CN115171043A - 仪表异常监测方法及装置、可读存储介质 - Google Patents

仪表异常监测方法及装置、可读存储介质 Download PDF

Info

Publication number
CN115171043A
CN115171043A CN202210792753.5A CN202210792753A CN115171043A CN 115171043 A CN115171043 A CN 115171043A CN 202210792753 A CN202210792753 A CN 202210792753A CN 115171043 A CN115171043 A CN 115171043A
Authority
CN
China
Prior art keywords
image
boundary line
abnormal boundary
instrument
vector
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
CN202210792753.5A
Other languages
English (en)
Inventor
俞波
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.)
Yixing Intelligent Technology Guangzhou Co ltd
Original Assignee
Yixing Intelligent Technology Guangzhou 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 Yixing Intelligent Technology Guangzhou Co ltd filed Critical Yixing Intelligent Technology Guangzhou Co ltd
Priority to CN202210792753.5A priority Critical patent/CN115171043A/zh
Publication of CN115171043A publication Critical patent/CN115171043A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

一种仪表异常监测方法及装置、可读存储介质，所述仪表异常监测方法包括获取待测仪表的图像；将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。采用上述方案，可以在复杂环境背景下精确监测仪表异常。

Description

仪表异常监测方法及装置、可读存储介质
技术领域
本发明属于仪表监测技术领域，特别涉及一种仪表异常监测方法及装置、可读存储介质。
背景技术
在工业生产中，实时监测仪表可以预防生产故障、提高生产效率。因此，如何实时高效地监测复杂环境下仪表数据尤为重要。
基于传统数字图像处理的指针式仪表数据读取方法，通过采用模板匹配的方式来实现仪表盘和指针的定位，容易受图像背景、图像光照、仪表尺度、仪表摆放位置、仪表类型的影响，无法有效地读取复杂背景或光照强度变化剧烈环境下的多尺度、多视角、多类型的仪表数据。
发明内容
本发明实施例解决的是复杂环境背景下无法精确监测仪表异常的技术问题。
为解决上述技术问题，本发明实施例提供一种仪表异常监测方法，包括：获取待测仪表的图像；将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。
可选的，所述将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像，包括：将三种不同尺度的所述待测仪表的图像分别输入三个并联的预设的神经网络分支，得到三个输出结果；将三个所述输出结果进行融合处理，得到目标输出结果；将所述目标输出结果通过解码器进行图像分割，得到所述表盘图像和所述异常边界线图像。
可选的，所述三个并联的预设的神经网络分支的参数共享。
可选的，所述三个并联的预设的神经网络分支均为残差网络结构。
可选的，所述分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量，包括：分别对所述表盘图像和所述异常边界线图像进行二值化处理，得到处理后的表盘图像和处理后的异常边界线图像；分别对所述处理后的表盘图像和所述处理后的异常边界线图像进行直线检测，得到所述指针向量和所述异常边界线向量。
可选的，所述异常边界线图像中包括所述待测仪表的轴心的位置。
可选的，所述分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量，包括：根据所述轴心的位置，将所述异常边界线图像分为两部分，分别对每部分进行直线检测，得到所述异常边界线向量；根据所述异常边界线图像在所述表盘图像中的相对位置，对所述表盘图像进行直线检测，得到所述指针向量。
可选的，所述异常边界线图像和所述表盘图像均为经过二值化处理后的图像。
可选的，在对所述表盘图像进行直线检测时，将经过所述轴心的向量判定为所述指针向量。
可选的，采用预设的深度学习算法将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像。
为解决上述技术问题，本发明实施例还公开了一种仪表异常监测装置，包括：获取单元，用于获取待测仪表的图像；分割单元，用于将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；检测单元，用于分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；判断单元，用于当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。
