CN117994771A - 一种电表读数识别方法、存储介质以及计算机设备 - Google Patents

一种电表读数识别方法、存储介质以及计算机设备 Download PDF

Info

Publication number
CN117994771A
CN117994771A CN202410133710.5A CN202410133710A CN117994771A CN 117994771 A CN117994771 A CN 117994771A CN 202410133710 A CN202410133710 A CN 202410133710A CN 117994771 A CN117994771 A CN 117994771A
Authority
CN
China
Prior art keywords
ammeter
dial
pointer
scale
value
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
CN202410133710.5A
Other languages
English (en)
Inventor
伍朝志
李小颜
何浩明
王敏
高吉祥
陈日
邓澄
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202410133710.5A priority Critical patent/CN117994771A/zh
Publication of CN117994771A publication Critical patent/CN117994771A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/22—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
    • G06V10/40—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
    • 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
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明公开了一种电表读数识别方法、存储介质以及计算机设备，获取待识别的电表全景图像；定位并裁剪得到电表表盘图像；输入到预先训练好的关键点识别模型，得到电表指针的关键点和刻度的关键点；计算出电表指针读数；在对所述关键点识别模型进行训练前，通过以下步骤进行数据增加，包括：获取目标电表表盘的图像；提取目标电表表盘的图像上的反映刻度值的扇形所在圆的圆心坐标；裁剪电表表盘上的指针区域；绕圆心旋转指针区域，并用邻域像素填充，得到多个不同电表指针读数的目标电表表盘的图像；建立包含N张电表表盘图像和N个json文件的识别训练数据集。优点：数据增强改善了模型的泛化性，解决数据稀缺问题，并增强了对新的、看不见的数据的适应性，从而减轻了过度拟合，提高了不同条件下网络的鲁棒性。

