指针式仪表盘识别方法、系统及存储介质技术方案

本申请提供了一种指针式仪表盘识别方法、系统及存储介质，通过获取不同场景下一定数量的指针式仪表图像，并进行仪表种类标签的标注，得到训练数据集；将训练数据集输入至目标检测神经网络进行训练，得到训练后的仪表检测模型；将待识别仪表图像输入至仪表检测模型进行预测，得到仪表预测向量；仪表预测向量包括仪表种类、仪表盘中心坐标以及仪表盘预测框的大小；根据仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘图像。本申请利用复杂情况下大样本的仪表图像对目标检测神经网络进行训练得到训练后的仪表检测模型，支持各种复杂场景下多个仪表的同时检测，大大提高了仪表盘的识别准确性以及效率。

【技术实现步骤摘要】
指针式仪表盘识别方法、系统及存储介质
本申请属于仪器识别
，具体地，涉及一种指针式仪表盘识别方法、系统及存储介质。
技术介绍
指针式仪表在工业领域中被大量使用且类型繁多。其优点在于：对环境的极高适应能力，抗干扰能力强，尤其在环境恶劣的场合，如挖掘隧道、矿洞等场景；对监测数据的反应灵敏且迅速，延迟时间短。指针式仪表的读数操作往往由大量的专业的工作人员去执行。随着人工智能技术的发展，智能巡检机器人正逐步代替人工巡检，用于对工业设备的监测。智能巡检机器人使用相机采集设备、管道的仪表图像信息，并传送到控制后台进行仪表图像的后续分析和处理。目前，指针式仪表一般基于机器学习或基于深度学习进行表盘的识别。基于机器学习的方法主要是针对表盘呈现圆形或者椭圆形的特点，对整幅图像做霍夫椭圆检测，从而筛选出关键的部分，它的缺点是容易筛选出图像中其他的干扰物，如椭圆形的铁丝网等。随着人工智能技术的发展，越来越多的使用神经网络做目标检测来进行表盘识别。例如，卷积神经网络叠加来定位表盘，但这种方法的网络结构简单，大多仅限于一张图片中出现一个仪表，且识别出表盘后仍然要用传统图像算法识别指针等结构，其性能在大样本复杂情况下十分不可靠。
技术实现思路
本专利技术提出了一种指针式仪表盘识别方法及系统，旨在解决目前指针式仪表盘识别中，识别场景局限小、识别结果不准确，且识别效果不佳的问题。根据本申请实施例的第一个方面，提供了一种指针式仪表盘识别方法，具体包括以下步骤：获取不同场景下一定数量的指针式仪表图像，并进行仪表种类标签的标注，得到训练数据集；将训练数据集输入至目标检测神经网络进行训练，得到训练后的仪表检测模型；将待识别仪表图像输入至仪表检测模型进行预测，得到仪表预测向量；仪表预测向量包括仪表种类、仪表盘中心坐标以及仪表盘预测框的大小；根据仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘图像。本申请一些实施方式中，获取不同场景下一定数量的指针式仪表图像，不同场景包括不同光照、不同背景和/或不同拍摄角度下。本申请一些实施方式中，根据仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘识别图像，具体包括：根据仪表种类的不同，绘制不同颜色的仪表盘预测框；根据不同颜色的仪表盘预测框的大小，将待识别仪表图像中的仪表盘进行切割，得到仪表盘识别图像。本申请一些实施方式中，目标检测神经网络由卷积模块、残差模块、特征融合模块和检测层堆叠形成。本申请一些实施方式中，目标检测神经网络yolo-v3深度学习网络。本申请一些实施方式中，将待识别仪表图像输入至仪表检测模型进行预测，得到仪表预测向量，具体包括：根据待识别仪表图像获取三维矩阵；三维矩阵包括图像长、宽以及颜色通道数；将三维矩阵转换为输入向量；将输入向量输入仪表检测模型进行预测，得到仪表预测向量。本申请一些实施方式中，仪表预测向量包括预测位置有仪表的概率值、仪表的中心点x坐标、仪表的中心点y坐标、仪表盘宽度以及仪表盘高度。根据本申请实施例的第二个方面，提供了一种指针式仪表盘识别系统，具体包括：图像获取模块：用于获取不同场景下一定数量的指针式仪表图像，并进行仪表种类标签的标注，得到训练数据集；仪表检测模型训练模块：用于将训练数据集输入至目标检测神经网络进行训练，得到训练后的仪表检测模型；仪表预测模块：用于将待识别仪表图像输入至仪表检测模型进行预测，得到仪表预测向量；仪表预测向量包括仪表种类、仪表盘中心坐标以及仪表盘预测框的大小；仪表盘识别模块：用于根据仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘图像。根据本申请实施例的第三个方面，提供了一种指针式仪表盘识别设备，包括：存储器：用于存储可执行指令；以及处理器:用于与存储器连接以执行可执行指令从而完成指针式仪表盘识别方法。根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现指针式仪表盘识别方法。采用本申请实施例中的指针式仪表盘识别方法、系统及存储介质，通过获取不同场景下一定数量的指针式仪表图像，并进行仪表种类标签的标注，得到训练数据集；将训练数据集输入至目标检测神经网络进行训练，得到训练后的仪表检测模型；将待识别仪表图像输入至仪表检测模型进行预测，得到仪表预测向量；仪表预测向量包括仪表种类、仪表盘中心坐标以及仪表盘预测框的大小；根据仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘图像。本申请利用复杂情况下大样本的仪表图像对目标检测神经网络进行训练得到训练后的仪表检测模型，支持各种复杂场景下多个仪表的同时检测，大大提高了仪表盘的识别准确性以及效率，提高了后续仪表示数的识别准确性。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1中示出了根据本申请实施例的指针式仪表盘识别方法的步骤示意图；图2中示出了根据本申请实施例中包含至少一个指针式仪表的图像示意图；图3中示出了根据本申请实施例中对指针式仪表进行识别预测的示意图；图4中示出了根据本申请实施例的指针式仪表盘识别系统的结构示意图；图5中示出了根据本申请实施例的指针式仪表盘识别设备的结构示意图。具体实施方式在实现本申请的过程中，专利技术人发现现有的仪表识别方法中，针对表盘呈现圆形或者椭圆形的特点，对整幅图像做霍夫椭圆检测，从而筛选出关键的部分，它的缺点是容易筛选出图像中其他的干扰物，如椭圆形的铁丝网等。其它采用卷积神经网络叠加来定位表盘的方法，大多仅限于一张图片中出现一个仪表，且识别出表盘后仍然要用传统图像算法识别指针等结构，其性能在大样本复杂情况下十分不可靠。基于此，本专利技术的指针式仪表盘识别方法、系统及存储介质，通过获取不同场景下一定数量的指针式仪表图像，并进行仪表种类标签的标注，得到训练数据集；将训练数据集输入至目标检测神经网络进行训练，得到训练后的仪表检测模型；将待识别仪表图像输入至仪表检测模型进行预测，得到仪表预测向量；仪表预测向量包括仪表种类、仪表盘中心坐标以及仪表盘预测框的大小；根据仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘图像。本申请利用复杂情况下大样本的仪表图像对目标检测神经网络进行训练得到训练后的仪表检测模型，大大提高了仪表盘的识别准确性，提高了后续仪表示数的识别准确性。为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的本文档来自技高网...

