CN112966711A - 基于卷积神经网络的指针式仪表示数识别方法及系统 - Google Patents
基于卷积神经网络的指针式仪表示数识别方法及系统 Download PDFInfo
- Publication number
- CN112966711A CN112966711A CN202110137254.8A CN202110137254A CN112966711A CN 112966711 A CN112966711 A CN 112966711A CN 202110137254 A CN202110137254 A CN 202110137254A CN 112966711 A CN112966711 A CN 112966711A
- Authority
- CN
- China
- Prior art keywords
- pointer
- instrument
- neural network
- measuring range
- image
- 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
- 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
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于卷积神经网络的指针式仪表示数识别方法及系统,获取指针式仪表的图像,进行图像预处理,得到预处理图像;将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。本申请通过对指针式仪表图像进行预处理,然后基于神经网络进行目标检测,实现了仪表角度识别及示数识别。本申请对指针式仪表图像进行示数识别,具有快速、高效、精准、适用性广等特点。
Description
技术领域
本申请属于仪器识别技术领域,具体地,涉及一种基于卷积神经网络的指针式仪表示数识别方法及系统。
背景技术
随着近年来深度学习理论的不断完善和发展,卷积神经网络由于其具有极强的表征学习能力,因而得到了迅猛的发展并被广泛应用于机器视觉、自然语言处理等多个学术领域,并在多项任务上展现出了惊人的效果,如物体分类、目标识别、机器翻译等。同时,卷积神经网络已被广泛应用于医学领域、工业领域、安全领域等。
指针式仪表在工业领域中被大量使用且类型繁多。其优点在于:对环境的极高适应能力,抗干扰能力强,尤其在环境恶劣的场合,如挖掘隧道、矿洞等场景;对监测数据的反应灵敏且迅速,延迟时间短。出于精准度和安全性的考虑,指针式仪表的读数操作往往由大量的专业的工作人员去执行。而这种方式的工作量巨大且效率低下。应用图像处理技术实现机器自读识别仪表示数,成为了解决这一困难的重要探索方向。因此,对指针式仪表的表盘图像进行示数识别,并保障仪表数据读取的快速与精准,具有非常大的现实意义。
目前,指针式仪表示数识别算法,多是基于传统图像处理技术先对仪表指针进行定位,如Hough直线检测法、环向模板匹配法(CTM);或者径向灰度求和法 (RGS),而后进行角度与示数的换算。此类方法保证了识别的速度,但识别的精度相对较低。
因此,亟需一种针对指针式仪表进行快速且高精度识别的方法。
发明内容
本发明提出了一种基于卷积神经网络的指针式仪表示数识别方法及系统,旨在解决目前指针式仪表示数识别算法精度差、识别不准确的问题。
根据本申请实施例的第一个方面,提供了一种基于卷积神经网络的指针式仪表示数识别方法,具体包括以下步骤:
获取指针式仪表的图像,进行图像预处理,得到预处理图像;
将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
本申请一些实施方式中,获取指针式仪表的图像,进行图像预处理,得到输入图像,图像预处理包括将指针式仪表图像的大小调整为固定格式大小。
本申请一些实施方式中,将输入图像通过卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,具体包括:
将输入图像进行多次下采样,得到缩小图像;
将缩小图像进行特征拼接,得到特征图;
根据特征图,进行目标预测,得到目标类型、目标概率值以及仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
根据目标概率值,通过非极大值抑制过滤,得到大于概率阈值的仪表指针、表盘圆心、量程零值以及最大量程值的位置数据。
本申请一些实施方式中,卷积神经网络为YOLO全卷积神经网络。
本申请一些实施方式中,根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数,具体包括:
仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,通过反三角函数得到指针相对零刻度的偏移角度;
根据指针的偏移角度,得到仪表示数。
本申请一些实施方式中,仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,通过反三角函数得到指针相对零刻度的偏移角度,偏移角度α的计算公式为:
α=α1+α2;
其中,(x1,y1)为表盘圆心坐标,(x2,y2)为仪表指针坐位,(x3,y3)为量程零值的零刻度坐标。
本申请一些实施方式中,根据指针的偏移角度,得到仪表示数,仪表示数x 的计算公式为:
其中,M为仪表最大量程值,Ω为仪表最小至最大刻度对应的角度。
根据本申请实施例的第二个方面,提供了一种基于卷积神经网络的指针式仪表示数识别系统,其特征在于,具体包括:
图像获取模块:用于获取指针式仪表的图像,进行图像预处理,得到预处理图像;
目标检测模块:用于将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
仪表示数识别模块:用于根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
根据本申请实施例的第三个方面,提供了一种基于卷积神经网络的指针式仪表示数识别设备,包括:
存储器:用于存储可执行指令;以及
处理器:用于与存储器连接以执行可执行指令从而完成基于卷积神经网络的指针式仪表示数识别方法。
根据本申请实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现基于卷积神经网络的指针式仪表示数识别方法。
采用本申请实施例中的基于卷积神经网络的指针式仪表示数识别方法及系统,获取指针式仪表的图像,进行图像预处理,得到预处理图像;将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。本申请通过对指针式仪表图像进行预处理,然后基于神经网络进行目标检测,实现了仪表角度识别及示数识别。本申请对指针式仪表图像进行示数识别,具有快速、高效、精准、适用性广等特点。
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中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别方法的步骤示意图;
图2中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别方法的流程示意图;
图3中示出了根据本申请实施例的指针式仪表的结构示意图;
图4中示出了根据本申请实施例的指针式仪表识别方法的指针偏移角度的计算示意图;
图5中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别系统的结构示意图;
图6中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别设备的结构示意图。
具体实施方式
在实现本申请的过程中,发明人发现指针式仪表示数识别算法,多是基于传统图像处理技术先对仪表指针进行定位,如Hough直线检测法、环向模板匹配法 (CTM);或者径向灰度求和法(RGS),而后进行角度与示数的换算。此类方法保证了识别的速度,但识别的精度相对较低。
基于此,本发明的基于卷积神经网络的指针式仪表示数识别方法及系统,获取指针式仪表的图像,进行图像预处理,得到预处理图像;将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
本申请通过对指针式仪表图像进行预处理,然后基于神经网络进行目标检测,实现了仪表角度识别及示数识别。本申请对指针式仪表图像进行示数识别,具有快速、高效、精准、适用性广等特点。
本申请无需根据表盘类型重新调整系统参数,即可自动识别仪表示数,从而确保了识别算法的简单便捷。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1
图1中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别方法的步骤示意图。
如图1所示,本申请实施例的基于卷积神经网络的指针式仪表示数识别方法,具体包括以下步骤:
S101:获取指针式仪表的图像,进行图像预处理,得到预处理图像。
出于对仪表示数识别的精准度和工厂仪器的安全性的考虑,指针式仪表的读数操作往往由大量的专业的工作人员去执行。本申请为提高工作效率和降低工作强度,该方案配合工业巡检机器人的定点高清拍摄,实现自动识别仪表示数的功效。拍摄的指针式仪表图片中包含仪表的指针、表盘圆心、零值和最大量程值的图像信息。
获取指针式仪表的图像后,进行图像预处理,其中,图像预处理包括将指针式仪表图像的大小调整为固定格式大小。
S102:将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据。
S103:根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
图2中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别方法的流程示意图。
如图2所示,在通过S101对输入的仪表图片进行预处理操作后,本实施例将图像大小调整为416*416固定大小。
在预处理完成后,使用YOLO全卷积神经网络进行目标检测,获取图像中的仪表的指针、表盘圆心、零值和最大量程值的位置信息。
S102中,将输入图像通过YOLO卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,具体包括以下步骤:
1)将输入图像进行多次下采样,得到缩小图像;
2)将缩小图像进行特征拼接,得到特征图;
3)根据特征图,进行目标预测,得到目标类型、目标概率值以及仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
4)根据目标概率值,通过非极大值抑制过滤,得到大于概率阈值的仪表指针、表盘圆心、量程零值以及最大量程值的位置数据。
本申请一些实施方式中,卷积神经网络为YOLO全卷积神经网络。
图3中示出了根据本申请实施例的指针式仪表的结构示意图。
如图3所示,本实施例中以压力表作为示例,仪表表盘1内包括仪表指针2,包括三个重要位置,分别是表盘圆心11、量程零值12以及最大量程值13。
