CN115100507A - 一种昏暗环境下空调管道指针式仪表智能识别系统与方法 - Google Patents
一种昏暗环境下空调管道指针式仪表智能识别系统与方法 Download PDFInfo
- Publication number
- CN115100507A CN115100507A CN202210813889.XA CN202210813889A CN115100507A CN 115100507 A CN115100507 A CN 115100507A CN 202210813889 A CN202210813889 A CN 202210813889A CN 115100507 A CN115100507 A CN 115100507A
- Authority
- CN
- China
- Prior art keywords
- model
- pointer
- image
- data set
- pointer instrument
- 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
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明提供了一种昏暗环境下空调管道指针式仪表智能识别系统与方法,其步骤如下:制作指针式仪表目标检测数据集和语义分割数据集;训练深度学习模型;使用模型转换工具将目标检测模型和语义分割模型转换为NaiveBuffer格式的模型,并部署在智能终端;由传感器节点采集到的指针式仪表图像无线传输至智能终端;智能终端调用目标检测模型自动检测出图像中指针式仪表所在位置并用方框框出;调用语义分割模型将刻度和指针标出,并通过角度法得到准确读数;检测结果上传至服务器进行可视化展示。本发明专利采用低成本的硬件进行系统开发,并将智能识别算法部署在终端,具有能耗低、自动抄表、精度高、适应昏暗环境的优点,为中央空调系统的运行维护提供了保证。
Description
技术领域
本发明涉及中央空调系统智能数据采集领域,具体而言,涉及一种昏暗环境下空调管道指针式仪表智能识别系统与方法。
背景技术
中央空调设备广泛应用大型商场、医院、办公楼、学校等大型公共建筑,中央空调设备运行数据的高效采集对其正常运行维护起着重要作用。目前最常见的中央空调运行数据主要通过加装各种传感器采集得到。其中,中央空调供水管道压力对整个空调系统的正常运行起着举足轻重的作用。首先,供水管道压力能反映出设备的运行状态,如运行中循环泵进出口的压差就是循环泵此时的实际工作扬程,根据水泵工作的实际扬程对照水泵厂家的样本中水泵的性能曲线,就能看出循环泵是否工作在高效区;其次,管道压力影响制冷效果,如除污仪进出口压差即除污器阻力,若内部污垢阻塞或选用除污器规格太小,会造成阻力过大,浪费循环泵扬程,降低供冷效果,另外水压低会导致空调带走的冷量少可能会导致空调制冷不足;最后,若供水管道压力长时间处于低压状态,还会造成成本的增加,如为了达到设定的温度压缩机需呀满负荷的工作,会导致能耗高(电费增加)和增加空调的老化程度,使其寿命减短。然而,对于供水管道的压力,通常采用传统的没有数据接口的指针式压力表进行采集,具有成本低、安装更换方便等特点。但是,针对传统指针式压力表,需要进行人工二次抄表,这种方式不仅费时费力,而且由于空调主机一般布置在灯光昏暗的地下,极易造成漏抄、误抄等现象,最终造成读数不准确,严重影响中央空调的正常运维。
随着机器视觉和深度学习算法的快速发展,利用机器视觉代替人工对指针式仪表示数进行自动抄表得到了广泛应用,但是现有方法通常需要远程将采集到的图像传输至本地计算机或者服务器进行图像处理得到数据。例如,采用巡检小车拍摄仪表图像,并上传至远程服务器进行处理。这种抄表方法存在以下缺点:(1)受到网络的限制,必须要在采集点布置无线网络或其他网络才能够将采集到的图像传输至服务器,遇到突发状况如断网断电则无法进行传输;(2)本地用于图像处理的计算机或者服务器实时处于待机状态,造成能源浪费;(3)在中央空调系统中,供水管路往往比较复杂,所含仪表较多,仪表布置点位不一,完成一次巡检所耗费的时间较久;(4)由于现场指针式仪表安装环境多为昏暗的建筑物的地下室,且安装位置离巡检轨道较远,导致采集到的图像模糊,从而无法准确识别仪表示数,同时容易因拍摄角度不合适造成读数误差大等问题。
发明内容