可选的，所述分割单元，用于：将三种不同尺度的所述待测仪表的图像分别输入三个并联的预设的神经网络分支，得到三个输出结果；将三个所述输出结果进行融合处理，得到目标输出结果；将所述目标输出结果通过解码器进行图像分割，得到所述表盘图像和所述异常边界线图像。
可选的，所述三个并联的预设的神经网络分支的参数共享。
可选的，所述三个并联的预设的神经网络分支均为残差网络结构。
可选的，所述检测单元，用于：分别对所述表盘图像和所述异常边界线图像进行二值化处理，得到处理后的表盘图像和处理后的异常边界线图像；分别对所述处理后的表盘图像和所述处理后的异常边界线图像进行直线检测，得到所述指针向量和所述异常边界线向量。
可选的，所述异常边界线图像中包括所述待测仪表的轴心的位置。
可选的，所述检测单元，用于：根据所述轴心的位置，将所述异常边界线图像分为两部分，分别对每部分进行直线检测，得到所述异常边界线向量；根据所述异常边界线图像在所述表盘图像中的相对位置，对所述表盘图像进行直线检测，得到所述指针向量。
可选的，所述异常边界线图像和所述表盘图像均为经过二值化处理后的图像。
可选的，所述检测单元，还用于：在对所述表盘图像进行直线检测时，将经过所述轴心的向量判定为所述指针向量。
可选的，所述分割单元，还用于：采用预设的深度学习算法将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像。
本发明实施例还公开了一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的仪表异常监测方法。
本发明实施例还提供了一种仪表异常监测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的仪表异常监测方法。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。通过图像分割技术，将仪表表盘图像与读数异常的边界线图像分开进行直线检测，再结合指针向量和异常边界线的范围判断，适用于多尺度、多视角、多类型的仪表，显著提高了复杂背景及光照强度变化剧烈环境下仪表异常监测的准确性。
进一步，根据所述轴心的位置，将所述异常边界线图像分为两部分，分别对每部分进行直线检测，得到所述异常边界线向量；根据所述异常边界线图像在所述表盘图像中的相对位置，对所述表盘图像进行直线检测，得到所述指针向量。基于仪表轴心的位置，可以准确判断仪表指针的方向，提高了仪表异常监测的效率。
附图说明
图1是本发明实施例一种仪表异常监测方法的流程图；
图2是本发明实施例一种仪表异常监测装置的结构示意图。
具体实施方式
现有技术中，基于传统数字图像处理的指针式仪表数据读取方法，通过采用模板匹配的方式来实现仪表盘和指针的定位，容易受图像背景、图像光照、仪表尺度、仪表摆放位置、仪表类型的影响，无法有效地读取复杂背景或光照强度变化剧烈环境下的多尺度、多视角、多类型的仪表数据。
本发明实施例中，将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。通过图像分割技术，将仪表表盘图像与读数异常的边界线图像分开进行直线检测，再结合指针向量和异常边界线的范围判断，适用于多尺度、多视角、多类型的仪表，显著提高了复杂背景及光照强度变化剧烈环境下仪表异常监测的准确性。
进一步，根据所述轴心的位置，将所述异常边界线图像分为两部分，分别对每部分进行直线检测，得到所述异常边界线向量；根据所述异常边界线图像在所述表盘图像中的相对位置，对所述表盘图像进行直线检测，得到所述指针向量。基于仪表轴心的位置，可以准确判断仪表指针的方向，提高了仪表异常监测的效率。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种仪表异常监测方法，参照图1，以下通过具体步骤进行详细说明。
步骤S101，获取待测仪表的图像。
在实际应用中，可以通过拍照、摄像等方式采集待测仪表的图像。待测仪表可以是圆形的仪表，也可以是矩形的仪表，还可以是其他形状的包含指针的仪表。本发明实施例中的指针，指的是仪表中指示读数的功能性部件，指针并不限定为针形等固定形状。
步骤S102，将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像。
在实际应用中，表盘图像中包含待测仪表的表盘和指针，异常边界线代表了仪表读数异常的边界值范围。在仪表中，异常边界线可以采用异于表盘的颜色来表示，例如红色等。当指针超过异常边界线时，即指针在异常边界线外，表示仪表的读数不在正常范围内。
在实际应用中，图像分割可以将图像细分为多个图像子区域。在对待测仪表的图像进行图像分割时，可以采用多种图像分割方法，包括：基于阈值的分割方法、基于区域的图像分割方法、基于边缘检测的分割方法、基于小波分析和小波变换的图像分割方法、基于遗传算法的图像分割、基于主动轮廓模型的分割方法、基于深度学习的分割、基于提高特征分辨率的分割方法、基于特征增强的分割方法等。
在具体实施中，可以采用预设的深度学习算法对待测仪表的图像进行图像分割，进而将待测仪表的图像分割为仪表表盘的图像和异常边界线的图像。
在具体实施中，可以将三种不同尺度的待测仪表的图像分别输入三个并联的预设的神经网络分支，得到三个输出结果；将三个所述输出结果进行融合处理，得到目标输出结果；将所述目标输出结果通过解码器进行图像分割，得到所述表盘图像和所述异常边界线图像。采用三个并联的神经网络分支，对三种尺度的待测仪表图像进行分割，结合每个输出结果的融合处理，可以显著提高图像分割的准确度。
在实际应用中，为了进一步提高神经网络输出结果的准确性，可以采用多种融合算法对三个神经网络分支的输出结果进行融合处理，例如最小二乘法、多数投票法、模糊积分法、加权平均法、平均贝叶斯法、证据理论的数据融合法等。
在具体实施中，三个并联的预设的神经网络分支的参数共享，可以得到更准确的三种尺度的待测仪表图像的分割结果。
