CN112417975A - 一种获取指针式仪表读数的方法及装置 - Google Patents
一种获取指针式仪表读数的方法及装置 Download PDFInfo
- Publication number
- CN112417975A CN112417975A CN202011149614.8A CN202011149614A CN112417975A CN 112417975 A CN112417975 A CN 112417975A CN 202011149614 A CN202011149614 A CN 202011149614A CN 112417975 A CN112417975 A CN 112417975A
- Authority
- CN
- China
- Prior art keywords
- pointer
- instrument
- image
- determining
- virtual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910018503 SF6 Inorganic materials 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 2
- 229960000909 sulfur hexafluoride Drugs 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种获取指针式仪表读数的方法及装置,用以解决现有的指针式仪表读数方法中,无法准确定位仪表指针,造成读数精确度不高的技术问题。方法包括:将指针式仪表对应的第一图像输入到关键点检测神经网络模型中,以确定第一图像中的若干关键点的位置,得到第二图像;对第二图像进行二值化处理,得到第三图像;在第三图像中,根据若干关键点的位置确定虚拟指针,并根据虚拟指针确定指针式仪表中实际指针的位置;在第三图像中,根据实际指针的位置以及若干关键点的位置,确定指针式仪表的读数。本申请通过虚拟指针旋转确定实际指针位置,确定仪表的指针示数,对各类指针式仪表的指针定位具有良好的适应性,也保证了仪表读数的精确度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种获取指针式仪表读数的方法及装置。
背景技术
在现代社会的生产生活中,指针式仪表是广泛应用于各种领域的测量仪表,其种类繁多,包括各类压力表、油温表、油位表、六氟化硫表、避雷器表、调压表等,通过获取仪表图像,进行图像处理、深度学习等方式实现指针式仪表的自动读数识别,成为近年来研究的热点。
为了实现指针式仪表自动读数识别,目前出现了以下两种技术方案:
1.接收包含机械指针的表计图像,将表计图像输入到训练好的卷积神经网络中,获取表计图像中表计的刻度信息和表计指针的位置信息;根据表计的刻度信息和表计中指针的位置信息,计算获得表计图像中表计的读数。这种通过卷积神经网络直接获取到刻度信息和指针信息的方式,可能使获取的指针位置信息不精确的,从而影响表计图像中仪表的读数。
2.基于霍夫直线检测实现仪表指针的提取。首先对于起始刻度线以及终止刻度线进行定位,其次进行指针的定位识别,最后通过计算指针相对于起始刻度线的偏转角度得到指针式仪表的读数。但由于现代社会生产中表计类型繁多,指针粗细不同,难以借助霍夫直线检测实现仪表指针的准确定位,从而难以保证读数的准确性。
发明内容
本申请实施例提供了一种获取指针式仪表读数的方法及装置,用以解决现有的指针式仪表读数方法中,无法准确定位仪表指针,进而容易造成读数精确度不高的技术问题。
一方面,本申请实施例提供了一种获取指针式仪表读数的方法,包括:将指针式仪表对应的第一图像输入到关键点检测神经网络模型中,以确定第一图像中的若干关键点的位置,得到第二图像;对第二图像进行二值化处理,得到第三图像;在第三图像中,根据若干关键点的位置确定虚拟指针,并根据虚拟指针确定指针式仪表中实际指针的位置;其中,虚拟指针是在第三图像中与具有预设关系的两个关键点之间的连线相关;在第三图像中,根据实际指针的位置以及若干关键点的位置,确定指针式仪表的读数。
本申请实施例提供的一种获取指针式仪表读数的方法,将获取的指针式仪表图像即第一图像输入到训练好的关键点检测神经网络模型中,以获取指针式仪表的关键点位置,从而得到标注的指针式仪表图像,即第二图像;然后,对第二图像进行二值化处理,得到第三图像,从而可以基于第三图像,确定虚拟指针,并根据虚拟指针确定指针式仪表的实际指针位置,通过这种方法获得的实际指针位置能够保证足够的精确性,从而可以使根据实际指针位置以及关键点,确定的指针式仪表读数更加精确,保证了仪表读数的精确度。
