CN115655576A - 一种指针式压力表位移异常的自动感知方法 - Google Patents

Abstract

本发明涉及一种指针式压力表位移异常的自动感知方法，包括步骤：边缘端获取压力表的圆心特征，根据圆心特征判断压力表是否发生平移异常；若发生平移异常，则服务器端获取压力表的四项特征；若未发生平移异常，则获取压力表的固定位置特征，根据固定位置特征判断压力表是否发生旋转异常，若未发生旋转异常，则计算当前压力值；若发生旋转异常则服务器端获取压力表的四项特征，并判断是否存在任一预警情况，若存在则生成现场调试指令；若不存在则服务器端根据四项特征计算单位角度压力值，下发到边缘端，边缘端计算当前压力值。本发明解决压力表发生平移或位移时，识别压力值与实际压力值不匹配的问题。

Description

一种指针式压力表位移异常的自动感知方法

技术领域

本发明涉及燃气压力表的监控技术领域，特别涉及一种指针式压力表位移异常的自动感知方法。

背景技术

压力表在工业流程及科研领域中具有非常广泛的应用，摄像压力表体系通过在已有压力表上安装摄像头，通过图像识别技术实时识别设置在边缘端的摄像头所拍摄的压力表读数，并远传至服务器进行后续分析。

上述体系的摄像压力表识别任务均在边缘端执行，识别原理为：

（1）摄像头拍摄压力表，识别表盘上指针的方向和角度；

（2）根据指针的角度反算压力读数，

假设A_p为识别出的指针与水平方向的角度（A_p∈[0,2π]）；A_c为指针初始的角度（A_c∈[0,2π]），通常A_c作为参数在建表时保存在设备的存储部件内；μ为压力表上每单位角度代表的压力值；β为指针在零点时所允许的角度误差。摄像头采集压力表表盘的图像后，识别出指针的角度A_p，并按照式（01）将其转换为修正的指针与水平方向的角度A_p`，再按照式（02）计算当前压力值。

（01）

（02）

然而在实际的运行中，由于设备维护、人为破坏等动作，造成燃气压力表和摄像头卡扣产生平移或旋转，导致参数A_c出现变化，造成识别读数出现严重问题。如图2所示，尽管图2（a）和图2（b）的读数均为0kPa，但由于摄像压力表只可识别指针与水平方向所呈角度，导致反算压力读数时出现与实际读数不匹配的问题。

发明内容

本发明的目的在于解决燃气压力表或摄像头发生平移或位移时，识别压力值与实际压力值不匹配的问题，提供一种指针式压力表位移异常的自动感知方法。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一种指针式压力表位移异常的自动感知方法，包括以下步骤：

步骤1，边缘端获取压力表的圆心特征，根据圆心特征判断压力表是否发生平移异常；若发生平移异常则执行步骤2；若未发生平移异常，则获取压力表的固定位置特征，根据固定位置特征判断压力表是否发生旋转异常，若未发生旋转异常，则计算当前压力值；若发生旋转异常则进入步骤2；

步骤2，服务器端获取压力表的四项特征，四项特征包括圆心特征、量程起始位置特征、量程终止位置特征、固定位置特征，若存在任一预警情况，则生成现场调试指令；若不存在任何预警情况，则进行步骤3；

步骤3，服务器端根据四项特征计算量程起始位置角度、单位角度压力值，并下发到边缘端，边缘端计算当前压力值。

所述步骤1中获取压力表的圆心特征，根据圆心特征判断压力表是否发生平移异常的具体步骤，包括：

步骤1-1，对摄像头采集的原始图像进行降采样，对降采样后的图像执行中值滤波，对中值滤波后的图像进行边缘计算，得到圆心边缘检测点；基于圆心边缘检测点进行霍夫圆空间投票，计算圆心，获得圆心的初步定位；

