CN111553345B - 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 - Google Patents

基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 Download PDF

Info

Publication number
CN111553345B
CN111553345B CN202010321246.4A CN202010321246A CN111553345B CN 111553345 B CN111553345 B CN 111553345B CN 202010321246 A CN202010321246 A CN 202010321246A CN 111553345 B CN111553345 B CN 111553345B
Authority
CN
China
Prior art keywords
pointer
instrument
linear regression
coordinates
point
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
Application number
CN202010321246.4A
Other languages
English (en)
Other versions
CN111553345A (zh
Inventor
夏云峰
朱广文
张建民
王艳
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.)
Shanghai Haofang Information Technology Co ltd
Original Assignee
Shanghai Haofang Information Technology Co 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 Shanghai Haofang Information Technology Co ltd filed Critical Shanghai Haofang Information Technology Co ltd
Priority to CN202010321246.4A priority Critical patent/CN111553345B/zh
Publication of CN111553345A publication Critical patent/CN111553345A/zh
Application granted granted Critical
Publication of CN111553345B publication Critical patent/CN111553345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，包括以下步骤：检测仪表表盘；分割仪表指针，并获取数据；转换分割结果，并进行特征提取；进行正交线性回归；通过标签法或指针形状法判断确认指针方向及起点终点，并转换为针对于原图的坐标；计算指针读数。采用了本发明的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，可以快速准确地识别出仪表指针，满足实时性以及准确性高的要求；同时它能减小外界光照、雨点、部分遮挡等或者自身表盘背影的干扰；此外针对各类仪表指针都有较好的检测效果，同时针对识别效果差的指针或者新类型指针，可以采集样本训练，扩展性好。

