CN111950330A - 一种基于目标检测的指针式仪表示数检测方法 - Google Patents

一种基于目标检测的指针式仪表示数检测方法 Download PDF

Info

Publication number
CN111950330A
CN111950330A CN201910407504.8A CN201910407504A CN111950330A CN 111950330 A CN111950330 A CN 111950330A CN 201910407504 A CN201910407504 A CN 201910407504A CN 111950330 A CN111950330 A CN 111950330A
Authority
CN
China
Prior art keywords
digital
area
instrument
dial
pointer
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.)
Granted
Application number
CN201910407504.8A
Other languages
English (en)
Other versions
CN111950330B (zh
Inventor
郑会龙
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 Cezhicheng Technology Co ltd
Original Assignee
Hangzhou Cezhicheng 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 Hangzhou Cezhicheng Technology Co ltd filed Critical Hangzhou Cezhicheng Technology Co ltd
Priority to CN201910407504.8A priority Critical patent/CN111950330B/zh
Publication of CN111950330A publication Critical patent/CN111950330A/zh
Application granted granted Critical
Publication of CN111950330B publication Critical patent/CN111950330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种基于目标检测的指针式仪表示数检测方法，属于模式识别与人工智能技术领域，可以识别仪表表面为单圈刻度及数字标度均匀的指针式仪表读数，包括目标检测模型训练和仪表示数识别，其中，S1、目标检测模型训练的具体内容为：（1）数据获取；（2）表盘区域数据标定；（3）表盘区域检测模型网络训练；（4）仪表数字区域数据标定；（5）表盘数字区域检测模型网络训练；（6）数字识别数据图像预处理及分类；（7）数字识别模型网络训练；（8）仪表指针训练图片的预处理及指针区域标定；（9）仪表指针位置检测模型网络训练；S2、仪表示数识别，该发明提高对指针式仪表读数读取的速度和准确度，减少人工读数过程中的误差，并将读数数据化以便于对数据进行存储、预测。

Description

一种基于目标检测的指针式仪表示数检测方法
技术领域
本发明属于模式识别与人工智能技术领域，特别涉及一种基于目标检测的指针式仪表示数检测方法。
背景技术
在现阶段，非电子式仪表在工业生产和生活日用中有着广泛的应用，按计量原理可分为字轮式和指针式两大类。字轮式仪表常用于观测值需累加的场合，如用水量和用气量等。指针式仪表常用于观测值为瞬时值的场合，如压力、速度、液位、电阻等。指针式仪表包含至少一个指针和与该指针对应的刻度盘，通过人为判断指针与该指针对应刻度盘的交点，结合交点处刻度盘的标识来进行读数。
随着工业技术的快速发展，越来越多的指针式仪表被应用于生产和生活，且多个仪表趋向于集成在一起或集中安装于同一区域，以便于观测记录。传统的人工观测会出现人为误差和视觉误差，且效率极为低下。
发明内容
本发明的目的在于克服上述提到的缺陷和不足，而提供一种基于目标检测的指针式仪表示数检测方法。
为了解决上述技术问题，采用如下技术方案：
一种基于目标检测的指针式仪表示数检测方法，包括以下步骤：
S1、目标检测模型训练：
(1)数据获取：针对单圈刻度仪表建立神经网络训练用数据集，要求尽可能完备的包含不同刻度线样式，不同表盘数字样式，不同的仪表指针样式；
(2)仪表表盘区域数据标定：通过人工标定软件LabelImg手动标定图像中相切仪表表盘的矩形区域边框；
(3)表盘区域检测模型网络训练：将仪表图片和(2)所得标签文件送入Faster RCNN网络中训练，获取最终的训练权重文件；
(4)仪表数字区域数据标定：利用(2)标定的表盘区域坐标切割数据图片，对切割完后的表盘图片通过人工标定软件LabelImg手动标定图像中对每个数字相切的矩形区域边框；
