CN114757922A - 一种应用于指针式压力表的仪表读数方法及装置 - Google Patents

一种应用于指针式压力表的仪表读数方法及装置 Download PDF

Info

Publication number
CN114757922A
CN114757922A CN202210409645.5A CN202210409645A CN114757922A CN 114757922 A CN114757922 A CN 114757922A CN 202210409645 A CN202210409645 A CN 202210409645A CN 114757922 A CN114757922 A CN 114757922A
Authority
CN
China
Prior art keywords
pressure gauge
image
pointer
angle
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
Application number
CN202210409645.5A
Other languages
English (en)
Inventor
万里红
袁野
吴国栋
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.)
Henan Zhongyuan Power Intelligent Manufacturing Co ltd
Original Assignee
Henan Zhongyuan Power Intelligent Manufacturing 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 Henan Zhongyuan Power Intelligent Manufacturing Co ltd filed Critical Henan Zhongyuan Power Intelligent Manufacturing Co ltd
Priority to CN202210409645.5A priority Critical patent/CN114757922A/zh
Publication of CN114757922A publication Critical patent/CN114757922A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种应用于指针式压力表的仪表读数方法及装置。该方法包括步骤：获取巡检机器人拍摄的指针式压力表的第一压力表图像，对所述第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像；通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，得到所述指针式压力表的读数。本发明技术方案提高了巡检机器人读取指针式压力表读数的准确度。