在本申请的一种实现方式中,关键点包括仪表旋转中心点、仪表刻度起始点和仪表刻度终止点中的一个或多个。
在本申请的一种实现方式中,在第三图像中,根据若干关键点的位置确定虚拟指针,具体包括:在第三图像中,以仪表旋转中心点为原点,水平方向为横轴,竖直方向为纵轴,构建二维平面坐标系;以二维平面坐标系的原点为第一端点,以仪表刻度起始点或者仪表刻度终止点为第二端点,确定虚拟指针;其中,虚拟指针的宽度小于第一预设阈值,虚拟指针的长度为第一端点与第二端点之间的距离。
在本申请的一种实现方式中,根据虚拟指针确定指针式仪表中实际指针的位置,具体包括:在二维平面坐标系中,以虚拟指针的第一端点为圆心,以虚拟指针的长度为半径,以二维平面坐标系的横轴位置为旋转起始位置,将虚拟指针绕圆心旋转;实时确定虚拟指针当前对应位置的黑色像素点个数;在虚拟指针当前对应位置的黑色像素点个数大于第二预设阈值情况下,确定虚拟指针的当前对应位置为指针式仪表的实际指针位置。
在本申请的一种实现方式中,根据实际指针的位置以及若干关键点的位置,确定指针式仪表的读数,具体包括:根据虚拟指针的起始旋转位置以及指针式仪表的实际指针位置,确定虚拟指针的旋转角度;根据虚拟指针的起始旋转位置以及指针式仪表的起始边界线,确定第一角度;其中,起始边界线为仪表旋转中心点到仪表刻度起始点之间的线段;基于旋转角度以及第一角度,确定指针式仪表的起始边界线与实际指针之间的第二角度;根据第二角度以及指针式仪表的量程角度,计算指针式仪表的读数。
在本申请的一种实现方式中,方法还包括:在二维平面坐标系中,分别确定仪表旋转中心点、仪表刻度起始点以及仪表刻度终止点的坐标;根据仪表旋转中心点、仪表刻度起始点以及仪表刻度终止点的坐标,确定指针式仪表的量程角度。
在本申请的一种实现方式中,在将指针式仪表对应的第一图像输入到关键点检测神经网络模型中之前,方法还包括:获取若干指针式仪表图像,并对若干指针式仪表图像中的关键点进行标注,得到训练数据集;将训练数据集输入至神经网络模型中进行训练,直至输出收敛,得到关键点检测神经网络模型。
在本申请的一种实现方式中,关键点检测神经网络模型采用VGG-16模型进行训练;关键点检测神经网络模型的损失函数采用平方误差。
另一方面,本申请实施例还提供了一种获取指针式仪表读数的装置,包括:检测模块,用于将指针式仪表对应的第一图像输入到关键点检测神经网络模型中,以确定第一图像中的若干关键点的位置,得到第二图像;处理模块,用于对第二图像进行二值化处理,得到第三图像;确定模块,用于在第三图像中,根据若干关键点的位置确定虚拟指针,并根据虚拟指针确定指针式仪表中实际指针的位置;其中,虚拟指针是在第三图像中与具有预设关系的两个关键点之间的连线相关;确定模块,还用于根据实际指针的位置以及若干关键点的位置,确定指针式仪表的读数。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种获取指针式仪表读数的方法流程图;
图2为本申请实施例提供的一种关键点检测神经网络模型架构示意图;
图3为本申请实施例提供的一种通过虚拟指针确定实际指针过程示意图;
图4为本申请实施例提供的一种计算指针式仪表读数的方法流程图;
图5为本申请实施例提供的一种获取指针式仪表读数的装置内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
现代工业生产中的仪表种类繁多,包括各类压力表、油温表、油位表、六氟化硫表、避雷器表、调压表等,借助相机获取变电站中指针式仪表图像,即通过视觉的方式获取仪表图像,通过图像处理、深度学习等方式实现指针式仪表的自动读数识别,成为近年来研究的热点。
现有的指针式仪表的自动读数识别方法中,有以下两种技术方案:
1.接收包含机械指针的表计图像,将表计图像输入到训练好的卷积神经网络中,获取表计图像中表计的刻度信息和表计指针的位置信息;根据表计的刻度信息和表计中指针的位置信息,计算获得表计图片中表计的读数。这种通过卷积神经网络直接获取到刻度信息和指针信息的方式,可能使获取的指针位置信息不精确的,从而影响表计图像中仪表的读数。