在具体实施中，三个并联的预设的神经网络分支可以均为残差网络(ResidualNetwork)结构，将输入的图像信息绕道传到输出，保护图像信息的完整性，简化了图像分割过程以提高效率。
在本发明一实施例中，待测仪表存在仪表轴心。将待测仪表的图像进行图像分割后，得到的异常边界线图像中还包括待测仪表的轴心的位置，即轴心位于异常边界线之中，并将异常边界线分为了两条线。因此，当待测仪表为存在轴心的仪表时，例如圆形、矩形等，通过对轴心的精确定位，可以更加高效地识别仪表中的指针。
步骤S103，分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量。
在具体实施中，可以分别对所述表盘图像和所述异常边界线图像进行二值化处理，得到处理后的表盘图像和处理后的异常边界线图像；再分别对所述处理后的表盘图像和所述处理后的异常边界线图像进行直线检测，以便于更准确地得到所述指针向量和所述异常边界线向量。
在实际应用中，在得到表盘图像和异常边界线图像后，可以直接对异常边界线进行二值化处理得到异常边界线的二值化图，也可以通过二值化处理仪表图像上异常边界线的区域，来获得异常边界线的二值化图以进行直线检测。进一步，还可以用仪表的二值化图减去异常边界线的二值化图，得到除边界线的仪表二值化图以进行直线检测。
在实际应用中，可以采用霍夫变换、累计概率霍夫变换、直线段检测算法、快速直线检测等直线检测方法，分别对表盘图像和异常边界线图像进行直线检测以得到指针向量和异常边界线向量。
在具体实施中，可以根据待测仪表轴心的位置，将异常边界线图像分为两部分，分别对每部分进行直线检测，得到异常边界线向量；在检测待测仪表的指针时，根据异常边界线图像在表盘图像中的相对位置，对表盘图像进行直线检测，得到指针向量。其中，异常边界线图像和表盘图像均为经过二值化处理后的图像，以便能够更高效地进行直线检测。
在实际应用中，当指针处于异常边界线之内，对表盘图像中异常边界线以内的区域进行直线检测，可以得到指针向量；当指针处于异常边界线之外，对表盘图像中异常边界线以外的区域进行直线检测，可以得到指针向量。根据异常边界线图像在表盘图像中的相对位置，对表盘图像进行直线检测可以更快更准确地得到指针的位置，从而进行仪表异常判断。
在实际应用中，当待测仪表存在轴心，且异常边界线经过轴心时，可以以轴心为分界，将异常边界线分为两部分来分别进行直线检测，提高检测的效率和准确度。同时，当待测仪表存在轴心，且指针经过轴心时，基于仪表轴心的位置，可以准确判断仪表指针的方向，高效地识别仪表中的指针，提高仪表异常监测的效率。
步骤S104，当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。
在实际应用中，当指针向量在异常边界线向量之内，即指针在异常边界线内，表明指针指示的读数在正常范围内，仪表的读数正常；当指针向量在异常边界线向量之外，即指针在异常边界线外，表明指针指示的读数不在正常范围内，仪表的读数异常。
在具体实施中，在对所述表盘图像进行直线检测时，将经过所述轴心的向量判定为所述指针向量，可以更高效地识别仪表中的指针，提高了仪表异常监测的效率。
参照图2，本发明实施例还提供了一种仪表异常监测装置20，包括：获取单元201、分割单元202、检测单元203以及判断单元204；
其中，所述获取单元201，用于获取待测仪表的图像；
所述分割单元202，用于将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；
所述检测单元203，用于分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；
所述判断单元204，用于当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。
在具体实施中，所述分割单元202，可以用于：将三种不同尺度的所述待测仪表的图像分别输入三个并联的预设的神经网络分支，得到三个输出结果；将三个所述输出结果进行融合处理，得到目标输出结果；将所述目标输出结果通过解码器进行图像分割，得到所述表盘图像和所述异常边界线图像
在具体实施中，三个并联的预设的神经网络分支的参数共享。
在具体实施中，三个并联的预设的神经网络分支可以均为残差网络结构。
在具体实施中，所述检测单元203，可以用于：分别对所述表盘图像和所述异常边界线图像进行二值化处理，得到处理后的表盘图像和处理后的异常边界线图像；分别对所述处理后的表盘图像和所述处理后的异常边界线图像进行直线检测，得到所述指针向量和所述异常边界线向量。
在具体实施中，所述异常边界线图像中包括所述待测仪表的轴心的位置。
在具体实施中，所述检测单元203，可以用于：根据所述轴心的位置，将所述异常边界线图像分为两部分，分别对每部分进行直线检测，得到所述异常边界线向量；根据所述异常边界线图像在所述表盘图像中的相对位置，对所述表盘图像进行直线检测，得到所述指针向量。
在具体实施中，所述异常边界线图像和所述表盘图像可以均为经过二值化处理后的图像。
在具体实施中，所述检测单元203，还可以用于：在对所述表盘图像进行直线检测时，将经过所述轴心的向量判定为所述指针向量。
在具体实施中，所述分割单元202，还可以用于：采用预设的深度学习算法将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像。
本发明实施例中的仪表异常监测装置20执行上述实施例中提供的仪表异常监测方法中S101至S104的步骤。
本发明实施例还提供了一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述实施例中提供的仪表异常监测方法。
本发明实施例还提供了一种仪表异常监测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所示计算机指令时，执行本发明上述实施例中提供的仪表异常监测方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (22)