为解决上述技术存在的不足,本发明提出一种昏暗环境下空调管道指针式仪表智能识别系统与方法,以期能够以较低成本、快速准确的得到安装在昏暗环境下的中央空调供水管道指针式压力表数据,从而提高中央空调管道系统的抄表速率,满足中央空调系统的正常运维需求。
本发明提供一种昏暗环境下空调管道指针式仪表智能识别系统,所述识别系统包括采集模块、智能终端模块以及可视化模块;所述采集模块包括第一通讯子模块、摄像头子模块和安装架;所述智能终端模块包括数据处理子模块和第二通讯子模块;所述第一通讯子模块和第二通讯子模块之间能够通讯连接。
所述安装架包括安装块和L形安装杆,所述L形安装杆的一端通过U形卡槽与空调供水管路上指针式压力表的支撑杆卡接,所述安装块顶部开设有通槽,所述摄像头子模块放置在所述通槽内,所述安装块的一侧开设有安装槽,电池盒固定安装在所述安装槽内,电池盒的电源线通过圆孔引出为摄像头子模块供电。
一种昏暗环境下空调管道指针式仪表智能识别方法,所述方法包括如下步骤:
S1、获取目标检测数据集和语义分割数据集,建立目标检测数据集和语义分割数据集;具体如下:
S1.1、利用摄像头子模块对空调供水管路上的压力表进行图像采集,分别为目标检测数据集A和语义分割数据集B,其中数据集A为指针式压力表及周围环境,数据集B为所识别指针式压力表表盘;
S1.2、对数据集进行人工标注,首先对目标检测数据集A和目标检测数据集B进行人工标注,使用lableing工具,框出图像中指针式仪表所在的框,并记录每个矩形框的位置信息,得到已经标注的目标检测数据集C;对表盘上的每个刻度和指针进行标注,得到标注后的语义分割数据集D;
S1.3、对数据集进行数据增强,扩增数据集。对目标检测数据集C和语义分割数据集 D进行数据增强并复制xml标签文件,首先,调用OpenCV库中的函数cv2.getRotationMatrix2D(X,Y,Z)得到仿射变换矩阵,其中X是旋转中心,Y是逆时针旋转角度,Z是缩放倍数,然后调用通过函数cv2.warpAffine()进行仿射变换得到最终的结果;然后,使用Opencv中的模糊函数cv::blur(input,output,cv::Size(size,size), cv::Point(anchor,anchor))对原数据集图像进行模糊处理,参数input,output,分别为输入图像和输出图像,Size为卷积核大小,此参数可以决定图像的模糊程度,Point为锚定的位置参数;最后通过每个像素点的三个通道减一个值的方式获得低亮度的图像。通过三种图像增强方法,在获得昏暗、模糊、倾斜状态下的指针式压力表图像的同时扩充了数据集。
S2、基于paddlepaddle深度学习框架进行模型训练,模型训练方法为:
S2.1,训练目标检测模型。目标检测模型采用YOIOv3,Backbone选用MobileNetV3,迭代轮数200,Learning Rate选择0.0002,Batch Size选择8,能够在保持模型轻量化的同时保证模型的准确性,训练结束后得到目标检测模型YOLO-V3C;
S2.2,训练语义分割模型。语义分割模型采用DeepLabv3+,Backbone选择ResNet50_vd,训练轮数120,Learning Rate选择0.002,Batch Size选择4,训练结束后得到语义分割模型DeepL-D。
S3、模型转换。模型转换步骤如下:
S3.1、将训练好的模型导出为inference格式模型,包含模型网络结构文件、模型网络权重文件和model.yml,三个文件;
S3.2、将inference格式模型拷贝至树莓派端,并下载opt模型优化工具。
S3.3、在终端执行模型转换脚本:./opt--model_file=./model --param_path./params--optimize_out=<output_optimize_model_dir> --optimize_out_type=(naive_buffer)其中,--model_file为网络结构文件模型文件所在路径, param_path为inference模型中包含的参数文件路径,optimize_out为模型输出路径, optimize_out_type为输出模型格式,最终可得到Naive Buffer格式的模型。
S4采集待检测指针式仪表图像。所含步骤如下:
S4.1将摄像头子模块安装在所述安装架上,并将所述安装架卡接在中央空调供水管道指针式压力表的支撑杆上;
S4.2,配置采集模块ID,每个采集模块配置一个专用的ID,所述传输模块ID与所监测管道指针式压力表对应;