本申请通过S102获得仪表表盘1、仪表指针2、表盘圆心11、量程零值12以及最大量程值13的位置数据。
S103中,根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
S103根据S102获得的目标类型、概率以及位置信息,获取所需零刻度、表盘圆心、指针顶部点以及最大量程刻度坐标。其中,刻度坐标利用对应数值的中心坐标模拟。最后,采用反三角函数进行示数计算。
图4中示出了根据本申请实施例的指针式仪表识别方法的指针偏移角度的计算示意图。如图4所示,在欧式空间中,利用任意三个点的坐标信息,可通过反三角函数得到连线夹角的具体数值。因而,通过仪表指针、表盘圆心、量程零值以及最大量程值的这些位置信息,可以得到指针相对零刻度的偏移角度α以及仪表满量程对应的角度Ω,计算角度比和最大量程值,最后获得仪表示数值。
具体计算过程为:
首先,仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,通过反三角函数得到指针相对零刻度的偏移角度;偏移角度α的计算公式为:
α=α1+α2;
其中,(x1,y1)为表盘圆心坐标,(x2,y2)为仪表指针坐位,(x3,y3)为量程零值的零刻度坐标。
其次,根据指针的偏移角度,得到仪表示数,通过计算α和Ω的比例和最大量程的乘积,仪表示数x的计算公式为:
其中,M为仪表最大量程值,Ω为仪表最小至最大刻度对应的角度。
采用本申请实施例中的基于卷积神经网络的指针式仪表示数识别方法,获取指针式仪表的图像,进行图像预处理,得到预处理图像;将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。本申请通过对指针式仪表图像进行预处理,然后基于神经网络进行目标检测,实现了仪表角度识别及示数识别。本申请对指针式仪表图像进行示数识别,具有快速、高效、精准、适用性广等特点。
本申请指针式仪表识别方案采用卷积神经网络算法,适用性广、速度快、效果好。传统图像识别算法需要根据仪表类型和位置人为配置具体操作步骤,若更换仪表类别或位置,往往得到很糟糕的结果。相比,本申请的卷积神经网络算法 YOLO网络无需根据仪表类型、位置更换网络结构或参数,因此适用性更高、检测效果更好、定位更准、速度更快。
本申请采用反三角函数进行角度换算,从而计算仪表示数,运算量低、效率高且具有极高通用性。
实施例2
本实施例提供了一种基于卷积神经网络的指针式仪表示数识别系统,对于本实施例的基于卷积神经网络的指针式仪表示数识别系统中未披露的细节,请参照其它实施例中的基于卷积神经网络的指针式仪表示数识别方法的具体实施内容。
图5中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别系统的结构示意图。
如图5所示,本申请实施例的基于卷积神经网络的指针式仪表示数识别系统,具体包括图像获取模块10、目标检测模块20以及仪表示数识别模块30。
具体的,
图像获取模块10:用于获取指针式仪表的图像,进行图像预处理,得到预处理图像。
具体的,获取指针式仪表的图像后,进行图像预处理,其中,图像预处理包括将指针式仪表图像的大小调整为固定格式大小。
目标检测模块20:用于将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据。
仪表示数识别模块30:用于根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
在通过图像获取模块10对输入的仪表图片进行预处理操作后,本实施例将图像大小调整为416*416固定大小。
在预处理完成后,使用YOLO全卷积神经网络进行目标检测,获取图像中的仪表的指针、表盘圆心、零值和最大量程值的位置信息。
目标检测模块20中,将输入图像通过YOLO卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,具体包括以下步骤:
1)将输入图像进行多次下采样,得到缩小图像;
2)将缩小图像进行特征拼接,得到特征图;
3)根据特征图,进行目标预测,得到目标类型、目标概率值以及仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
4)根据目标概率值,通过非极大值抑制过滤,得到大于概率阈值的仪表指针、表盘圆心、量程零值以及最大量程值的位置数据。
本申请一些实施方式中,卷积神经网络为YOLO全卷积神经网络。
仪表示数识别模块30中,根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
仪表示数识别模块30根据目标检测模块20获得的目标类型、概率以及位置信息,获取所需零刻度、表盘圆心、指针顶部点以及最大量程刻度坐标。其中,刻度坐标利用对应数值的中心坐标模拟。最后,采用反三角函数进行示数计算。
图3中示出了根据本申请实施例的指针式仪表识别方法的指针偏移角度的计算示意图。
如图3所示,在欧式空间中,利用任意三个点的坐标信息,可通过反三角函数得到连线夹角的具体数值。因而,通过仪表指针、表盘圆心、量程零值以及最大量程值的这些位置信息,可以得到指针相对零刻度的偏移角度α以及仪表满量程对应的角度Ω,计算角度比和最大量程值,最后获得仪表示数值。
具体计算过程为:
首先,仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,通过反三角函数得到指针相对零刻度的偏移角度;偏移角度α的计算公式为:
α=α1+α2;
