CN112036390A - 一种基于页岩气田生产三针类仪表读数的识别方法 - Google Patents
一种基于页岩气田生产三针类仪表读数的识别方法 Download PDFInfo
- Publication number
- CN112036390A CN112036390A CN202010711387.7A CN202010711387A CN112036390A CN 112036390 A CN112036390 A CN 112036390A CN 202010711387 A CN202010711387 A CN 202010711387A CN 112036390 A CN112036390 A CN 112036390A
- Authority
- CN
- China
- Prior art keywords
- instrument
- line segments
- original image
- pointer
- reading
- 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
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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
Abstract
本发明涉及智能识别领域,特别涉及一种用于识别三针类仪表读数的方法,采集工作现场的原始图像;识别仪表表盘;识别预处理后的图像中的仪表盘面及中心点;识别出图像中仪表盘面内长度大于预设阈值m的线段;按线段两端点到圆心的距离进行排序,取出距离最近的n条线段,并将这n条线段中角度相差小于预设度数的线段进行合并,得到新的线段集合;若得到的线段集合中的线段为3条,则识别完成;对3条线段进行角度识别,计算出指针读数,本方案用于识别三针类仪表的指针读数,还可扩展成多指针仪表的识别,解决了现有技术中没有针对识别三针类仪表读数的技术的问题;并且对比现有人工巡检仪表读数,效率高,人工成本低,并且实时性高。
Description
技术领域
本发明涉及智能识别领域,特别涉及一种基于页岩气田生产三针类仪表读数的识别方法。
背景技术
目前在页岩气生产现场,每天都要对生产现场进行巡检工作,在巡检时对现场的仪表读数进行检查并记录是个重要的环节,传统的仪表巡检记录方法是由巡检人员定时对场站仪表进行巡检并记录在巡检记录表上,目前市面上也出现了使用智能巡检机器人或基于高清监控摄像头的新式巡检技术,在这种新式巡检技术中,主要是需要后端要对前端采集到的仪表图像中仪表的读数进行识别,而在页岩气生产现场会用到很多三针类仪表,这些仪表的表盘中会有三根指针,在针对这些仪表进行读数识别时,现有的智能识别领域中,没有一种能准确识别三针类仪表读数的识别方法。
发明内容
本发明的目的在于:提供了一种基于页岩气田生产三针类仪表读数的识别方法,对前端采集的原始图像进行预处理,并找出表盘,采用检测模型找出所有线段,剔除掉较短的线段后,按距离表盘圆心进行排序,找出距离表盘圆心最近的线段,并进行合并,得到新的线段即和,进而识别出所有的指针,并进行读数,解决了现有技术中没有能够准确识别出三针类仪表读数的方法的问题。
本发明采用的技术方案如下:
一种基于页岩气田生产三针类仪表读数的识别方法,包括依次进行的以下步骤:
步骤1:采集工作现场包含三针类机械仪表表盘的一帧原始图像;
步骤2:识别原始图像中的仪表表盘;
步骤3:使用深度学习目标检测模型对原始图像进行预处理;
步骤4:识别预处理后的图像中的仪表盘面及中心点;
步骤5:识别出预处理后的图像中仪表盘面内所有长度大于预设阈值m的所有线段;
步骤6:对步骤5中识别出的所有线段按线段两端点到仪表表盘圆心的距离进行排序,取出距离仪表表盘圆心最近的n条线段,并将这n条线段中角度相差小于预设阈值度数α的线段进行合并,得到新的线段集合;
步骤7:若步骤6中得到的线段集合中的线段为3条,则指针识别完成;
步骤8:对3条线段进行角度识别,计算出对应的指针读数。
现有的针对仪表的智能识别技术,一般建立在针对工作现场采集的原始图像为单针仪表的情况,而在针对单针类仪表时,对仪表表盘进行直线拟合时,由于在仪表表盘中仅有一组对应于该指针的拟合线段,因此我们仅需排除其他干扰因素,选取拟合线段中最近似指针的作为拟合出的指针线段,进行读数识别即可,这里,由于选取拟合线段中最近似指针的线段的方法各有不同,这里不作赘述。