Description

基于Mask RCNN与正交线性回归实现仪表指针读数识别处理 的方法
技术领域
本发明涉及仪表仪器领域，尤其涉及指针式仪表领域，具体是指一种基于MaskRCNN与正交线性回归实现仪表指针读数识别处理的方法。
背景技术
目前，指针式仪表被广泛使用，自动识别指针式仪表读数将会给人们的工作生活带来重要的意义。现有的技术主要是先对图像进行一系列预处理，如：灰度化、对比度增强、二值化、膨胀、细化等，接着通过Hough等直线检测算法提取指针，最终通过旋转的角度计算出指针读数。这类方法有如下问题：
1)执行速度较慢，图像处理算法使用CPU进行处理分析；
2)准确率较低，对于较宽的指针很难提取出指针的中心线；
3)抗干扰能力差，光照、背景图像、雨点、部分遮挡等都会影响指针的检测识别；
4)适用目标单一，对于细长型指针识别效果较好，而形状不固定的指针很难被识别出来。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种满足准确率高、抗干扰能力强、适用范围较为广泛的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法。
为了实现上述目的，本发明的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法如下：
该基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，其主要特点是，所述的方法包括以下步骤：
(1)检测仪表表盘；
(2)分割仪表指针，并获取数据；
(3)转换分割结果，并进行特征提取；
(4)进行正交线性回归；
(5)通过标签法或指针形状法判断确认指针方向及起点终点，并转换为针对于原图的坐标；
(6)计算指针读数。
较佳地，所述的步骤(1)具体包括以下步骤：
(1.1)收集需检测的仪表图像，对仪表表盘标注，通过图像增强方法获取更多的样本；
(1.2)通过训练后的仪表检测模型对输入图像进行检测，得到包含仪表盘位置的左上角坐标和右下角坐标；
(1.3)根据仪表表盘检测模型的结果坐标值得到仪表表盘数据；
(1.4)对指针进行标注，通过图像增强方法获取更多的样本，通过仪表指针分割模型。
较佳地，所述的步骤(2)具体为：
(2.1)通过训练后的仪表指针分割模型对仪表表盘数据进行检测分割，获取指针的标签类别、包含指针的box坐标和指针的mask数据。
较佳地，所述的步骤(3)具体包括以下步骤：
(3.1)根据包含指针的box坐标获取box的高和宽，根据两者尺寸的比例，利用双线性插值法，将mask数据的大小调整为box的大小，得到box mask数据；
(3.2)设置指针像素点判断阀值为0.5，对box mask数据进行二值化，将小于指针像素点判断阀值的值设置为0，将大于指针像素点判断阀值的值设置为1，得到包含指针的二维特征矩阵。
较佳地，所述的步骤(4)具体为：
利用正交线性回归对二维特征矩阵进行回归，得到直线的斜率、偏置以及指针的两个端点坐标。
较佳地，所述的步骤(5)中通过标签法判断指针方向的步骤具体包括以下处理过程：
(5.1)标注出4个标签，通过图像增强获得各个位置的指针；
(5.2)获得标签后结合两个端点的坐标以及斜率，判断斜率是否大于1，如果是，则比较纵坐标；否则，比较横坐标；判断起点和终点。
较佳地，所述的步骤(5)中通过指针形状法判断指针方向的步骤具体包括以下处理过程：
通过判断数据中指针的形状，指针的小端为针头，指针的大端为针尾，即为起点和终点。
较佳地，所述的步骤(6)具体包括以下步骤：
(6.1)判断表盘刻度是否均匀，如果是，则根据指针斜率及方向计算读数；否则，输入中心点坐标、起点坐标和值、终点坐标和值；
(6.2)分别计算起始线与指针和终止线的夹角，通过夹角的比值计算仪表的读数。
采用了本发明的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，可以快速准确地识别出仪表指针，满足实时性以及准确性高的要求；同时它能减小外界光照、雨点、部分遮挡等或者自身表盘背影的干扰；此外针对各类仪表指针都有较好的检测效果，同时针对识别效果差的指针或者新类型指针，可以采集样本训练，扩展性好。
附图说明
图1为本发明的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法的整体流程示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
请参阅图1所示，本发明的该基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，其中包括以下步骤：
(1)检测仪表表盘；
(1.1)收集需检测的仪表图像，对仪表表盘标注，通过图像增强方法获取更多的样本；
(1.2)通过训练后的仪表检测模型对输入图像进行检测，得到包含仪表盘位置的左上角坐标和右下角坐标；
(1.3)根据仪表表盘检测模型的结果坐标值得到仪表表盘数据；
(1.4)对指针进行标注，通过图像增强方法获取更多的样本，通过仪表指针分割模型；
(2)分割仪表指针，并获取数据；
(2.1)通过训练后的仪表指针分割模型对仪表表盘数据进行检测分割，获取指针的标签类别、包含指针的box坐标和指针的mask数据；
(3)转换分割结果，并进行特征提取；
(3.1)根据包含指针的box坐标获取box的高和宽，根据两者尺寸的比例，利用双线性插值法，将mask数据的大小调整为box的大小，得到box mask数据；
(3.2)设置指针像素点判断阀值为0.5，对box mask数据进行二值化，将小于指针像素点判断阀值的值设置为0，将大于指针像素点判断阀值的值设置为1，得到包含指针的二维特征矩阵；
(4)进行正交线性回归；
利用正交线性回归对二维特征矩阵进行回归，得到直线的斜率、偏置以及指针的两个端点坐标；
(5)通过标签法或指针形状法判断确认指针方向及起点终点，并转换为针对于原图的坐标；
(5.1)标注出4个标签，通过图像增强获得各个位置的指针；
(5.2)获得标签后结合两个端点的坐标以及斜率，判断斜率是否大于1，如果是，则比较纵坐标；否则，比较横坐标；判断起点和终点。
通过判断数据中指针的形状，指针的小端为针头，指针的大端为针尾，即为起点和终点；