Description

一种电表读数识别方法、存储介质以及计算机设备
技术领域
本发明涉及一种电表读数识别方法、存储介质以及计算机设备，属于图像识别技术领域。
背景技术
电流表是一种用于测量电路中电流的仪器，它主要由旋转指针和刻度构成，通常需要人工观察指针的位置并估读数值。这种方法不仅耗时耗力，而且容易出现误差和不一致。
除了人工观察方法外，已有的电流表读数还采用传统视觉识别，传统视觉检测受到照明条件、镜头质量、镜头污垢、摄像头的固定度以及环境噪声等因素的影响，容易引入误差并导致不稳定的读数。且依赖于人工设计的特征提取器，需要有专业知识和复杂的调参过程，针对具体的应用场景，泛化能力和鲁棒性较差，难以适应环境的多样性和变化。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种电表读数识别方法、存储介质以及计算机设备。
为解决上述技术问题，本发明提供一种电表读数识别方法，包括：
获取待识别的电表全景图像；
定位待识别的电表全景图像中的电表表盘，并且将电表表盘从大图中裁剪出，得到裁剪后的电表表盘图像；
将裁剪后的电表表盘图像输入预先训练好的关键点识别模型，得到电表指针的关键点和刻度的关键点；
利用指针和刻度的关键点，根据电表的量程和分度值，计算出电表指针读数；
在对所述关键点识别模型进行训练前，通过以下步骤进行数据增加，生成识别训练数据集，包括：
获取目标电表表盘的图像；
检测目标电表表盘的图像上的反映刻度值的扇形，从检测到的扇形中提取扇形所在圆的圆心坐标；
裁剪电表表盘上的指针区域；
绕圆心旋转指针区域，并用邻域像素填充，得到多个不同电表指针读数的目标电表表盘的图像；
标注多个不同电表指针读数的目标电表表盘的图像中电表位置和类型名以及刻度关键点和指针关键点，并将标注信息保存在与每张图片对应的json文件中，建立一个包含N张电表表盘图像和N个json文件的识别训练数据集。
进一步的，所述定位待识别的电表全景图像中的电表表盘，包括：
采集若干张包含电表表盘的全景图像；
用第三方标注软件LabelImage标注所述若干张包含电表表盘的全景图像中电流表位置和类型名，并将标注的电流表位置和类型名保存在与每张图片对应的xml文件中，建立一个包含若干张电表表盘的全景图像和1500个xml文件的定位训练数据集；
用建立好的定位训练数据集训练YOLOv8-tiny目标检测网络，训练完成后得到检测模型table_detector；
将待识别的电表全景图像输入到所述检测模型table_detector中检测出电表表盘的位置，并且以{ x_up, y_up, x_down, y_down }的格式返回电表表盘的位置矩形框坐标；其中x_up、y_up、x_down、y_down分别表示位置矩形框的左上角横坐标、左上角纵坐标、右下角横坐标、右下角纵坐标。
进一步的，所述将裁剪后的电表表盘图像输入预先训练好的关键点识别模型，得到电表指针的关键点和刻度的关键点，包括：
所述关键点识别模型采用YOLOv8s-pose关键点检测网络；
用所述识别训练数据集训练YOLOv8s-pose关键点检测网络，训练完成后得到关键点识别模型table_keypoints_detector；
将裁剪后的电表表盘图像输入到关键点识别模型table_keypoints_detector中检测出关键点，并且以{[x0,y0,K0],[x1,y1,K1],…,[xN,yN,KN]，[x,y,P]}的格式返回电流表表盘的关键点信息；Kn表示电表表盘上的刻度值关键点，xn、yn表示Kn对应的横坐标、纵坐标，n=0,1,2,…,N，N为最大刻度值，P 表示指针对应的点，x、y 为P对应的横坐标、纵坐标。
进一步的，所述利用指针和刻度的关键点，根据电表的量程和分度值，计算出电表指针读数，包括：
寻找距离点P最近的两个刻度值关键点Kn和Kn+1；
设电表表盘的读数值为reading_value，利用欧式距离近似弧度值的方法计算电表指针读数，表示为：
reading_value=scale_value(Kn) +
[distance(Kn,P)/distance(Kn,Kn+1)]×[scale_value(Kn+1)-scale_value(Kn)]
式中，distance(Kn,Kn+1)表示Kn和Kn+1的距离，distance(Kn,P)表示Kn和P的距离，scale_value(Kn)表示点Kn对应的刻度值，scale_value(Kn+1)表示点Kn+1对应的刻度值。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法。
一种计算机设备，包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法的指令。
本发明所达到的有益效果：
1、使用深度视觉关键点检测的YOLOv8pose 网络来提高电表读数识别的准确性和效率，这种方法受图像质量和环境因素的影响较小，可提供实时处理功能。
2、数据增强改善了模型的泛化性，解决数据稀缺问题，并增强了对新的、看不见的数据的适应性，从而减轻了过度拟合，提高了不同条件下网络的鲁棒性。
附图说明
图1是本发明的流程示意图；
图2是定位过程的效果图，图2中的2a和2b是包含电流表表盘的全景图像，图2中的2c是表盘定位结果，图2中的2d是裁剪结果；
图3是数据增加的效果图，图3在的3a为原图、3b为椭圆拟合、3c为指针区域裁剪、3d为最终效果图；
图4是table_keypoints_detector对电流表表盘关键点的检测结果效果图；
图5是利用关键点获得电流表的读数的效果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1，如图1所示，本发明公开了一种电表读数识别方法，本发明采用深度学习的关键点检测，使用YOLOv8pose模型能够应对复杂的场景，受图像质量、光照条件、仪表类型、指针形状等因素的影响较小，准确地检测和识别电流表和指针，而且具有快速性能，能够实时地处理图像，提高电流表读数的效率。同时利用数据增强技术，增加训练集的多样性，可以在不需要收集更多实际数据的情况下提高模型的泛化能力，缓解数据量不足和多样性不足的问题，还能够帮助减轻过拟合，提高模型对新、未见过的数据的适应能力。本实施例中以电流表为例，包括以下步骤：
1)利用YOLOv8-tiny模型定位全景图像中的电流表表盘，并且将电流表表盘图像从大图中裁剪出；
2）将电流表表盘图像输入YOLOv8-Pose模型，得到电流表指针的关键点和刻度的关键点；
3）利用指针和刻度的关键点，根据电流表的量程和分度值，计算出电流值，并输出结果。
具体实现步骤：
步骤1：电流表表盘在全景图片中的定位；
摄像头拍摄的图片中一般包含较多的背景信息，在对电流表进行读数时，首先要确定电流表盘的具体位置。由于电流表表盘的精准定位对其之后的读数识别至关重要，如果采用传统的目标检测方法，比如滑动窗口法或者模板匹配法，容易受光照和图像质量的影响造成定位失败或者定位不准。所以本方法使用目前工业界常用的深度学习目标检测算法YOLOv8-tiny进行电流表表盘的检测定位，具体的实现步骤如下：
(1)采集1500张包含电流表表盘的全景图像，如图2中的2a和2b所示；
(2)用第三方标注软件LabelImage标注图片中电流表位置和类型名，并将标注信息保存在与每张图片对应的xml文件中，最终建立一个包含1500张电流表图片和1500个xml文件的训练数据集；
(3)用建立好的训练数据集训练YOLOv8-tiny目标检测网络，得到一个能够从全景图片上准确检测出电流表的检测模型table_detector。
(4)将含有电流表表盘的全景图片输入到table_detector中检测出电流表表盘的位置，并且以{ x_up, y_up, x_down, y_down }的格式返回电流表表盘的位置矩形框坐标。其中x_up、y_up、x_down、y_down分别表示位置矩形框的左上角横坐标、左上角纵坐标、右下角横坐标、右下角纵坐标。如图2中的2c的矩形框就是检测模型table_detector对电流表表盘的定位结果，如图2中的2d所示。