在本方案中给出了一套完整的识别三针类仪表的方案,首先我们在工作现场进行包含三针类机械仪表表盘的原始图像的采集,然后使用智能识别算法识别出原始图像中的仪表表盘,如果能识别出仪表表盘,则继续进行步骤3的预处理,在这里的步骤2中,我们还可以裁剪出表盘图片,在步骤3及其后续步骤中使用裁剪出的表盘图片继续进行处理,这样避免了在表盘外及部分在表盘外的线段对于后续识别指针线段的干扰。然后经过步骤3的一系列预处理后,将预处理后的图像后的仪表表盘进行重新识别,重新识别一方面是避免了前序步骤2中识别仪表表盘时识别不准确,识别出的仪表表盘过大,另一方面是使得识别出的仪表表盘更精确,因为步骤2中识别仪表表盘时,是在原始图像上进行识别的,因此识别出的仪表表盘的误差可能会比较大,比如由于仪表表盘的表盘边缘由于光线的原因产生模糊边界,导致前序步骤2中识别出的仪表表盘不准确,进而导致识别出的仪表表盘的中心点不准,后续进行指针线段拟合后的筛选时,筛选出的指针线段不准确,会使得识别出的指针错误,进而导致读数产生较大误差。
在对预处理后的图像进行表盘识别后,再使用直线检测算法识别出表盘内所有的线段,识别出的线段中,有很多重复或干扰线段,其中重复线段主要是会由指针的两个边界线段识别出的两条线段,还会有一些由于指针上的边界线段的模糊边界识别出的多条线段,而干扰线段主要是表盘内的非指针的其他线段,比如数字的边界或刻度形成的线段等,在识别出的线段中,我们首先进行会按线段两端点到圆心的距离进行排序,由于指针的边界线段一端距离表盘圆心会非常近,仅间隔表盘中心旋钮的半径的长度,因此对所有识别出的线段进行这种排序时,指针的边界的线段会比较靠前,因此我们筛选出距离最小的n条线段,这里的n一般为6~12中的一个自然数,由于最少在表盘清晰误差最低的情况下,每个指针会有至少2条边界线段,因此最少要选择6条线段,而最大值12是考虑了三根指针每根都会产生4条线段,即每根指针都会由于模糊边界产生两条指针边界内的线段。
然后我们进行线段合并,这步是为了将属于一根指针的线段进行合并,一般指针的两条边界及其之间的线段之间的角度差会小于一个预设阈值度数α,一般来说这个预设阈值度数α为指针末端的两边界夹角,合并后若线段数量变为3条,则三根指针全部识别出,再进行角度识别计算,就可以得出指针的读数。
本方案用于页岩气田生产现场对于三针类仪表读数的识别,弥补了现有技术没有针对三针类仪表读数识别的方案,并且在实际应用中,对比现有页岩气田生产现场使用人工巡检识别,效率低,人工成本高,并且无法实时读取上传仪表读数数据的问题。
进一步地,所述步骤1中使用智能眼镜、摄像头或手机采集原始图像,采集的原始图像需要保证三针式机械仪表在画面中占比不低于四分之一,且需要保证采集的原始图像为仪表正面画面,正对仪表的偏差角度范围在15°以内。
这里对于采集图像的限定,是由于在实际操作过程中,我们发现,在仪表表盘倾斜度较大或采集时未正对仪表表盘时,会导致识别的读数误差较大,并且,机械仪表表盘在画面中占比低于四分之一时也会使得识别的读数误差较大,或者识别不出指针或表盘,因此我们在采集原始图像时,需要提前规划好采集的低点,保证采集的原始图像满足三针式机械仪表在画面中占比不低于四分之一,且采集的原始图像为仪表正面画面,正对仪表的偏差角度范围在15°以内这两个条件。
进一步地,所述步骤2中识别原始图像中的仪表表盘时,使用Canny边缘检测算法识别出原始图像中的所有圆,并且选取识别出的半径最大的圆作为识别出的仪表表盘。
进一步地,步骤2中识别原始图像中的仪表表盘时,若未检测到仪表表盘,则返回步骤1,若检测到仪表表盘,则进入步骤3。
进一步地,步骤3中对原始图像进行的预处理主要包括图像尺度变换、高斯滤波和灰度化。
进一步地,所述步骤3中对原始图像的预处理主要包括以下步骤:
步骤3-1:对原始图像进行尺寸变换,缩放为500×500像素大小,缩放采用按比例缩放,不足区域以黑色填充,形成变换图片;
步骤3-2:对变换图片进行高斯模糊处理,并转换为灰度图。
进一步地,所述步骤4中使用边缘检测算法识别预处理后的图像中的仪表盘面的边缘轮廓信息,并根据仪表盘面的边缘轮廓信息确定仪表盘面的中心点;所述步骤5中使用Hough直线检测算法对步骤4识别出的仪表盘面的内部轮廓信息进行识别,找出长度大于预设阈值m的所有线段。
进一步地,所述步骤5中的预设阈值m为指针长度的三分之一;所述步骤6中的n为大于6且小于12的自然数中的一个。
一般来说在步骤3中我们仅需预处理时,会将图片处理成矩形或者进一步处理成正方形,这里的预设阈值m为指针长度的三分之一,由于在进行线段识别时,可能识别到的指针的边界线不是完整的指针的边界线,会比较短,因此我们设置为指针长度的三分之一;在误差最小时,每个指针会有2条线段,即2条边界线的线段,因此n的最小值为6,而误差较大时,由于指针边界的模糊,每根指针会有4根线段,因此这里n的最大值为12,而由于环境误差和识别的数量不尽相同,这里可以根据实际生产现场的情况,选择6~12之间的一个自然数。
进一步地,所述步骤7中进行判定时,若步骤6中得到的线段集合中的线段不是3条,则指针识别错误,返回步骤1重新采集原始图像;若步骤6中得到的线段集合中的线段是3条,则进入下一步步骤8。
在本方案中,多次进行判定,不满足条件时均需要重新采集图像,在步骤2、步骤7中均是如此,这是由于生产现场的干扰因素不可预估的原因,我们为了保证读数的准确,在不满足条件时,进行重新采集原始图像从头开始重新进行指针读数的识别,这样可以最大程度保证识别出的指针读数的准确率,避免未知因素导致的指针读数识别的错误。