(6)计算指针读数。
(6.1)判断表盘刻度是否均匀，如果是，则根据指针斜率及方向计算读数；否则，输入中心点坐标、起点坐标和值、终点坐标和值；
(6.2)分别计算起始线与指针和终止线的夹角，通过夹角的比值计算仪表的读数。
本发明的具体实施方式中，本发明的识别速度快，由于使用GPU对仪表指针进行检测识别，所以执行速度大大提升，可用于对实时性要求较高的场景；适用目标广，可扩展性强，针对各种类型的指针，通过使用深度学习模型进行学习，即可识别这些指针，如果有新类型的指针则只需采集样本重新训练即可，扩展方便；准确率较高，该方法可以准确地找出指针的中心线，保证读数的准确性；抗干扰能力强，在模型训练中加入了各种干扰进行训练，从而减小了这些干扰的影响。其中，box框为包含指针的方框，box坐标为box框的左上角以及右下角坐标，该坐标相对于指针分割模型的输入图像mask数据是包含指针位置信息的二维特征矩阵，它的原始尺寸为(33,33,1)，每个点的值[0，1]。
本发明具有以下特点：
(1)不同形状指针的分割：基于TensorFlow框架，使用Mask-RCNN-ResNet101-atrous算法获取指针的特征矩阵，然后利用双线性插值法以及尺寸变化，设置阀值为0.5，获取对应原始图像的指针，该方法可以有效的提取出目标指针。
(2)指针中心线的提取：基于Scipy工具包，利用正交线性回归算法获取指针的斜率以及指针的两个端点，即提取出了指针中心线。当目标指针的斜率为0或者为无穷大时，分为设置为1/22877334.0以及22877334.0，这样可以使得后续的处理保持一致。
(3)指针方向的判断：指针方向的判断使用标签法或者指针形状法。标签法结合了指针的斜率以及检测标签值，该方法可以准确地判断出指针的起点和终点，适用于各种形状的指针；指针形状法利用指针的粗细来判断指针的起点和终点，不适用于宽度均匀或变化细微的指针。前者对于训练集的要求比较高，需要各个位置的指针，而后者对于训练集的要求比较低，不要求各个位置的指针。
本发明基于TensorFlow深度学习框架进行模型的训练与执行；基于Scipy工具包进行仪表指针的正交线性回归；基于OpenCV、Numpy工具包进行图像的处理与分析；基于labelImg、labelme以及imgaug工具包进行图像的标注与增强；基于Faster-RCNN-ResNet101检测仪表表盘，减少表盘外的干扰；基于Mask-RCNN-ResNet101-atrous分割仪表表盘的指针，生成值为0,1的二维特征矩阵；基于正交线性回归得到经过仪表指针中心的直线以及两个端点；基于标签法或者指针形状法判断仪表指针方向；基于角度方法计算仪表指针的读数。
本发明的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，其中，包括以下步骤：
(1)收集需要检测的仪表图像，使用labelImg工具对仪表表盘标注，并用图像增强方法获取更多的样本，基于TensorFlow框架训练Faster-RCNN-ResNet101仪表检测模型；
(2)使用训练好的仪表检测模型对输入图像进行检测，得到包含仪表盘位置的左上角以及右下角坐标；
(3)根据仪表表盘检测模型的结果坐标值得到仪表表盘数据；
(4)使用labelme工具对指针进行标注，并用图像增强方法获取更多的样本，基于TensorFlow框架训练Mask-RCNN-ResNet101-atrous仪表指针分割模型；
(5)使用训练好的仪表指针分割模型对仪表表盘数据进行检测分割，得到指针的标签类别、包含指针的box坐标、指针的mask数据；
(6)根据包含指针的box坐标获取box的高和宽，mask数据的大小为(33,33,1)，其中最后一维表示指针像素点的概率，前两维表示高和宽。根据两者尺寸的比例，利用双线性插值法，将mask数据的大小调整为box的大小，得到box mask数据；
(7)设置指针像素点判断阀值为0.5，对box mask数据进行二值化，小于0.5的值设置为0，大于0.5的值设置为1，得到包含指针的二维特征矩阵(所有值为1的点组成了指针)；
(8)利用正交线性回归对二维特征矩阵进行回归，得到直线的斜率、偏置以及指针的两个端点坐标，对于斜率为0或者无穷大的情况，分为设置为1/22877334.0以及22877334.0，使得后面的处理过程保持一致；
(9)指针方向通过标签法或者指针形状法来判断。标签法要求图像在标注时需要标出4个标签，分别为pointer_up_left、pointer_up_right、pointer_down_left以及pointer_down_right，训练时通过图像增强获得各个位置的指针。在获得标签后，结合两个端点的坐标以及斜率，在斜率大于1时比较纵坐标，斜率小于1时比较横坐标，判断出起点和终点。例如：斜率值大于1，点A的纵坐标小于点B的纵坐标时，当标签值为pointer_up_left或pointer_up_right，则点A为起点，点B为终点；当标签值为pointer_down_left或pointer_down_right，则点B为起点，点A为终点。指针形状法不需要使用图像增强获取各个位置的指针，对于训练集的要求低一些，它通过判断box mask数据中指针的形状来判断，小端为针头，大端为针尾，同时也就得到了起点和终点，这种方法对于指针宽度不变或者细微变化的情况，效果不好；
(10)最终得到的起点和终点的坐标是相对于box mask数据，根据仪表检测模型得到的box坐标以及指针分割模型得到的box坐标，转换为针对于原图的坐标；
(11)如果表盘刻度均匀，根据指针斜率及方向计算出读数；如果表盘的刻度不均匀，需要输入中心点坐标、起点坐标和值、终点坐标和值，分别计算出起始线与指针和终止线的夹角，通过夹角的比值计算出仪表的读数。
采用了本发明的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，可以快速准确地识别出仪表指针，满足实时性以及准确性高的要求；同时它能减小外界光照、雨点、部分遮挡等或者自身表盘背影的干扰；此外针对各类仪表指针都有较好的检测效果，同时针对识别效果差的指针或者新类型指针，可以采集样本训练，扩展性好。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (4)

