CN115115925A - 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法 - Google Patents

一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法 Download PDF

Info

Publication number
CN115115925A
CN115115925A CN202211038075.XA CN202211038075A CN115115925A CN 115115925 A CN115115925 A CN 115115925A CN 202211038075 A CN202211038075 A CN 202211038075A CN 115115925 A CN115115925 A CN 115115925A
Authority
CN
China
Prior art keywords
yolov3
instrument panel
image
pointer
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.)
Granted
Application number
CN202211038075.XA
Other languages
English (en)
Other versions
CN115115925B (zh
Inventor
吴伟龙
李瑞峰
张陈涛
王政
赵紫阳
汤思榕
林文伟
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.)
Fujian Quanzhou HIT Research Institute of Engineering and Technology
Original Assignee
Fujian Quanzhou HIT Research Institute of Engineering and Technology
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 Fujian Quanzhou HIT Research Institute of Engineering and Technology filed Critical Fujian Quanzhou HIT Research Institute of Engineering and Technology
Priority to CN202211038075.XA priority Critical patent/CN115115925B/zh
Publication of CN115115925A publication Critical patent/CN115115925A/zh
Application granted granted Critical
Publication of CN115115925B publication Critical patent/CN115115925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及仪表读数检测技术领域，特别涉及一种基于多尺度特征信息融合的MS‑YOLOv3工业仪表读数检测方法。其包括根据MobilenetV3网络结构与SPPNet结构重新构建MS‑YOLOv3检测网络模型，并对其先验框及FPN进行优化；对MS‑YOLOv3检测网络模型进行训练；将待检测仪表盘图像输入至经训练的MS‑YOLOv3检测网络模型中，得到待检测仪表盘图像中的仪表盘关键点并进行图像矫正；对矫正后的仪表盘图像进行预处理；根据预处理后的仪表盘图像确定指针位置方向及示数。通过对网络结构进行重新构造，可以有效提高巡检机器人检测效率，增强了对仪表图像特征的提取能力以及算法检测的稳定性，满足客户关闭柜门下进行检测的需求。