(5)表盘数字区域检测模型网络训练：将(3)所得表盘图片和标签文件送入FasterRCNN网络中训练，获取最终的训练权重文件；
(6)数字识别数据图像预处理及分类：利用(3)标定的数字矩形区域切割，使用图像处理提取其中的每一个数字，按0～9分类放入对应的标签文件夹中；
(7)数字识别模型网络训练：将数据送入CNN网络中训练，获取最终的训练权重文件；
(8)仪表指针训练图片的预处理及指针区域标定：对(3)中所得表盘图片和标定数字矩形区域中心点，使用单应性变换进行矫正。对矫正后图像极坐标展开得到仪表指针训练图片。通过人工标定软件LabelImg手动标定图像中指针针尖所在矩形区域边框；
(9)仪表指针位置检测模型网络训练：将(8)所得指针训练图片和标签文件送入FasterRCNN网络中训练，获取最终的训练权重文件。
S2、仪表示数识别：
(1)使用手机拍摄指针式仪表盘，尽量保证仪表表盘平行与摄像头，获得待识别图片；
(2)将待识别图片送入Faster RCNN网络，利用(1.1-3)表盘区域检测模型权重，获得表盘区域坐标，对待识别图片按坐标进行切割，获得表盘图像；
(3)将(2)所得表盘图像图片送入Faster RCNN网络，利用(1.1-5)表盘数字区域检测模型权重，检测表盘上的数字所在区域；
(4)对所得到的数字区域进行筛选排序并获得此时的表盘圆心；
(5)获得矫正前表盘图像的刻度坐标
Figure DEST_PATH_IMAGE001
；
(6)利用(4)筛选得到的数字点对应(3)的数字区域切割数字图像。对数字图像进行二值化，计算每个数字的连通域对应的最小外接矩形，依外接矩形角度对图像旋转，记录水平方向投影最小时的角度。按该角度对数字图像旋转，并计算该旋转状态下数字外接矩形。按此矩形提取单个数字。将单个数字图像送入CNN网络，利用S1中的（7）数字识别模型权重识别数字。根据同意数字区域中每个连通域的位置关系，对单个数字进行组合。利用(5)所得刻度坐标信息对所得数字集合进行修订。
(7)利用(5)所得刻度坐标和(6)所得标度数字值。根据每个刻度至圆心的距离均相等，且任意相邻连续的两个刻度间的距离相等，计算矫正后标定的刻度坐标
Figure 593790DEST_PATH_IMAGE002
。
(8)由(7)所得矫正后标定坐标和(5)所得矫正前原图刻度坐标，使用单应性变换对图像进行矫正。
单应性变换如下：
Figure DEST_PATH_IMAGE003
对矫正后图像，按图像中心为圆心，0度为起始对表盘图像进行极坐标展开，展开方式同(5-1)。
(9)对(8)所得矫正后极坐标图像，送入Faster RCNN网络，利用S1中的（9）仪表指针位置检测模型，检测图像中指针所在区域坐标。
(10)由(9)所得指针坐标和(6)所得刻度值信息计算仪表读数。
进一步，所述S2中步骤（4）包括以下步骤：
(4-1)计算数字区域的中心点坐标作为备选数字点集合
Figure 535201DEST_PATH_IMAGE004
；
(4-2)对集合按不重复的选取3点为一组组合，计算任意组合所组成的三角形各边中垂线的焦点作为备选圆心。
Figure DEST_PATH_IMAGE005
(4-3)计算各备选中心到所有备选数字点的距离
Figure 258438DEST_PATH_IMAGE006
；
(4-4)计算各备选中心到所有备选数字点的距离的均值
Figure DEST_PATH_IMAGE007
；
(4-5)接受一个备选中心和一个备选数字点的组合判断如下：
Figure 590193DEST_PATH_IMAGE008
；
(4-6)接受备选数字点判断如下：
Figure DEST_PATH_IMAGE009
(4-7)得到筛选后的数字中心点
Figure 830812DEST_PATH_IMAGE010
,以
Figure DEST_PATH_IMAGE011
为起始按逆时针顺序前后排列；
(4-8)筛选过后圆心坐标计算，对集合
Figure 361151DEST_PATH_IMAGE010
重复(4-2)操作得
Figure 989709DEST_PATH_IMAGE012
，取其均值作为表盘的圆心
Figure DEST_PATH_IMAGE013
。
进一步，所述S2中步骤（5）包括以下步骤：
(5-1)以S2中的(2)所得表盘图像中心为圆心，0度为起始对表盘图像进行极坐标展开。
Figure 271743DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE015
为极坐标图中的横纵坐标，
Figure 971846DEST_PATH_IMAGE016
为原表盘图像中的横纵坐标，
Figure DEST_PATH_IMAGE017
为(4)计算获得的圆心横纵坐标，
Figure 700899DEST_PATH_IMAGE018
表示坐标点的像素；
(5-2)利用S2中的(4)筛选得到的数字点对应(3)的数字区域外推至仪表刻度区域，并转换至极坐标系，按该坐标区域切割表盘极坐标图像中的刻度，得筛选后的数字对应的刻度图；
(5-3)对每张刻度图二值化后做垂直投影，以投影的最大连续区域做为刻度存在区域；
(5-4)再对该区域进行水平投影，判断刻度类型，并且计算数字对应的刻度线所在坐标；