Description

一种应用于指针式压力表的仪表读数方法及装置
技术领域
本发明涉及指针式压力表读数技术领域，尤其涉及一种应用于指针式压力表的仪表读数方法及装置。
背景技术
本发明适应于巡检机器人领域，在工厂的各个角落中分布着众多的指针式压力表，这些压力表用于记录各种指标，压力表显示的读数对于工厂的安全和正常运行都至关重要。压力表在工厂中会被安装在各个角落，人为的进行压力表的计数会给工厂带来一定的人工成本，除此之外，有些角落也不便人员走动。因此，利用巡检机器人去实现压力表的自动读数就显得十分必要。在各种工厂中分布着许多的指针式压力表，指针式压力表用来指示工厂运行的正常与否，压力表的读数至关重要，目前工厂中采用较多的读数方式还是人工读数，依赖于巡逻的人员对压力表进行读数并记录。针对大工厂压力表读数的这种需求，巡检机器人恰好可以解决这个问题，巡检机器人可以在工厂中自由行走，利用摄像头检测压力表位置，并且可以对指针式压力表进行读数，完成记录，将读数传至后台。
现阶段针对指针式压力表的读数主要是利用传统的机器学习方法，主要包含以下步骤：
1.表盘提取：对于得到的含有仪表盘的图像进行预处理，裁剪出表盘，去除背景，主要利用均值滤波、灰度转换和概率霍夫圆检测。
2.刻度线提取：通过轮廓查找，可以将所有黑色部分(刻度线，指针，干扰点)区域找出，再进行刻度线轮廓拟合直线，并找出表盘的中心。
3.指针轮廓提取：在原图中去除掉刻度线和杂点后，剩余的轮廓只含有指针和圆盘。
4.再根据指针和零刻度之间的读数来计算读数。
现有技术的读数方式步骤较多，而且机器学习进行刻度线检测以及指针检测的时候会出现很多的干扰点，当光线、拍照角度以及压力表的零刻度并非在固定位置的时候，现有技术的读数会产生较大的偏差。
发明内容
本发明提供一种应用于指针式压力表的仪表读数方法及装置，提高了巡检机器人读取指针式压力表读数的准确度。
本发明一实施例提供一种应用于指针式压力表的仪表读数方法，包括以下步骤：
获取巡检机器人拍摄的指针式压力表的第一压力表图像，对所述第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像；
通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；
将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，得到所述指针式压力表的读数。
进一步的，根据以下步骤，获取所述压力表分类模型的训练集：
获取巡检机器人拍摄的指针式压力表的第四压力表图像，对所述第四压力表图像进行分割处理后获得只包含压力表的第五压力表图像；
通过透视变换将所述第五压力表图像矫正为预设角度的第六压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；
对所述第六压力表图像的表盘和指针进行分离处理，得到只包含指针的指针图像和只包含表盘的表盘图像；
根据所述指针图像和表盘图像生成多种角度组合的第七压力表图像，将所述第七压力表图像作为所述压力表分类模型的训练集；所述多种角度组合是指多种指针角度和多种表盘角度的图像组合。
进一步的，所述多种指针角度包括360种，所述多种表盘角度包括360种，所述指针角度是指图像中指针与竖直方向所成的角度，所述表盘角度是指图像中表盘零刻度线与竖直方向所成的角度。
进一步的，通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，具体为：
拟合所述第三压力表图像中压力表的椭圆边界，获取所述椭圆的长轴和短轴对应的四个顶点，采用OpenCV将所述椭圆的四个顶点透视变换成圆的四个顶点，得到矫正为预设角度的第三压力表图像。
进一步的，所述预测序列的获取过程为：
使用扩展标签集对收集的文本文件的序列进行标注得到第一序列集，将所述第一序列集中可以通过映射函数转换为真实序列的序列确定为预测序列。
进一步的，所述自然语言生成模块在生成回复文本时，包括以下步骤：
根据接收的所述语义分析结果确定需要回复的信息，并根据所述需要回复的信息确定合理的文本顺序；
根据所述文本顺序确定单个句子中所呈现的文本信息，根据所述单个句子的文本信息选择相应的多个单词和短语；
识别所述需要回复的信息所属的领域，并根据所述领域从所述多个单词和短语中选择对应领域的单词和短语；
将选择的所述对应领域的单词和短语组成格式正确的句子。
进一步的，所述压力表分类模型的训练过程，包括以下步骤：
将所述第七压力表图像输入所述压力表分类模型，通过3×3的卷积层提取图像特征生成第一特征图；
通过MBconv模块对所述第一特征图进行图像特征提取得到第四特征图；
通过1×1的卷积层对所述第四特征图降维操作，再输入至池化层和全连接层得到所述第七压力表图像的分类结果；
根据所述分类结果和所述第七压力表图像的原始标签求loss后，进行反向传播，更新迭代所述压力表分类模型的参数，得到收敛后的所述压力表分类模型。
进一步的，通过MBconv模块对所述第一特征图进行图像特征提取得到第四特征图，具体为：
通过1×1的卷积层对所述第一特征图进行升维操作，通过Depthwise Conv卷积对升维后的第一特征图的每个通道进行卷积，然后将每个通道的输出进行串联后提取图像特征，得到第二特征图；
将提取的所述第二特征图输入SE模块后，将所述第二特征图输入至1×1的卷积层进行降维操作，再经过Dropout层输出第三特征图；
所述第三特征图与SE模块的所述第二特征图融合后，输出第四特征图。
本发明另一实施例提供一种应用于指针式压力表的仪表读数装置，包括压力表图像获取模块、压力表图像矫正模块和压力表读数模块。
所述压力表图像获取模块用于获取巡检机器人拍摄的指针式压力表的第一压力表图像，对所述第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像；
所述压力表图像矫正模块用于通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；
所述压力表读数模块用于将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，得到所述指针式压力表的读数。
本发明的实施例，具有如下有益效果：
本发明提供了一种应用于指针式压力表的仪表读数方法及装置，本发明通过对巡检机器人拍摄的第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像，通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度，将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，可以得到所述指针式压力表的准确读数。本发明由于在将压力表图像输入模型前进行了分割处理和矫正处理，使得输入至模型的图像较为准确，可识别度较高，因而提高了模型读取压力表读数的准确度。同时，本发明的基于深度学习神经网络的压力表分类模型在训练时，根据所述指针图像和表盘图像生成多种角度组合的第七压力表图像，将所述第七压力表图像作为所述压力表分类模型的训练集，进而使得模型的训练精度较高，进一步提高了对指针式压力表进行读数的准确度。
附图说明
图1是本发明一实施例提供的应用于指针式压力表的仪表读数方法的流程示意图；
图2是本发明一实施例提供的应用于指针式压力表的仪表读数装置的结构示意图；