步骤1-2，将进行了降采样且具有圆心初步定位的图像还原到摄像头采集的原始图像中，重复步骤1-1，获得圆心的精确定位，从而获得压力表的圆心特征(x_c,y_c)；

步骤1-3，将获得的圆心特征(x_c,y_c)与预先设定的圆心特征(x_p,y_p)进行比对，计算

，若r大于设定的平移阈值，则判断压力表发生平移异常；否则，判断压力表未发生平移异常。

所述步骤1中获取压力表的固定位置特征，根据固定位置特征判断压力表是否发生旋转异常的具体步骤，包括：

步骤1-4，按照安装压力表时预设的固定位置特征子图的位置(x₁,x₂,y₁,y₂)，从摄像头采集的原始图像中提取相同位置(x₁,x₂,y₁,y₂)的特征子图；并将提取的特征子图压缩为28×28像素的图像img_sub，将图像img_sub输入二分类卷积神经网络；

步骤1-5，根据二分类卷积神经网络输出的分类结果，若分类结果为1，则表示包含了预设的固定位置特征子图，判断压力表未发生旋转异常；若分类结果为0，则表示未包含预设的固定位置特征子图，判断压力表发生旋转异常。

所述二分类卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；其中，

所述输入层输入像素为28×28的图像img_sub；

所述第一卷积层由6个5×5的卷积核组成，对像素为28×28的图像img_sub进行计算生成6个24×24的特征向量图；

所述第一池化层为2×2下采样，将6个24×24的特征向量图转化为6个12×12的特征向量图；

所述第二卷积层由12个5×5×6的卷积核组成，对6个12×12的特征向量图进行计算生成12个8×8的特征向量图；

所述第二池化层为2×2下采样，将12个8×8的特征向量图转化为12个4×4的特征向量图；

所述全连接层将12个4×4的特征向量图按行展开为一个列向量，后接2个输出神经元来完成对图像img_sub的分类结果。

在步骤2中获取圆心特征、固定位置特征的方式为：

将摄像头采集的原始图像预处理成分辨率为320×240的灰度图像，并通过补0后形成1×320×320的张量输入YOLO-v5深度学习模型；

经YOLO-v5深度学习模型的骨干网络和颈部网络，输出感受野分别为8×8、16×16、32×32的三张特征图，并将其进行展平、合并、检测，最终获得原始图像中的圆心特征、固定位置特征，并获取圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的中心位置坐标(x_f,y_f)。

在步骤2中获取量程起始位置特征的方式为：YOLO-v5深度学习模型从固定位置特征的中心位置坐标(x_f,y_f)出发，顺时针寻找距离最近的数字0作为量程起始位置特征，并获取量程起始位置特征的中心位置坐标(x_s,y_s)；

在步骤2中获取量程终止位置特征的方式为：YOLO-v5深度学习模型从固定位置特征的中心位置坐标(x_f,y_f)出发，逆时针寻找距离最近的数据作为量程终止位置特征，并获取量程终止位置特征的中心位置坐标(x_e,y_e)。

所述预警情况包括：

（1）四项特征中的某一项未能检测到，或某一项的置信度小于第一设定阈值；

（2）圆心特征的中心位置坐标(x_c,y_c)与原始图像的中心位置坐标(160,120)的距离大于第二设定阈值；

（3）

或

；

（4）

，D与压力表总量程角度的差距大于第三设定阈值。

步骤3中服务器端根据四项特征计算量程起始位置角度、单位角度压力值的步骤，包括：

服务器端根据圆心特征的中心位置坐标(x_c,x_y)、量程起始位置特征的中心位置坐标(x_s,y_s)、量程终止位置特征的中心位置坐标(x_e,y_e)计算量程起始位置角度和量程终止位置角度：

