一种指针仪表读数识别方法技术

本发明专利技术公开了一种指针仪表读数识别方法，包括步骤：(1)采集若干仪表图像，并分别对图像中指针轮廓进行标注得到样本集；(2)构建模型，并采用步骤(1)得到得到样本集进行训练得到分割模型；(3)采集仪表图像并采用步骤(2)得到的分割模型进行分割得到指针掩码图，并拟合得到指针斜率及基于水平面的角度；(4)采用指针角度计算法计算得到指针读数。本发明专利技术通过深度学习构建分割模型，并分割出指针，并根据指针角度计算法计算得到对应指针读数，读数准确，实时性高。时性高。时性高。

【技术实现步骤摘要】
一种指针仪表读数识别方法


[0001]本专利技术图像处理领域，尤其涉及一种指针仪表读数识别方法。

技术介绍

[0002]指针式工业仪表在电力行业中被广泛运用，但是目前仪表的读数都是由人工进行读数计数。在变电站场景中，不仅读数任务繁重，而且室外工作环境偏远和复杂，导致仪表读数成本很高且精度不甚理想。随着工业自动化和智能化的发展，机器人巡检读数已经成为可能。
[0003]在指针式仪表读数领域主要包含两种处理思路，一类是传统数字图像处理方法，另一类是基于卷积神经网络(深度学习)的仪表读数。其中传统数字图像处理更依赖于人为的先验知识来设计一系列图像处理方法，包括：中心投影法，模板特征法，减影法等。读数效果强依赖于人为的先验经验，由于人为经验的先天有限性，导致这些方法鲁棒性和泛化能力较差。此外室外变电站中，仪表读数会有更多的挑战，主要包括：短细指针仪表较多；由于室外仪表悬挂位置的不同，仰拍和侧拍的仪表照片也较多；此外，由于机器人移动拍摄和对焦问题，导致模糊图片也较多。针对以上挑战，现有仪表读数方案未能给出有效的解决方案。