2.基于霍夫直线检测实现仪表指针的提取。首先对于起始刻度线以及终止刻度线进行定位,其次进行指针的定位识别,最后通过计算指针相对于起始刻度线的偏转角度得到指针式仪表的读数。但由于现代社会生产中表计类型繁多,指针粗细不同,难以借助霍夫直线检测实现仪表指针的准确定位,从而难以保证读数的准确性。
本申请实施例提供了一种获取指针式仪表读数的方法及装置,解决了现有的指针式仪表读数方法中,无法准确定位仪表指针,进而容易造成读数精确度不高的技术问题。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种获取指针式仪表读数的方法流程图。
如图1所示,本申请实施例提供的获取指针式仪表读数的方法包括以下步骤:
步骤101、将指针式仪表对应的第一图像输入到关键点检测神经网络模型中,以确定第一图像中的若干关键点的位置,得到第二图像。
在本申请的一个实施例中,在将指针式仪表对应的第一图像输入到关键点检测神经网络模型中之前,方法还包括:
获取若干指针式仪表图像,对若干指针式仪表图像中的关键点进行标注,得到训练样本集;将训练数据集输入至神经网络模型中,对神经网络进行训练;训练直至输出收敛,得到关键点检测神经网络模型。
具体地,采集若干指针式仪表图像,对若干指针式仪表图像中的多个关键点进行标注,也就是标注出需要神经网络模型进行识别的关键点。对关键点的标注至少包括仪表旋转中心点位置标注、仪表刻度起始点位置标注和仪表刻度终止点位置标注。在对采集到的若干指针式仪表图像标注完成后,将标注完成的指针式仪表图像构建训练数据集,对神经网络模型进行训练。在对神经网络模型训练直至输出收敛时,得到关键点检测神经网络模型。其中,将当前神经网络模型检测出的关键点的位置信息与若干指针式仪表图像中标注的关键点信息的平方误差损失作为训练的损失函数,损失函数越小,神经网络模型的性能越好。
进一步地,在对神经网络模型训练得到关键点检测神经网络模型后,将指针式仪表对应的第一图像输入到训练好的关键点检测神经网络模型中,以确定第一图像中的若干关键点的位置,得到第二图像;其中,若干关键点至少包括仪表旋转中心点、仪表刻度起始点以及仪表刻度终止点中的一个或多个。
具体地,如图2所示,在本申请实施例中关键点检测神经网络模型包括第一级网络和第二级网络;第一级网络采用VGG-16模型训练得到,由于指针式仪表图像的空间信息对于关键点检测任务很重要,因此,为了保持足够的指针式仪表图像空间信息,删除了VGG-16中的最后三个最大池化层,使这个自网络就变成了一个完全卷积的网络;第二级网络采用级联更加浅层的卷积神经网络。
第一级网络将整幅指针式仪表对应的第一图像作为输入,可最大限度地利用第一图像自身纹理的上下文信息,在深层次的网络结构中有效预测出关键点位置的全局高层特征。如图2所示,C1~C5分别代表卷积层Conv1~Conv5产生的特征图,每一级产生的特征图都生成一组热力图,同组的每张热力图包含输入的第一图像中的一个关键点坐标,然后各级将生成的这些热力图与对应训练得到的真实关键点坐标生成的热力图进行误差计算,求得损失,从而可以通过第一级网络输出的热力图,预测得到全部关键点的位置坐标。
第二级网络通过级联更加浅层的卷积网络,分别对第一级网络初始预测的关键点位置进行精确,其输入为以初始预测关键点为中心的较小的局部区域,也即是第一级网络产生的各组热力图,需要说明的是,此阶段的任务级别低且输入为较小的局部区域,因此,此阶段的神经网络模型结构为较浅层网络,提高了检测效率;另外,为进一步提高定位准确度,提出的检测算法拟在第二级网络对每个关键点采用多模型预测后取均值的方法。如图2所示,第二级网络采用沙漏网络。该沙漏网络利用第一级网络关键点之间的结构先验进行定位,从而获得精确的关键点位置信息,并生成第二图像。也就是说,第二图像是在第一图像基础上标注有关键点位置的图像。另外,沙漏网络分别将产生的热力图与真实关键点坐标生成的热力图进行误差计算,并将该误差作为损失函数监督网络训练。
步骤102、对第二图像进行二值化处理,得到第三图像。
在本申请的一个实施例中,通过关键点检测神经网络模型得到第二图像后,将第二图像进行二值化处理。图像的二值化处理是将具有256个亮度等级的灰度图像上的像素点的灰度值调整成为0或255,从而获得仍然可以反映图像整体和局部特征的二值化图像;将图像二值化有利于图像的进一步处理,使图像变得简单,而且数据量减小,能凸显出感兴趣目标的轮廓。本申请实施例通过将第二图像进行二值化处理,得到第三图像,大大减少了图像的数据量,而且使图像上的像素点只表现为黑色或者白色,可以在确定实际指针时,只需统计黑色像素点的个数,极大地提高了确定实际指针的效率。需要说明的是,第三图像是第二图像二值化之后的图像,其中包括若干关键点的位置以及实际指针位置。