Description

一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检 测方法
技术领域
本发明涉及仪表读数检测技术领域，特别涉及一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法。
背景技术
随着人力成本提升与信息化管理的需要，设备巡检对智能化、信息化的需求日益强烈。智能巡检机器人被越来越多的应用在设备日常巡检中，其中基于视觉的非接触式的工业仪表示数检测又是智能巡检机器人的重要检测内容。由于设备表面线缆遮挡、污渍遮挡或者玻璃表盘存在反光等情况，导致已有的仪表检测算法常常出现误检漏检等情况。
为了解决上述问题，中国专利CN111062282A《基于改进YOLOV3模型的变电站指针式仪表识别方法》、中国专利CN 111291691A《一种基于深度学习的变电站二次设备仪表盘读数检测方法》上述方法均利用深度学习中的YOLOv3或者改进的YOLOv3检测方法对仪表进行识别，没有针对性的对先验证框及FPN网络结构进行优化，虽然网络参数大大减少，但是也降低了模型检测的准确性。
发明内容
为克服现有技术中的不足，本发明提供一种参数里量少，识别效果准确的基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法。
为实现上述目的，本发明采用的技术方案如下：一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：包括如下步骤：
S1：根据MobilenetV3网络结构与SPPNet结构重新构建MS-YOLOv3检测网络模型，并对其先验框及FPN进行优化；
S2:对MS-YOLOv3检测网络模型进行训练，得到经训练的MS-YOLOv3检测网络模型；
S3.获取待检测仪表盘图像，将待检测仪表盘图像输入至经训练的MS-YOLOv3检测网络模型中，得到待检测仪表盘图像中的仪表盘关键点，根据仪表盘关键点对待检测仪表盘图像进行倾斜矫正，得到矫正后的仪表盘图像；
S4:对矫正后的仪表盘图像进行预处理，获得预处理后的仪表盘图像；
S5:根据预处理后的仪表盘图像确定指针位置方向及示数。
进一步的，步骤S1中，MobilenetV3网络结构与SPPNet结构构成MS-YOLOv3的主干检测网络，MS-YOLOv3中由3x3和1x1组成的卷积块替换为MobilenetV3网络结构，SPPNet网络结构添加到主干网络的最后三层间。
进一步的，步骤S1中，采用有序加权几何算子对原网络K-means产生的n组先验框进行优化，从而获得一组最优先验框。
进一步的，所述有序加权几何算子计算步骤如下：利用K-means方法再原始标签数据集上产生n组先验框，利用正态分布公式产生n个用于加权的权重值；
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 100002_DEST_PATH_IMAGE002
表示加权的权重值，m的取值范围有为：m=1，2，...，n;
k的取值范围与k的取值范围一样；
Figure 100002_DEST_PATH_IMAGE003
其中
Figure 100002_DEST_PATH_IMAGE004
表示方差，
Figure 100002_DEST_PATH_IMAGE005
表示由k-means产生的组数
Figure 100002_DEST_PATH_IMAGE006
最终加权结果为：
Figure 100002_DEST_PATH_IMAGE007
n表示产生的n组先验证框，任意
Figure 100002_DEST_PATH_IMAGE008
；OWG为有序加权几何均值；
把n个
Figure 100002_DEST_PATH_IMAGE009
或
Figure 100002_DEST_PATH_IMAGE010
按照行排列成一个新的矩阵
Figure 100002_DEST_PATH_IMAGE011
或
Figure 100002_DEST_PATH_IMAGE012
，
Figure 100002_DEST_PATH_IMAGE013
表示组成矩阵的其中一列。
进一步的，步骤S1中，采用ASPPNet对原始FPN结构进行修改，并且ASPPNet结构插入到FPN网络结构上采样过程中。
进一步的，步骤S3中的仪表关键点包括仪表指针中心关键点O（X0，Y0）、仪表盘数字中心点、量程起始关键点A（X1，Y1）、量程结束关键点B（X2，Y2）、指针针尖关键点Z1（X3，Y3）以及指针针尾关键点Z2（X4，Y4）。
