CN113343864A - 一种仪表盘指针检测方法、系统、设备及存储介质 - Google Patents
一种仪表盘指针检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113343864A CN113343864A CN202110656840.3A CN202110656840A CN113343864A CN 113343864 A CN113343864 A CN 113343864A CN 202110656840 A CN202110656840 A CN 202110656840A CN 113343864 A CN113343864 A CN 113343864A
- Authority
- CN
- China
- Prior art keywords
- information
- instrument panel
- pointer
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 46
- 238000000926 separation method Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种仪表盘指针检测方法、系统、设备及存储介质，涉及计算机视觉识别技术领域。方法包括：获取被监测区的视频帧信息；对视频帧信息进行预处理，得到符合检测条件的图像信息；将图像信息输入至目标检测模型中，得到目标信息；其中，检测信息包括目标类别、矩形框坐标和分数；根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域；通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息；通过对内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。本发明通过获取被监测区的视频帧信息，进而实现实时检测仪表盘状态，解决了消防设备无法集中管理的问题，提高了消防设备的智能化管理水平。
Description
技术领域
本发明涉及计算机视觉识别技术领域，尤其涉及一种仪表盘指针检测方法、系统、设备及存储介质。
背景技术
在工业器材管理中，有许多机器设备或者开关阀门都会使用仪表盘来显示数据信息，例如灭火器设备就会有仪表盘，为保证电网机房的安全、可靠、经济运行，机房均配置有一定数量的灭火器，在日常的巡检和维护中，均需要维保人员通过人工检查仪表盘的指示进而判断灭火器的状态，并对有问题的灭火器设备进行及时更换。但是，人工巡检去检查消防设备的状态和发现消防设备的故障，巡检人员的劳动强度大，导致维保效率低下，智能化水平低下，无法集中管理。
发明内容
本发明目的在于，提供一种仪表盘指针检测方法、系统、设备及存储介质，以解决人工巡检设备的仪表盘状态，劳动强度大，维保效率低，智能化水平低下，消防设备无法集中管理的问题。
为实现上述目的，本发明实施例提供一种仪表盘指针检测方法，包括：
获取被监测区的视频帧信息；
对所述视频帧信息进行预处理，得到符合检测条件的图像信息；
将所述图像信息输入至目标检测模型中，得到目标信息；其中，所述检测信息包括目标类别、矩形框坐标和分数；
根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域；
通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息；
通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。
优选地，所述通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置，包括：
通过对所述内外圆信息进行图像通道分离，得到若干不同颜色区域；
根据不同颜色区域，得到区域边界坐标；
根据所述内外圆信息和若干不同颜色区域，得到指针坐标；
根据所述区域边界坐标和所述指针坐标，得到仪表盘的指针尖的指示位置。
优选地，将所述图像信息输入至目标检测模型中，得到目标信息前，包括：
获取大量仪表盘图像并标注仪表盘位置，得到仪表盘训练图像；
对所述仪表盘训练图像进行增强处理后，选择一部分作为训练集，另一部分作为测试集；
将所述训练集和所述测试集输入初步模型进行训练，得到目标检测模型。
优选地，所述目标检测模型采用yolov3目标检测模型。
本发明实施例还提供一种仪表盘指针检测系统，包括：
信息获取模块，用于获取被监测区的视频帧信息；
预处理模块，用于对所述视频帧信息进行预处理，得到符合检测条件的图像信息；
目标检测模块，用于将所述图像信息输入至目标检测模型中，得到目标信息；其中，所述检测信息包括目标类别、矩形框坐标和分数；
过滤模块，用于根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域；
霍夫圆检测模块，用于通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息；