一种多针类仪表读数的识别方法,包括依次进行的以下步骤:
步骤S1:采集工作现场包含多针类机械仪表表盘的一帧原始图像;
步骤S2:识别原始图像中的仪表表盘;
步骤S3:使用深度学习目标检测模型对原始图像进行预处理;
步骤S4:识别预处理后的图像中的仪表盘面及中心点;
步骤S5:识别出预处理后的图像中仪表盘面内所有长度大于预设阈值m’的所有线段;
步骤S6:对步骤S5中识别出的所有线段按线段两端点到仪表表盘圆心的距离进行排序,取出距离仪表表盘圆心最近的n’条线段,并将这n’条线段中角度相差小于预设阈值度数α’的线段进行合并,得到新的线段集合;
步骤S7:若步骤S6中得到的线段集合中的线段和仪表的指针数量相同,则指针识别完成;
步骤S8:对合并后的所有线段进行角度识别,计算出对应的指针读数。
这里利用本方案在多针类仪表的扩展方法,可以应用本方案识别出多针类仪表的所有指针的读数,对于指针范围可以明显区分的仪表可以直接读出对应的各指针读数,而对于各指针范围有交叉的仪表,本方案无法识别出具体哪根指针属于哪个对应的数据,应用范围有限,但是也是一种可应用于特定多针类仪表的技术方案,本方案和前述方案的原理大致相同,这里不做多余赘述,本方案中的m’一般为指针长度的三分之一;n’一般为大于等于仪表指针数量的2倍,且小于等于仪表指针数量的4倍的自然数;而预设阈值度数α’一般为指针末端的两边界夹角。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明一种基于页岩气田生产三针类仪表读数的识别方法,对前端采集的原始图像进行预处理,并找出表盘,采用检测模型找出所有线段,剔除掉较短的线段后,按距离表盘圆心进行排序,找出距离表盘圆心最近的线段,并进行合并,得到新的线段即和,进而识别出所有的指针,并进行读数,解决了现有技术中没有针对识别三针类仪表读数的技术的问题;
2.本发明一种基于页岩气田生产三针类仪表读数的识别方法,对前端采集的原始图像进行预处理,并找出表盘,采用检测模型找出所有线段,剔除掉较短的线段后,按距离表盘圆心进行排序,找出距离表盘圆心最近的线段,并进行合并,得到新的线段即和,进而识别出所有的指针,并进行读数,对比现有页岩气田生产现场人工巡检进行仪表读数并上传的方法,效率高,人工成本低,并且实时性高;
3. 本发明一种基于页岩气田生产三针类仪表读数的识别方法,对前端采集的原始图像进行预处理,并找出表盘,采用检测模型找出所有线段,剔除掉较短的线段后,按距离表盘圆心进行排序,找出距离表盘圆心最近的线段,并进行合并,得到新的线段即和,进而识别出所有的指针,并进行读数,针对特定的多指针仪表,可以进行多指针仪表的指针读数的识别。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的原理框图;
图2是本发明的一个实施例的原始图像;
图3是本发明的识别到仪表表盘的图像;
图4是本发明的一个角度识别到的仪表表盘图像;
图5是本发明的另一角度识别到的仪表表盘图像;
图6是本发明的一个实施例进行转换成灰度图后的图像;
图7是本发明的一个实施例进行Hough直线检测算法检测后的图像;
图8是本发明的一个实施例进行步骤6选出的六条线段时的图像。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合图1至图8对本发明作详细说明。
实施例1:
一种基于页岩气田生产三针类仪表读数的识别方法,如图1,包括依次进行的以下步骤:
步骤1:采集工作现场包含三针类机械仪表表盘的一帧原始图像;
步骤2:识别原始图像中的仪表表盘;
步骤3:使用深度学习目标检测模型对原始图像进行预处理;
步骤4:识别预处理后的图像中的仪表盘面及中心点;
步骤5:识别出预处理后的图像中仪表盘面内所有长度大于预设阈值m的所有线段;
步骤6:对步骤5中识别出的所有线段按线段两端点到仪表表盘圆心的距离进行排序,取出距离仪表表盘圆心最近的n条线段,并将这n条线段中角度相差小于预设阈值度数α的线段进行合并,得到新的线段集合;
步骤7:若步骤6中得到的线段集合中的线段为3条,则指针识别完成;
步骤8:对3条线段进行角度识别,计算出对应的指针读数。
工作原理:现有的针对仪表的智能识别技术,一般建立在针对工作现场采集的原始图像为单针仪表的情况,而在针对单针类仪表时,对仪表表盘进行直线拟合时,由于在仪表表盘中仅有一组对应于该指针的拟合线段,因此我们仅需排除其他干扰因素,选取拟合线段中最近似指针的作为拟合出的指针线段,进行读数识别即可,这里,由于选取拟合线段中最近似指针的线段的方法各有不同,这里不作赘述。