图3是本发明一实施例提供的应用于指针式压力表的仪表读数方法的只包含指针的指针图像；
图4是本发明一实施例提供的应用于指针式压力表的仪表读数方法的只包含表盘的表盘图像；
图5是本发明一实施例提供的应用于指针式压力表的仪表读数方法的第七压力表图像；
图6是本发明一实施例提供的应用于指针式压力表的仪表读数方法的MBconv模块的结构示意图；
图7是本发明一实施例提供的应用于指针式压力表的仪表读数方法的SE模块的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明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。
如图1所示，本发明一实施例提供的一种应用于指针式压力表的仪表读数方法，包括以下步骤：
获取巡检机器人拍摄的指针式压力表的第一压力表图像，对所述第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像；优选的，将所述第一压力表图像输入分割网络模型得到只包含压力表的第二压力表图像。
通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度。
将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，得到所述指针式压力表的读数。
作为其中一种实施例，通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，具体为：
拟合所述第三压力表图像中压力表的椭圆边界，获取所述椭圆的长轴和短轴对应的四个顶点，采用OpenCV将所述椭圆的四个顶点透视变换成圆的四个顶点，得到矫正为预设角度的第三压力表图像。
作为其中一种实施例，根据以下步骤，获取所述压力表分类模型的训练集：
获取巡检机器人拍摄的指针式压力表的第四压力表图像，对所述第四压力表图像进行分割处理后获得只包含压力表的第五压力表图像；
通过透视变换将所述第五压力表图像矫正为预设角度的第六压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；即将所述第五压力表图像调整为摄像头高度与压力表平齐，且正对压力表拍摄得到的图像；
如图3和图4所示，对所述第六压力表图像的表盘和指针进行分离处理，得到只包含指针的指针图像和只包含表盘的表盘图像；
根据所述指针图像和表盘图像生成多种角度组合的第七压力表图像，如图5所示，将所述第七压力表图像作为所述压力表分类模型的训练集；所述多种角度组合是指多种指针角度和多种表盘角度的图像组合。具体的，通过算法将所述指针图像和表盘图像生成多种角度组合的第七压力表图像。
所述多种指针角度包括360种，所述多种表盘角度包括360种，所述指针角度是指图像中指针与竖直方向所成的角度，所述表盘角度是指图像中表盘零刻度线与竖直方向所成的角度。具体的，根据角度范围0°～359°(角度值取整数)，将所述指针角度和表盘角度分为360种。所述第七压力表图像根据图像中指针与竖直方向所成的角度分为360种。
作为其中一种实施例，所述压力表分类模型的训练过程，包括以下步骤：
将所述第七压力表图像输入所述压力表分类模型，通过3×3的卷积层提取图像特征生成第一特征图；
通过MBconv模块对所述第一特征图进行图像特征提取得到第四特征图；
通过1×1的卷积层对所述第四特征图降维操作，再输入至池化层和全连接层得到所述第七压力表图像的分类结果；
根据所述分类结果和所述第七压力表图像的原始标签求loss后，进行反向传播，更新迭代所述压力表分类模型的参数，得到收敛后的所述压力表分类模型。
作为其中一种实施例，如图6所示，所述MBconv模块包括一个1×1的卷积层(该卷积层起到升维作用，包含Batch Normalization和Swish激活函数)、一个k×k的DepthwiseConv卷积(包含Batch Normalization和Swish激活函数)、一个SE模块(即Squeeze-and-Excitation模块)、一个1×1的卷积层(该卷积层起到降维作用，包含BatchNormalization)和一个Droupout层构成。
通过MBconv模块对所述第一特征图进行图像特征提取得到第四特征图，具体为：
通过1×1的卷积层对所述第一特征图进行升维操作，通过Depthwise Conv卷积对升维后的第一特征图的每个通道进行卷积，然后将每个通道的输出进行串联后提取图像特征，得到第二特征图；
将提取的所述第二特征图输入SE模块后，将所述第二特征图输入至1×1的卷积层进行降维操作，再经过Dropout层输出第三特征图；如图7所示，所述SE(Squeeze-and-Excitation)模块包括平均池化层AvgPooling和两个全连接层FC1和FC2，所述。
所述第三特征图与SE模块的所述第二特征图融合后，输出第四特征图。
本发明通过对巡检机器人拍摄的第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像，通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度，将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，可以得到所述指针式压力表的准确读数。本发明由于在将压力表图像输入模型前进行了分割处理和矫正处理，使得输入至模型的图像较为准确，可识别度较高，因而提高了模型读取压力表读数的准确度。同时，本发明的基于深度学习神经网络的压力表分类模型在训练时，根据所述指针图像和表盘图像生成多种角度组合的第七压力表图像，将所述第七压力表图像作为所述压力表分类模型的训练集，进而使得模型的训练精度较高，进一步提高了对指针式压力表进行读数的准确度。
如图2所示，本发明另一实施例提供的一种应用于指针式压力表的仪表读数装置，包括压力表图像获取模块、压力表图像矫正模块和压力表读数模块。
所述压力表图像获取模块用于获取巡检机器人拍摄的指针式压力表的第一压力表图像，对所述第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像；
所述压力表图像矫正模块用于通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；
所述压力表读数模块用于将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，得到所述指针式压力表的读数。
为描述的方便和简洁，本发明装置项实施例的应用于指针式压力表的仪表读数装置包括上述应用于指针式压力表的仪表读数方法实施例中的全部实施方式，此处不再赘述。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器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手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。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。本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