通道分离模块，用于通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。
优选地，所述通道分离模块还用于：通过对所述内外圆信息进行图像通道分离，得到若干不同颜色区域；根据不同颜色区域，得到区域边界坐标；根据所述内外圆信息和若干不同颜色区域，得到指针坐标；根据所述区域边界坐标和所述指针坐标，得到仪表盘的指针尖的指示位置。
优选地，仪表盘指针检测系统还包括目标检测模型训练模块，用于获取大量仪表盘图像并标注仪表盘位置，得到仪表盘训练图像；对所述仪表盘训练图像进行增强处理后，选择一部分作为训练集，另一部分作为测试集；将所述训练集和所述测试集输入初步模型进行训练，得到目标检测模型。
优选地，所述目标检测模型采用yolov3目标检测模型。
本发明实施例还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的仪表盘指针检测方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一实施例所述的仪表盘指针检测方法。
与现有技术相比，本发明具有以下有益效果：
本发明提供的仪表盘指针检测方法，包括：获取被监测区的视频帧信息；对所述视频帧信息进行预处理，得到符合检测条件的图像信息；将所述图像信息输入至目标检测模型中，得到目标信息；其中，所述检测信息包括目标类别、矩形框坐标和分数；根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域；通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息；通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。本发明通过获取被监测区的视频帧信息，进而实现实时检测仪表盘状态，一旦出现异常，可以及时报警，提醒巡检人员进行现场检查，可及时消除机房中的消防安全隐患，降低维保人员的劳动强度，解决了消防设备无法集中管理的问题，提高了消防设备的智能化管理水平。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的仪表盘指针检测方法的流程示意图；
图2是本发明某一实施例提供的仪表盘指针检测系统的结构示意图；
图3是本发明某一实施例提供的计算机终端设备的结构示意图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明某一实施例提供的仪表盘指针检测方法的流程示意图。在本实施例中，仪表盘指针检测方法，包括以下步骤：
S110，获取被监测区的视频帧信息。
在某一实施例中，电网机房中配置有若干数量的灭火器，每个灭火器上均有压力阀(仪表盘)，为了减少图像信息获取的数据量，在同一机房只需配备一个摄像头，该摄像头用于实时监控机房内所有灭火器的压力阀。
S120，对所述视频帧信息进行预处理，得到符合检测条件的图像信息。
在某一实施例中，视频帧信息中存在大量的图像信息，但是如果把每一帧图像都导入目标检测模型中，数据量过于冗杂庞大，不利于运算，因此可以根据预设的时间周期，间断性的挑选视频帧中的图像作为被检测的图像。这样可以降低运算的数据量，提升运算效率。如，对所述视频帧信息进行预处理，每间隔十分钟，提取一次图像作为符合检测条件的图像信息进入下一步的运算。
S130，将所述图像信息输入至目标检测模型中，得到目标信息；其中，所述检测信息包括目标类别、矩形框坐标和分数。
在本发明实施例中，目标信息包括仪表盘感兴趣区。
S140，根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域。
在某一实施例中，进行滤波处理，目的在于：消除图像中混入的噪声；为图像识别抽取出图像特征。由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染。另外，在图像处理的某些环节当输入的对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。对于数字图像信号，噪声表为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮、暗点干扰，极大降低了图像质量，影响图像复原、分割、特征提取、图像识别等后继工作的进行。要构造一种有效抑制噪声的滤波器必须考虑两个基本问题：能有效地去除目标和背景中的噪声；同时，能很好地保护图像目标的形状、大小及特定的几何和拓扑结构特征。
S150，通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息。
S160，通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。
在本发明实施例中，步骤S160，通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置，包括：通过对所述内外圆信息进行图像通道分离，得到若干不同颜色区域；根据不同颜色区域，得到区域边界坐标；根据所述内外圆信息和若干不同颜色区域，得到指针坐标；根据所述区域边界坐标和所述指针坐标，得到仪表盘的指针尖的指示位置。