在本方案中给出了一套完整的识别三针类仪表的方案,首先我们在工作现场进行包含三针类机械仪表表盘的原始图像的采集,然后使用智能识别算法识别出原始图像中的仪表表盘,如果能识别出仪表表盘,则继续进行步骤3的预处理,在这里的步骤2中,我们还可以裁剪出表盘图片,在步骤3及其后续步骤中使用裁剪出的表盘图片继续进行处理,这样避免了在表盘外及部分在表盘外的线段对于后续识别指针线段的干扰。然后经过步骤3的一系列预处理后,将预处理后的图像后的仪表表盘进行重新识别,重新识别一方面是避免了前序步骤2中识别仪表表盘时识别不准确,识别出的仪表表盘过大,另一方面是使得识别出的仪表表盘更精确,因为步骤2中识别仪表表盘时,是在原始图像上进行识别的,因此识别出的仪表表盘的误差可能会比较大,比如由于仪表表盘的表盘边缘由于光线的原因产生模糊边界,导致前序步骤2中识别出的仪表表盘不准确,进而导致识别出的仪表表盘的中心点不准,后续进行指针线段拟合后的筛选时,筛选出的指针线段不准确,会使得识别出的指针错误,进而导致读数产生较大误差。
在对预处理后的图像进行表盘识别后,再使用直线检测算法识别出表盘内所有的线段,识别出的线段中,有很多重复或干扰线段,其中重复线段主要是会由指针的两个边界线段识别出的两条线段,还会有一些由于指针上的边界线段的模糊边界识别出的多条线段,而干扰线段主要是表盘内的非指针的其他线段,比如数字的边界或刻度形成的线段等,在识别出的线段中,我们首先进行会按线段两端点到圆心的距离进行排序,由于指针的边界线段一端距离表盘圆心会非常近,仅间隔表盘中心旋钮的半径的长度,因此对所有识别出的线段进行这种排序时,指针的边界的线段会比较靠前,因此我们筛选出距离最小的n条线段,这里的n一般为6~12中的一个自然数,由于最少在表盘清晰误差最低的情况下,每个指针会有至少2条边界线段,因此最少要选择6条线段,而最大值12是考虑了三根指针每根都会产生4条线段,即每根指针都会由于模糊边界产生两条指针边界内的线段。
然后我们进行线段合并,这步是为了将属于一根指针的线段进行合并,一般指针的两条边界及其之间的线段之间的角度差会小于一个预设阈值度数α,一般来说这个预设阈值度数α为指针末端的两边界夹角,合并后若线段数量变为3条,则三根指针全部识别出,再进行角度识别计算,就可以得出指针的读数。
实施例2
本实施例在上述实施例1的基础上,所述步骤1中使用智能眼镜、摄像头或手机采集原始图像,采集的原始图像需要保证三针式机械仪表在画面中占比不低于四分之一,且需要保证采集的原始图像为仪表正面画面,正对仪表的偏差角度范围在15°以内。
这里对于采集图像的限定,是由于在实际操作过程中,我们发现,在仪表表盘倾斜度较大或采集时未正对仪表表盘时,会导致识别的读数误差较大,并且,机械仪表表盘在画面中占比低于四分之一时也会使得识别的读数误差较大,或者识别不出指针或表盘,因此我们在采集原始图像时,需要提前规划好采集的低点,保证采集的原始图像满足三针式机械仪表在画面中占比不低于四分之一,且采集的原始图像为仪表正面画面,正对仪表的偏差角度范围在15°以内这两个条件。
所述步骤2中识别原始图像中的仪表表盘时,使用Canny边缘检测算法识别出原始图像中的所有圆,并且选取识别出的半径最大的圆作为识别出的仪表表盘。
步骤2中识别原始图像中的仪表表盘时,若未检测到仪表表盘,则返回步骤1,若检测到仪表表盘,则进入步骤3。
步骤3中对原始图像进行的预处理主要包括图像尺度变换、高斯滤波和灰度化。
所述步骤3中对原始图像的预处理主要包括以下步骤:
步骤3-1:对原始图像进行尺寸变换,缩放为500×500像素大小,缩放采用按比例缩放,不足区域以黑色填充,形成变换图片;
步骤3-2:对变换图片进行高斯模糊处理,并转换为灰度图。
所述步骤4中使用边缘检测算法识别预处理后的图像中的仪表盘面的边缘轮廓信息,并根据仪表盘面的边缘轮廓信息确定仪表盘面的中心点;
所述步骤5中使用Hough直线检测算法对步骤4识别出的仪表盘面的内部轮廓信息进行识别,找出长度大于预设阈值m的所有线段。
所述步骤5中的预设阈值m为指针长度的三分之一;所述步骤6中的n为大于6且小于12的自然数中的一个。
一般来说在步骤3中我们仅需预处理时,会将图片处理成矩形或者进一步处理成正方形,这里的预设阈值m为指针长度的三分之一;在误差最小时,每个指针会有2条线段,即2条边界线的线段,因此n的最小值为6,而误差较大时,由于指针边界的模糊,每根指针会有4根线段,因此这里n的最大值为12,而由于环境误差和识别的数量不尽相同,这里可以根据实际生产现场的情况,选择6~12之间的一个自然数。
所述步骤7中进行判定时,若步骤6中得到的线段集合中的线段不是3条,则指针识别错误,返回步骤1重新采集原始图像;若步骤6中得到的线段集合中的线段是3条,则进入下一步步骤8。
在本方案中,多次进行判定,不满足条件时均需要重新采集图像,在步骤2、步骤7中均是如此,这是由于生产现场的干扰因素不可预估的原因,我们为了保证读数的准确,在不满足条件时,进行重新采集原始图像从头开始重新进行指针读数的识别,这样可以最大程度保证识别出的指针读数的准确率,避免未知因素导致的指针读数识别的错误。
本实施例的其他部分与上述实施例1相同,故不再赘述。
实施例3
一种多针类仪表读数的识别方法,如图1,包括依次进行的以下步骤:
步骤S1:采集工作现场包含多针类机械仪表表盘的一帧原始图像;