Claims (7)

1.一种应用于指针式压力表的仪表读数方法，其特征在于，包括以下步骤：
获取巡检机器人拍摄的指针式压力表的第一压力表图像，对所述第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像；
通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；
将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，得到所述指针式压力表的读数。
2.根据权利要求1所述的应用于指针式压力表的仪表读数方法，其特征在于，根据以下步骤，获取所述压力表分类模型的训练集：
获取巡检机器人拍摄的指针式压力表的第四压力表图像，对所述第四压力表图像进行分割处理后获得只包含压力表的第五压力表图像；
通过透视变换将所述第五压力表图像矫正为预设角度的第六压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；
对所述第六压力表图像的表盘和指针进行分离处理，得到只包含指针的指针图像和只包含表盘的表盘图像；
根据所述指针图像和表盘图像生成多种角度组合的第七压力表图像，将所述第七压力表图像作为所述压力表分类模型的训练集；所述多种角度组合是指多种指针角度和多种表盘角度的图像组合。
3.根据权利要求2所述的应用于指针式压力表的仪表读数方法，其特征在于，所述多种指针角度包括360种，所述多种表盘角度包括360种，所述指针角度是指图像中指针与竖直方向所成的角度，所述表盘角度是指图像中表盘零刻度线与竖直方向所成的角度。
4.根据权利要求3所述的应用于指针式压力表的仪表读数方法，其特征在于，通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，具体为：
拟合所述第三压力表图像中压力表的椭圆边界，获取所述椭圆的长轴和短轴对应的四个顶点，采用OpenCV将所述椭圆的四个顶点透视变换成圆的四个顶点，得到矫正为预设角度的第三压力表图像。
5.根据权利要求4所述的应用于指针式压力表的仪表读数方法，其特征在于，所述压力表分类模型的训练过程，包括以下步骤：
将所述第七压力表图像输入所述压力表分类模型，通过3×3的卷积层提取图像特征生成第一特征图；
通过MBconv模块对所述第一特征图进行图像特征提取得到第四特征图；
通过1×1的卷积层对所述第四特征图降维操作，再输入至池化层和全连接层得到所述第七压力表图像的分类结果；
根据所述分类结果和所述第七压力表图像的原始标签求loss后，进行反向传播，更新迭代所述压力表分类模型的参数，得到收敛后的所述压力表分类模型。
6.根据权利要求1至5任一项所述的应用于指针式压力表的仪表读数方法，其特征在于，通过MBconv模块对所述第一特征图进行图像特征提取得到第四特征图，具体为：
通过1×1的卷积层对所述第一特征图进行升维操作，通过Depthwise Conv卷积对升维后的第一特征图的每个通道进行卷积，然后将每个通道的输出进行串联后提取图像特征，得到第二特征图；
将提取的所述第二特征图输入SE模块后，将所述第二特征图输入至1×1的卷积层进行降维操作，再经过Dropout层输出第三特征图；
所述第三特征图与SE模块的所述第二特征图融合后，输出第四特征图。
7.一种应用于指针式压力表的仪表读数装置，其特征在于，包括压力表图像获取模块、压力表图像矫正模块和压力表读数模块。
所述压力表图像获取模块用于获取巡检机器人拍摄的指针式压力表的第一压力表图像，对所述第一压力表图像进行分割处理后获得只包含压力表的第二压力表图像；
所述压力表图像矫正模块用于通过透视变换将所述第二压力表图像矫正为预设角度的第三压力表图像，所述预设角度为摄像头正对表盘拍摄的角度；
所述压力表读数模块用于将所述第三压力表图像输入至基于深度学习神经网络的压力表分类模型，得到所述指针式压力表的读数。
CN202210409645.5A 2022-04-19 2022-04-19 一种应用于指针式压力表的仪表读数方法及装置 Pending CN114757922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210409645.5A CN114757922A (zh) 2022-04-19 2022-04-19 一种应用于指针式压力表的仪表读数方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210409645.5A CN114757922A (zh) 2022-04-19 2022-04-19 一种应用于指针式压力表的仪表读数方法及装置