在某一实施例中，仪表盘主要包括绿色区域和红色区域，获得仪表盘感兴趣区以后，调用霍夫圆检测算法，获得仪表盘的内外圆，通过直径筛选得到最小圆；通过图像通道分离，分割仪表盘的绿色和红色区域；通过图像通道分离，结合圆心位置判断黑色指针尖位于绿色还是红色区域；最终判断仪表盘指针是指向绿色区域还是红色区域。
在某一实施例中，获得仪表盘感兴趣区(候选识别区域)以后，调用霍夫圆检测算法，获得仪表盘的内外圆，通过直径筛选得到最小圆；通过图像通道分离，分割仪表盘最小圆内的绿色和红色区域，统计仪表盘最小圆内绿色和红色区域的像素数量；当黑色指针指向绿色和红色区域时，仪表盘上红色和绿色区域的像素值数量及比例不同，通过计算和对比红色和绿色区域的像素值，最终判断仪表盘指针是指向绿色还是红色区域。
在某一实施例中，获得仪表盘感兴趣区(候选识别区域)以后，调用霍夫圆检测算法，获得仪表盘的内外圆，通过两个圆的直径大小筛选得到最小圆，并将最小圆区域截取出来；对截取出来的仪表盘最小圆区域，通过图像通道分离，分割仪表盘最小圆内的绿色和红色指示区域，统计仪表盘最小圆内绿色和红色区域的像素数量和两者比值；通过图像通道分离获得仪表盘的黑色指针尖的区域，仪表盘的黑色指针尖区域包含仪表盘最小圆的圆心所在的区域，结合圆心位置判断黑色指针尖位于绿色还是红色区域；当黑色指针指向绿色和红色区域时，仪表盘上红色和绿色区域的像素值数量及比例不同，通过计算和对比红色和绿色区域的像素值，最终判断仪表盘指针是指向绿色还是红色区域。
在本发明实施例中，将所述图像信息输入至目标检测模型中，得到目标信息前，包括：获取大量仪表盘图像并标注仪表盘位置，得到仪表盘训练图像；对所述仪表盘训练图像进行增强处理后，选择一部分作为训练集，另一部分作为测试集；将所述训练集和所述测试集输入初步模型进行训练，得到目标检测模型。
在本发明实施例中，所述目标检测模型采用yolov3目标检测模型。
在某一实施例中，预先训练好的目标检测模型将经过预处理的图像输入到yolov3目标检测模型中；通过对采集的仪表盘图像进行标注，然后进行旋转、镜像、调整亮度和对比度的操作，成倍扩充数据集规模，然后基于yolov3算法进行模型的训练，yolov3算法的原理是将一幅输入图像切分成S*S个网格(grid cell)，如果某个对象的中心落在这个网格中，则这个网格就负责预测这个对象。每个网格要预测B个边框(bounding box)，每个边框除了要回归自身的位置之外，还要附带预测一个置信度。这个置信度代表了所预测的框中含有对象的置信度和这个框预测的有多准这两重信息，其值计算原理是：其中如果有对象落在一个网格里，第一项取1，否则取0。第二项是预测的边框和实际的分类准确性之间的重叠度(IoU值)。每个边框要预测(x，y，w，h)和置信度共5个值，每个网格还要预测一个类别信息，记为C类。则S*S个网格，每个网格要预测B个边框还要预测C个种类。输出就是SxSx(5*B+C)的一张量，然后经过多个全连接层对应要检测的目标的类别数。训练好的算法模型既可部署于云服务器中，也可部署于边缘设备(如jetson nano和tx2)中实现对目标的实时检测。
请参阅图2，图2是本发明某一实施例提供的仪表盘指针检测系统的结构示意图。在本实施例中，仪表盘指针检测系统，包括：
信息获取模块210，用于获取被监测区的视频帧信息；
预处理模块220，用于对所述视频帧信息进行预处理，得到符合检测条件的图像信息；
目标检测模块230，用于将所述图像信息输入至目标检测模型中，得到目标信息；其中，所述检测信息包括目标类别、矩形框坐标和分数；
过滤模块240，用于根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域；
霍夫圆检测模块250，用于通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息；
通道分离模块260，用于通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。
在本发明实施例中，所述通道分离模块还用于：通过对所述内外圆信息进行图像通道分离，得到若干不同颜色区域；根据不同颜色区域，得到区域边界坐标；根据所述内外圆信息和若干不同颜色区域，得到指针坐标；根据所述区域边界坐标和所述指针坐标，得到仪表盘的指针尖的指示位置。
在本发明实施例中，仪表盘指针检测系统，还包括目标检测模型训练模块，用于获取大量仪表盘图像并标注仪表盘位置，得到仪表盘训练图像；对所述仪表盘训练图像进行增强处理后，选择一部分作为训练集，另一部分作为测试集；将所述训练集和所述测试集输入初步模型进行训练，得到目标检测模型。
在本发明实施例中，所述目标检测模型采用yolov3目标检测模型。
