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