1.一种仪表异常监测方法，其特征在于，包括：
获取待测仪表的图像；
将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；
分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；
当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。
2.如权利要求1所述的仪表异常监测方法，其特征在于，所述将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像，包括：
将三种不同尺度的所述待测仪表的图像分别输入三个并联的预设的神经网络分支，得到三个输出结果；
将三个所述输出结果进行融合处理，得到目标输出结果；
将所述目标输出结果通过解码器进行图像分割，得到所述表盘图像和所述异常边界线图像。
3.如权利要求2所述的仪表异常监测方法，其特征在于，所述三个并联的预设的神经网络分支的参数共享。
4.如权利要求2所述的仪表异常监测方法，其特征在于，所述三个并联的预设的神经网络分支均为残差网络结构。
5.如权利要求1所述的仪表异常监测方法，其特征在于，所述分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量，包括：
分别对所述表盘图像和所述异常边界线图像进行二值化处理，得到处理后的表盘图像和处理后的异常边界线图像；
分别对所述处理后的表盘图像和所述处理后的异常边界线图像进行直线检测，得到所述指针向量和所述异常边界线向量。
6.如权利要求1所述的仪表异常监测方法，其特征在于，所述异常边界线图像中包括所述待测仪表的轴心的位置。
7.如权利要求6所述的仪表异常监测方法，其特征在于，所述分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量，包括：
根据所述轴心的位置，将所述异常边界线图像分为两部分，分别对每部分进行直线检测，得到所述异常边界线向量；
根据所述异常边界线图像在所述表盘图像中的相对位置，对所述表盘图像进行直线检测，得到所述指针向量。
8.如权利要求7所述的仪表异常监测方法，其特征在于，所述异常边界线图像和所述表盘图像均为经过二值化处理后的图像。
9.如权利要求6所述的仪表异常监测方法，其特征在于，在对所述表盘图像进行直线检测时，将经过所述轴心的向量判定为所述指针向量。
10.如权利要求1所述的仪表异常监测方法，其特征在于，采用预设的深度学习算法将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像。
11.一种仪表异常监测装置，其特征在于，包括：
获取单元，用于获取待测仪表的图像；
分割单元，用于将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像；
检测单元，用于分别对所述表盘图像和所述异常边界线图像进行直线检测，得到指针向量和异常边界线向量；
判断单元，用于当所述指针向量在所述异常边界线向量之外，判定所述待测仪表存在异常。
12.如权利要求11所述的仪表异常监测装置，其特征在于，所述分割单元，用于：将三种不同尺度的所述待测仪表的图像分别输入三个并联的预设的神经网络分支，得到三个输出结果；将三个所述输出结果进行融合处理，得到目标输出结果；将所述目标输出结果通过解码器进行图像分割，得到所述表盘图像和所述异常边界线图像。
13.如权利要求12所述的仪表异常监测装置，其特征在于，所述三个并联的预设的神经网络分支的参数共享。
14.如权利要求12所述的仪表异常监测装置，其特征在于，所述三个并联的预设的神经网络分支均为残差网络结构。
15.如权利要求11所述的仪表异常监测装置，其特征在于，所述检测单元，用于：分别对所述表盘图像和所述异常边界线图像进行二值化处理，得到处理后的表盘图像和处理后的异常边界线图像；分别对所述处理后的表盘图像和所述处理后的异常边界线图像进行直线检测，得到所述指针向量和所述异常边界线向量。
16.如权利要求11所述的仪表异常监测装置，其特征在于，所述异常边界线图像中包括所述待测仪表的轴心的位置。
17.如权利要求16所述的仪表异常监测装置，其特征在于，所述检测单元，用于：根据所述轴心的位置，将所述异常边界线图像分为两部分，分别对每部分进行直线检测，得到所述异常边界线向量；根据所述异常边界线图像在所述表盘图像中的相对位置，对所述表盘图像进行直线检测，得到所述指针向量。
18.如权利要求17所述的仪表异常监测装置，其特征在于，所述异常边界线图像和所述表盘图像均为经过二值化处理后的图像。
19.如权利要求16所述的仪表异常监测装置，其特征在于，所述检测单元，还用于：在对所述表盘图像进行直线检测时，将经过所述轴心的向量判定为所述指针向量。
20.如权利要求11所述的仪表异常监测装置，其特征在于，所述分割单元，还用于：采用预设的深度学习算法将所述待测仪表的图像进行图像分割，得到表盘图像和异常边界线图像。
21.一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至10中任一项所述的仪表异常监测方法。
22.一种仪表异常监测装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至10任一项所述的仪表异常监测方法。
CN202210792753.5A 2022-07-05 2022-07-05 仪表异常监测方法及装置、可读存储介质 Pending CN115171043A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210792753.5A CN115171043A (zh) 2022-07-05 2022-07-05 仪表异常监测方法及装置、可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210792753.5A CN115171043A (zh) 2022-07-05 2022-07-05 仪表异常监测方法及装置、可读存储介质