投影法如下：
水平投影：
Figure DEST_PATH_IMAGE019
；
垂直投影：
Figure 234779DEST_PATH_IMAGE020
；
其中：
Figure DEST_PATH_IMAGE021
表示图像的长宽，
Figure 9968DEST_PATH_IMAGE022
表示图像的像素，
Figure DEST_PATH_IMAGE023
表示像素点坐标；
(5-5)将该坐标从极坐标系变换至原表盘图像坐标系中得到矫正前表盘图像的刻度坐标
Figure 717024DEST_PATH_IMAGE001
，变换公式为(5-1)所示逆变换；
进一步，所述Faster RCNN网络检测方法，应同样适用于RCNN，Fast RCNN，Mask RCNN，PVA net，EAST等目标检测深度学习方法。
进一步，所述CNN网络数字识别方法，应同样适用于RNN，Alex Net，VGG，Res Net，RCNN等分类网络及字符识别网络方法。
由于采用上述技术方案，具有以下有益效果：
一种基于目标检测的指针式仪表示数检测方法，提高对指针式仪表读数读取的速度和准确度，减少人工读数过程中的误差，并将读数数据化以便于对数据进行存储、预测。
附图说明
图1为本发明一种基于目标检测的指针式仪表示数检测方法中目标检测模型训练流程图；
图2为本发明一种基于目标检测的指针式仪表示数检测方法中仪表示数识别工作流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
一种基于目标检测的指针式仪表示数检测方法，包括以下步骤：
S1、目标检测模型训练：
(1)数据获取：针对单圈刻度仪表建立神经网络训练用数据集，要求尽可能完备的包含不同刻度线样式，不同表盘数字样式，不同的仪表指针样式；
(2)仪表表盘区域数据标定：通过人工标定软件LabelImg手动标定图像中相切仪表表盘的矩形区域边框；
(3)表盘区域检测模型网络训练：将仪表图片和(2)所得标签文件送入Faster RCNN网络中训练，获取最终的训练权重文件；
(4)仪表数字区域数据标定：利用(2)标定的表盘区域坐标切割数据图片，对切割完后的表盘图片通过人工标定软件LabelImg手动标定图像中对每个数字相切的矩形区域边框；
(5)表盘数字区域检测模型网络训练：将(3)所得表盘图片和标签文件送入FasterRCNN网络中训练，获取最终的训练权重文件；
(6)数字识别数据图像预处理及分类：利用(3)标定的数字矩形区域切割，使用图像处理提取其中的每一个数字，按0~9分类放入对应的标签文件夹中；
(7)数字识别模型网络训练：将数据送入CNN网络中训练，获取最终的训练权重文件；
(8)仪表指针训练图片的预处理及指针区域标定：对(3)中所得表盘图片和标定数字矩形区域中心点，使用单应性变换进行矫正。对矫正后图像极坐标展开得到仪表指针训练图片。通过人工标定软件LabelImg手动标定图像中指针针尖所在矩形区域边框；
(9)仪表指针位置检测模型网络训练：将(8)所得指针训练图片和标签文件送入FasterRCNN网络中训练，获取最终的训练权重文件。
S2、仪表示数识别：
(1)使用手机拍摄指针式仪表盘，尽量保证仪表表盘平行与摄像头，获得待识别图片；
(2)将待识别图片送入Faster RCNN网络，利用S1中步骤（3）表盘区域检测模型权重，获得表盘区域坐标，对待识别图片按坐标进行切割，获得表盘图像；
(3)将(2)所得表盘图像图片送入Faster RCNN网络，利用S1中步骤（5）表盘数字区域检测模型权重，检测表盘上的数字所在区域；
(4)对所得到的数字区域进行筛选排序并获得此时的表盘圆心，包含以下步骤：
(4-1)计算数字区域的中心点坐标作为备选数字点集合
Figure 956376DEST_PATH_IMAGE004
；
(4-2)对集合按不重复的选取3点为一组组合，计算任意组合所组成的三角形各边中垂线的焦点作为备选圆心：
Figure 989054DEST_PATH_IMAGE005
；
(4-3)计算各备选中心到所有备选数字点的距离
Figure 251539DEST_PATH_IMAGE006
；
(4-4)计算各备选中心到所有备选数字点的距离的均值
Figure 842181DEST_PATH_IMAGE007
；
(4-5)接受一个备选中心和一个备选数字点的组合判断如下：
Figure 404880DEST_PATH_IMAGE008
；
(4-6)接受备选数字点判断如下：
Figure 733094DEST_PATH_IMAGE009
；
(4-7)得到筛选后的数字中心点
Figure 14033DEST_PATH_IMAGE010
,以
Figure 390788DEST_PATH_IMAGE011
为起始按逆时针顺序前后排列；
(4-8)筛选过后圆心坐标计算，对集合
Figure 73573DEST_PATH_IMAGE010
重复(4-2)操作得
Figure 979212DEST_PATH_IMAGE012
，取其均值作为表盘的圆心
Figure 747448DEST_PATH_IMAGE013
。
(5)获得矫正前表盘图像的刻度坐标