进一步的，步骤S3中，包括第一次倾斜矫正和第二次倾斜畸变矫正，第一次倾斜矫正为利用五点拟合法结合关键点进行椭圆拟合，通过椭圆与圆之间标准变换方程，将拟合的椭圆变为标准圆，并结合透视变换对仪表图像进行倾斜矫正，得到第一次矫正仪表盘图像；第二次倾斜畸变矫正为利用Hough算子对第一次矫正仪表盘图像进行倾斜畸变矫正，获得第二次矫正仪表盘图像。
进一步的，步骤S4中，对第二次矫正仪表盘图像同时用中值滤波加高斯滤波进行处理，获得预处理后的仪表盘图像。
进一步的，步骤S5中，根据指针针尖关键点Z1（X3，Y3）以及指针针尾关键点Z2（X4，Y4）判断指针位置方向，若X3>X4，则指针偏右；若X3<X4，则指针偏左；
示数读取步骤如下：
计算预处理后的仪表盘图像中非读数区域占比大小θ：
Figure 100002_DEST_PATH_IMAGE014
若指针偏左时，则指针与
Figure 100002_DEST_PATH_IMAGE015
夹角θ1：
Figure 100002_DEST_PATH_IMAGE016
若指针偏右时，则指针与
Figure 100002_DEST_PATH_IMAGE017
夹角θ2：
Figure 100002_DEST_PATH_IMAGE018
仪表示数I：
Figure 100002_DEST_PATH_IMAGE019
其中p为仪表满量程读数。
由上述对本发明的描述可知，与现有技术相比，本发明提供的一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，具有如下优点：
通过对网络结构进行重新构造，可以有效提高巡检机器人检测效率，同时，增强了对仪表图像特征的提取能力以及算法检测的稳定性，满足客户关闭柜门下进行检测的需求。
基于MobilenetV3网络结构与SPPNet结构重新构建的超轻量级检测网络MS-YOLOv3检测网络：该网络结构参数量仅为原始网络1/3，能够轻易部署到边缘计算机上，实现巡检机器人对仪表快速、高效、准确的获取仪表示数。通过在主干网络最后三层添加SPPNet网络结构，可以有效的增加网络感受野，增强主干特征网络的特征提取能力。
基于有序加权几何算子优化的先验框，能够克服K-means方法产生先验框时容易陷入局部最优缺点。通过对K-mean产生的n组先验框进行加权优化，获得最终获得一组最优先验框用于模型训练。在一定程度上，先验框越接近真实框，越有助于模型的收敛，提高模型的检测精度。
基于ASPPNet图像特征融合的FPN，利用ASPPNet网络结构的多个空洞卷积探索更多上层特征语义信息，再将获得的不同语义信息进行特征图的融合，有助于降低下层语义信息再上采样过程中带来的不同层间语义差异。有助于提升模型识别精度。
通过MS-YOLOv3检测网络，能够快读高效的对仪表及仪表上关键点左检测，通过关键点，快速拟合椭圆并对仪表图做第一次倾斜矫正和第二次倾斜畸变矫正，有助于降低遮挡和反光对后续指示仪表示数识别的干扰。
通过MobilenetV3网络结构与SPPNet结构重新构建一个超轻量级检测网络MS-YOLOv3检测网络，对先验框及FPN的优化，及检测仪表图像的处理。本算法能够有效的检测处在部分遮挡及背光条件下工业仪表示数的读取。
本算法相比GAN算法，本发明能都轻松部署到边缘计算机设备上，能都使巡检人达到实时检测需求，提搞检测效率及检测精度。算法开发难度小，开发周期短；相比计算运动矢量、物体层次和亮度聚类的算法，本发明算法计算简单。
附图说明
图1为本发明一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法流程框图。
图2为本发明MobilenetV3与SPPNet改进的主干检测网络。
图3为本发明改进的FPN网络。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
控制柜内设备上的仪表容易被线缆遮挡，柜门常采用的网状柜门会存在局部遮挡，玻璃柜门产生的反光也会造成遮挡。导致已有的仪表读数测算法常常出现误检漏检等情况。
本发明提出一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，包括如下步骤：
S1：根据MobilenetV3网络结构与SPPNet结构重新构建MS-YOLOv3检测网络模型，通过MobilenetV3网络结构与SPPNet结构构成MS-YOLOv3的主干检测网络。MS-YOLOv3主干网络保留了原始网络残差次数，即每个残差块次数分别为1、2、8、8、4，且网络采样通道数与原网络保持一致，MS-YOLOv3中由3x3和1x1组成的卷积块替换为MobilenetV3网络结构，SPPNet网络结构添加到主干网络的最后三层间。
对重构后的网络结构MS-YOLOv3的先验框进行优化；采用有序加权几何算子对原网络K-means产生的n组先验框进行优化，从而获得一组最优先验框。所述有序加权几何算子计算步骤如下：