其中,(x1,y1)为表盘圆心坐标,(x2,y2)为仪表指针坐位,(x3,y3)为量程零值的零刻度坐标。
其次,根据指针的偏移角度,得到仪表示数,通过计算α和Ω的比例和最大量程的乘积,仪表示数x的计算公式为:
其中,M为仪表最大量程值,Ω为仪表最小至最大刻度对应的角度。
采用本申请实施例中的基于卷积神经网络的指针式仪表示数识别系统,图像获取模块10获取指针式仪表的图像,进行图像预处理,得到预处理图像;目标检测模块20将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;仪表示数识别模块30根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。本申请通过对指针式仪表图像进行预处理,然后基于神经网络进行目标检测,实现了仪表角度识别及示数识别。本申请对指针式仪表图像进行示数识别,具有快速、高效、精准、适用性广等特点。
本申请指针式仪表识别方案采用卷积神经网络算法,适用性广、速度快、效果好。传统图像识别算法需要根据仪表类型和位置人为配置具体操作步骤,若更换仪表类别或位置,往往得到很糟糕的结果。相比,本申请的卷积神经网络算法 YOLO网络无需根据仪表类型、位置更换网络结构或参数,因此适用性更高、检测效果更好、定位更准、速度更快。
本申请采用反三角函数进行角度换算,从而计算仪表示数,运算量低、效率高且具有极高通用性。
实施例3
本实施例提供了一种基于卷积神经网络的指针式仪表示数识别设备,对于本实施例的基于卷积神经网络的指针式仪表示数识别设备中未披露的细节,请参照其它实施例中的基于卷积神经网络的指针式仪表示数识别方法或系统具体的实施内容。
图6中示出了根据本申请实施例的基于卷积神经网络的指针式仪表示数识别设备400的结构示意图。
如图6所示,指针式仪表识别设备400,包括:
存储器402:用于存储可执行指令;以及
处理器401:用于与存储器402连接以执行可执行指令从而完成运动矢量预测方法。
本领域技术人员可以理解,示意图5仅仅是指针式仪表识别设备400的示例,并不构成对指针式仪表识别设备400的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如指针式仪表识别设备400还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等,处理器 401是指针式仪表识别设备400的控制中心,利用各种接口和线路连接整个指针式仪表识别设备400的各个部分。
存储器402可用于存储计算机可读指令,处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块,以及调用存储在存储器402内的数据,实现指针式仪表识别设备400的各种功能。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序 (比如声音播放功能、图像播放功能等)等;存储数据区可存储根据指针式仪表识别设备400使用所创建的数据等。此外,存储器402可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD) 卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)或其他非易失性/易失性存储器件。
指针式仪表识别设备400集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现其他实施例中的基于卷积神经网络的指针式仪表示数识别方法。
本申请实施例中的基于卷积神经网络的指针式仪表示数识别设备及计算机存储介质,获取指针式仪表的图像,进行图像预处理,得到预处理图像;将预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;根据仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
本申请通过对指针式仪表图像进行预处理,然后基于神经网络进行目标检测,实现了仪表角度识别及示数识别。本申请对指针式仪表图像进行示数识别,具有快速、高效、精准、适用性广等特点。
本申请指针式仪表识别方案采用卷积神经网络算法,适用性广、速度快、效果好。传统图像识别算法需要根据仪表类型和位置人为配置具体操作步骤,若更换仪表类别或位置,往往得到很糟糕的结果。相比,本申请的卷积神经网络算法 YOLO网络无需根据仪表类型、位置更换网络结构或参数,因此适用性更高、检测效果更好、定位更准、速度更快。
本申请采用反三角函数进行角度换算,从而计算仪表示数,运算量低、效率高且具有极高通用性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/ 或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于卷积神经网络的指针式仪表示数识别方法,包括以下步骤:
获取指针式仪表的图像,进行图像预处理,得到预处理图像;
将所述预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
根据所述仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
2.根据权利要求1所述的基于卷积神经网络的指针式仪表示数识别方法,其特征在于,所述获取指针式仪表的图像,进行图像预处理,得到输入图像,所述图像预处理包括将指针式仪表图像的大小调整为固定格式大小。