步骤S2:识别原始图像中的仪表表盘;
步骤S3:使用深度学习目标检测模型对原始表盘图像进行预处理;
步骤S4:识别预处理后的图像中的仪表盘面及中心点;
步骤S5:识别出预处理后的图像中仪表盘面内所有长度大于预设阈值m’的所有线段;
步骤S6:对步骤S5中识别出的所有线段按线段两端点到圆心的距离进行排序,取出距离最近的n’条线段,并将这n’条线段中角度相差小于预设阈值度数α’的线段进行合并,得到新的线段集合;
步骤S7:若步骤S6中得到的线段集合中的线段和仪表的指针数量相同,则指针识别完成;
步骤S8:对合并后的所有线段进行角度识别,计算出对应的指针读数。
这里利用实施例1的方案在多针类仪表的扩展方法,可以应用本方案识别出多针类仪表的所有指针的读数,对于指针范围可以明显区分的仪表可以直接读出对应的各指针读数,而对于各指针范围有交叉的仪表,本方案无法识别出具体哪根指针属于哪个对应的数据,应用范围有限,但是也是一种可应用于特定多针类仪表的技术方案,本方案和前述方案的原理大致相同,这里不做多余赘述,假设本方案中多针类仪表的指针数量为x,则该多针类仪表的m’一般为x根指针中最短的指针长度的三分之一;n’一般为大于等于仪表指针数量的2倍2x,且小于等于仪表指针数量的4倍的自然数4x;而预设阈值度数α’一般为所有指针的末端的两边界夹角中最小的值。
实施例4
一种基于页岩气田生产三针类仪表读数的识别方法,如图1,包括依次进行的以下步骤:
步骤1:使用智能眼镜、摄像头或手机采集原始图像,采集的原始图像需要保证三针式机械仪表在画面中占比不低于四分之一,且需要保证采集的原始图像为仪表正面画面,正对仪表的偏差角度范围在15°以内,如图2是在页岩气生产现场采集的一个三针压力表的一个原始图像,这里采集的原始图像是完全满足要求的,仪表占比四分之三以上,正对仪表的偏差角度在10°左右,小于15°;
步骤2:使用Canny边缘检测算法识别出原始图像中的所有圆,并且选取识别出的半径最大的圆作为识别出的仪表表盘,若未检测到仪表表盘,则返回步骤1,若检测到仪表表盘,则进入步骤3,如图3是对图2进行识别后包含识别出的表盘边缘线的图像,而如图4、图5,是在不同的角度拍摄的不同于图2的原始图像,进行边缘检测后包含表盘边缘线的图像,不同于图3的是,图4和图5明显检测出的表盘边缘线的误差较大,严重偏离了仪表表盘本身的边界线,这样会导致后续步骤中识别出的表盘中心偏离较大,进而导致识别出的仪表读数误差较大。
步骤3:使用深度学习目标检测模型对原始图像进行预处理,主要包括图像尺度变换、高斯滤波和灰度化,具体主要包括以下步骤:
步骤3-1:对原始图像进行尺寸变换,缩放为500×500像素大小,缩放采用按比例缩放,不足区域以黑色填充,形成变换图片;
步骤3-2:对变换图片进行高斯模糊处理,并转换为灰度图,如图6是转换为灰度图的图像。
步骤4:使用边缘检测算法识别预处理后的图像中的仪表盘面的边缘轮廓信息,并根据仪表盘面的边缘轮廓信息确定仪表盘面的中心点,这里,一般是在如图6所示的灰度图中进行边缘轮廓检测,进而确定仪表盘面边缘轮廓及仪表盘中心点,在灰度图中进行识别,可以排除掉较多的影响因素;
步骤5:使用Hough直线检测算法对步骤4识别出的仪表盘面的内部轮廓信息进行识别,找出长度大于预设阈值m的所有线段,这里的预设阈值m为指针长度的三分之一,如图7中,识别出了多组线段,其中包括仪表指针的边界线;
步骤6:对步骤5中识别出的所有线段按线段两端点到仪表表盘圆心的距离进行排序,取出距离仪表表盘圆心最近的n条线段,n为大于6且小于12的自然数中的一个,并将这n条线段中角度相差小于预设阈值度数α的线段进行合并,得到新的线段集合,如图8,在这里我们的n设为6,这是因为在该压力表的生产现场,采集原始图像的摄像头距离仪表表盘较近,并且环境中的影响因素较少,因此本实施例中将n设为6时,选出的6条线段为仪表盘的三根指针的6个边界线的线段;
步骤7:所述步骤7中进行判定时,若步骤6中得到的线段集合中的线段不是3条,则指针识别错误,返回步骤1重新采集原始图像;若步骤6中得到的线段集合中的线段是3条,则指针识别完成,进入下一步步骤8,这里会将图8中的线段1和线段5、线段2和线段6、线段3和线段4进行合并,因此合并后的线段数是3条,则可以直接进行步骤8;
步骤8:对3条线段进行角度识别,计算出对应的指针读数,这里我们使用常规智能识别中的指针识别方法,进行直线角度拟合和计算,以前序步骤中的表盘中心的为直角坐标系的原点,水平向右作为X轴正方向,垂直向上作为Y轴正方形建立直角坐标系,进行步骤7中合并的3条线段的角度计算,即可读出三根指针的读数,而在本实施例中的压力表中,最左边和最右边的指针为限位指针,中间的指针为读数指针,正常来说,读数指针总是位于限位指针之间,而限位指针是为了告警值的上下限,因此我们读数完成后还可将读出的三个数据与预设的告警值的上下限分别进行对比,找出限位指针,剩下的数据即为读数指针,这样就可以得到该压力表的正常读数压力值。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:包括依次进行的以下步骤:
步骤1:采集工作现场包含三针类机械仪表表盘的一帧原始图像;
步骤2:识别原始图像中的仪表表盘;
步骤3:使用深度学习目标检测模型对原始图像进行预处理;
步骤4:识别预处理后的图像中的仪表盘面及中心点;
步骤5:识别出预处理后的图像中仪表盘面内所有长度大于预设阈值m的所有线段;
步骤6:对步骤5中识别出的所有线段按线段两端点到仪表表盘圆心的距离进行排序,取出距离仪表表盘圆心最近的n条线段,并将这n条线段中角度相差小于预设阈值度数α的线段进行合并,得到新的线段集合;
步骤7:若步骤6中得到的线段集合中的线段为3条,则指针识别完成;
步骤8:对3条线段进行角度识别,计算出对应的指针读数。
2.根据权利要求1所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:所述步骤1中使用智能眼镜、摄像头或手机采集原始图像,采集的原始图像需要保证三针式机械仪表在画面中占比不低于四分之一,且需要保证采集的原始图像为仪表正面画面,正对仪表的偏差角度范围在15°以内。
3.根据权利要求1所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:所述步骤2中识别原始图像中的仪表表盘时,使用Canny边缘检测算法识别出原始图像中的所有圆,并且选取识别出的半径最大的圆作为识别出的仪表表盘。
4.根据权利要求1或3所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:步骤2中识别原始图像中的仪表表盘时,若未检测到仪表表盘,则返回步骤1,若检测到仪表表盘,则进入步骤3。
5.根据权利要求1所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:步骤3中对原始图像进行的预处理主要包括图像尺度变换、高斯滤波和灰度化。
6.根据权利要求1或5所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:所述步骤3中对原始图像的预处理主要包括以下步骤:
步骤3-1:对原始图像进行尺寸变换,缩放为500×500像素大小,缩放采用按比例缩放,不足区域以黑色填充,形成变换图片;
步骤3-2:对变换图片进行高斯模糊处理,并转换为灰度图。
7.根据权利要求1所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:所述步骤4中使用边缘检测算法识别预处理后的图像中的仪表盘面的边缘轮廓信息,并根据仪表盘面的边缘轮廓信息确定仪表盘面的中心点;所述步骤5中使用Hough直线检测算法对步骤4识别出的仪表盘面的内部轮廓信息进行识别,找出长度大于预设阈值m的所有线段。
8.根据权利要求1或7所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:所述步骤5中的预设阈值m为指针长度的三分之一;所述步骤6中的n为大于6且小于12的自然数中的一个。
9.根据权利要求1所述的一种基于页岩气田生产三针类仪表读数的识别方法,其特征在于:所述步骤7中进行判定时,若步骤6中得到的线段集合中的线段不是3条,则指针识别错误,返回步骤1重新采集原始图像;若步骤6中得到的线段集合中的线段是3条,则进入下一步步骤8。
10.一种多针类仪表读数的识别方法,其特征在于:包括依次进行的以下步骤:
步骤S1:采集工作现场包含多针类机械仪表表盘的一帧原始图像;
步骤S2:识别原始图像中的仪表表盘;
步骤S3:使用深度学习目标检测模型对原始图像进行预处理;
步骤S4:识别预处理后的图像中的仪表盘面及中心点;
步骤S5:识别出预处理后的图像中仪表盘面内所有长度大于预设阈值m’的所有线段;
步骤S6:对步骤S5中识别出的所有线段按线段两端点到仪表表盘圆心的距离进行排序,取出距离仪表表盘圆心最近的n’条线段,并将这n’条线段中角度相差小于预设阈值度数α’的线段进行合并,得到新的线段集合;
步骤S7:若步骤S6中得到的线段集合中的线段和仪表的指针数量相同,则指针识别完成;
步骤S8:对合并后的所有线段进行角度识别,计算出对应的指针读数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711387.7A CN112036390A (zh) | 2020-07-22 | 2020-07-22 | 一种基于页岩气田生产三针类仪表读数的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711387.7A CN112036390A (zh) | 2020-07-22 | 2020-07-22 | 一种基于页岩气田生产三针类仪表读数的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036390A true CN112036390A (zh) | 2020-12-04 |