【技术保护点】
1.一种指针式仪表盘识别方法，包括以下步骤：/n获取不同场景下一定数量的指针式仪表图像，并进行仪表种类标签的标注，得到训练数据集；/n将所述训练数据集输入至目标检测神经网络进行训练，得到训练后的仪表检测模型；/n将待识别仪表图像输入至所述仪表检测模型进行预测，得到仪表预测向量；所述仪表预测向量包括仪表种类、仪表盘中心坐标以及仪表盘预测框的大小；/n根据所述仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘图像。/n

【技术特征摘要】
1.一种指针式仪表盘识别方法，包括以下步骤：
获取不同场景下一定数量的指针式仪表图像，并进行仪表种类标签的标注，得到训练数据集；
将所述训练数据集输入至目标检测神经网络进行训练，得到训练后的仪表检测模型；
将待识别仪表图像输入至所述仪表检测模型进行预测，得到仪表预测向量；所述仪表预测向量包括仪表种类、仪表盘中心坐标以及仪表盘预测框的大小；
根据所述仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘图像。


2.根据权利要求1所述的指针式仪表盘识别方法，其特征在于，所述获取不同场景下一定数量的指针式仪表图像，所述不同场景包括不同光照、不同背景和/或不同拍摄角度下。


3.根据权利要求1所述的指针式仪表盘识别方法，其特征在于，所述根据所述仪表预测向量，将待识别仪表图像中的至少一个仪表盘进行切割，得到至少一个仪表盘识别图像，具体包括：
根据仪表种类的不同，绘制不同颜色的仪表盘预测框；
根据所述不同颜色的仪表盘预测框的大小，将待识别仪表图像中的仪表盘进行切割，得到仪表盘识别图像。


4.根据权利要求1所述的指针式仪表盘识别方法，其特征在于，所述目标检测神经网络由卷积模块、残差模块、特征融合模块和检测层堆叠形成。


5.根据权利要求1所述的指针式仪表盘识别方法，其特征在于，所述目标检测神经网络为yolo-v3深度学习网络。


6.根据权利要求1所述的指针式仪表盘识别方法，其特征在于，所述将待识别仪表图像输入至所述仪表检测...

【专利技术属性】
技术研发人员：金芝，李戈，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11