S4.3,配置通讯方式:连接所处地WIFI,若连接成功则使用wifi传输模式,若连接wifi失败,在重连10次后采集模块进入esp-now传输模式,ESP-NOW是一种由乐鑫公司定义的无连接Wi-Fi通信协议。在ESP-NOW中,应用程序数据被封装在各个供应商的动作帧中,然后在无连接的情况下,从一个Wi-Fi设备传输到另一个Wi-Fi设备;
S4.4,拍摄待检测指针式仪表图像,并通过步骤S4.3所述通讯方式将图像传输至智能终端,传输内容为采集模块ID号+待检测指针式仪表图像;
S4.5,智能终端接收各传感器节点传输的待检测指针式仪表图像,将接收到的图像以传感器ID为名保存至本地文件夹Detect;
S5、跟据部署在智能终端的目标检测模型YOLO-V3F、语义分割模型DeepL-H及待检测指针式压力表图像对示数进行推理,所含步骤如下:
S5.1,读取Detect文件夹内待检测指针式压力表图像,加载目标检测模型YOLO-V3F 检测图像中的指针式压力表并过滤掉置信度低于置信度阈值的检测框,随后截切出矩形框所在区域图像P;
S5.2,加载语义分割模型DeepL-H,对步骤S5.2中图像P进行语义分割,得到表盘刻度线和指针,去除背景后得到只含刻度线和指针的图像Q,对图像Q进行图像腐蚀操作,细化刻度,根据刻度线的根数得到对应的指针式仪表量程θ;
S5.3,通过Hough变换得到得到零刻度线、满刻度线和指针所在直线,设三条直线方程分别为
Y1=a1X+b1
Y2=a2X+b2
Y3=a3X+b3
由以上三个方程可得到零刻度线Y1和满刻度线Y2、指针所在直线Y3之间的夹角α和β,则待检测图像指针读数Meter_Reading为:
S5.4,将指针式仪表读数和设备ID打包为json格式。
S6、各个传感器节点采集到的空调供水管道压力表数值进行可视化处理,使得检测人员能够实时对管道运行情况进行监测,可视化处理步骤如下:
S6.1,建立MySQL数据库,建立对应传感器所需属性表;
S6.2,建立后台接口服务器,通过接口提供对各传感器数据的读写功能;
S6.3,智能终端将数据上传至数据库;
S6.4,建立前端可视化服务器,通过与后台接口服务器之前通讯读取数据;
S6.5,通过前端Echarts、Element Plus组件库将数据展示为表格、柱状图、饼图、折线图、雷达图等样式动态展示。
进一步地,为降低能耗,采集模块在非工作时间进入深度睡眠状态,开始工作时唤醒。步骤S4所述采集模块工作模式如下:采用esp_deep_sleep_start()函数使采集模块进入休眠状态,当到达指定采集时间,智能终端发送唤醒命令,采集模块通电,摄像头子模块进入工作模式。智能终端上传所有传感器节点的指针式压力表示数后,进入休眠状态,等待下一轮的检测。
本发明的有益效果:本发明通过部署采集模块、智能终端模块、可视化模块,可避免因人工抄表造成漏抄、误抄而产成的读数误差,减少人力资源的投入,有效的缩短中央空调系统供水管道指针式压力表示数的采集时间,降低能源的消耗,利用深度学习模型提高读数精度,为中央空调系统的运行维护提供了保障。
附图说明
图1为本发明总体流程图;
图2为系统结构图;
图3为本发明采集模块工作流程图;
图4为安装架结构示意图;
图5为电池盒;
图6为读数处理流程图。
图中:1为圆孔;2为L形安装杆;3为通槽;4为安装槽。
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付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1-6所述,本发明提供一种昏暗环境下中央空调管道指针式压力表智能识别系统,所述识别系统包括采集模块、智能终端模块以及可视化模块;所述采集模块包括第一通讯子模块、摄像头子模块和安装架;所述智能终端模块包括数据处理子模块和第二通讯子模块;所述第一通讯子模块和第二通讯子模块之间能够通讯连接。
所述安装架包括安装块和L形安装杆2,所述L形安装杆2的一端通过U形卡槽与中央空调供水管路上指针式压力表的支撑杆卡接,所述安装块顶部开设有通槽,所述摄像头子模块放置在所述通槽内,所述安装块的一侧开设有安装槽4,电池盒固定安装在所述安装槽4内,电池盒的电源线通过圆孔1引出为摄像头子模块供电。