Figure 255790DEST_PATH_IMAGE001
，包括以下步骤：
(5-1)以(2)所得表盘图像中心为圆心，0度为起始对表盘图像进行极坐标展开。
Figure 793082DEST_PATH_IMAGE014
其中
Figure 869622DEST_PATH_IMAGE015
为极坐标图中的横纵坐标，
Figure 125154DEST_PATH_IMAGE016
为原表盘图像中的横纵坐标，
Figure 46974DEST_PATH_IMAGE017
为(4)计算获得的圆心横纵坐标，
Figure 969930DEST_PATH_IMAGE018
表示坐标点的像素；
(5-2)利用(4)筛选得到的数字点对应(3)的数字区域外推至仪表刻度区域，并转换至极坐标系，按该坐标区域切割表盘极坐标图像中的刻度，得筛选后的数字对应的刻度图；
(5-3)对每张刻度图二值化后做垂直投影，以投影的最大连续区域做为刻度存在区域；
(5-4)再对该区域进行水平投影，判断刻度类型，并且计算数字对应的刻度线所在坐标；
投影法如下：
水平投影：
Figure 76427DEST_PATH_IMAGE019
；
垂直投影：
Figure 84834DEST_PATH_IMAGE020
；
其中：
Figure 810344DEST_PATH_IMAGE021
表示图像的长宽，
Figure 56649DEST_PATH_IMAGE022
表示图像的像素，
Figure 68467DEST_PATH_IMAGE023
表示像素点坐标；
(5-5)将该坐标从极坐标系变换至原表盘图像坐标系中得到矫正前表盘图像的刻度坐标
Figure 33012DEST_PATH_IMAGE001
，变换公式为(5-1)所示逆变换；
(6)利用(4)筛选得到的数字点对应(3)的数字区域切割数字图像。对数字图像进行二值化，计算每个数字的连通域对应的最小外接矩形，依外接矩形角度对图像旋转，记录水平方向投影最小时的角度。按该角度对数字图像旋转，并计算该旋转状态下数字外接矩形。按此矩形提取单个数字。将单个数字图像送入CNN网络，利用S1中（7）数字识别模型权重识别数字。根据同意数字区域中每个连通域的位置关系，对单个数字进行组合。利用(5)所得刻度坐标信息对所得数字集合进行修订。
(7)利用(5)所得刻度坐标和(6)所得标度数字值。根据每个刻度至圆心的距离均相等，且任意相邻连续的两个刻度间的距离相等，计算矫正后标定的刻度坐标
Figure 556355DEST_PATH_IMAGE002
。
(8)由(7)所得矫正后标定坐标和(5)所得矫正前原图刻度坐标，使用单应性变换对图像进行矫正。
单应性变换如下：
Figure 781799DEST_PATH_IMAGE003
对矫正后图像，按图像中心为圆心，0度为起始对表盘图像进行极坐标展开，展开方式同(5-1)。
(9)对(8)所得矫正后极坐标图像，送入Faster RCNN网络，利用(1.1-9)仪表指针位置检测模型,检测图像中指针所在区域坐标。
(10)由(9)所得指针坐标和(6)所得刻度值信息计算仪表读数。
作为优选，所述Faster RCNN网络检测方法，应同样适用于RCNN，Fast RCNN，MaskRCNN，PVA net，EAST等目标检测深度学习方法；所述CNN网络数字识别方法，应同样适用于RNN，Alex Net，VGG，Res Net，RCNN等分类网络及字符识别网络方法。
在本实施例场景中，采用Faster RCNN的算法框架对被检测图片中的不同的指针式仪表进行判断识别并得到具体定位，将该仪表图片进行切割，获得精准的仪表图像，通过图像扩增，将样本数据增加至百万级别，而后采用改进后的深层神经网络对该批次数据进行训练，从而对数据的读数进行拟合，以达到计算机对指针式仪表读数的特征学习的目的。应用时，通过Faster RCNN的算法框架对被检测图片进行目标切割后，加载已训练完毕的模型获得读取的结果。
本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替换、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于目标检测的指针式仪表示数检测方法，可以识别仪表表面为单圈刻度及数字标度均匀的指针式仪表读数，其特征在于，包括目标检测模型训练和仪表示数识别；
S1、目标检测模型训练的具体内容如下：
（1）数据获取：针对单圈刻度仪表建立神经网络训练用数据集；
（2）仪表表盘区域数据标定：通过人工标定软件，手动标定表盘区域坐标，得到标签文件；（3）表盘区域检测模型网络训练：将仪表图片和(2)所得标签文件送入Faster RCNN网络中训练，获取最终的训练权重文件，得到表盘区域坐标；
（4）仪表数字区域数据标定：利用（2）标定的表盘区域坐标切割数据图片，再次通过人工标定软件手动标定；
（5）表盘数字区域检测模型网络训练：将（3）所得表盘图片和标签文件送入FasterRCNN网络中训练，获取最终的训练权重文件；
（6）数字识别数据图像预处理及分类：利用(3)标定的数字矩形区域切割，使用图像处理提取其中的每一个数字，按0~9分类放入对应的标签文件夹中；