其中，A₀为发生平移异常和/或旋转异常后的量程起始位置角度；A_e为发生平移异常和/或旋转异常后的量程终止位置角度；

再根据量程起始位置角度和量程终止位置角度计算单位角度压力值：

其中，u为单位角度压力值；P_max为量程最大值，P_min为量程最小值。

步骤3中边缘端计算当前压力值步骤，包括：

边缘端识别当前的指针角度A，根据服务器端下发的量程起始位置角度A₀、单位角度压力值u计算当前压力值：

其中，P为当前压力值；A为发生平移异常和/或旋转异常后识别出的指针角度。

步骤3中服务器端除了将量程起始位置角度、单位角度压力值下发到边缘端外，还要将圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的坐标(x₁`,x<sub>2</sub>`,y₁`,y<sub>2</sub>`)下发到边缘端。

与现有技术相比，本发明的有益效果：

本发明将计算尽可能的放在边缘端执行，因为每个边缘端代表一个压力表，由于具有若干的压力表，如果将所有压力表的计算都放在服务器端执行，那么会大大增加服务器端的压力。所以服务器端只对边缘端判断出不在可控误差范围内的平移异常和旋转异常进行再次异常确认，即便最终服务器端判断出压力表的平移异常和旋转异常在可控范围内，都要将相应的数据下发到该边缘端，由边缘端去计算当前压力值，因此尽可能的减少了服务器端的计算压力，也减轻了边缘端与服务器端之间的通讯数据流量。

本发明通过对压力表表盘的平移和旋转的异常处理操作，可在判断表盘异常的前提下尽量通过边缘端检测矫正，对摄像压力表的运作有较大的鲁棒性提升。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明方法流程示意图；

图2为背景技术介绍存在平移或旋转时和不存在平移和旋转时摄像头拍摄的压力表原始图像，图2中的a为不存在平移或旋转时摄像头拍摄的压力表原始图像，图2中的b为存在平移或旋转时摄像头拍摄的压力表原始图像；

图3为本发明实施例步骤3计算当前压力值时的压力表表盘示意图；

图4为本发明实施例步骤1获取到圆心特征和固定位置特征的压力表表盘示意图；

图5为本发明实施例步骤2获取到四项特征的压力表表盘示意图；

图6为本发明实施例二分类卷积神经网络架构示意图；

图7为本发明实施例YOLO-v5深度学习模型的网络架构示意图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性，或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。另外，术语“相连”、“连接”等可以是元件之间直接相连，也可以是经由其他元件的间接相连。

请参见图2为摄像头拍摄的压力表的原始图像（注意，本实施例是将摄像头拍摄的原始图像模拟为图形的形式，但不影响对本方案的解释），其中图2（a）为未发生平移和旋转时的图像，或者图2（a）为发生轻微平移或/和旋转时的图像；图2（b）为发生严重平移或/和旋转时的图像。对于图2（a）的情况，本方案使用背景技术的方式计算当前压力值；但对于图2（b）的情况，本方案则需要自动校准或下发现场调试指令。因此，本方案通过摄像头采集到压力表的原始图像后，首先判断压力表是否发生了平移或/和旋转，再进行后续的当前压力值计算，或现场调试。

需要解释的是，请继续参见图3，其中指针所在直线OF与水平线O1O2的角度

定义为指针角度。即，建表时压力表未发生平移和旋转，此处假设建表时设定摄像头拍摄的压力表原始图像中的汉字与原始图像的长边平行，且设定建表时的圆心特征(x_p,y_p)，但不限于此种参照方式。

本发明通过下述技术方案实现，将方案分布在边缘端和服务器端执行，边缘端即为安装在现场的压力表、摄像头、处理器等，服务器端为后台的服务器，请参见图1，一种指针式压力表位移异常的自动感知方法，包括以下步骤：

步骤1，边缘端获取压力表的圆心特征，根据圆心特征判断压力表是否发生平移异常；若发生平移异常则执行步骤2；若未发生平移异常，则获取压力表的固定位置特征，根据固定位置特征判断压力表是否发生旋转异常，若未发生旋转异常，则计算当前压力值；若发生旋转异常则进入步骤2。