采集模块通过摄像头子模块拍摄中央空调供水管路上的指针式压力表图像,并通过第一通讯子模块将图像传输至智能终端模块;智能终端负责将各个采集模块传输的图像进行目标检测、语义分割及读数处理后得到各采集模块节点处指针式压力表的示数,并将示数上传至云服务器;可视化模块可将各指针式压力表读以折线图、柱状图形式实时显示。一种昏暗环境下中央空调管道指针式压力表智能识别方法,所述方法包括如下步骤:S1、获取目标检测数据集和语义分割数据集,建立目标检测数据集和语义分割数据集;方法如下:
S1.1、利用摄像头子模块对中央空调供水管路上的压力表进行图像采集,分别为目标检测数据集A和语义分割数据集B,其中数据集A为指针式压力表及周围环境,数据集B为所识别指针式压力表表盘;
S1.2、对数据集进行人工标注,首先对目标检测数据集A和目标检测数据集B进行人工标注,使用lableing工具,框出图像中指针式仪表所在的框,如图6所示,并记录每个矩形框的位置信息,得到已经标注的目标检测数据集C;对表盘上的每个刻度和指针进行标注,得到标注后的语义分割数据集D;
S1.3、对数据集进行数据增强,扩增数据集。对目标检测数据集C和语义分割数据集 D进行数据增强并复制xml标签文件,首先,调用OpenCV库中的函数cv2.getRotationMatrix2D(X,Y,Z)得到仿射变换矩阵,其中X是旋转中心,Y是逆时针旋转角度,Z是缩放倍数,然后调用通过函数cv2.warpAffine()进行仿射变换得到最终的结果;然后,使用Opencv中的模糊函数cv::blur(input,output,cv::Size(size,size), cv::Point(anchor,anchor))对原数据集图像进行模糊处理,参数input,output,分别为输入图像和输出图像,Size为卷积核大小,此参数可以决定图像的模糊程度,Point为锚定的位置参数;最后通过每个像素点的三个通道减一个值的方式获得低亮度的图像。通过三种图像增强方法,在获得昏暗、模糊、倾斜状态下的指针式压力表图像的同时扩充了数据集。
S2、基于paddlepaddle深度学习框架进行模型训练,模型训练方法为:
S2.1,训练目标检测模型。目标检测模型采用YOIOv3,Backbone选用MobileNetV3,迭代轮数200,Learning Rate选择0.0002,Batch Size选择8,能够在保持模型轻量化的同时保证模型的准确性,训练结束后得到目标检测模型YOLO-V3C;
S2.2,训练语义分割模型。语义分割模型采用DeepLabv3+,Backbone选择ResNet50_vd,训练轮数120,Learning Rate选择0.002,Batch Size选择4,训练结束后得到语义分割模型DeepL-D。
S3、模型转换。一种昏暗环境下中央空调管道指针式压力表智能识别系统工作在树莓派端,因此需要将模型部署于树莓派上,因此需用Paddle Lite Opt工具将paddle模型转换为Paddle Lite模型,Paddle Lite是一组工具,可帮助开发者在移动设备、嵌入式设备和loT 设备上运行模型,以便实现设备端机器学习,模型转换步骤如下:
S3.1、将训练好的模型导出为inference格式模型,包含模型网络结构文件、模型网络权重文件和model.yml,三个文件;
S3.2、将inference格式模型拷贝至树莓派端,并下载opt模型优化工具。
S3.3、在终端执行模型转换脚本:./opt--model_file=./model --param_path./params--optimize_out=<output_optimize_model_dir> --optimize_out_type=(naive_buffer)其中,--model_file为网络结构文件模型文件所在路径, param_path为inference模型中包含的参数文件路径,optimize_out为模型输出路径, optimize_out_type为输出模型格式,最终可得到Naive Buffer格式的模型。
S4采集待检测指针式仪表图像。如图2所示,其工作方式为休眠-唤醒-拍摄-传输-休眠,其工作流程如图3所示,所含步骤如下:
S4.1,将摄像头子模块安装在所述安装架上,并将所述安装架卡接在中央空调供水管道指针式压力表的支撑杆上;
S4.2,配置采集模块ID,每个采集模块配置一个专用的ID,所述传输模块ID与所监测管道指针式压力表对应;