1.一种基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，其特征在于，所述的方法包括以下步骤：
(1)检测仪表表盘；
(2)分割仪表指针，并获取数据；
(3)转换分割结果，并进行特征提取；
(4)进行正交线性回归；
(5)通过标签法或指针形状法判断确认指针方向及起点终点，并转换为针对于原图的坐标；
(6)计算指针读数；
所述的步骤(1)具体包括以下步骤：
(1.1)收集需检测的仪表图像，对仪表表盘标注，通过图像增强方法获取更多的样本；
(1.2)通过训练后的仪表检测模型对输入图像进行检测，得到包含仪表盘位置的左上角坐标和右下角坐标；
(1.3)根据仪表表盘检测模型的结果坐标值得到仪表表盘数据；
(1.4)对指针进行标注，通过图像增强方法获取更多的样本，通过仪表指针分割模型；
所述的步骤(3)具体包括以下步骤：
(3.1)根据包含指针的box坐标获取box的高和宽，根据两者尺寸的比例，利用双线性插值法，将mask数据的大小调整为box的大小，得到box mask数据；
(3.2)设置指针像素点判断阀值为0.5，对box mask数据进行二值化，将小于指针像素点判断阀值的值设置为0，将大于指针像素点判断阀值的值设置为1，得到包含指针的二维特征矩阵；
所述的步骤(4)具体为：
利用正交线性回归对二维特征矩阵进行回归，得到直线的斜率、偏置以及指针的两个端点坐标；
所述的步骤(6)具体包括以下步骤：
(6.1)判断表盘刻度是否均匀，如果是，则根据指针斜率及方向计算读数；否则，输入中心点坐标、起点坐标和值、终点坐标和值；
(6.2)分别计算起始线与指针和终止线的夹角，通过夹角的比值计算仪表的读数。
2.根据权利要求1所述的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，其特征在于，所述的步骤(2)具体为：
通过训练后的仪表指针分割模型对仪表表盘数据进行检测分割，获取指针的标签类别、包含指针的box坐标和指针的mask数据。
3.根据权利要求1所述的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，其特征在于，所述的步骤(5)中通过标签法判断指针方向的步骤具体包括以下处理过程：
(5.1)标注出4个标签，通过图像增强获得各个位置的指针；
(5.2)获得标签后结合两个端点的坐标以及斜率，判断斜率是否大于1，如果是，则比较纵坐标；否则，比较横坐标；判断起点和终点。
4.根据权利要求1所述的基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法，其特征在于，所述的步骤(5)中通过指针形状法判断指针方向的步骤具体包括以下处理过程：
通过判断数据中指针的形状，指针的小端为针头，指针的大端为针尾，即为起点和终点。
CN202010321246.4A 2020-04-22 2020-04-22 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 Active CN111553345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010321246.4A CN111553345B (zh) 2020-04-22 2020-04-22 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010321246.4A CN111553345B (zh) 2020-04-22 2020-04-22 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法