压力表在正常工作时，摄像头拍摄压力表的原始图像应尽量保证表盘圆心处于图像中心位置附近，从而使表盘尽可能完整展现，以提升识别准确率。但因移动造成平移后的表盘圆心将小幅度远离图像中心，此时表盘基本完整，指针的角度不会受到影响，识别功能能正常实现。然而当表盘出现大幅度平移时，甚至可能造成图像中关键部分缺失，进而无法准确识别。

请继续参见图1所示的流程图，首先判断压力表是否发生了平移异常，当压力表仅发生平移时，压力表圆心的位置会发生变化，但压力表指向0时，指针的角度是不会变化的。所以先获取摄像头采集的压力表原始图像中的圆心特征(x_c,y_c)，圆心特征(x_c,y_c)的获取方式为：

步骤1-1，对摄像头采集的原始图像进行降采样，对降采样后的图像执行中值滤波，对中值滤波后的图像进行边缘计算，得到圆心边缘检测点；基于圆心边缘检测点进行霍夫圆空间投票，计算圆心，获得圆心的初步定位；

步骤1-2，将进行了降采样且具有圆心初步定位的图像还原到摄像头采集的原始图像中，重复步骤1-1，获得圆心的精确定位，从而获得压力表的圆心特征(x_c,y_c)。需要说明的是，获取圆心精确定位的方式请参见申请号为202211053147.8的专利文献。

步骤1-3，然后将获得的圆心特征(x_c,y_c)与建表时预先设定的圆心特征(x_p,y_p)进行比对，计算

，若r大于设定的平移阈值∆r，则判断压力表发生平移异常，进入步骤2；否则，说明压力表只是发生了轻微的平移，在可计算的误差范围内，或者说明压力表未发生平移异常，因此若r小于等于设定的平移阈值∆r，则继续判断压力表是否发生旋转异常。

若表盘发生旋转，采用步骤1-1至步骤1-3检测圆心特征的方式无法判断是否发生旋转异常，但旋转后对表盘读数的影响极大，并且当表盘发生旋转时，圆心以外的特征必然发生位移，因此接着通过检测固定位置特征的方式来判断表盘是否发生旋转异常。

步骤1-4，按照建表时预设的固定位置特征子图的位置(x₁,x₂,y₁,y₂)，从摄像头采集的原始图像中提取相同位置(x₁,x₂,y₁,y₂)的固定特征子图；并将提取的固定特征子图压缩为28×28像素的图像img_sub，将图像img_sub输入二分类卷积神经网络。

固定位置特征子图可以是压力表表盘上非圆心的其他目标特征，比如初始量程0附近的某个字符，或者其他。如图4所示本实施例使用虚线圆圈圈起来的是圆心特征，使用虚线方框框起来的是固定位置特征子图（在本案中也叫做固定位置特征）。提取固定位置特征子图的位置以周围像素的坐标(x₁,x₂,y₁,y₂)表示，将摄像头采集的原始图像中的相同像素坐标(x₁,x₂,y₁,y₂)所示的特征子图压缩后输入二分类卷积神经网络。

请参见图6，所述二分类卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；其中：

所述输入层输入像素为28×28的图像img_sub；

所述第一卷积层由6个5×5的卷积核组成，对像素为28×28的图像img_sub进行计算生成6个24×24的特征向量图；

所述第一池化层为2×2下采样，将6个24×24的特征向量图转化为6个12×12的特征向量图；

所述第二卷积层由12个5×5×6的卷积核组成，对6个12×12的特征向量图进行计算生成12个8×8的特征向量图；

所述第二池化层为2×2下采样，将12个8×8的特征向量图转化为12个4×4的特征向量图；

所述全连接层将12个4×4的特征向量图按行展开为一个列向量，后接2个输出神经元来完成对图像img_sub的分类结果。

步骤1-5，根据二分类卷积神经网络输出的分类结果，若分类结果为1，则表示包含了预设的固定特征子图，判断压力表未发生旋转异常，直接通过背景技术的方案计算当前压力值；若分类结果为0，则表示未包含预设的固定特征子图，判断压力表发生旋转异常，进入步骤2。