Family
ID=73582487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010711387.7A Pending CN112036390A (zh) | 2020-07-22 | 2020-07-22 | 一种基于页岩气田生产三针类仪表读数的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036390A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799867A (zh) * | 2012-07-09 | 2012-11-28 | 哈尔滨工业大学 | 基于图像处理的仪表指针转角识别方法 |
CN103020627A (zh) * | 2012-11-14 | 2013-04-03 | 中国人民解放军63963部队 | 一种特种车辆仪表指针的提取方法 |
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 |
CN103310203A (zh) * | 2013-06-27 | 2013-09-18 | 河海大学常州校区 | 基于物联网和机器视觉的指针式仪表示值自动识别装置及方法 |
CN104657711A (zh) * | 2015-02-09 | 2015-05-27 | 中国石油大学(华东) | 一种鲁棒的指针式仪表读数自动识别方法 |
CN106228170A (zh) * | 2016-09-20 | 2016-12-14 | 山东省计量科学研究院 | 一种指针式仪表的指针位置提取方法 |
CN106599897A (zh) * | 2016-12-09 | 2017-04-26 | 广州供电局有限公司 | 基于机器视觉的指针式仪表读数识别方法及装置 |
US20170169593A1 (en) * | 2015-12-14 | 2017-06-15 | General Electric Company | Collection and validation of data from visual displays |
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 |
CN107729853A (zh) * | 2017-10-24 | 2018-02-23 | 武汉科技大学 | 一种适用于变电站窄刻度指针式仪表的自动识别方法 |
CN108921176A (zh) * | 2018-06-22 | 2018-11-30 | 河海大学常州校区 | 一种基于机器视觉的指针式仪表定位与识别方法 |
US10168192B2 (en) * | 2015-12-22 | 2019-01-01 | Intel Corporation | Determining values of angular gauges |
CN109583324A (zh) * | 2018-11-12 | 2019-04-05 | 武汉大学 | 一种基于单点多盒检测器的指针仪表读数自动识别方法 |
JP6609345B2 (ja) * | 2018-04-27 | 2019-11-20 | 株式会社東芝 | 読取システム、読取方法、プログラム、及び記憶媒体 |
CN110543865A (zh) * | 2019-09-06 | 2019-12-06 | 青岛大学 | 基于时空图像的指针式仪表自动读数系统及读数方法 |
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 |
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 |
-
2020
- 2020-07-22 CN CN202010711387.7A patent/CN112036390A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799867A (zh) * | 2012-07-09 | 2012-11-28 | 哈尔滨工业大学 | 基于图像处理的仪表指针转角识别方法 |
CN103020627A (zh) * | 2012-11-14 | 2013-04-03 | 中国人民解放军63963部队 | 一种特种车辆仪表指针的提取方法 |
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 |
CN103310203A (zh) * | 2013-06-27 | 2013-09-18 | 河海大学常州校区 | 基于物联网和机器视觉的指针式仪表示值自动识别装置及方法 |