步骤103、在第三图像中,根据若干关键点的位置确定虚拟指针,并根据虚拟指针确定指针式仪表中实际指针的位置;其中,虚拟指针是在第三图像中与具有预设关系的两个关键点之间的连线相关;
在本申请的一个实施例中,在对第二图像进行二值化处理得到第三图像后,在第三图像中,以仪表旋转中心点为原点,水平方向为横轴,竖直方向为纵轴,构建二维平面坐标系。需要说明的,二维平面坐标系中横轴和纵轴的方向可以根据实际需求进行调整,本申请实施例对此不作限定。
进一步地,构建二维平面坐标系后,以二维平面坐标系的原点为第一端点,以仪表刻度起始点或者仪表刻度终止点为第二端点,确定虚拟指针;其中,虚拟指针的长度为第一端点与第二端点之间的距离;虚拟指针的宽度小于第一预设阈值。可以理解的是,虚拟指针本身具有宽度,但该虚拟指针的宽度应该小于任意两个刻度线之间的宽度,否则,会使仪表读数存在较大误差。
进一步地,在确定虚拟指针后,如图3所示,首先将虚拟指针(虚线代表的虚拟指针)旋转到二维平面坐标系的横轴位置,然后以虚拟指针的第一端点为圆心,以虚拟指针的长度为半径,以二维平面坐标系的横轴位置为旋转起始位置,将虚拟指针进行顺时针旋转或者逆时针旋转。在虚拟指针旋转的同时,实时统计虚拟指针在第三图像中当前对应位置的黑色像素点个数,在虚拟指针当前对应位置的黑色像素点个数大于第二预设阈值情况下,确定虚拟指针的当前对应位置为指针式仪表的实际指针位置。
在本申请的一个实施例中,还可以通过以下方法,确定实际指针的位置:首先预设一个旋转间隔角度,然后以虚拟指针的第一端点为圆心,以虚拟指针的长度为半径,以二维平面坐标系的横轴位置为旋转起始位置,将虚拟指针进行顺时针旋转或者逆时针旋转,每次旋转一个旋转间隔角度,确定出若干个旋转位置;其中,为了保持确定的实际指针位置精度,预设的旋转间隔角度应当不大于1°,例如0.5°。然后,在虚拟指针旋转的同时,统计若干个旋转位置对应的黑色像素点个数。在任一旋转位置对应的黑色像素点个数大于第二预设阈值情况下,或者确定任一旋转位置对应的黑色像素点个数为若干个旋转位置分别对应的黑色像素点个数中的最大值,确定该任一旋转位置为指针式仪表的实际指针位置。
需要说明的是,在指针式仪表有两个或者多个指针的情况下,可以通过虚拟指针旋转两次或者多次,分别确定两个或者多个实际指针的对应位置。
步骤104、在第三图像中,根据实际指针的位置以及若干关键点的位置,确定指针式仪表的读数。
在本申请的一个实施例中,在确定实际指针位置后,可以根据实际指针位置以及各关键点在二维平面坐标系中的位置,计算出指针式仪表读数。其具体地实现过程如图4所示。
图4为本申请实施例提供的一种计算指针式仪表读数的方法流程图,如图4所示,计算指针式仪表的读数过程,包括以下步骤:
步骤401、确定虚拟指针的旋转角度以及第一角度。
具体地,在确定实际指针位置后,根据虚拟指针的起始旋转位置以及指针式仪表的实际指针位置,确定虚拟指针的旋转角度。
进一步地,在将虚拟指针旋转到二维平面坐标系的横轴的起始旋转位置时,确定第二端点在横轴上的坐标;然后确定仪表刻度起始点在二维平面坐标系中的坐标。进而可以根据原点、第二端点以及仪表刻度起始点构成的三角形,通过第二端点在横轴时的坐标以及仪表刻度起始点坐标,计算出仪表起始边界线与起始旋转位置之间的第一角度;其中,起始边界线为原点到仪表起始刻度点之间的线段。
步骤402、基于旋转角度以及第一角度,确定指针式仪表的起始边界线与虚拟指针之间的第二角度。
将计算出的第一角度与确定的旋转角度作差,确定指针式仪表的起始边界线与虚拟指针之间的第二角度。由于对横轴的方向不做限定,因此,当虚拟指针的旋转方向为逆时针时,起始旋转位置为横轴的右侧半轴,此时第一角度减去旋转角度为第二角度;当虚拟指针的旋转方向为顺时针时,起始旋转位置为横轴的左侧半轴,此时旋转角度减去第一角度为第二角度。
步骤403、确定量程角度。
在本申请的一个实施例中,在二维平面坐标系中,分别确定仪表旋转中心点的坐标、仪表刻度起始点的坐标以及仪表刻度终止点的坐标;根据仪表旋转中心点、仪表刻度起始点以及仪表刻度终止点构成的三角形,计算出指针式仪表图像的量程角度。
需要说明的是,本申请实施例中的量程角度可以通过现有的几何算法实现,本申请实施例在此不做赘述。
步骤404、根据第二角度以及指针式仪表的量程角度,计算指针式仪表的读数。