（7）数字识别模型网络训练：将数据送入CNN网络中训练，获取最终的训练权重文件；（8）仪表指针训练图片的预处理及指针区域标定：对(3)中所得表盘图片和标定数字矩形区域中心点，使用单应性变换进行矫正,对矫正后图像极坐标展开得到仪表指针训练图片，通过人工标定软件手动标定图像中指针针尖所在矩形区域边框；
（9）仪表指针位置检测模型网络训练：将(8)所得指针训练图片和标签文件送入FasterRCNN网络中训练，获取最终的训练权重文件；
S2、仪表示数识别的具体内容如下：
（1）数据获取：手机拍摄指针式仪表盘，获得待识别图片；
（2）数据校对：将待识别图片送入Faster RCNN网络，利用S1中的（3）获得表盘区域坐标，对待识别图片按坐标进行切割，获得表盘图像；
（3）数字检测：将(2)所得表盘图像图片送入Faster RCNN网络，利用S1中的（5）检测表盘上的数字所在的区域；
（4）筛选：对所得到的数字区域进行筛选排序并获得此时的表盘圆心；
（5）获得刻度坐标：获得矫正前表盘图像的刻度坐标
Figure 467434DEST_PATH_IMAGE001
；
（6）获得标度数字值：利用(4)筛选得到的数字点对应(3)的数字区域切割数字图像，对数字图像进行二值化，计算每个数字的连通域对应的最小外接矩形，依外接矩形角度对图像旋转，记录水平方向投影最小时的角度，按该角度对数字图像旋转，并计算该旋转状态下数字外接矩形，按此矩形提取单个数字，将单个数字图像送入CNN网络，通过S1中的（7）识别数字，根据同意数字区域中每个连通域的位置关系，对单个数字进行组合，结合(5)所得刻度坐标信息对所得数字集合进行修订；
（7）获得矫正标定的刻度坐标：利用(5)所得刻度坐标和(6)所得标度数字值，根据每个刻度至圆心的距离均相等，且任意相邻连续的两个刻度间的距离相等，计算矫正后标定的刻度坐标
Figure 766960DEST_PATH_IMAGE002
；
（8）图像矫正：由(7)所得矫正后标定坐标和(5)所得矫正前原图刻度坐标，使用单应性变换对图像进行矫正；
（9）检测指针区域坐标：对(8)所得矫正后极坐标图像，送入Faster RCNN网络，利用S1中的（9）检测图像中指针所在区域坐标；
（10）获得刻度值信息计算仪表读数：由(9)所得指针坐标和(6)所得刻度值信息计算仪表读数。
2.根据权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述S1中的（1）中要求尽可能完备的包含不同刻度线样式，不同表盘数字样式，不同的仪表指针样式。
3.根据权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述人工标定软件选用LabelImg。
4.根据权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述手动标定图像中相切仪表表盘的矩形区域边框，从而得到仪表表盘区域数据。
5.根据权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述S2中的（1）中手机拍摄指针式仪表盘时，尽量保证仪表表盘与摄像头平行。
6.权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述S2中的步骤（4）包括以下步骤：
（4-1）计算数字区域的中心点坐标作为备选数字点集合；
（4-2）对集合按不重复的选取3点为一组组合，计算任意组合所组成的三角形各边中垂线的焦点作为备选圆心；
（4-3）计算各备选中心到所有备选数字点的距离；
（4-4）计算各备选中心到所有备选数字点的距离的均值；
（4-5）接受一个备选中心和一个备选数字点的组合判断；
（4-6）接受备选数字点判断；
（4-7）得到筛选后的数字中心点，以
Figure 261526DEST_PATH_IMAGE003
为起始按逆时针顺序前后排列；
（4-8）筛选过后圆心坐标计算，对备选数字点集合重复(4-2)操作得圆形集合，取均值作为表盘的圆心。
7.根据权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述S2中的步骤（5）包括以下步骤：
（5-1）以S2中（2）所得表盘图像中心为圆心，0度为起始对表盘图像进行极坐标展开；（5-2）利用S2中（4）筛选得到的数字点对应(3)的数字区域外推至仪表刻度区域，并转换至极坐标系，按该坐标区域切割表盘极坐标图像中的刻度，得筛选后的数字对应的刻度图；（5-3）对每张刻度图二值化后做垂直投影，以投影的最大连续区域做为刻度存在区域；
（5-4）再对该区域进行水平投影，判断刻度类型，并且计算数字对应的刻度线所在坐标；（5-5）将该坐标从极坐标系变换至原表盘图像坐标系中得到矫正前表盘图像的刻度坐标。
8.根据权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述Faster RCNN网络检测方法，应同样适用于RCNN，Fast RCNN，Mask RCNN，PVA net，EAST等目标检测深度学习方法。