Publications (2)

Publication Number Publication Date
CN111553345A CN111553345A (zh) 2020-08-18
CN111553345B true CN111553345B (zh) 2023-10-20

Family

ID=72004058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010321246.4A Active CN111553345B (zh) 2020-04-22 2020-04-22 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法

Country Status (1)

Country Link
CN (1) CN111553345B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931776B (zh) * 2020-10-16 2021-04-09 江西小马机器人有限公司 一种基于深度学习的双指针仪表读数方法
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
CN114037824A (zh) * 2021-11-10 2022-02-11 深圳亿嘉和科技研发有限公司 一种指针仪表读数识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003065812A (ja) * 2001-08-21 2003-03-05 National Aerospace Laboratory Of Japan 計器表示の画像情報に基く数値データ化システム
CN103148881A (zh) * 2013-02-06 2013-06-12 广东电网公司电力科学研究院 利用视频自动对指针式仪表进行读数的方法及装置
CN108898131A (zh) * 2018-05-23 2018-11-27 郑州金惠计算机系统工程有限公司 一种复杂自然场景下的数字仪表识别方法
CN109543682A (zh) * 2018-11-23 2019-03-29 电子科技大学 一种基于深度学习的指针式仪表读数方法
WO2019192397A1 (zh) * 2018-04-04 2019-10-10 华中科技大学 一种任意形状的场景文本端到端识别方法
CN110807355A (zh) * 2019-09-12 2020-02-18 天津大学 一种基于移动机器人的指针仪表检测与读数识别方法
CN110874596A (zh) * 2019-11-06 2020-03-10 中国石油大学(北京) 一种仪表智能识别预警方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484857B (zh) * 2014-12-26 2017-08-18 国网重庆市电力公司电力科学研究院 一种仪表数据读取方法及系统
CN107590498B (zh) * 2017-09-27 2020-09-01 哈尔滨工业大学 一种基于字符分割级联二分类器的自适应汽车仪表检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003065812A (ja) * 2001-08-21 2003-03-05 National Aerospace Laboratory Of Japan 計器表示の画像情報に基く数値データ化システム
CN103148881A (zh) * 2013-02-06 2013-06-12 广东电网公司电力科学研究院 利用视频自动对指针式仪表进行读数的方法及装置
WO2019192397A1 (zh) * 2018-04-04 2019-10-10 华中科技大学 一种任意形状的场景文本端到端识别方法
CN108898131A (zh) * 2018-05-23 2018-11-27 郑州金惠计算机系统工程有限公司 一种复杂自然场景下的数字仪表识别方法
CN109543682A (zh) * 2018-11-23 2019-03-29 电子科技大学 一种基于深度学习的指针式仪表读数方法
CN110807355A (zh) * 2019-09-12 2020-02-18 天津大学 一种基于移动机器人的指针仪表检测与读数识别方法
CN110874596A (zh) * 2019-11-06 2020-03-10 中国石油大学(北京) 一种仪表智能识别预警方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
佘世洲 ; 宋凯 ; 刘辉 ; 谭守标 ; 张骥 ; .一种电力指针式仪表示数自动识别的鲁棒方法.计算机技术与发展.2017,(04),全文. *
许丽 ; 石伟 ; 方甜 ; .巡检机器人中的指针式仪表读数识别系统.仪器仪表学报.2017,(07),全文. *

Also Published As

Publication number Publication date
CN111553345A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553345B (zh) 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法
CN111340797B (zh) 一种激光雷达与双目相机数据融合检测方法及系统
AU2020103716A4 (en) Training method and device of automatic identification device of pointer instrument with numbers in natural scene
CN112257676B (zh) 一种指针式仪表读数方法、系统以及巡检机器人
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN111950330A (zh) 一种基于目标检测的指针式仪表示数检测方法
CN106909941A (zh) 基于机器视觉的多表字符识别系统及方法
CN109426814B (zh) 一种发票图片特定板块的定位、识别方法、系统、设备
CN109508709B (zh) 一种基于机器视觉的单指针仪表读数方法
CN111046881B (zh) 基于计算机视觉和深度学习的指针式仪表读数识别方法
CN112734729B (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
CN115205858A (zh) 一种基于旋转目标检测的指针式仪表自动读数方法
CN110659637A (zh) 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法
CN113657339A (zh) 一种基于机器视觉的仪表指针计数读取方法及介质
CN101533466A (zh) 一种眼睛定位图像处理方法
CN105374045B (zh) 一种基于形态学的图像特定形状尺寸目标快速分割方法
CN116152208A (zh) 缺陷检测方法、装置、设备及存储介质
CN113744252A (zh) 用于标记和检测缺陷的方法、设备、存储介质和程序产品
CN116091818B (zh) 基于多神经网络级联模型的指针式仪表读数识别方法
CN108897781B (zh) 论文图形查重系统
CN115908275A (zh) 基于深度学习的热态环件轧制变形几何状态在线测量方法
CN114266719A (zh) 一种基于霍夫变换的产品检测方法
Liu et al. Automatic detection and recognition method of digital instrument representation
CN108256525B (zh) 一种基于图像处理的导轨目标位置检测方法
Xue et al. Complete approach to automatic identification and subpixel center location for ellipse feature

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