技术实现思路

[0004]专利技术目的：本专利技术针对上述不足，提出了一种指针仪表读数识别方法，以解决室外变电站场景下侧拍、仰拍的干扰和抖动模糊的问题。
[0005]技术方案：
[0006]一种指针仪表读数识别方法，包括步骤：
[0007](1)采集若干仪表图像，并分别对图像中指针轮廓进行标注并根据仪表类型进行存储得到样本集；
[0008](2)构建模型，并采用步骤(1)得到得到样本集进行训练得到分割模型；
[0009](3)采集仪表图像并采用步骤(2)得到的分割模型进行分割得到仪表类型及其指针掩码图，并拟合得到指针斜率及基于水平面的角度；
[0010](4)采用指针角度计算法计算得到指针读数。
[0011]所述步骤(1)中，利用labelme软件，人工对每张图像中的指针轮廓进行标注，并根据每张图像中仪表的类型进行分类存储得到样本集。
[0012]所述步骤(2)中，根据7：1：2的数量比例将样本集划分为训练集、验证集和测试集，所述训练集用于所述分割模型训练，所述验证集对所述训练得到的分割模型进行性能验证，所述测试集保存后作为最终客观的测试结果。
[0013]所述步骤(3)中分割得到指针掩码图后，判断所述指针掩码图所占像素是否小于预设阈值，若小于，则将其作为输入超分模型，并将所述超分模型输出作为输出图像；否则直接输出图像。
[0014]所述超分模型如下：
[0015]a)构建超分模型；
[0016]b)采集高分辨率图像，通过降采样得到低分辨率图像，其中，低分辨率图像的分辨率为高分辨率的四分之一；从所述高分辨图像中估计得到模糊核和抽取噪声块；
[0017]c)采用步骤b)得到的的模糊核对低分辨率图像进行降质，并将噪声块叠加到低分辨图像上，得到降质后图像；
[0018]d)与步骤b)中的高分辨率图像进行配对，构成训练集，并输入到超分模型进行训练，并最终保存超分模型权重。
[0019]所述步骤(3)中对输出图像进行灰度化，去噪点，提取指针形状，再对指针轮廓采用最小二乘法拟合并计算得到基于水平面的指针斜率。
[0020]所述步骤(3)中，拟合得到指针斜率及基于水平面的角度具体为：
[0021]根据所述分割模型输出的仪表类型，在预设的模板库中找到对应仪表的正视图片；采用sift算子得到采集的新图像与其对应仪表的正视图片的空间变换矩阵，并据此对得到的指针掩码图进行矫正，得到修正后的指针掩码图，进而计算得到矫正后基于水平面的指针斜率，并据此计算得到对应的角度。
[0022]所述步骤(4)采用指针角度计算法计算得到指针读数具体为：
[0023]以指针转点的右水平线为基准，分别测量出仪表表盘中最小刻度与右水平线的角度θ1和最大刻度与右水平线的角度θ2；
[0024]根据公式可得出仪表的读数v,其中，v
min
表示最小读数，θ是细指针的预测角度，∈是刻度与弧度的比值，v
max
表示最大读数。
[0025]本专利技术与现有技术相比，具有如下有益效果：
[0026]1、本专利技术通过深度学习构建分割模型，并分割出指针，并根据指针角度计算法计算得到对应指针读数，读数准确，实时性高。
[0027]2、本专利技术通过设计的超分模型对模糊图像进行处理，得到高分辨率图像，进而可以大大提高本专利技术方法的鲁棒性和泛化能力。
[0028]3、本专利技术通过对指针掩码图的矫正，使得指针读数更加准确，也大大增加了本专利技术方法的泛用性。
附图说明
[0029]图1为本专利技术的流程图。
[0030]图2为本专利技术建立的超分模型。
具体实施方式
[0031]下面结合附图和具体实施例，进一步阐明本专利技术。
[0032]图1为本专利技术的流程图。如图1所示，本专利技术基于深度学习的指针仪表读数识别方法，包括如下步骤：
[0033](1)采集不同仪表的正视图片并存储得到预设的模板库；
[0034](2)获取样本集；
[0035]机器人采集包含不同仪表的图像集，对图像集进行指针轮廓的标注并根据仪表类型进行存储得到样本集；具体地，利用labelme软件，人工对每张图像中的指针轮廓进行标注，并根据每张图像中仪表类型进行分类存储得到样本集；其中，图像数据集中的图像数量根据实际需求设定；
[0036](3)构建并训练得到分割模型；
[0037](31)将步骤(2)的得到的样本集，根据7：1：2的数量比例划分为训练集、验证集和测试集，在模型配置文件中设置好三者的读取路径；构建深度学习模型，根据GPU的显存，批量样本的大小(batch_size)设置为16，学习率(learning rate)一般设置为步进函数(step)或余弦函数cos(wx+b)来进行控制，初始学习率一般为0.001；
[0038](32)采用训练集对深度学习模型进行训练并得到分割模型；
[0039](33)在训练过程中，采用验证集对步骤(32)训练得到的分割模型进行性能验证，模型训练完毕后，测试集保存后作为最终客观的测试结果；
[0040](4)采用步骤(3)训练得到的分割模型对采集的新图像进行分割得到对应的指针轮廓及其仪表类型；
[0041](41)利用步骤(3)中已经训练好的分割模型，来预测采集的包含仪表的新图像；设置分割模型的阈值设置为0.5，其中，该阈值是预测图像中指针图像与指针实物的面积重合度，也即经过分割模型分割得到的预测图像与实际指针图像的面积的重合度；其他参数与训练集保持一致，进行预测，输出指针的掩码图及仪表类型；
[0042](42)对指针掩码图所占像素是否小于预设阈值进行判断，预设阈值设为200个，根据针掩码图中噪点的面积分布和指针的大小确定；如果指针所占像素值小于预设阈值，就触发超分模型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种指针仪表读数识别方法，其特征在于：包括步骤：(1)采集若干仪表图像，并分别对图像中指针轮廓进行标注并根据仪表类型进行存储得到样本集；(2)构建模型，并采用步骤(1)得到得到样本集进行训练得到分割模型；(3)采集仪表图像并采用步骤(2)得到的分割模型进行分割得到仪表类型及其指针掩码图，并拟合得到指针斜率及基于水平面的角度；(4)采用指针角度计算法计算得到指针读数。2.根据权利要求1所述的指针仪表读数识别方法，其特征在于：所述步骤(1)中，利用labelme软件，人工对每张图像中的指针轮廓进行标注，并根据每张图像中仪表的类型进行分类存储得到样本集。3.根据权利要求1所述的指针仪表读数识别方法，其特征在于：所述步骤(2)中，根据7：1：2的数量比例将样本集划分为训练集、验证集和测试集，所述训练集用于所述分割模型训练，所述验证集对所述训练得到的分割模型进行性能验证，所述测试集保存后作为最终客观的测试结果。4.根据权利要求1所述的指针仪表读数识别方法，其特征在于：所述步骤(3)中分割得到指针掩码图后，判断所述指针掩码图所占像素是否小于预设阈值，若小于，则将其作为输入超分模型，并将所述超分模型输出作为输出图像；否则直接输出图像。5.根据权利要求4所述的指针仪表读数识别方法，其特征在于：所述超分模型如下：a)构建超分模型；b)采集高分辨率图像，通过降采样得到低分辨率图像，其中，低分辨率图像的分辨率为高分辨率的四分之一；从所...

【专利技术属性】
技术研发人员：张淼，罗作煌，李奇，
申请(专利权)人：深圳亿嘉和科技研发有限公司，
类型：发明
国别省市：