Publications (1)

Publication Number Publication Date
CN114757922A true CN114757922A (zh) 2022-07-15

Family

ID=82330556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210409645.5A Pending CN114757922A (zh) 2022-04-19 2022-04-19 一种应用于指针式压力表的仪表读数方法及装置

Country Status (1)

Country Link
CN (1) CN114757922A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115655576A (zh) * 2022-12-13 2023-01-31 成都千嘉科技股份有限公司 一种指针式压力表位移异常的自动感知方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115655576A (zh) * 2022-12-13 2023-01-31 成都千嘉科技股份有限公司 一种指针式压力表位移异常的自动感知方法

Similar Documents

Publication Publication Date Title
CN110543878B (zh) 一种基于神经网络的指针仪表读数识别方法
CN111368825B (zh) 一种基于语义分割的指针定位方法
CN113673509B (zh) 一种基于图像文本的仪表检测分类方法
CN109508709B (zh) 一种基于机器视觉的单指针仪表读数方法
CN111428558A (zh) 一种基于改进YOLOv3方法的车辆检测方法
CN111027456A (zh) 基于图像识别的机械水表读数识别方法
CN114757922A (zh) 一种应用于指针式压力表的仪表读数方法及装置
CN110909804B (zh) 基站异常数据的检测方法、装置、服务器和存储介质
CN114399677A (zh) 一种基于文本区域读取的指针仪表识别方法
CN110110622B (zh) 一种基于图像处理的医疗文本检测方法、系统和存储介质
CN115457556A (zh) 一种核电厂圆盘指针式仪表读数方法
CN117495891B (zh) 点云边缘检测方法、装置和电子设备
CN116259067B (zh) 一种高精度识别pid图纸符号的方法
CN111310611B (zh) 细胞视野图的检测方法及存储介质
CN112529003A (zh) 一种基于Faster-RCNN的仪表盘数字识别方法
CN112130166A (zh) 基于反光板网络的agv定位方法及装置
CN113761137A (zh) 一种提取地址信息的方法及装置
CN115239952A (zh) 基于YOLOV5及U2-Net框架辅助读取工业表的方法
CN113837166B (zh) 一种基于深度学习的指针式仪表自动读数方法
CN113409305B (zh) 一种光缆资源数字化管理方法
CN112131858B (zh) 一种电网全景模型导入自动适配方法、装置及存储介质
CN115471845A (zh) 基于深度学习和OpenCV的换流站数字仪表识别方法
CN111435537B (zh) 模型训练方法、装置及基于拼接图的位姿优化方法、装置
CN113191351A (zh) 数字电表的示数识别方法及装置、模型训练方法及装置
CN115273093A (zh) 基于机器视觉的字轮式仪表识别方法

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