3.根据权利要求1所述的基于卷积神经网络的指针式仪表示数识别方法,其特征在于,所述将所述输入图像通过卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,具体包括:
将所述输入图像进行多次下采样,得到缩小图像;
将所述缩小图像进行特征拼接,得到特征图;
根据所述特征图,进行目标预测,得到目标类型、目标概率值以及仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
根据所述目标概率值,通过非极大值抑制过滤,得到大于概率阈值的仪表指针、表盘圆心、量程零值以及最大量程值的位置数据。
4.根据权利要求1或3所述的基于卷积神经网络的指针式仪表示数识别方法,其特征在于,所述卷积神经网络为YOLO全卷积神经网络。
5.根据权利要求1所述的基于卷积神经网络的指针式仪表示数识别方法,其特征在于,所述根据所述仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数,具体包括:
仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,通过反三角函数得到指针相对零刻度的偏移角度;
根据所述指针的偏移角度,得到仪表示数。
8.一种基于卷积神经网络的指针式仪表示数识别系统,其特征在于,具体包括:
图像获取模块:用于获取指针式仪表的图像,进行图像预处理,得到预处理图像;
目标检测模块:用于将所述预处理图像输入卷积神经网络进行目标检测,得到仪表指针、表盘圆心、量程零值以及最大量程值的位置数据;
仪表示数识别模块:用于根据所述仪表指针、表盘圆心、量程零值以及最大量程值的位置数据,计算得到仪表示数。
9.一种基于卷积神经网络的指针式仪表示数识别设备,其特征在于,包括:
存储器:用于存储可执行指令;以及
处理器:用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-7任一项所述的基于卷积神经网络的指针式仪表示数识别方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;计算机程序被处理器执行以实现如权利要求1-7任一项所述的基于卷积神经网络的指针式仪表示数识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137254.8A CN112966711A (zh) | 2021-02-01 | 2021-02-01 | 基于卷积神经网络的指针式仪表示数识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137254.8A CN112966711A (zh) | 2021-02-01 | 2021-02-01 | 基于卷积神经网络的指针式仪表示数识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966711A true CN112966711A (zh) | 2021-06-15 |
Family
ID=76272843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110137254.8A Pending CN112966711A (zh) | 2021-02-01 | 2021-02-01 | 基于卷积神经网络的指针式仪表示数识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966711A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469178A (zh) * | 2021-07-05 | 2021-10-01 | 安徽南瑞继远电网技术有限公司 | 一种基于深度学习的电力表计识别方法 |
CN113837159A (zh) * | 2021-11-26 | 2021-12-24 | 中化学交通建设集团有限公司 | 一种基于机器视觉的仪表示数识别方法和装置 |
CN114037993A (zh) * | 2021-09-26 | 2022-02-11 | 佛山中科云图智能科技有限公司 | 变电站指针仪表读数方法、装置、存储介质以及电子设备 |
CN114663866A (zh) * | 2022-03-30 | 2022-06-24 | 河南科技大学 | 一种基于机器视觉的仪表示数识别方法和装置 |
CN116071604A (zh) * | 2023-03-03 | 2023-05-05 | 北京尚优力达科技有限公司 | 一种基于图像的指针表识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及系统 |
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 |
CN111382738A (zh) * | 2020-02-11 | 2020-07-07 | 济南信通达电气科技有限公司 | 一种指针式仪表的读数方法及装置 |
CN111738258A (zh) * | 2020-06-24 | 2020-10-02 | 东方电子股份有限公司 | 一种基于机器人巡检的指针式仪表读数识别方法 |
CN112149667A (zh) * | 2020-09-15 | 2020-12-29 | 浙江师范大学 | 一种基于深度学习的指针式仪表的自动读数的方法 |
CN112287922A (zh) * | 2020-10-29 | 2021-01-29 | 北京百度网讯科技有限公司 | 表计读取方法、装置、设备以及存储介质 |
