一种基于深度学习的双指针仪表读数方法技术

本发明专利技术公开了一种基于深度学习的双指针仪表读数方法，属于图像识别技术领域，具体包括以下步骤：对目标图像进行仪表检测，利用训练好的yolo v3目标检测模型将仪表框从原图中分割出；对仪表图像进行霍夫圆检测，同时进行椭圆连通域筛选，结合两种方法得到仪表圆形表盘，并进行表盘矫正；对矫正后的表盘图像进行去噪，灰度化，图像增强，二值化，形态学闭运算处理；根据表盘图像上指针的初始信息，粗筛选指针连通域，并对该指针连通域做外接矩形。该种基于深度学习的双指针仪表读数方法在复杂背景下的指针区域提取与刻度识别具有良好的准确性与通用性，可满足变电站实际应用需求。

A reading method of double pointer meter based on deep learning

【技术实现步骤摘要】
一种基于深度学习的双指针仪表读数方法
本专利技术涉及图像识别
，具体为一种基于深度学习的双指针仪表读数方法。
技术介绍
在变电站巡检识别中，指针仪表种类繁多，在识别任务中占据了很大比重；基于数字图像处理技术的仪表自动识别技术能提高仪表检测效率，减少人为误差。现阶段，常见的指针式仪表检测方法有3种：步长法、圆周灰度检测法和Hough变换法。目前有很多单一指针识别算法研究成果，其大多基于人工标定关键点，再结合传统图像处理的方法，鲁棒性较差，仪表识别易受到各种光照、仪表玻璃盘的镜面反射和灰尘等因素的影响。另外，在仪表检测中，现有技术，一种是通过特征匹配的方法，其易受环境、复杂背景影响，仪表匹配速度慢，第二种是采用深度学习的检测方法，但往往存在少数漏检或者错检的情况，而在双指针仪表识别中，现有技术大多也是采用特征匹配或者模板匹配的方法来确定表盘中刻度和指针的位置，但这种方法通用性和识别效率较差，准确率受图像噪声影响大。
技术实现思路
本专利技术的目的是提供一种基于深度学习的双指针仪表读数方法，该方法在复杂背景下的指针区域提取与本文档来自技高网...

【技术保护点】
1.一种基于深度学习的双指针仪表读数方法，该方法具体步骤如下：/n步骤一：对目标图像进行仪表检测，利用训练好的yolo v3目标检测模型将仪表框从原图中分割出；/n步骤二：对仪表图像进行霍夫圆检测，同时进行椭圆连通域筛选，结合两种方法得到仪表圆形表盘，并进行表盘矫正；/n步骤三：对矫正后的表盘图像进行去噪，灰度化，图像增强，二值化，形态学闭运算处理；/n步骤四：根据表盘图像上指针的初始信息，粗筛选指针连通域，并对该指针连通域做外接矩形；/n步骤五：根据得到的指针连通域，对其外接矩形区域进行灰度直方图统计，并拟合得到波峰值；/n步骤六：选取灰度阈值，对表盘低灰度区域进行灰度拉伸，进行自适应阈值二...

【技术特征摘要】
1.一种基于深度学习的双指针仪表读数方法，该方法具体步骤如下：
步骤一：对目标图像进行仪表检测，利用训练好的yolov3目标检测模型将仪表框从原图中分割出；
步骤二：对仪表图像进行霍夫圆检测，同时进行椭圆连通域筛选，结合两种方法得到仪表圆形表盘，并进行表盘矫正；
步骤三：对矫正后的表盘图像进行去噪，灰度化，图像增强，二值化，形态学闭运算处理；
步骤四：根据表盘图像上指针的初始信息，粗筛选指针连通域，并对该指针连通域做外接矩形；
步骤五：根据得到的指针连通域，对其外接矩形区域进行灰度直方图统计，并拟合得到波峰值；
步骤六：选取灰度阈值，对表盘低灰度区域进行灰度拉伸，进行自适应阈值二值化图像操作，并再次筛选双指针与刻度连通域；
步骤七：对以上筛选得到的二值连通域图像，和表盘原图做二进制‘与’运算操作，初步从原图像中分割出指针和刻度区域；
步骤八：利用训练好的Maskrcnn算法识别并分割出准确的双指针和刻度像素级区域；
步骤九：根据得到的刻度连通域，确定最小最大量程角度，同时拟合两根指针连通域线段，计算角度并利用角度比例换算最终读数。


2.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤一中，存在误检仪表框时，对所有检测出的仪表框两两之间进行IOU计算，存在漏检仪表框时，转至步骤二。


3.如权利要求1所...

【专利技术属性】
技术研发人员：黄乐乐，
申请(专利权)人：江西小马机器人有限公司，
类型：发明
国别省市：江西;36