步骤2：电流表表盘刻度和指针关键点检测；
用使用table_detector目标检测模型获得裁剪后的电流表表盘图像后，需要检测电流表表盘的关键点，具体实现步骤如下：
(1)制作更多指针角度的图像。由于现场采集的数据，电流表指针的位置变化很小，为了增强模型的泛化能力，我们需要更多不同指针位置的图像，我们使用传统视觉，对数据进行增强。如图3中的3a（原图）、3b（椭圆拟合）、3c（指针区域裁剪）、3d（最终效果）所示。
数据增强步骤：
1）使用OpenCV的`HoughCircles`函数检测电流表表盘上的圆形，从检测到的圆中提取圆心的坐标。
2）使用 OpenCV 的裁剪功能，使用 `cv2.rectangle`来裁剪出指针区域
3）绕圆心旋转指针区域，并用邻域像素填充，使用 OpenCV 的 `getRotationMatrix2D` 和 `warpAffine` 函数来围绕圆心旋转指针区域。
(2)用第三方标注软件Labelme标注图片中电流表位置和类型名以及刻度关键点和指针关键点，并将标注信息保存在与每张图片对应的json文件中，最终建立一个包含1500张电流表图片和1500个json文件的训练数据集。
(3)用建立好的训练数据集训练YOLOv8s-pose关键点检测网络，得到一个能够从电流表表盘图像上获得指针和刻度关键点的table_keypoints_detector。
(4)将电流表表盘图像输入到table_keypoints_detector中检测出关键点，并且以{[x0,y0,0],[x1,y1,1]，[x2,y2,2],[x3,y3,3],[x,y,P]}的格式返回电流表表盘的关键点信息。0，1，2，3刻度对应的点分别为K0,K1,K2,K3,指针对应的点为P,以下图为例，进行表记读数，x0、y0表示0刻度对应的横坐标、纵坐标，x1、y1表示1刻度对应的横坐标、纵坐标，x2、y2表示2刻度对应的横坐标、纵坐标，x3、y3表示3刻度对应的横坐标、纵坐标，x、y 为P对应的横坐标、纵坐标。如图4是检测模型table_keypoints_detector对电流表表盘关键点的检测结果的四个示例。
步骤3:利用关键点获得电流表的读数；
寻找距离点P最近的两个点，即刻度1和刻度2对应的关键点K1和K2。
计算读数。因为表盘相邻两点之间的弧度值比较小，所以可以利用欧式距离近似弧度值。设表盘的读数值为reading_value，两点间的距离用distance(A,B)表示，A和B是代表两个点。点K1对应的刻度值用scale_value(K1)表示，其他点同理。则：
reading_value = scale_value(K1) + distance(K1,P)/distance(K1,K2)
实施例2，与其它实施例基于相同的发明构思，本实施例介绍一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法。
实施例3，与其它实施例基于相同的发明构思，本实施例介绍一种计算机设备，包括，一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种电表读数识别方法，其特征在于，包括：
获取待识别的电表全景图像；
定位待识别的电表全景图像中的电表表盘，并且将电表表盘从大图中裁剪出，得到裁剪后的电表表盘图像；
将裁剪后的电表表盘图像输入预先训练好的关键点识别模型，得到电表指针的关键点和刻度的关键点；
利用指针和刻度的关键点，根据电表的量程和分度值，计算出电表指针读数；
在对所述关键点识别模型进行训练前，通过以下步骤进行数据增加，生成识别训练数据集，包括：
获取目标电表表盘的图像；
检测目标电表表盘的图像上的反映刻度值的扇形，从检测到的扇形中提取扇形所在圆的圆心坐标；
裁剪电表表盘上的指针区域；
绕圆心旋转指针区域，并用邻域像素填充，得到多个不同电表指针读数的目标电表表盘的图像；
标注多个不同电表指针读数的目标电表表盘的图像中电表位置和类型名以及刻度关键点和指针关键点，并将标注信息保存在与每张图片对应的json文件中，建立一个包含N张电表表盘图像和N个json文件的识别训练数据集。
2.根据权利要求1所述的电表读数识别方法，其特征在于，所述定位待识别的电表全景图像中的电表表盘，包括：
采集若干张包含电表表盘的全景图像；
用第三方标注软件LabelImage标注所述若干张包含电表表盘的全景图像中电流表位置和类型名，并将标注的电流表位置和类型名保存在与每张图片对应的xml文件中，建立一个包含若干张电表表盘的全景图像和1500个xml文件的定位训练数据集；
用建立好的定位训练数据集训练YOLOv8-tiny目标检测网络，训练完成后得到检测模型table_detector；
将待识别的电表全景图像输入到所述检测模型table_detector中检测出电表表盘的位置，并且以{ x_up, y_up, x_down, y_down }的格式返回电表表盘的位置矩形框坐标；其中x_up、y_up、x_down、y_down分别表示位置矩形框的左上角横坐标、左上角纵坐标、右下角横坐标、右下角纵坐标。
3.根据权利要求1所述的电表读数识别方法，其特征在于，所述将裁剪后的电表表盘图像输入预先训练好的关键点识别模型，得到电表指针的关键点和刻度的关键点，包括：
所述关键点识别模型采用YOLOv8s-pose关键点检测网络；
用所述识别训练数据集训练YOLOv8s-pose关键点检测网络，训练完成后得到关键点识别模型table_keypoints_detector；
将裁剪后的电表表盘图像输入到关键点识别模型table_keypoints_detector中检测出关键点，并且以{[x0,y0,K0],[x1,y1,K1],…,[xN,yN,KN]，[x,y,P]}的格式返回电流表表盘的关键点信息；Kn表示电表表盘上的刻度值关键点，xn、yn表示Kn对应的横坐标、纵坐标，n=0,1,2,…,N，N为最大刻度值，P 表示指针对应的点，x、y 为P对应的横坐标、纵坐标。
4.根据权利要求1所述的电表读数识别方法，其特征在于，所述利用指针和刻度的关键点，根据电表的量程和分度值，计算出电表指针读数，包括：
寻找距离点P最近的两个刻度值关键点Kn和Kn+1；
设电表表盘的读数值为reading_value，利用欧式距离近似弧度值的方法计算电表指针读数，表示为：
reading_value=scale_value(Kn) +
[distance(Kn,P)/distance(Kn,Kn+1)]×[scale_value(Kn+1)-scale_value(Kn)]
式中，distance(Kn,Kn+1)表示Kn和Kn+1的距离，distance(Kn,P)表示Kn和P的距离，scale_value(Kn)表示点Kn对应的刻度值，scale_value(Kn+1)表示点Kn+1对应的刻度值。
5.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行权利要求1至4中的任一所述方法。
6.一种计算机设备，其特征在于，包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至4中的任一所述方法的指令。
CN202410133710.5A 2024-01-31 2024-01-31 一种电表读数识别方法、存储介质以及计算机设备 Pending CN117994771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410133710.5A CN117994771A (zh) 2024-01-31 2024-01-31 一种电表读数识别方法、存储介质以及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410133710.5A CN117994771A (zh) 2024-01-31 2024-01-31 一种电表读数识别方法、存储介质以及计算机设备