在本申请的一个实施例中,根据第二角度以及指针式仪表的量程角度,通过以下公式,计算指针式仪表的读数;
其中,R为指针式仪表的读数,M为指针式仪表的量程,α为第二角度,θ为指针式仪表的量程角度。
可以理解的是,本申请实施例在确定指针式仪表的关键点及虚拟指针之后,通过虚拟指针旋转的方式,确定指针式仪表的实际指针位置,进而确定指针式仪表的读数,对各类指针式仪表的指针定位具有良好的适应性,避免了通过卷积神经网络直接获取刻度信息和指针信息导致指针位置信息不精确的可能性,也避免了由于现代社会生产中表计类型繁多,指针粗细不同,难以借助霍夫直线检测实现仪表指针的准确定位,从而难以保证读数准确性的情况。
本申请实施例提出的一种获取指针式仪表读数的方法,可自动检测出指针式仪表的旋转中心点位置、仪表刻度起始点位置以及仪表刻度终止点位置。根据旋转中心点位置,以及旋转中心点与刻度起始点确定的虚拟指针旋转半径,可快速获取实际指针的位置;再结合虚拟指针的旋转角度以及整个量程所占角度和仪表的量程信息,可快速准确地得到仪表的读数信息,满足实际生产过程中的应用的需求。
基于同样的发明构思,本申请实施例还提供了一种获取指针式仪表读数的装置,其内部结构如图5所示。
图5为本申请实施例提供的一种获取指针式仪表读数的装置内部结构示意图。如图5所示,本申请实施例提供的一种获取指针式仪表读数的装置包括:检测模块501、处理模块502、确定模块503。
本领域技术人员可以理解的是,图5显示出的获取指针式仪表读数的装置结构并不构成对获取指针式仪表读数的装置的限定,实际上,获取指针式仪表读数的装置可以包括比图5所示更多或更少的部件,或者组合某些部件,或者不同部件的布置。
在本申请的一个实施例中,检测模块501,用于将指针式仪表对应的第一图像输入到关键点检测神经网络模型中,以确定第一图像中的若干关键点的位置,得到第二图像;处理模块502,用于对第二图像进行二值化处理,得到第三图像;确定模块503,用于在第三图像中,根据若干关键点的位置确定虚拟指针,并根据虚拟指针确定指针式仪表中实际指针的位置;其中,虚拟指针是在第三图像中与具有预设关系的两个关键点之间的连线相关;确定模块503,还用于根据实际指针的位置以及若干关键点的位置,确定指针式仪表的读数。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种获取指针式仪表读数的方法,其特征在于,所述方法包括:
将指针式仪表对应的第一图像输入到关键点检测神经网络模型中,以确定所述第一图像中的若干关键点的位置,得到第二图像;
对所述第二图像进行二值化处理,得到第三图像;
在所述第三图像中,根据所述若干关键点的位置确定虚拟指针,并根据所述虚拟指针确定所述指针式仪表中实际指针的位置;其中,所述虚拟指针是在第三图像中与具有预设关系的两个关键点之间的连线相关;
在所述第三图像中,根据所述实际指针的位置以及所述若干关键点的位置,确定所述指针式仪表的读数。
2.根据权利要求1所述的一种获取指针式仪表读数的方法,其特征在于,所述关键点包括仪表旋转中心点、仪表刻度起始点和仪表刻度终止点中的一个或多个。
3.根据权利要求1所述的一种获取指针式仪表读数的方法,其特征在于,在第三图像中,根据所述若干关键点的位置确定虚拟指针,具体包括:
在所述第三图像中,以仪表旋转中心点为原点,水平方向为横轴,竖直方向为纵轴,构建二维平面坐标系;
以所述二维平面坐标系的原点为第一端点,以仪表刻度起始点或者仪表刻度终止点为第二端点,确定虚拟指针;其中,所述虚拟指针的宽度小于第一预设阈值,所述虚拟指针的长度为第一端点与第二端点之间的距离。
4.根据权利要求3所述的一种获取指针式仪表读数的方法,其特征在于,根据所述虚拟指针确定所述指针式仪表中实际指针的位置,具体包括:
在所述二维平面坐标系中,以所述虚拟指针的第一端点为圆心,以所述虚拟指针的长度为半径,以所述二维平面坐标系的横轴位置为旋转起始位置,将所述虚拟指针绕所述圆心旋转;
实时确定所述虚拟指针当前对应位置的黑色像素点个数;
在所述虚拟指针当前对应位置的黑色像素点个数大于第二预设阈值情况下,确定所述虚拟指针的当前对应位置为所述指针式仪表的实际指针位置。
5.根据权利要求1所述的一种获取指针式仪表读数的方法,其特征在于,在第三图像中,根据所述实际指针的位置以及所述若干关键点的位置,确定所述指针式仪表的读数,具体包括:
根据所述虚拟指针的起始旋转位置以及所述指针式仪表的实际指针位置,确定所述虚拟指针的旋转角度;