Publications (1)

Publication Number Publication Date
CN115171043A true CN115171043A (zh) 2022-10-11

Family

ID=83491101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210792753.5A Pending CN115171043A (zh) 2022-07-05 2022-07-05 仪表异常监测方法及装置、可读存储介质

Country Status (1)

Country Link
CN (1) CN115171043A (zh)

Similar Documents

Publication Publication Date Title
CN109949305B (zh) 产品表面缺陷检测方法、装置及计算机设备
CN110349145B (zh) 缺陷检测方法、装置、电子设备以及存储介质
CN111414934A (zh) 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法
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
CN109086876B (zh) 设备的运行状态检测方法、装置、计算机设备和存储介质
JP2019032268A (ja) 表面欠陥判定方法および表面欠陥検査装置
CN108955901B (zh) 一种红外测温方法、系统及终端设备
Mai et al. An automatic meter reading method based on one-dimensional measuring curve mapping
CN113554645B (zh) 基于wgan的工业异常检测方法和装置
CN111369484B (zh) 钢轨廓形检测方法及装置
CN115375610A (zh) 检测方法及装置、检测设备和存储介质
Jing et al. Flank angle measurement based on improved Sobel operator
CN116152208A (zh) 缺陷检测方法、装置、设备及存储介质
CN112767396B (zh) 缺陷的检测方法、装置和计算机可读存储介质
Sowah et al. An intelligent instrument reader: using computer vision and machine learning to automate meter reading
CN115375608A (zh) 检测方法及装置、检测设备和存储介质
CN115171043A (zh) 仪表异常监测方法及装置、可读存储介质
Singh et al. Vidaq: A framework for monitoring human machine interfaces
CN114255458A (zh) 一种巡检场景下指针仪表读数的识别方法与系统
Xia et al. An efficient approach to determine the shear damage zones of rock joints using photogrammetry
CN113870328A (zh) 一种液体异物视觉检测方法及系统
Hassan et al. Compressed air leakage detection and quantification through infrared thermography
Shin et al. Visualization for explanation of deep learning-based defect detection model using class activation map
CN118007712B (zh) 基坑围护结构位移测量系统的位移测量方法及相关系统
Sowah et al. Intelligent instrument reader using computer vision and machine learning

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