9.根据权利要求1所述一种基于目标检测的指针式仪表示数检测方法，其特征在于，所述CNN网络数字识别方法，应同样适用于RNN，Alex Net，VGG，Res Net，RCNN等分类网络及字符识别网络方法。
CN201910407504.8A 2019-05-16 2019-05-16 一种基于目标检测的指针式仪表示数检测方法 Active CN111950330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910407504.8A CN111950330B (zh) 2019-05-16 2019-05-16 一种基于目标检测的指针式仪表示数检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910407504.8A CN111950330B (zh) 2019-05-16 2019-05-16 一种基于目标检测的指针式仪表示数检测方法

Publications (2)

Publication Number Publication Date
CN111950330A true CN111950330A (zh) 2020-11-17
CN111950330B CN111950330B (zh) 2023-09-29

Family

ID=73335881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910407504.8A Active CN111950330B (zh) 2019-05-16 2019-05-16 一种基于目标检测的指针式仪表示数检测方法

Country Status (1)

Country Link
CN (1) CN111950330B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257676A (zh) * 2020-11-19 2021-01-22 南京天创电子技术有限公司 一种指针式仪表读数方法、系统以及巡检机器人
CN112507815A (zh) * 2020-11-24 2021-03-16 北京超维世纪科技有限公司 关于指针式仪器仪表盘刻度人工智能图像识别算法及系统
CN112529003A (zh) * 2020-12-09 2021-03-19 安徽工业大学 一种基于Faster-RCNN的仪表盘数字识别方法
CN112818988A (zh) * 2021-01-29 2021-05-18 西安交通大学 一种指针式仪表自动识别读数方法及系统
CN112949564A (zh) * 2021-02-02 2021-06-11 电子科技大学 一种基于深度学习的指针式仪表自动读数方法
CN112990179A (zh) * 2021-04-20 2021-06-18 成都阿莱夫信息技术有限公司 一种基于图片处理的单指针型表盘读数自动识别方法
CN113029220A (zh) * 2021-01-28 2021-06-25 开放智能机器（上海）有限公司 一种工业仪表盘的状态识别系统及方法
CN113435300A (zh) * 2021-06-23 2021-09-24 国网智能科技股份有限公司 一种避雷器仪表实时识别方法及系统
CN113536895A (zh) * 2021-05-28 2021-10-22 立得空间信息技术股份有限公司 一种圆盘指针表计识别方法
CN113537153A (zh) * 2021-08-20 2021-10-22 杭州灵伴科技有限公司 仪表图像识别方法、装置、电子设备和计算机可读介质
CN113673486A (zh) * 2021-10-21 2021-11-19 泰豪软件股份有限公司 表计读数识别方法、装置、可读存储介质及计算机设备
CN113837166A (zh) * 2021-08-20 2021-12-24 北京工业大学 一种基于深度学习的指针式仪表自动读数方法
CN113947720A (zh) * 2021-12-20 2022-01-18 广东科凯达智能机器人有限公司 一种判断密度表的工作状态的方法
CN114549814A (zh) * 2022-01-25 2022-05-27 福建和盛高科技产业有限公司 基于yolox检测的仪表读数识别方法
CN115019028A (zh) * 2022-08-02 2022-09-06 北京中拓新源科技有限公司 一种多形态指针表读数智能识别方法及装置
CN115311447A (zh) * 2022-08-02 2022-11-08 大连海事大学 一种基于深度卷积神经网络的指针式仪表示数识别方法
CN115511831A (zh) * 2022-09-27 2022-12-23 佳木斯大学 一种组织胚胎病理切片的数据分析处理系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5673331A (en) * 1995-06-03 1997-09-30 United States Department Of Energy Method and apparatus for reading meters from a video image