关于仪表盘指针检测系统的具体限定可以参见上文中对于的仪表盘指针检测系统限定，在此不再赘述。上述仪表盘指针检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参阅图3，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的仪表盘指针检测方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的仪表盘指针检测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的仪表盘指针检测方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的仪表盘指针检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的仪表盘指针检测方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种仪表盘指针检测方法，其特征在于，包括：
获取被监测区的视频帧信息；
对所述视频帧信息进行预处理，得到符合检测条件的图像信息；
将所述图像信息输入至目标检测模型中，得到目标信息；其中，所述检测信息包括目标类别、矩形框坐标和分数；
根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域；
通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息；
通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。
2.根据权利要求1所述的仪表盘指针检测方法，其特征在于，所述通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置，包括：
通过对所述内外圆信息进行图像通道分离，得到若干不同颜色区域；
根据不同颜色区域，得到区域边界坐标；
根据所述内外圆信息和若干不同颜色区域，得到指针坐标；
根据所述区域边界坐标和所述指针坐标，得到仪表盘的指针尖的指示位置。
3.根据权利要求1所述的仪表盘指针检测方法，其特征在于，将所述图像信息输入至目标检测模型中，得到目标信息前，包括：
获取大量仪表盘图像并标注仪表盘位置，得到仪表盘训练图像；
对所述仪表盘训练图像进行增强处理后，选择一部分作为训练集，另一部分作为测试集；
将所述训练集和所述测试集输入初步模型进行训练，得到目标检测模型。
4.根据权利要求1所述的仪表盘指针检测方法，其特征在于，所述目标检测模型采用yolov3目标检测模型。
5.一种仪表盘指针检测系统，其特征在于，包括：
信息获取模块，用于获取被监测区的视频帧信息；
预处理模块，用于对所述视频帧信息进行预处理，得到符合检测条件的图像信息；
目标检测模块，用于将所述图像信息输入至目标检测模型中，得到目标信息；其中，所述检测信息包括目标类别、矩形框坐标和分数；
过滤模块，用于根据预设检测阈值将所述目标信息进行过滤，得到仪表盘信息作为候选识别区域；
霍夫圆检测模块，用于通过霍夫圆检测算法检测所述仪表盘信息，得到仪表盘的内外圆信息；
通道分离模块，用于通过对所述内外圆信息进行图像通道分离，得到仪表盘的指针尖的指示位置。
6.根据权利要求5所述的仪表盘指针检测系统，其特征在于，所述通道分离模块还用于：通过对所述内外圆信息进行图像通道分离，得到若干不同颜色区域；根据不同颜色区域，得到区域边界坐标；根据所述内外圆信息和若干不同颜色区域，得到指针坐标；根据所述区域边界坐标和所述指针坐标，得到仪表盘的指针尖的指示位置。
7.根据权利要求5所述的仪表盘指针检测系统，其特征在于，还包括目标检测模型训练模块，用于获取大量仪表盘图像并标注仪表盘位置，得到仪表盘训练图像；对所述仪表盘训练图像进行增强处理后，选择一部分作为训练集，另一部分作为测试集；将所述训练集和所述测试集输入初步模型进行训练，得到目标检测模型。
8.根据权利要求5所述的仪表盘指针检测系统，其特征在于，所述目标检测模型采用yolov3目标检测模型。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的仪表盘指针检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的仪表盘指针检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110656840.3A CN113343864A (zh) | 2021-06-11 | 2021-06-11 | 一种仪表盘指针检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110656840.3A CN113343864A (zh) | 2021-06-11 | 2021-06-11 | 一种仪表盘指针检测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343864A true CN113343864A (zh) | 2021-09-03 |
Family