在训练二分类卷积神经网络时，可以设定置信度阈值ε%，当采集的特征子图中包含了ε%的预设的固定特征子图，则分类结果为1，否则分类结果为0。

本方案在边缘端部署霍夫变换和浅层神经网络，识别压力表的圆心特征和固定位置特征，实现边缘端检测判断压力表是否发生平移异常和/或旋转异常。

步骤2，服务器端获取压力表的四项特征，四项特征包括圆心特征、量程起始位置特征、量程终止位置特征、固定位置特征，若存在任一预警情况，则生成现场调试指令；若不存在任何预警情况，则进行步骤3。

请参见图7为服务器端中搭载的YOLO-v5深度学习模型的网络架构示意图，获取圆心特征、固定位置特征的方式为：

将摄像头采集的原始图像预处理成分辨率为320×240的灰度图像，并通过补0后形成1×320×320的张量输入YOLO-v5深度学习模型。经YOLO-v5深度学习模型的骨干网络和颈部网络，输出感受野分别为8×8、16×16、32×32的三张特征图，并将其进行展平、合并、检测，最终获得原始图像中的圆心特征、固定位置特征，并获取圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的中心位置坐标(x_f,y_f)。

获取量程起始位置特征的方式为：YOLO-v5深度学习模型从固定位置特征的中心位置坐标(x_f,y_f)出发，顺时针寻找距离最近的数字0作为量程起始位置特征，并获取量程起始位置特征的中心位置坐标(x_s,y_s)。

获取量程终止位置特征的方式为：YOLO-v5深度学习模型从固定位置特征的中心位置坐标(x_f,y_f)出发，逆时针寻找距离最近的数据作为量程终止位置特征，并获取量程终止位置特征的中心位置坐标(x_e,y_e)。

请参见图5中标记出的位置，是由YOLO-v5深度学习模型输出圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的中心位置坐标(x_f,y_f)、量程起始位置特征的中心位置坐标(x_s,y_s)、量程终止位置特征的中心位置坐标(x_e,y_e)。

若出现以下四种中任一种预警情况，则生成现场调试指令，以派工程师到现场调试：

（1）四项特征中的某一项未能检测到，或某一项的置信度小于第一设定阈值；

（2）圆心特征的中心位置坐标(x_c,y_c)与原始图像的中心位置坐标(160,120)的距离大于第二设定阈值；

（3）

或

；

（4）

，D与压力表总量程角度的差距大于第三设定阈值。

上述所说第一设定阈值、第二设定阈值、第三设定阈值可根据实际情况预先设定。

如果不存在上述四种中任何一种预警情况，则说明此次压力表发生的平移异常和/或旋转异常可以依靠本方案自动校准，继而进入步骤3计算当前压力值，无需工程师到现场调试。

步骤3，服务器端根据四项特征计算量程起始位置角度、单位角度压力值，并下发到边缘端，边缘端计算当前压力值。

请参见图3为本步骤中各角度的示意图，服务器端根据获取的圆心特征的中心位置坐标(x_c,x_y)、量程起始位置特征的中心位置坐标(x_s,y_s)、量程终止位置特征的中心位置坐标(x_e,y_e)计算量程起始位置角度和量程终止位置角度：

其中，A₀为发生平移异常和/或旋转异常后的量程起始位置角度，即

；A_e为发生平移异常和/或旋转异常后的量程终止位置角度，即

；

再根据量程起始位置角度和量程终止位置角度计算单位角度压力值：

其中，u为单位角度压力值；P_max为量程最大值，即0kPa，P_min为量程最小值，即25kPa。

服务器端将量程起始位置角度A₀、单位角度压力值u下发到边缘端，由边缘端计算当前压力值：

其中，P为当前压力值；A为发生平移异常和/或旋转异常后识别出的指针角度，即

。

综上，本发明首先在边缘端初步判断是否发生平移异常或旋转异常，如果未发生平移异常和旋转异常，或发生的平移异常和旋转异常在可控误差范围内，则按照背景技术中的方式计算当前压力值；否则由服务器端采集压力表原始图像，通过YOLO-v5深度学习模型识别压力表表盘中的四项特征，通过四项特征再次判断压力表发生的平移异常和/或旋转异常是否在服务器端的计算可控范围内，如果在的话，则根据识别出的四项特征计算出单位角度压力值后，交由边缘端继续计算当前压力值，否则派工程师到现场调试。