首先利用K-means方法再原始标签数据集上产生n（n=15）组先验框,每组先验框包 括九个长和九个宽，分别表示为
Figure 100002_DEST_PATH_IMAGE020
（从左到右按大到小进行排列），
Figure DEST_PATH_IMAGE021
（从左到右按大到小进行排列）。
利用正态分布公式产生n个用于加权的权重值；
Figure 711147DEST_PATH_IMAGE001
其中，
Figure 628288DEST_PATH_IMAGE002
表示加权的权重值，m的取值范围有为：m=1，2，...，n;
k的取值范围与k的取值范围一样;
Figure DEST_PATH_IMAGE022
其中
Figure 158758DEST_PATH_IMAGE004
表示方差，
Figure 553967DEST_PATH_IMAGE005
表示由k-means产生的组数
Figure DEST_PATH_IMAGE023
最终加权结果为：
Figure 119071DEST_PATH_IMAGE007
n表示产生的n组先验证框，n=15为例，任意
Figure 567633DEST_PATH_IMAGE008
；OWG为有序加权几何均 值；
把15个
Figure DEST_PATH_IMAGE024
或
Figure DEST_PATH_IMAGE025
按照行排列成一个新的矩阵
Figure DEST_PATH_IMAGE026
或
Figure DEST_PATH_IMAGE027
Figure 460764DEST_PATH_IMAGE013
表示组成矩阵的其中一列；
并且其中任意
Figure 659665DEST_PATH_IMAGE008
。
加权聚合方式为按列进行加权聚合。即组成新的矩阵以后，按照每一列进行加权。 （以
Figure 954642DEST_PATH_IMAGE026
为例第一列的加权为
Figure DEST_PATH_IMAGE028
其中
Figure DEST_PATH_IMAGE029
取值为 第一列的数值，即，对第二列进行加权时，
Figure 698738DEST_PATH_IMAGE029
取值为第二列的数值，以此类推。
对重构后的网络结构MS-YOLOv3的FPN进行优化；采用ASPPNet对原始FPN结构进行修改，并且ASPPNet结构插入到FPN网络结构上采样过程中。
S2:对MS-YOLOv3检测网络模型进行训练，得到经训练的MS-YOLOv3检测网络模型。
S3.获取待检测仪表盘图像，将待检测仪表盘图像输入至经训练的MS-YOLOv3检测网络模型中，得到待检测仪表盘图像中的仪表盘关键点，仪表关键点包括仪表指针中心关键点O（X0，Y0）、仪表盘数字中心点、量程起始关键点A（X1，Y1）、量程结束关键点B（X2，Y2）、指针针尖关键点Z1（X3，Y3）以及指针针尾关键点Z2（X4，Y4）。
根据仪表盘关键点对待检测仪表盘图像进行第一次倾斜矫正和第二次倾斜畸变矫正：第一次倾斜矫正为利用五点拟合法结合关键点进行椭圆拟合，通过椭圆与圆之间标准变换方程，将拟合的椭圆变为标准圆，并结合透视变换对仪表图像进行倾斜矫正，得到第一次矫正仪表盘图像；第二次倾斜畸变矫正为利用Hough算子对第一次矫正仪表盘图像进行倾斜畸变矫正，获得第二次矫正仪表盘图像。
S4: 对第二次矫正仪表盘图像同时用中值滤波加高斯滤波进行处理，获得预处理后的仪表盘图像。
S5:根据预处理后的仪表盘图像确定指针位置方向及示数。具体为根据指针针尖关键点Z1（X3，Y3）以及指针针尾关键点Z2（X4，Y4）判断指针位置方向，若X3>X4，则指针偏右；若X3<X4，则指针偏左；
示数读取步骤如下：
计算预处理后的仪表盘图像中非读数区域占比大小θ：
Figure DEST_PATH_IMAGE030
若指针偏左时，则指针与
Figure DEST_PATH_IMAGE031
夹角θ1：
Figure DEST_PATH_IMAGE032
若指针偏右时，则指针与
Figure DEST_PATH_IMAGE033
夹角θ2：
Figure DEST_PATH_IMAGE034
仪表示数I：
Figure 954532DEST_PATH_IMAGE019
其中p为仪表满量程读数。
本算法相比GAN算法，本发明能都轻松部署到边缘计算机设备上，能都使巡检人达到实时检测需求，提高检测效率及检测精度。算法开发难度小，开发周期短；相比计算运动矢量、物体层次和亮度聚类的算法，本发明算法计算简单。
上述仅为本发明的一种具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (9)