Publications (1)

Publication Number Publication Date
CN117994771A true CN117994771A (zh) 2024-05-07

Family

ID=90890735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410133710.5A Pending CN117994771A (zh) 2024-01-31 2024-01-31 一种电表读数识别方法、存储介质以及计算机设备

Country Status (1)

Country Link
CN (1) CN117994771A (zh)

Similar Documents

Publication Publication Date Title
CN110659636B (zh) 基于深度学习的指针式仪表读数识别方法
CN111028213B (zh) 图像缺陷检测方法、装置、电子设备及存储介质
CN112257676B (zh) 一种指针式仪表读数方法、系统以及巡检机器人
CN105091922B (zh) 一种基于虚拟表盘的指针表读数识别方法
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
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN111950330A (zh) 一种基于目标检测的指针式仪表示数检测方法
CN103955694A (zh) 图像识别抄表系统及方法
CN111368906B (zh) 一种基于深度学习的指针式油位计读数识别方法
WO2021109775A1 (zh) 训练样本生成、模型训练、字符识别方法及其装置
CN112149667A (zh) 一种基于深度学习的指针式仪表的自动读数的方法
CN110852954B (zh) 指针式仪表的图像倾斜校正方法及系统
CN111738229B (zh) 一种指针表盘刻度的自动读取方法
CN112163588A (zh) 基于智能进化的异源图像目标检测方法、存储介质及设备
CN110837839B (zh) 一种高精度无人机正射影像制作及数据采集方法
CN110659637A (zh) 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法
CN111353502A (zh) 数字表识别方法、装置以及电子设备
CN111553345B (zh) 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法
CN112529003A (zh) 一种基于Faster-RCNN的仪表盘数字识别方法
CN117994771A (zh) 一种电表读数识别方法、存储介质以及计算机设备
CN116310263A (zh) 一种指针式航空地平仪示数自动读取实现方法
CN115588196A (zh) 基于机器视觉的指针型仪表读数方法和装置
CN114612889A (zh) 一种仪表信息获取方法、系统、电子设备及存储介质
CN114882487A (zh) 一种指针仪表示数读取方法及其系统
CN113029220A (zh) 一种工业仪表盘的状态识别系统及方法

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