更进一步地，服务器端除了将计算出来的起始量程角度A₀、单位角度压力值u下发到边缘端以外，还要向边缘端下发圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的坐标(x₁`,x<sub>2</sub>`,y₁`,y<sub>2</sub>`)，边缘端在之后的识别过程时，根据更新的圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的坐标(x₁`,x<sub>2</sub>`,y₁`,y<sub>2</sub>`)判断压力表是否发生平移异常和/或旋转异常。

其中固定位置特征的坐标(x₁`,x<sub>2</sub>`,y₁`,y<sub>2</sub>`)在服务器端的YOLO-v5深度学习模型输出固定位置特征的中心位置坐标(x_f,y_f)前，会先得到固定位置特征的坐标(x₁`,x<sub>2</sub>`,y₁`,y<sub>2</sub>`)。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种指针式压力表位移异常的自动感知方法，其特征在于：包括以下步骤：

步骤1，边缘端获取压力表的圆心特征，根据圆心特征判断压力表是否发生平移异常；若发生平移异常则执行步骤2；若未发生平移异常，则获取压力表的固定位置特征，根据固定位置特征判断压力表是否发生旋转异常，若未发生旋转异常，则计算当前压力值；若发生旋转异常则进入步骤2；

步骤2，服务器端获取压力表的四项特征，四项特征包括圆心特征、量程起始位置特征、量程终止位置特征、固定位置特征，若存在任一预警情况，则生成现场调试指令；若不存在任何预警情况，则进行步骤3；

步骤3，服务器端根据四项特征计算量程起始位置角度、单位角度压力值，并下发到边缘端，边缘端计算当前压力值。

2.根据权利要求1所述的一种指针式压力表位移异常的自动感知方法，其特征在于：所述步骤1中获取压力表的圆心特征，根据圆心特征判断压力表是否发生平移异常的具体步骤，包括：

步骤1-1，对摄像头采集的原始图像进行降采样，对降采样后的图像执行中值滤波，对中值滤波后的图像进行边缘计算，得到圆心边缘检测点；基于圆心边缘检测点进行霍夫圆空间投票，计算圆心，获得圆心的初步定位；

步骤1-2，将进行了降采样且具有圆心初步定位的图像还原到摄像头采集的原始图像中，重复步骤1-1，获得圆心的精确定位，从而获得压力表的圆心特征(x_c,y_c)；

步骤1-3，将获得的圆心特征(x_c,y_c)与预先设定的圆心特征(x_p,y_p)进行比对，计算

，若r大于设定的平移阈值，则判断压力表发生平移异常；否则，判断压力表未发生平移异常。

3.根据权利要求1所述的一种指针式压力表位移异常的自动感知方法，其特征在于：所述步骤1中获取压力表的固定位置特征，根据固定位置特征判断压力表是否发生旋转异常的具体步骤，包括：

步骤1-4，按照安装压力表时预设的固定位置特征子图的位置(x₁,x₂,y₁,y₂)，从摄像头采集的原始图像中提取相同位置(x₁,x₂,y₁,y₂)的特征子图；并将提取的特征子图压缩为28×28像素的图像img_sub，将图像img_sub输入二分类卷积神经网络；

步骤1-5，根据二分类卷积神经网络输出的分类结果，若分类结果为1，则表示包含了预设的固定位置特征子图，判断压力表未发生旋转异常；若分类结果为0，则表示未包含预设的固定位置特征子图，判断压力表发生旋转异常。

4.根据权利要求3所述的一种指针式压力表位移异常的自动感知方法，其特征在于：所述二分类卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层；其中，