CN101498592A (zh) * 2009-02-26 2009-08-05 北京中星微电子有限公司 指针式仪表的读数方法及装置
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
CN106599890A (zh) * 2015-10-14 2017-04-26 山东鲁能智能技术有限公司 变电站巡检机器人数字式仪表识别算法
CN107609557A (zh) * 2017-08-24 2018-01-19 华中科技大学 一种指针式仪表读数识别方法
CN108460327A (zh) * 2018-01-12 2018-08-28 河南大学 一种基于图像处理的指针式仪表读数自动识别方法
CN109447062A (zh) * 2018-09-29 2019-03-08 南京理工大学 基于巡检机器人的指针型仪表识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5673331A (en) * 1995-06-03 1997-09-30 United States Department Of Energy Method and apparatus for reading meters from a video image
CN101498592A (zh) * 2009-02-26 2009-08-05 北京中星微电子有限公司 指针式仪表的读数方法及装置
CN106599890A (zh) * 2015-10-14 2017-04-26 山东鲁能智能技术有限公司 变电站巡检机器人数字式仪表识别算法
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
CN107609557A (zh) * 2017-08-24 2018-01-19 华中科技大学 一种指针式仪表读数识别方法
CN108460327A (zh) * 2018-01-12 2018-08-28 河南大学 一种基于图像处理的指针式仪表读数自动识别方法
CN109447062A (zh) * 2018-09-29 2019-03-08 南京理工大学 基于巡检机器人的指针型仪表识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MA YIFAN, 等: "An Automatic Reading Method of Pointer Instruments", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》, pages 1 - 6 *
XIN YANG 等: "An Automatic Reading Recognition Method for Pointer Spring Tube Pressure Instrument", 《2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》, pages 1 - 4 *
周杨浩 等: "一种自动读取指针式仪表读数的方法", 《山东大学学报（工学版）》, vol. 49, no. 4, pages 1 - 7 *
徐发兵 等: "基于深度学习的指针式仪表检测与识别研究", 《高技术通讯》, vol. 29, no. 12, pages 1206 - 1215 *
徐遵义 等: "基于相机标定和最大连通区域算法的指针式仪表读数识别", 《现代电子技术》, vol. 42, no. 9, pages 46 - 50 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257676B (zh) * 2020-11-19 2023-10-24 南京天创电子技术有限公司 一种指针式仪表读数方法、系统以及巡检机器人
CN112257676A (zh) * 2020-11-19 2021-01-22 南京天创电子技术有限公司 一种指针式仪表读数方法、系统以及巡检机器人
CN112507815A (zh) * 2020-11-24 2021-03-16 北京超维世纪科技有限公司 关于指针式仪器仪表盘刻度人工智能图像识别算法及系统
CN112529003A (zh) * 2020-12-09 2021-03-19 安徽工业大学 一种基于Faster-RCNN的仪表盘数字识别方法
CN113029220A (zh) * 2021-01-28 2021-06-25 开放智能机器（上海）有限公司 一种工业仪表盘的状态识别系统及方法
CN112818988A (zh) * 2021-01-29 2021-05-18 西安交通大学 一种指针式仪表自动识别读数方法及系统
CN112818988B (zh) * 2021-01-29 2024-04-02 西安交通大学 一种指针式仪表自动识别读数方法及系统
CN112949564A (zh) * 2021-02-02 2021-06-11 电子科技大学 一种基于深度学习的指针式仪表自动读数方法