根据所述虚拟指针的起始旋转位置以及所述指针式仪表的起始边界线,确定第一角度;其中,起始边界线为仪表旋转中心点到仪表刻度起始点之间的线段;
基于所述旋转角度以及所述第一角度,确定所述指针式仪表的起始边界线与所述实际指针之间的第二角度;
根据所述第二角度以及所述指针式仪表的量程角度,计算所述指针式仪表的读数。
7.根据权利要求5所述的一种获取指针式仪表读数的方法,其特征在于,所述方法还包括:
在所述二维平面坐标系中,分别确定仪表旋转中心点、仪表刻度起始点以及仪表刻度终止点的坐标;
根据所述仪表旋转中心点、仪表刻度起始点以及仪表刻度终止点的坐标,确定所述指针式仪表的量程角度。
8.根据权利要求1所述的一种获取指针式仪表读数的方法,其特征在于,在将指针式仪表对应的第一图像输入到关键点检测神经网络模型中之前,所述方法还包括:
获取若干指针式仪表图像,并对所述若干指针式仪表图像中的关键点进行标注,得到训练数据集;
将所述训练数据集输入至神经网络模型中进行训练,直至输出收敛,得到所述关键点检测神经网络模型。
9.根据权利要求1所述的一种获取指针式仪表读数的方法,其特征在于,所述关键点检测神经网络模型采用VGG-16模型进行训练;所述关键点检测神经网络模型的损失函数采用平方误差。
10.一种获取指针式仪表读数的装置,其特征在于,所述装置包括:
检测模块,用于将指针式仪表对应的第一图像输入到关键点检测神经网络模型中,以确定所述第一图像中的若干关键点的位置,得到第二图像;
处理模块,用于对所述第二图像进行二值化处理,得到第三图像;
确定模块,用于在所述第三图像中,根据所述若干关键点的位置确定虚拟指针,并根据所述虚拟指针确定所述指针式仪表中实际指针的位置;其中,所述虚拟指针是在第三图像中与具有预设关系的两个关键点之间的连线相关;
所述确定模块,还用于根据所述实际指针的位置以及所述若干关键点的位置,确定所述指针式仪表的读数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149614.8A CN112417975A (zh) | 2020-10-23 | 2020-10-23 | 一种获取指针式仪表读数的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149614.8A CN112417975A (zh) | 2020-10-23 | 2020-10-23 | 一种获取指针式仪表读数的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112417975A true CN112417975A (zh) | 2021-02-26 |
Family
ID=74840922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011149614.8A Pending CN112417975A (zh) | 2020-10-23 | 2020-10-23 | 一种获取指针式仪表读数的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417975A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113086239A (zh) * | 2021-04-15 | 2021-07-09 | 四川亚美动力技术有限公司 | 一种航空仪表指针组件装配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101643A1 (zh) * | 2014-12-26 | 2016-06-30 | 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 |
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 |
CN111027531A (zh) * | 2019-12-10 | 2020-04-17 | 联想(北京)有限公司 | 指针式仪表信息识别方法、装置及电子设备 |
-
2020
- 2020-10-23 CN CN202011149614.8A patent/CN112417975A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016101643A1 (zh) * | 2014-12-26 | 2016-06-30 | 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 |
