738A (zh) 2020-03-24

Family

ID=69817873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911119848.5A Pending CN110909738A (zh) 2019-11-15 2019-11-15 一种基于关键点检测的指针仪表自动读数方法

Country Status (1)

Country Link
CN (1) CN110909738A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582071A (zh) * 2020-04-23 2020-08-25 浙江大学 一种基于HRNet网络模型的SF6仪表图像读数方法
CN111652244A (zh) * 2020-04-27 2020-09-11 合肥中科类脑智能技术有限公司 一种基于无监督特征提取和匹配的指针式表计识别方法
CN112183255A (zh) * 2020-09-15 2021-01-05 西北工业大学 一种基于深度学习的水下目标视觉识别与姿态估计方法
CN113283429A (zh) * 2021-07-21 2021-08-20 四川泓宝润业工程技术有限公司 基于深度卷积神经网络的液位式表计读数方法
CN113780310A (zh) * 2021-09-06 2021-12-10 桂林电子科技大学 一种基于关键点检测的仪表读数方法
CN113780273A (zh) * 2021-07-19 2021-12-10 浙江理工大学 一种基于目标检测和关键点检测的水表指针读数读取方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004201424A1 (en) * 2004-04-02 2005-10-20 Blue Line Innovations Inc. System and method for reading power meters
CN105091922A (zh) * 2014-05-04 2015-11-25 广东工业大学 一种基于虚拟表盘的指针表读数识别方法
CN108711158A (zh) * 2018-03-14 2018-10-26 武汉科技大学 基于轮廓拟合和径向分割的指针式仪表图像识别方法
CN109359604A (zh) * 2018-10-23 2019-02-19 大连航佳机器人科技有限公司 面向巡检机器人的阴影干扰下仪表识别方法
CN109711400A (zh) * 2018-11-06 2019-05-03 华中科技大学 一种识别模拟指针式仪表读数的电力巡检方法和装置
CN109871754A (zh) * 2019-01-08 2019-06-11 深圳禾思众成科技有限公司 一种仪表读取方法、设备及计算机可读存储介质
CN109948469A (zh) * 2019-03-01 2019-06-28 吉林大学 基于深度学习的巡检机器人仪表自动检测识别方法
CN110110733A (zh) * 2019-05-15 2019-08-09 深圳供电局有限公司 指针式仪表读数方法、装置、计算机设备和存储介质
CN110232354A (zh) * 2019-06-14 2019-09-13 四川超影科技有限公司 一种指针式仪表通用识别方法
CN110427943A (zh) * 2019-08-27 2019-11-08 国家电网有限公司 一种基于r-cnn的智能电表数值识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004201424A1 (en) * 2004-04-02 2005-10-20 Blue Line Innovations Inc. System and method for reading power meters
CN105091922A (zh) * 2014-05-04 2015-11-25 广东工业大学 一种基于虚拟表盘的指针表读数识别方法
CN108711158A (zh) * 2018-03-14 2018-10-26 武汉科技大学 基于轮廓拟合和径向分割的指针式仪表图像识别方法
CN109359604A (zh) * 2018-10-23 2019-02-19 大连航佳机器人科技有限公司 面向巡检机器人的阴影干扰下仪表识别方法
CN109711400A (zh) * 2018-11-06 2019-05-03 华中科技大学 一种识别模拟指针式仪表读数的电力巡检方法和装置
CN109871754A (zh) * 2019-01-08 2019-06-11 深圳禾思众成科技有限公司 一种仪表读取方法、设备及计算机可读存储介质
CN109948469A (zh) * 2019-03-01 2019-06-28 吉林大学 基于深度学习的巡检机器人仪表自动检测识别方法
CN110110733A (zh) * 2019-05-15 2019-08-09 深圳供电局有限公司 指针式仪表读数方法、装置、计算机设备和存储介质
CN110232354A (zh) * 2019-06-14 2019-09-13 四川超影科技有限公司 一种指针式仪表通用识别方法
CN110427943A (zh) * 2019-08-27 2019-11-08 国家电网有限公司 一种基于r-cnn的智能电表数值识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YIXIAO FANG等: "A Mask RCNN based Automatic Reading Method for Pointer Meter", 《PROCEEDINGS OF THE 38TH CHINESE CONTROL CONFERENCE》 *
尧卫: "基于机器视觉的指针仪表读数识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582071A (zh) * 2020-04-23 2020-08-25 浙江大学 一种基于HRNet网络模型的SF6仪表图像读数方法
CN111582071B (zh) * 2020-04-23 2022-05-13 浙江大学 一种基于HRNet网络模型的SF6仪表图像读数方法
CN111652244A (zh) * 2020-04-27 2020-09-11 合肥中科类脑智能技术有限公司 一种基于无监督特征提取和匹配的指针式表计识别方法
CN112183255A (zh) * 2020-09-15 2021-01-05 西北工业大学 一种基于深度学习的水下目标视觉识别与姿态估计方法
CN113780273A (zh) * 2021-07-19 2021-12-10 浙江理工大学 一种基于目标检测和关键点检测的水表指针读数读取方法
CN113283429A (zh) * 2021-07-21 2021-08-20 四川泓宝润业工程技术有限公司 基于深度卷积神经网络的液位式表计读数方法
CN113780310A (zh) * 2021-09-06 2021-12-10 桂林电子科技大学 一种基于关键点检测的仪表读数方法

Similar Documents

Publication Publication Date Title
CN110909738A (zh) 一种基于关键点检测的指针仪表自动读数方法
CN112906694B (zh) 变电站倾斜式指针式仪表图像的读数矫正系统及方法
CN111950330B (zh) 一种基于目标检测的指针式仪表示数检测方法
CN103207987B (zh) 一种指针式仪表的示数识别方法
CN111368906B (zh) 一种基于深度学习的指针式油位计读数识别方法
CN104657711B (zh) 一种鲁棒的指针式仪表读数自动识别方法
CN110276285A (zh) 一种非受控场景视频中的船舶水尺智能识别方法
CN111598942A (zh) 一种用于对电力设施仪表进行自动定位的方法及系统
CN111398176A (zh) 基于像元尺度特征的水体水色异常遥感识别方法和装置
CN112270320A (zh) 一种基于卫星影像校正的输电线路杆塔坐标校准方法
CN115457556A (zh) 一种核电厂圆盘指针式仪表读数方法
CN114266881A (zh) 一种基于改进型语义分割网络的指针式仪表自动读数方法
CN105654042B (zh) 玻璃温度计的检定温度字符识别方法
CN116543376B (zh) 一种指针式仪表读数方法和系统
CN112699824A (zh) 电能表仪表常数检测方法、设备及存储介质
CN117152727A (zh) 一种用于巡检机器人的指针式仪表自动读数方法
CN115239952A (zh) 基于YOLOV5及U2-Net框架辅助读取工业表的方法
CN115661446A (zh) 基于深度学习的指针式仪表示数自动读取系统及方法
CN114118835B (zh) 一种定量遥感反演预测结果评价方法及系统
CN113065556B (zh) 一种数字式仪表定位和数字识别方法、装置和计算机设备
CN114255458A (zh) 一种巡检场景下指针仪表读数的识别方法与系统
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN112417975A (zh) 一种获取指针式仪表读数的方法及装置
Lei et al. Research on Reading Recognition Algorithm of Industrial Instruments Based on Faster-RCNN
CN113888741B (zh) 一种配电室内仪表旋转图像校正方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324

RJ01 Rejection of invention patent application after publication