S4.3,配置通讯方式:连接所处地WIFI,若连接成功则使用wifi传输模式,若连接wifi失败,在重连10次后采集模块进入esp-now传输模式,ESP-NOW是一种由乐鑫公司定义的无连接Wi-Fi通信协议。在ESP-NOW中,应用程序数据被封装在各个供应商的动作帧中,然后在无连接的情况下,从一个Wi-Fi设备传输到另一个Wi-Fi设备;
S4.4,拍摄待检测指针式仪表图像,并通过步骤S4.3所述通讯方式将图像传输至智能终端,传输内容为采集模块ID号+待检测指针式仪表图像;
S4.5,智能终端接收各传感器节点传输的待检测指针式仪表图像,因所传输的待检测指针式仪表图像较多,将接收到的图像以传感器ID为名保存至本地文件夹Detect;
S5、跟据部署在智能终端的目标检测模型YOLO-V3F、语义分割模型DeepL-H及待检测指针式压力表图像对示数进行推理,推理流程如图6所示,所含步骤如下:
S5.1,读取Detect文件夹内待检测指针式压力表图像,加载目标检测模型YOLO-V3F 检测图像中的指针式压力表并过滤掉置信度低于置信度阈值的检测框,随后截切出矩形框所在区域图像P;
S5.2,加载语义分割模型DeepL-H,对步骤S5.2中图像P进行语义分割,得到表盘刻度线和指针,去除背景后得到只含刻度线和指针的图像Q,对图像Q进行图像腐蚀操作,细化刻度,根据刻度线的根数得到对应的指针式仪表量程θ;
S5.3,通过Hough变换得到得到零刻度线、满刻度线和指针所在直线,设三条直线方程分别为
Y1=a1X+b1
Y2=a2X+b2
Y3=a3X+b3
由以上三个方程可得到零刻度线Y1和满刻度线Y2、指针所在直线Y3之间的夹角α和β,则待检测图像指针读数Meter_Reading为:
S5.4,将指针式仪表读数和设备ID打包为json格式,如下
{“Guid”:“0001”,
“Meter_Reading”:”1.10”}。
S6、各个传感器节点采集到的中央空调供水管道压力表数值进行可视化处理,使得检测人员能够实时对管道运行情况进行监测,可视化处理步骤如下:
S6.1,建立MySQL数据库,建立对应传感器所需属性表;
S6.2,建立后台接口服务器,通过接口提供对各传感器数据的读写功能;
S6.3,智能终端将数据上传至数据库;
S6.4,建立前端可视化服务器,通过与后台接口服务器之前通讯读取数据;
S6.5,通过前端Echarts、Element Plus组件库将数据展示为表格、柱状图、饼图、折线图、雷达图等样式动态展示。
优选地,为降低能耗,采集模块在非工作时间进入深度睡眠状态,开始工作时唤醒。在深度睡眠模式下,采集模块电流消耗仅为6.5uA。步骤S4所述采集模块工作模式如下:采用esp_deep_sleep_start()函数使采集模块进入休眠状态,当到达指定采集时间,智能终端发送唤醒命令,采集模块通电,摄像头子模块进入工作模式。智能终端上传所有传感器节点的指针式压力表示数后,进入休眠状态,等待下一轮的检测。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种昏暗环境下空调管道指针式仪表智能识别系统,其特征在于,所述识别系统包括采集模块、智能终端模块以及可视化模块;所述采集模块包括第一通讯子模块、摄像头子模块和安装架;所述智能终端模块包括数据处理子模块和第二通讯子模块;所述第一通讯子模块和第二通讯子模块之间能够通讯连接。
2.如权利要求1所述的一种昏暗环境下空调管道指针式仪表智能识别系统,其特征在于,所述安装架包括安装块和L形安装杆(2),所述L形安装杆(2)的一端通过U形卡槽与空调供水管路上指针式压力表的支撑杆卡接,所述安装块顶部开设有通槽,所述摄像头子模块放置在所述通槽内,所述安装块的一侧开设有安装槽(4),电池盒固定安装在所述安装槽(4)内,电池盒的电源线通过圆孔(1)引出为摄像头子模块供电。
3.一种昏暗环境下空调管道指针式仪表智能识别方法,所述识别方法基于权利要求1-2中任意一项所述的智能识别系统,其特征在于,
所述方法包括如下步骤:
S1、获取目标检测数据集和语义分割数据集,建立目标检测数据集和语义分割数据集;
S2、基于paddlepaddle深度学习框架进行模型训练,模型训练方法为:
S2.1,训练目标检测模型;
S2.2,训练语义分割模型;
S3、模型转换;
S4、采集待检测指针式仪表图像;
S5、跟据部署在智能终端的目标检测模型YOLO-V3F、语义分割模型DeepL-H及待检测指针式压力表图像对示数进行推理;
S6、各个传感器节点采集到的空调供水管道压力表数值进行可视化处理,使得检测人员能够实时对管道运行情况进行监测。