1.一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：包括如下步骤：
S1：根据MobilenetV3网络结构与SPPNet结构重新构建MS-YOLOv3检测网络模型，并对其先验框及FPN进行优化；
S2:对MS-YOLOv3检测网络模型进行训练，得到经训练的MS-YOLOv3检测网络模型；
S3.获取待检测仪表盘图像，将待检测仪表盘图像输入至经训练的MS-YOLOv3检测网络模型中，得到待检测仪表盘图像中的仪表盘关键点，根据仪表盘关键点对待检测仪表盘图像进行倾斜矫正，得到矫正后的仪表盘图像；
S4:对矫正后的仪表盘图像进行预处理，获得预处理后的仪表盘图像；
S5:根据预处理后的仪表盘图像确定指针位置方向及示数。
2.根据权利要求1所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：步骤S1中，MobilenetV3网络结构与SPPNet结构构成MS-YOLOv3的主干检测网络，MS-YOLOv3中由3x3和1x1组成的卷积块替换为MobilenetV3网络结构，SPPNet网络结构添加到主干网络的最后三层间。
3.根据权利要求1所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：步骤S1中，采用有序加权几何算子对原网络K-means产生的n组先验框进行优化，从而获得一组最优先验框。
4.根据权利要求3所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：所述有序加权几何算子计算步骤如下：利用K-means方法再原始标签数据集上产生n组先验框，利用正态分布公式产生n个用于加权的权重值；
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
表示加权的权重值，m的取值范围为：m=1，2，...，n；
k的取值范围与m的取值范围一样；
Figure DEST_PATH_IMAGE003
其中
Figure DEST_PATH_IMAGE004
表示方差，
Figure DEST_PATH_IMAGE005
表示由k-means产生的组数
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示均值
最终加权结果为：
Figure DEST_PATH_IMAGE008
n表示产生的n组先验证框,任意
Figure DEST_PATH_IMAGE009
；OWG为有序加权几何均值；
把n个
Figure DEST_PATH_IMAGE010
或
Figure DEST_PATH_IMAGE011
按照行排列成一个新的矩阵
Figure DEST_PATH_IMAGE012
或
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE014
表示组成矩阵的其中一列。
5.根据权利要求1所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：步骤S1中，采用ASPPNet对原始FPN结构进行修改，并且ASPPNet结构插入到FPN网络结构上采样过程中。
6.根据权利要求1所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：步骤S3中的仪表关键点包括仪表指针中心关键点O（X0，Y0）、仪表盘数字中心点、量程起始关键点A（X1，Y1）、量程结束关键点B（X2，Y2）、指针针尖关键点Z1（X3，Y3）以及指针针尾关键点Z2（X4，Y4）。
7.根据权利要求6所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：步骤S3中，包括第一次倾斜矫正和第二次倾斜畸变矫正，第一次倾斜矫正为利用五点拟合法结合关键点进行椭圆拟合，通过椭圆与圆之间标准变换方程，将拟合的椭圆变为标准圆，并结合透视变换对仪表图像进行倾斜矫正，得到第一次矫正仪表盘图像；第二次倾斜畸变矫正为利用Hough算子对第一次矫正仪表盘图像进行倾斜畸变矫正，获得第二次矫正仪表盘图像。
8.根据权利要求7所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：步骤S4中，对第二次矫正仪表盘图像同时用中值滤波加高斯滤波进行处理，获得预处理后的仪表盘图像。
9.根据权利要求8所述一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法，其特征在于：步骤S5中，根据指针针尖关键点Z1（X3，Y3）以及指针针尾关键点Z2（X4，Y4）判断指针位置方向，若X3>X4，则指针偏右；若X3<X4，则指针偏左；
示数读取步骤如下：
计算预处理后的仪表盘图像中非读数区域占比大小θ：
Figure DEST_PATH_IMAGE015
若指针偏左时，则指针与
Figure DEST_PATH_IMAGE016
夹角θ1：
Figure DEST_PATH_IMAGE017
若指针偏右时，则指针与
Figure DEST_PATH_IMAGE018
夹角θ2：
Figure DEST_PATH_IMAGE019
仪表示数I：
Figure DEST_PATH_IMAGE020
其中p为仪表满量程读数。
CN202211038075.XA 2022-08-29 2022-08-29 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法 Active CN115115925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211038075.XA CN115115925B (zh) 2022-08-29 2022-08-29 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211038075.XA CN115115925B (zh) 2022-08-29 2022-08-29 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法