CN112949564B (zh) * 2021-02-02 2022-11-29 电子科技大学 一种基于深度学习的指针式仪表自动读数方法
CN112990179A (zh) * 2021-04-20 2021-06-18 成都阿莱夫信息技术有限公司 一种基于图片处理的单指针型表盘读数自动识别方法
CN113536895A (zh) * 2021-05-28 2021-10-22 立得空间信息技术股份有限公司 一种圆盘指针表计识别方法
CN113435300A (zh) * 2021-06-23 2021-09-24 国网智能科技股份有限公司 一种避雷器仪表实时识别方法及系统
CN113537153A (zh) * 2021-08-20 2021-10-22 杭州灵伴科技有限公司 仪表图像识别方法、装置、电子设备和计算机可读介质
CN113837166A (zh) * 2021-08-20 2021-12-24 北京工业大学 一种基于深度学习的指针式仪表自动读数方法
CN113837166B (zh) * 2021-08-20 2024-03-12 北京工业大学 一种基于深度学习的指针式仪表自动读数方法
CN113673486A (zh) * 2021-10-21 2021-11-19 泰豪软件股份有限公司 表计读数识别方法、装置、可读存储介质及计算机设备
CN113947720B (zh) * 2021-12-20 2022-05-20 广东科凯达智能机器人有限公司 一种判断密度表的工作状态的方法
CN113947720A (zh) * 2021-12-20 2022-01-18 广东科凯达智能机器人有限公司 一种判断密度表的工作状态的方法
CN114549814A (zh) * 2022-01-25 2022-05-27 福建和盛高科技产业有限公司 基于yolox检测的仪表读数识别方法
CN115311447A (zh) * 2022-08-02 2022-11-08 大连海事大学 一种基于深度卷积神经网络的指针式仪表示数识别方法
CN115019028A (zh) * 2022-08-02 2022-09-06 北京中拓新源科技有限公司 一种多形态指针表读数智能识别方法及装置
CN115511831A (zh) * 2022-09-27 2022-12-23 佳木斯大学 一种组织胚胎病理切片的数据分析处理系统及方法

Also Published As

Publication number Publication date
CN111950330B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN111950330A (zh) 一种基于目标检测的指针式仪表示数检测方法
CN108764257B (zh) 一种多视角的指针式仪表识别方法
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
CN110659636B (zh) 基于深度学习的指针式仪表读数识别方法
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
CN102521560B (zh) 高鲁棒仪表指针图像识别方法
CN112257676B (zh) 一种指针式仪表读数方法、系统以及巡检机器人
CN112149667B (zh) 一种基于深度学习的指针式仪表的自动读数的方法
CN112949564A (zh) 一种基于深度学习的指针式仪表自动读数方法
CN109508709B (zh) 一种基于机器视觉的单指针仪表读数方法
CN111368906B (zh) 一种基于深度学习的指针式油位计读数识别方法
CN112801094B (zh) 一种指针式仪表图像倾斜校正方法
CN111738229B (zh) 一种指针表盘刻度的自动读取方法
CN110852954B (zh) 指针式仪表的图像倾斜校正方法及系统
CN110909738A (zh) 一种基于关键点检测的指针仪表自动读数方法
CN107239743B (zh) 一种基于投影法的刻度线读数自动检测方法
CN112560839A (zh) 指针式仪表读数的自动识别方法及系统
CN114565911B (zh) 一种仪表识读方法、装置、计算机设备和存储介质
CN115880683A (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN114240984B (zh) 一种圆形标志点边缘提取方法及其应用
CN114882487A (zh) 一种指针仪表示数读取方法及其系统
CN115424009A (zh) 一种基于Yolact网络的指针式仪表数据自动读取方法
CN112464986B (zh) 一种指针型圆盘仪表的读数方法及设备
CN113989513A (zh) 一种方形指针式仪表读数识别的方法
CN114255458A (zh) 一种巡检场景下指针仪表读数的识别方法与系统

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