ID=77476822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110656840.3A Pending CN113343864A (zh) | 2021-06-11 | 2021-06-11 | 一种仪表盘指针检测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343864A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809151A (zh) * | 2016-04-01 | 2016-07-27 | 中国电子科技集团公司第三十八研究所 | 灭火器压力表状态的图像识别方法 |
| CN111666880A (zh) * | 2020-06-06 | 2020-09-15 | 南京聚特机器人技术有限公司 | 一种针对灭火器指针式仪表的智能识别系统 |
| CN111931776A (zh) * | 2020-10-16 | 2020-11-13 | 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 |
-
2021
- 2021-06-11 CN CN202110656840.3A patent/CN113343864A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809151A (zh) * | 2016-04-01 | 2016-07-27 | 中国电子科技集团公司第三十八研究所 | 灭火器压力表状态的图像识别方法 |
| CN111666880A (zh) * | 2020-06-06 | 2020-09-15 | 南京聚特机器人技术有限公司 | 一种针对灭火器指针式仪表的智能识别系统 |
| CN111931776A (zh) * | 2020-10-16 | 2020-11-13 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 朱丽萍 等: "基于计算机视觉的指针式仪表智能示数读取研究", 第六届数字油田国际学术会议, 7 November 2019 (2019-11-07), pages 70 - 74 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN111178424A (zh) | 一种石油化工生产现场安全合规性实时检测系统及方法 | |
| CN110619620A (zh) | 导致表面缺陷的异常定位方法、装置、系统及电子设备 | |
| CN107197233A (zh) | 基于边缘计算模型的监控视频数据质量评测方法及装置 | |
| CN104463253B (zh) | 基于自适应背景学习的消防通道安全检测方法 | |
| CN112991669A (zh) | 一种危险作业预警方法、系统、存储介质及处理终端 | |
| CN112200011A (zh) | 曝气池状态检测方法、系统、电子设备及存储介质 | |
| CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
| CN109579934A (zh) | 水浸多重监测方法及系统 | |
| CN112417955A (zh) | 巡检视频流处理方法及装置 | |
| CN116385948B (zh) | 一种预警铁路边坡异常的系统和方法 | |
| CN114429544A (zh) | 基于计算机视觉的振动筛筛网破损检测方法、系统及装置 | |
| CN113361420A (zh) | 基于机器人的矿井火灾监测方法、装置、设备及存储介质 | |
| CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
| CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
| CN108460357B (zh) | 一种基于图像识别的开窗报警检测系统及方法 | |
| CN116542967B (zh) | 一种锂电池极柱缺陷的检测方法、装置以及设备 | |
| CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
| CN113343864A (zh) | 一种仪表盘指针检测方法、系统、设备及存储介质 | |
| CN116740885A (zh) | 烟雾火焰报警方法、装置、电子设备及存储介质 | |
| CN116033119A (zh) | 基于视频图像识别的高低压线路强放电监测系统及方法 | |
| CN112581472B (zh) | 一种面向人机交互的目标表面缺陷检测方法 | |
| JP6943381B1 (ja) | 情報処理装置およびプログラム | |
| CN115311540A (zh) | 一种基于视觉识别的烟丝生产线自动换批异常检测方法 | |
| CN109193935B (zh) | 一种基于图像处理的配电房监测方法及系统 |
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 |