-
2021
- 2021-02-01 CN CN202110137254.8A patent/CN112966711A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及系统 |
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 |
CN111382738A (zh) * | 2020-02-11 | 2020-07-07 | 济南信通达电气科技有限公司 | 一种指针式仪表的读数方法及装置 |
CN111738258A (zh) * | 2020-06-24 | 2020-10-02 | 东方电子股份有限公司 | 一种基于机器人巡检的指针式仪表读数识别方法 |
CN112149667A (zh) * | 2020-09-15 | 2020-12-29 | 浙江师范大学 | 一种基于深度学习的指针式仪表的自动读数的方法 |
CN112287922A (zh) * | 2020-10-29 | 2021-01-29 | 北京百度网讯科技有限公司 | 表计读取方法、装置、设备以及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469178A (zh) * | 2021-07-05 | 2021-10-01 | 安徽南瑞继远电网技术有限公司 | 一种基于深度学习的电力表计识别方法 |
CN113469178B (zh) * | 2021-07-05 | 2024-03-01 | 安徽南瑞继远电网技术有限公司 | 一种基于深度学习的电力表计识别方法 |
CN114037993A (zh) * | 2021-09-26 | 2022-02-11 | 佛山中科云图智能科技有限公司 | 变电站指针仪表读数方法、装置、存储介质以及电子设备 |
CN113837159A (zh) * | 2021-11-26 | 2021-12-24 | 中化学交通建设集团有限公司 | 一种基于机器视觉的仪表示数识别方法和装置 |
CN114663866A (zh) * | 2022-03-30 | 2022-06-24 | 河南科技大学 | 一种基于机器视觉的仪表示数识别方法和装置 |
CN116071604A (zh) * | 2023-03-03 | 2023-05-05 | 北京尚优力达科技有限公司 | 一种基于图像的指针表识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966711A (zh) | 基于卷积神经网络的指针式仪表示数识别方法及系统 | |
CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
CN110659636B (zh) | 基于深度学习的指针式仪表读数识别方法 | |
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 | |
CN108182433A (zh) | 一种表计读数识别方法及系统 | |
CN105894002B (zh) | 一种基于机器视觉的仪表示数识别方法 | |
CN112085033B (zh) | 一种模板匹配方法、装置、电子设备及存储介质 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN110852954B (zh) | 指针式仪表的图像倾斜校正方法及系统 | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
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 | |
CN111382738A (zh) | 一种指针式仪表的读数方法及装置 | |
CN112861870B (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN112215887A (zh) | 一种位姿确定方法、装置、存储介质及移动机器人 | |
CN112966719B (zh) | 识别仪表盘读数的方法、装置及终端设备 | |
CN112560839A (zh) | 指针式仪表读数的自动识别方法及系统 | |
CN109034151A (zh) | 一种用于多个指针式仪表识别的定位方法 | |
CN112907663A (zh) | 定位方法、计算机程序产品、装置及系统 | |
CN110487194B (zh) | 一种基于单个相机的三维变形光测方法及装置 | |
CN113050022A (zh) | 一种基于旋转天线的图像定位方法、装置及终端设备 | |
CN115797616A (zh) | 一种图像校正点获取方法、装置、电子设备及介质 | |
CN108304862A (zh) | 一种基于小波变换的地图建筑物多边形模式识别方法 | |
Rao et al. | A real-time auto-recognition method for pointer-meter under uneven illumination | |
CN115861428B (zh) | 一种位姿测量方法、装置、终端设备及存储介质 | |
CN113227708B (zh) | 确定俯仰角的方法、装置及终端设备 |
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 |