所述输入层输入像素为28×28的图像img_sub；

所述第一卷积层由6个5×5的卷积核组成，对像素为28×28的图像img_sub进行计算生成6个24×24的特征向量图；

所述第一池化层为2×2下采样，将6个24×24的特征向量图转化为6个12×12的特征向量图；

所述第二卷积层由12个5×5×6的卷积核组成，对6个12×12的特征向量图进行计算生成12个8×8的特征向量图；

所述第二池化层为2×2下采样，将12个8×8的特征向量图转化为12个4×4的特征向量图；

所述全连接层将12个4×4的特征向量图按行展开为一个列向量，后接2个输出神经元来完成对图像img_sub的分类结果。

5.根据权利要求1所述的一种指针式压力表位移异常的自动感知方法，其特征在于：在步骤2中获取圆心特征、固定位置特征的方式为：

将摄像头采集的原始图像预处理成分辨率为320×240的灰度图像，并通过补0后形成1×320×320的张量输入YOLO-v5深度学习模型；

经YOLO-v5深度学习模型的骨干网络和颈部网络，输出感受野分别为8×8、16×16、32×32的三张特征图，并将其进行展平、合并、检测，最终获得原始图像中的圆心特征、固定位置特征，并获取圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的中心位置坐标(x_f,y_f)。

6.根据权利要求5所述的一种指针式压力表位移异常的自动感知方法，其特征在于：

在步骤2中获取量程起始位置特征的方式为：YOLO-v5深度学习模型从固定位置特征的中心位置坐标(x_f,y_f)出发，顺时针寻找距离最近的数字0作为量程起始位置特征，并获取量程起始位置特征的中心位置坐标(x_s,y_s)；

在步骤2中获取量程终止位置特征的方式为：YOLO-v5深度学习模型从固定位置特征的中心位置坐标(x_f,y_f)出发，逆时针寻找距离最近的数据作为量程终止位置特征，并获取量程终止位置特征的中心位置坐标(x_e,y_e)。

7.根据权利要求6所述的一种指针式压力表位移异常的自动感知方法，其特征在于：所述预警情况包括：

（1）四项特征中的某一项未能检测到，或某一项的置信度小于第一设定阈值；

（2）圆心特征的中心位置坐标(x_c,y_c)与原始图像的中心位置坐标(160,120)的距离大于第二设定阈值；

（3）

或

；

（4）

，D与压力表总量程角度的差距大于第三设定阈值。

8.根据权利要求6所述的一种指针式压力表位移异常的自动感知方法，其特征在于：步骤3中服务器端根据四项特征计算量程起始位置角度、单位角度压力值的步骤，包括：

服务器端根据圆心特征的中心位置坐标(x_c,x_y)、量程起始位置特征的中心位置坐标(x_s,y_s)、量程终止位置特征的中心位置坐标(x_e,y_e)计算量程起始位置角度和量程终止位置角度：

其中，A₀为发生平移异常和/或旋转异常后的量程起始位置角度；A_e为发生平移异常和/或旋转异常后的量程终止位置角度；

再根据量程起始位置角度和量程终止位置角度计算单位角度压力值：

其中，u为单位角度压力值；P_max为量程最大值，P_min为量程最小值。

9.根据权利要求8所述的一种指针式压力表位移异常的自动感知方法，其特征在于：步骤3中边缘端计算当前压力值步骤，包括：

边缘端识别当前的指针角度A，根据服务器端下发的量程起始位置角度A₀、单位角度压力值u计算当前压力值：

其中，P为当前压力值；A为发生平移异常和/或旋转异常后识别出的指针角度。

10.根据权利要求5所述的一种指针式压力表位移异常的自动感知方法，其特征在于：步骤3中服务器端除了将量程起始位置角度、单位角度压力值下发到边缘端外，还要将圆心特征的中心位置坐标(x_c,x_y)、固定位置特征的坐标(x₁`,x<sub>2</sub>`,y₁`,y<sub>2</sub>`)下发到边缘端。

Images