Publications (2)

Publication Number Publication Date
CN115115925A true CN115115925A (zh) 2022-09-27
CN115115925B CN115115925B (zh) 2022-12-02

Family

ID=83335767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211038075.XA Active CN115115925B (zh) 2022-08-29 2022-08-29 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法

Country Status (1)

Country Link
CN (1) CN115115925B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062282A (zh) * 2019-12-05 2020-04-24 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
CN111553387A (zh) * 2020-04-03 2020-08-18 上海物联网有限公司 一种基于Yolov3的人员目标检测方法
CN111709381A (zh) * 2020-06-19 2020-09-25 桂林电子科技大学 基于YOLOv3-SPP的道路环境目标检测方法
CN112507873A (zh) * 2020-12-09 2021-03-16 东南大学 一种基于CPSNet与yolov3相结合的地铁安检方法
CN113239825A (zh) * 2021-05-19 2021-08-10 四川中烟工业有限责任公司 一种复杂场景下高精度烟草甲虫检测方法
CN113723248A (zh) * 2021-08-23 2021-11-30 上海电科智能系统股份有限公司 一种基于视觉的智能网联公交客流检测方法及系统
CN114202747A (zh) * 2021-12-09 2022-03-18 深圳市美通视讯科技有限公司 一种实时车道线分割方法、装置、终端及存储介质
CN114219984A (zh) * 2021-12-14 2022-03-22 华南农业大学 一种基于改进YOLOv3的微小病虫害检测系统及其方法
US20220245381A1 (en) * 2021-01-29 2022-08-04 Iunu, Inc. Pest infestation detection for horticultural grow operations
CN114881763A (zh) * 2022-05-18 2022-08-09 中国工商银行股份有限公司 养殖业贷后监管方法、装置、设备和介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062282A (zh) * 2019-12-05 2020-04-24 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
CN111553387A (zh) * 2020-04-03 2020-08-18 上海物联网有限公司 一种基于Yolov3的人员目标检测方法
CN111709381A (zh) * 2020-06-19 2020-09-25 桂林电子科技大学 基于YOLOv3-SPP的道路环境目标检测方法
CN112507873A (zh) * 2020-12-09 2021-03-16 东南大学 一种基于CPSNet与yolov3相结合的地铁安检方法
US20220245381A1 (en) * 2021-01-29 2022-08-04 Iunu, Inc. Pest infestation detection for horticultural grow operations
CN113239825A (zh) * 2021-05-19 2021-08-10 四川中烟工业有限责任公司 一种复杂场景下高精度烟草甲虫检测方法
CN113723248A (zh) * 2021-08-23 2021-11-30 上海电科智能系统股份有限公司 一种基于视觉的智能网联公交客流检测方法及系统
CN114202747A (zh) * 2021-12-09 2022-03-18 深圳市美通视讯科技有限公司 一种实时车道线分割方法、装置、终端及存储介质
CN114219984A (zh) * 2021-12-14 2022-03-22 华南农业大学 一种基于改进YOLOv3的微小病虫害检测系统及其方法
CN114881763A (zh) * 2022-05-18 2022-08-09 中国工商银行股份有限公司 养殖业贷后监管方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨建华: "基于FPN的高分辨率建筑物图像的语义分割", 《遥感信息》 *

Also Published As

Publication number Publication date
CN115115925B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN104718428B (zh) 图案的检查、测量装置及程序
CN109978871B (zh) 融合概率型和确定型纤维束追踪的纤维束筛选方法
CN110276285A (zh) 一种非受控场景视频中的船舶水尺智能识别方法
CN115841434B (zh) 一种用于气体浓度分析的红外图像增强方法
CN113920107A (zh) 一种基于改进yolov5算法的绝缘子破损检测方法
Wang et al. Surface defects detection using non-convex total variation regularized RPCA with kernelization
CN115496746A (zh) 基于图像和点云数据融合的板材表面缺陷检测方法和系统
CN111161260A (zh) 一种基于深度学习的热轧带钢表面缺陷检测方法及装置
CN111914838A (zh) 一种基于文本行识别的车牌识别方法
CN116539619B (zh) 产品缺陷检测方法、系统、装置及存储介质
CN116168037B (zh) 一种基于图像处理的导线压接弯曲度计算方法及系统
CN115184380A (zh) 基于机器视觉的印刷电路板焊点异常检测方法
CN113158895A (zh) 票据识别方法、装置、电子设备及存储介质
JP4003465B2 (ja) 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置
CN115147363A (zh) 一种基于深度学习算法的影像缺陷检测和分类方法及系统
CN116310837A (zh) 一种sar舰船目标旋转检测方法及系统
CN105654042B (zh) 玻璃温度计的检定温度字符识别方法
CN114972202A (zh) 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法
CN113128518B (zh) 基于孪生卷积网络和特征混合的sift误匹配检测方法
CN114511543A (zh) 一种长输管道射线底片智能缺欠评定系统及方法
CN116385440B (zh) 一种弧形刀片视觉检测方法
CN115115925B (zh) 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法
Zhang et al. Automatic forgery detection for x-ray non-destructive testing of welding
CN110349129A (zh) 一种高密度柔性ic基板外观缺陷检测方法
CN115761606A (zh) 基于图像处理的箱体电能表识别方法及装置

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
GR01 Patent grant
GR01 Patent grant