4.如权利要求3所述的一种昏暗环境下空调管道指针式仪表智能识别方法,其特征在于,步骤S1具体为:
S1.1、利用摄像头子模块对中央空调供水管路上的压力表进行图像采集,分别为目标检测数据集A和语义分割数据集B,其中数据集A为指针式压力表及周围环境,数据集B为所识别指针式压力表表盘;
S1.2、对数据集进行人工标注,首先对目标检测数据集A和目标检测数据集B进行人工标注,使用lableing工具,框出图像中指针式仪表所在的框,并记录每个矩形框的位置信息,得到已经标注的目标检测数据集C;对表盘上的每个刻度和指针进行标注,得到标注后的语义分割数据集D;
S1.3、对数据集进行数据增强,扩增数据集。
5.如权利要求3所述的一种昏暗环境下空调管道指针式仪表智能识别方法,其特征在于,步骤S3具体为:
S3.1、将训练好的模型导出为inference格式模型,包含模型网络结构文件、模型网络权重文件和model.yml,三个文件;
S3.2、将inference格式模型拷贝至树莓派端,并下载opt模型优化工具;
S3.3、在终端执行模型转换脚本。
6.如权利要求3所述的一种昏暗环境下空调管道指针式仪表智能识别方法,其特征在于,步骤S4具体为:
S4.1,将摄像头子模块安装在所述安装架上,并将所述安装架卡接在空调供水管道指针式压力表的支撑杆上;
S4.2,配置采集模块ID,每个采集模块配置一个专用的ID,所述传输模块ID与所监测管道指针式压力表对应;
S4.3,配置通讯方式;
S4.4,拍摄待检测指针式仪表图像,并通过步骤S4.3所述通讯方式将图像传输至智能终端,传输内容为采集模块ID号+待检测指针式仪表图像;
S4.5,智能终端接收各传感器节点传输的待检测指针式仪表图像,将接收到的图像以传感器ID为名保存至本地文件夹Detect。
7.如权利要求3所述的一种昏暗环境下空调管道指针式仪表智能识别方法,其特征在于,步骤S5具体为:
S5.1,读取Detect文件夹内待检测指针式压力表图像,加载目标检测模型YOLO-V3F检测图像中的指针式压力表并过滤掉置信度低于置信度阈值的检测框,随后截切出矩形框所在区域图像P;
S5.2,加载语义分割模型DeepL-H,对步骤S5.2中图像P进行语义分割,得到表盘刻度线和指针,去除背景后得到只含刻度线和指针的图像Q,对图像Q进行图像腐蚀操作,细化刻度,根据刻度线的根数得到对应的指针式仪表量程θ;
S5.3,通过Hough变换得到得到零刻度线、满刻度线和指针所在直线,设三条直线方程分别为
Y1=a1X+b1
Y2=a2X+b2
Y3=a3X+b3
由以上三个方程可得到零刻度线Y1和满刻度线Y2、指针所在直线Y3之间的夹角α和β,则待检测图像指针读数Meter_Reading为:
S5.4,将指针式仪表读数和设备ID打包为json格式。
8.如权利要求3所述的一种昏暗环境下空调管道指针式仪表智能识别方法,其特征在于,步骤S6具体为:
S6.1,建立MySQL数据库,建立对应传感器所需属性表;
S6.2,建立后台接口服务器,通过接口提供对各传感器数据的读写功能;
S6.3,智能终端将数据上传至数据库;
S6.4,建立前端可视化服务器,通过与后台接口服务器之前通讯读取数据;
S6.5,通过前端Echarts、Element Plus组件库将数据展示为表格、柱状图、饼图、折线图、雷达图等样式动态展示。
9.如权利要求8所述的一种昏暗环境下空调管道指针式仪表智能识别方法,其特征在于,为降低能耗,采集模块在非工作时间进入深度睡眠状态,开始工作时唤醒;步骤S4所述采集模块工作模式如下:采用esp_deep_sleep_start()函数使采集模块进入休眠状态,当到达指定采集时间,智能终端发送唤醒命令,采集模块通电,摄像头子模块进入工作模式;智能终端上传所有传感器节点的指针式压力表示数后,进入休眠状态,等待下一轮的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210813889.XA CN115100507A (zh) | 2022-07-11 | 2022-07-11 | 一种昏暗环境下空调管道指针式仪表智能识别系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210813889.XA CN115100507A (zh) | 2022-07-11 | 2022-07-11 | 一种昏暗环境下空调管道指针式仪表智能识别系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100507A true CN115100507A (zh) | 2022-09-23 |