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 |
CN111027531A (zh) * | 2019-12-10 | 2020-04-17 | 联想(北京)有限公司 | 指针式仪表信息识别方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
钟志伟: "复杂环境下指针式仪表示值读取", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑(月刊)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113086239A (zh) * | 2021-04-15 | 2021-07-09 | 四川亚美动力技术有限公司 | 一种航空仪表指针组件装配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993166B (zh) | 基于刻度查找的指针式仪表读数自动识别方法 | |
CN107590498B (zh) | 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 | |
CN110245654B (zh) | 指针读数识别方法及装置、计算机装置及可读存储介质 | |
US6845177B2 (en) | Method and apparatus for monitoring an analog meter | |
CN111368906B (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
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 | |
CN110796095B (zh) | 仪表模板建立方法、终端设备以及计算机存储介质 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN113269193A (zh) | 指针式表计的示数读取方法、装置及存储介质 | |
CN110909738A (zh) | 一种基于关键点检测的指针仪表自动读数方法 | |
CN112613380B (zh) | 一种机房巡检方法、装置及电子设备、存储介质 | |
Mai et al. | An automatic meter reading method based on one-dimensional measuring curve mapping | |
CN111325164A (zh) | 指针表示数识别方法、装置和电子设备 | |
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 | |
CN117272117A (zh) | 一种基于历史数据分析的电能计量方法及系统 | |
CN112417975A (zh) | 一种获取指针式仪表读数的方法及装置 | |
CN114092728A (zh) | 一种基于深度学习的指针式仪表智能识别方法及系统 | |
CN111062448B (zh) | 设备类型的识别模型训练方法、设备类型识别方法和装置 | |
Marques et al. | Crater delineation by dynamic programming | |
CN111652244A (zh) | 一种基于无监督特征提取和匹配的指针式表计识别方法 | |
CN114565911B (zh) | 一种仪表识读方法、装置、计算机设备和存储介质 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN112464986B (zh) | 一种指针型圆盘仪表的读数方法及设备 | |
CN114037993B (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
CN115439864A (zh) | 水表读数识别方法、系统、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |