一种基于深度学习的膜盒压力表压力读取方法及系统技术方案

本发明专利技术公开了一种基于深度学习的膜盒压力表压力读取方法和系统，包括：基于历史膜盒压力表图像，对初始图像分割模型进行训练，获得图像分割模型；输入待分割膜盒压力表图像至图像分割模型，获取关键掩膜图像；利用二值法处理关键掩膜图像，提取关键掩膜图像中的指针轮廓；计算指针轮廓凸包的最小外接矩形；确定图像中膜盒压力表的指针基准点，指针中心点和指针顶点；以指针中心点为顶点，分别确定指针中心点至指针基准点、指针中心点至指针顶点形成的夹角A，建立膜盒压力表压力值与夹角A之间的线性关系，计算确定膜盒压力表压力值。本发明专利技术方法解决现有技术读取指针式仪表数据速度慢、精度低、易受环境干扰等问题。易受环境干扰等问题。易受环境干扰等问题。

【技术实现步骤摘要】
一种基于深度学习的膜盒压力表压力读取方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种基于深度学习的膜盒压力表压力读取方法及系统。

技术介绍

[0002]随着人工智能和自动化技术的不断发展，机器人已经广泛应用于工业领域。通常智能机器人需要在工厂内自主监视、读取指针式仪表的数据，并做出相应决策。因此，对圆形指针式仪表的检测和判读成为智能机器人决策的关键。
[0003]但是，现有技术中对压力表表盘区域的检测有预先标定，区域生长算法、神经网络、支持向量机和特征点匹配等方法。其中，区域生长算法需要设置种子，神经网络和支持向量机需要预先对训练集的训练，特征点匹配方法需要预先制作模板。霍夫变换是最常用于识别指针的方法，相比于其他直线检测算法，霍夫变换的速度较慢。目前，各算法在表盘区域定位和仪表判读等环节依靠简单的边缘或直线知识，容易受到环境干扰影响，导致其智能化水平下降。
[0004]有鉴于此，亟需提供一种可实现自主监视且能精准快速的膜盒压力表压力读取方法。

技术实现思路

[0005]为了解决上述技术问题，本专利技术所采用的技术方案是提供了一种基于深度学习的膜盒压力表压力读取方法，包括以下步骤：
[0006]基于历史膜盒压力表图像，对初始图像分割模型进行训练，获得图像分割模型；输入待分割膜盒压力表图像至图像分割模型，获取关键掩膜图像；利用二值法处理关键掩膜图像，提取关键掩膜图像中的指针轮廓；再利用Sklansky算法，确定指针轮廓凸包，并利用rotating calipers旋转卡壳算法，计算指针轮廓凸包的最小外接矩形；确定图像中膜盒压力表的指针基准点，指针中心点和指针顶点；以指针中心点为顶点，分别确定指针中心点至指针基准点、指针中心点至指针顶点形成的夹角A，建立膜盒压力表压力值与夹角A之间的线性关系，计算确定膜盒压力表压力值。
[0007]本专利技术还提供了一种基于深度学习的膜盒压力表压力读取系统，包括
[0008]图像获取单元：用于获取历史膜盒压力表图像，及实时采集膜盒压力表图像；
[0009]图像分割模型训练单元：用于对初始图像分割模型进行训练，获取图像分割模型；
[0010]图像关键掩膜提取单元：用于使用图像分割模型训练单元训练好的图像分割模型，分割提取待读取膜盒压力表的关键掩膜；
[0011]指针轮廓提取单元：通过利用二值法处理关键掩膜图像，并提取关键掩膜图像中的指针轮廓；再利用Sklansky算法，确定指针轮廓凸包，并利用rotating calipers旋转卡壳算法，计算指针轮廓凸包的最小外接矩形；
[0012]膜盒压力表压力值计算单元：用于确定图像中膜盒压力表的指针基准点，指针中
心点和指针顶点，以指针中心点为顶点，分别确定指针中心点至指针基准点、指针中心点至指针顶点形成的夹角A，建立膜盒压力表压力值与夹角A之间的线性关系，计算确定膜盒压力表压力值。
[0013]本专利技术还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述所述基于深度学习的膜盒压力表压力读取方法。
[0014]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述所述基于深度学习的膜盒压力表压力读取方法。
[0015]本专利技术方法通过图像分割网络，快速、精确地获得膜盒压力表关键掩膜，再通过二值化图像，获取分割出图像中的关键信息，如指针基准点，指针位置等等；再通过提取轮廓，最小乘法的直线拟合，获得三个计算角度的关键点，通过关键点夹角计算，建立膜盒压力表读数和夹角之间的分段线性关系，输出膜盒压力表读数，本方法实现智能获取及读取膜盒压力表竖直，解决现有技术读取指针式仪表数据速度慢、精度低、易受环境干扰等问题。
[0016]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0017]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为本专利技术提供的方法流程示意图；
[0019]图2为本专利技术提供的摄像机采集的膜盒压力表图像；
[0020]图3为本专利技术提供的图像分割网络风格出的关键掩膜图像；
[0021]图4为本专利技术提供的关键掩膜图像中三个关键点以及指针轮廓拟合直线示意图；
[0022]图5为本专利技术提供的系统结构框图；
[0023]图6为本专利技术提供的计算机设备结构框图。
具体实施方式
[0024]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]在本专利技术的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、
以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0026]此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本专利技术的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0027]下面结合具体实施方式和说明书附图对本专利技术做出详细的说明。
[0028]方法实施例
[0029]根据本专利技术实施例，提供了一种基于深度学习的膜盒压力表压力读取方法，如图1所示，根据本专利技术实施例的基于深度学习的膜盒压力表压力读取方法，包括步骤：
[0030]步骤S1、基于历史膜盒压力表图像，对初始图像分割模型进行训练，获得图像分割模型；
[0031]步骤S2、输入待分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的膜盒压力表压力读取方法，其特征在于，包括以下步骤：基于历史膜盒压力表图像，对初始图像分割模型进行训练，获得图像分割模型；输入待分割膜盒压力表图像至图像分割模型，获取关键掩膜图像；利用二值法处理关键掩膜图像，提取关键掩膜图像中的指针轮廓；再利用Sklansky算法，确定指针轮廓凸包，并利用rotating calipers旋转卡壳算法，计算指针轮廓凸包的最小外接矩形；确定图像中膜盒压力表的指针基准点，指针中心点和指针顶点；以指针中心点为顶点，分别确定指针中心点至指针基准点、指针中心点至指针顶点形成的夹角A，建立膜盒压力表压力值与夹角A之间的线性关系，计算确定膜盒压力表压力值，其中指针基准点，指针中心点和指针顶点确定具体为：比较每一个提取的轮廓凸包的最小外接矩形的中心点坐标，中心点横坐标值最小的点即为指针基准点；基于指针轮廓，通过RETR_TREE树状结构提取模式获得指针中心内轮廓，并利用rotating calipers旋转卡壳算法，确定指针中心内轮廓最小外接矩形中心点坐标，即为指针中心点；基于指针轮廓，利用最小二乘法进行直线拟合，获得指针对称轴L1；确定指针轮廓凸包的最小外接矩形的四个顶点坐标，对称轴L1与指针轮廓凸包的最小外接矩形的两条宽边的交点分别为pt1，pt2，分别计算比较pt1，pt2两点与指针中心点的距离l2和l3，若l2＞l3，则pt1为指针顶点，否则pt2为指针顶点。2.如权利要求1所述的膜盒压力表压力读取方法，其特征在于，所述历史膜盒压力表图像通过工业摄像机，正对膜盒压力表采集图像形成数据集；数据集分为训练集和测试集；其中，训练集中每一张图像对应一个标签，用于训练初始图像分割模型；测试集中图像不含标签。3.如权利要求1所述的膜盒压力表压力读取方法，其特征在于，所述提取关键掩膜图像中的指针轮廓具体为：对二值化处理关键掩膜图像，采用RETR_TREE树状结构提取模式和CHAIN_APPROX_SIMPLE最简相邻链逼近算法，压缩水平方向，垂直方向，对角线方向的元素，保留该方向的重点坐标，提取关键掩膜的指针轮廓。4.如权利要求1所述的膜盒压力表压力读取方法，其特征在于，所述计算确定膜盒压力表压力值具体如下：确定指针基准点，指针中心点和指针顶点三点的坐标分别为(x1,y1),(x2,y2),(x3,y3)，以指针中心点为顶点的角A，其余弦值计算公式为：其中，a，b，c分别是以指针基准点，指针中心点和指针顶点为顶点的三角形的边长，其中中
根据指针基准点，指针中心点和指针顶点的坐标，及计算出的夹角A大小，根据压力表刻度与指针夹角角度的相对位置，建立夹角与压力表读数Pvalue的线性关系，其公式为：式中，k
b
为拟合的系数，m为夹角范围。5.一种基于深度学习的膜盒压力表压力读取系统，其特征在于，包括图像获取单元：用于获取历史膜盒压力表图像，及实时采集膜盒压力表图像；图像分割模型训练单元：用于对初始图像分割模型进行训练，获取图像分割模型；图像关键掩膜提取单元：用于使用图像分割模型训练单元训练好的图像分割模型，分割提取待读取膜盒压力表的关键掩膜；指针轮廓提取单元：通过利用二值法处理关键掩膜图像，并提取关键掩膜图像中的指针轮廓；再利用Skl...

【专利技术属性】
技术研发人员：宫新一，贾建树，刘梦雅，宋璐璐，杨波，
申请(专利权)人：径途元玮杭州科技有限公司，
类型：发明
国别省市：