Family
ID=83295838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210813889.XA Pending CN115100507A (zh) | 2022-07-11 | 2022-07-11 | 一种昏暗环境下空调管道指针式仪表智能识别系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100507A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778474A (zh) * | 2023-06-02 | 2023-09-19 | 河南农业大学 | 一种番茄果实智能表型分析仪 |
-
2022
- 2022-07-11 CN CN202210813889.XA patent/CN115100507A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116778474A (zh) * | 2023-06-02 | 2023-09-19 | 河南农业大学 | 一种番茄果实智能表型分析仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104237459A (zh) | 便携式空气质量监测方法与系统 | |
CN204155128U (zh) | 一种智能猪舍监控系统 | |
CN115100507A (zh) | 一种昏暗环境下空调管道指针式仪表智能识别系统与方法 | |
CN104793270B (zh) | 一种综合气象观测网中设备运行状态的综合判定方法 | |
CN209247120U (zh) | 基于平衡罩式压力传感器水位测量系统 | |
US10876928B2 (en) | Method and device to monitor and automatically report electric motor and transformer conditions | |
KR101032679B1 (ko) | 사통식 저수지에서 압력센서를 이용한 수위 관측 시스템 | |
CN112418231A (zh) | 一种集抄运维与ai模型的系统算法 | |
CN112906602A (zh) | 基于图像处理的配电柜电量表自动识别装置及识别方法 | |
CN110040475B (zh) | 一种电流互感器测试流水线的质量监控系统及方法 | |
CN111691524A (zh) | 一种大流量排水监控管理系统及其工作方法 | |
CN111272214A (zh) | 一种基于无线网络传感器的环境在线监测系统及监测方法 | |
CN115700644A (zh) | 基于视觉的风电场站自动巡检方法及装置 | |
TWI722338B (zh) | 智能資訊讀取方法、裝置與系統 | |
CN109283907A (zh) | 视讯一体化电力生产排涝自动检测系统及其方法 | |
CN212776858U (zh) | 一种输油管道安全实时在线监测系统 | |
CN213814001U (zh) | 一种基于膜片式压力传感器的冰雹检测装置 | |
CN209881981U (zh) | 一种公交电子站牌的远程抄表系统 | |
CN201749098U (zh) | 墙体热阻多点无线现场测量仪 | |
CN216791290U (zh) | 一种基于分区分项计量体系的节水检测系统 | |
CN111458547A (zh) | 一种家用电表的数据采集系统 | |
CN110285852A (zh) | 一种室外环境自动化多参数实时检测系统及检测方法 | |
CN210893240U (zh) | 水力管道中应用的多功能水力传感装置 | |
Luo et al. | IoT-based data collection system for central air conditioning | |
CN212135454U (zh) | 智能读表设备以及智能管理系统 |
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 |