CN104657711A (zh) * | 2015-02-09 | 2015-05-27 | 中国石油大学(华东) | 一种鲁棒的指针式仪表读数自动识别方法 |
US20170169593A1 (en) * | 2015-12-14 | 2017-06-15 | General Electric Company | Collection and validation of data from visual displays |
US10168192B2 (en) * | 2015-12-22 | 2019-01-01 | Intel Corporation | Determining values of angular gauges |
CN106228170A (zh) * | 2016-09-20 | 2016-12-14 | 山东省计量科学研究院 | 一种指针式仪表的指针位置提取方法 |
CN106599897A (zh) * | 2016-12-09 | 2017-04-26 | 广州供电局有限公司 | 基于机器视觉的指针式仪表读数识别方法及装置 |
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 |
CN107729853A (zh) * | 2017-10-24 | 2018-02-23 | 武汉科技大学 | 一种适用于变电站窄刻度指针式仪表的自动识别方法 |
JP6609345B2 (ja) * | 2018-04-27 | 2019-11-20 | 株式会社東芝 | 読取システム、読取方法、プログラム、及び記憶媒体 |
CN108921176A (zh) * | 2018-06-22 | 2018-11-30 | 河海大学常州校区 | 一种基于机器视觉的指针式仪表定位与识别方法 |
CN109583324A (zh) * | 2018-11-12 | 2019-04-05 | 武汉大学 | 一种基于单点多盒检测器的指针仪表读数自动识别方法 |
CN110543865A (zh) * | 2019-09-06 | 2019-12-06 | 青岛大学 | 基于时空图像的指针式仪表自动读数系统及读数方法 |
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580480B (zh) | 基于图像处理的表计读数识别方法 | |
CN103759758B (zh) | 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN106529537A (zh) | 一种数字仪表读数图像识别方法 | |
CN110874596B (zh) | 一种仪表智能识别预警方法及系统 | |
CN110929710B (zh) | 一种基于视觉的仪表指针读数自动识别方法与系统 | |
CN107145890B (zh) | 一种远距离多视角环境下的指针式仪表盘自动读数方法 | |
CN109284718B (zh) | 面向巡检机器人的变视角多仪表同时识别方法 | |
CN111368906B (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
CN113643276B (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN107301412B (zh) | 一种基于图像处理的指针式仪表读数方法 | |
CN111507186B (zh) | 一种变电站指针式仪表读数识别方法 | |
CN115661147A (zh) | 基于机器视觉的计量检测数据识别方法 | |
CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN112036391B (zh) | 一种基于页岩气田生产站场的电子巡检方法及系统 | |
CN114155493A (zh) | 基于视频分析技术的大坝流量预警系统及方法 | |
CN116612461A (zh) | 一种基于目标检测的指针式仪表全过程自动读数方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN115222817B (zh) | 一种指针式压力表的指针定位方法 | |
CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
CN112036390A (zh) | 一种基于页岩气田生产三针类仪表读数的识别方法 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN113191351B (zh) | 数字电表的示数识别方法及装置、模型训练方法及装置 | |
CN109360289B (zh) | 融合巡检机器人定位信息的电力表计检测方法 |
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 |