一种基于轻量级网络的仪表识别及读数方法技术

本发明专利技术公开了一种基于轻量级网络的仪表识别及读数方法，涉及仪表测量技术领域，包括如下步骤：获取具有仪表的原始图像；对原始图像进行仪表目标识别及分类，获得分类仪表图像；采用结合混合注意力剪裁的细粒度分类网络对分类仪表图像进行识别，获取仪表图像的量程信息；基于仪表图像的量程信息，获得仪表读数；本发明专利技术通过多尺度特征融合手段提升了模型对图像细节目标的学习能力，通过单尺度的YOLO的计算，提升了算法的运算效率，同时并不降低其仪表目标的检测精度；并且可实现仪表自动识别、读数以及数据存储，为工作人员减除了繁琐的的人工识别及记录工作，提升了工作人员的效率，同时提高了数据的利用率。同时提高了数据的利用率。同时提高了数据的利用率。

【技术实现步骤摘要】
一种基于轻量级网络的仪表识别及读数方法


[0001]本专利技术涉及仪表测量
，更具体的说是涉及一种基于轻量级网络的仪表识别及读数方法。

技术介绍

[0002]仪表是用于测定某些物理量的仪器的统称，它可以通过一些物理或者化学原理，将一些难以直观感受的物理量通过刻度或者示数的方式进行直观的展示，例如温度、压力、湿度、流量和电压等等，广泛应用于工业、国防和人民生活等各个方面。尤其是在一些国防军工的重点领域，仪表数据的读取往往需要耗费大量的人工，并且目前这些仪表数据大多以纸质媒介进行保存，难以进一步加以利用。
[0003]目前工业界大多采用两种方式进行仪表识别，较为先进且便利的是有电子数据接口的仪表，可以直接通过电子接口对仪表数据进行读取，但目前此种仪表普及程度较低，实际场景中更多的仍是早年间已经铺设好的老旧型号，需要通过视觉方式进行仪表数据的读取。因此在实际场景下，更多的仍然采用人工读取仪表的方式。但是人工读取的方式存在以下几个缺点：某些极端环境下，例如高温，高压，高辐射条件下，采用人工读数的方式具有较大的危险性；如果需要获取大量的实时仪表数据，则需要投入大量的人力，效率低下，性价比较低；人工难以进行24小时的长期不间断监测；人工获取的读数往往通过纸质媒介进行存储，需要进一步转录入电脑，方能够进行下一步的利用，进一步的提高人力耗费。
[0004]随着社会的发展，制造业向着智能化发展，利用人工智能等技术提升生产率，解放人工。因此，上述两种方式进行仪表识别无法满足目前的生产方式，因此研究一种可智能识别的仪表识别及读数方法是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于轻量级网络的仪表识别及读数方法，克服了现有技术的缺点。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于轻量级网络的仪表识别方法，具体步骤为：
[0008]获取具有仪表的原始图像；
[0009]通过RegNet轻量级网络对原始图像进行特征提取，获得第一提取特征图；
[0010]对第一提取特征图中的特征进行融合，获得融合图像；
[0011]对融合图像进行仪表目标识别及分类，获得分类仪表图像。
[0012]可选的，融合图像的获取步骤为：将RegNet轻量级网络中第N阶段特征进行两倍上采样后与第N
‑
1阶段特征进行特征融合，其中RegNet轻量级网络包括N个阶段。
[0013]可选的，仪表目标分类包括方形指针式仪表、圆形指针式仪表以及数字式仪表。
[0014]可选的，在对仪表目标识别及分类过程中的损失函数包括定位损失l
box
、分类损失l
cls
以及置信度损失l
noobj
。
[0015]一种基于轻量级网络的仪表读数方法，具体步骤为：
[0016]获取分类仪表图像；
[0017]采用结合混合注意力剪裁的细粒度分类网络对分类仪表图像进行识别，获取仪表图像的量程信息；
[0018]基于仪表图像的量程信息，获得仪表读数。
[0019]可选的，获取仪表图像的量程信息的具体步骤为：
[0020]S21、通过融合通道注意力模块的特征提取网络对分类仪表图像进行特征提取，获得第二提取特征图；
[0021]S22、对第二提取特征图中的特征进行处理，获得多个带有位置信息的注意力图；
[0022]S23、利用双线性注意力池化对多个注意力图、第一提取特征图以及第二提取特征图进行融合，并计算交叉熵损失，得到多个注意力图对应的特征矩阵；
[0023]S24、基于多个注意力图中的位置信息，对注意力图进行混合剪裁及数据增强，并输入至步骤S11中的融合通道注意力模块的特征提取网络中；
[0024]S25、基于特征矩阵，确定仪表图像的量程信息。
[0025]可选的，当仪表目标为方形指针式仪表时，仪表读数的方法具体为：
[0026]A1、对分类仪表图像进行高斯模糊及图像灰度化处理，获得灰度图像；
[0027]A2、对灰度图像进行边缘检测，获得边缘二值图像；
[0028]A3、通过直线检测方法对边缘二值图像中的指针进行检测，并通过指针角度校正，获取指针角度；
[0029]A4、根据仪表图像的量程信息和指针角度，进行仪表读数计算，获得仪表读数值；
[0030]其中，仪表读数值result的计算公式为：
[0031][0032]式中，θ2为方形指针式仪表中指针的倾斜角度，θ1为方形指针式仪表中图像的水平倾斜角度，range为仪表的量程信息。
[0033]可选的，当仪表目标为圆形指针式仪表时，仪表读数的方法具体为：
[0034]B1、对分类仪表图像进行高斯模糊及图像灰度化处理，获得灰度图像；
[0035]B2、通过局部自适应阈值二值化处理方法对灰度图像进行处理，获得二值化图像；
[0036]B3、对二值化图像采用霍夫变换方法进行外轮廓检测；
[0037]B4、通过坐标变换将圆形刻度进行化直处理；
[0038]B5、采用水平投影的方式确定化直处理后的刻度位置，并根据其长度确定仪表读数；
[0039]其中，仪表读数值result的计算公式为：
[0040][0041]式中，d1为零刻度线到指针所在位置的长度，d2为刻度线的总长度，range为仪表的量程信息。
[0042]可选的，当仪表目标为数字式仪表时，仪表读数的方法具体为：
[0043]C1、对分类仪表图像进行高斯模糊，并采用基于红色通道的二值化方法提取图像中的数字部分；
[0044]C2、采用水平投影方法提取出数字部分中的数字显示区域；
[0045]C3、采用垂直投影方法将数字显示区域中的数字进行分割；
[0046]C4、利用Lenent
‑
5网络对分割出的数字进行识别。
[0047]可选的，所述步骤C3中，当数字显示区域存在需要分割的字符时，采用细化算法对字符进行识别及分割。
[0048]经由上述的技术方案可知，本专利技术公开提供了一种基于轻量级网络的仪表识别及读数方法，与现有技术相比，具有以下有益效果：
[0049](1)本专利技术在仪表目标及分类过程中，提出了一种结合轻量级网络的单尺度YOLO仪表检测方法，通过多尺度特征融合手段提升了模型对图像细节目标的学习能力，通过单尺度的YOLO的计算，提升了算法的运算效率，同时并不降低其仪表目标的检测精度；
[0050](2)本专利技术提出了细粒度的图像识别方法进行仪表的量程识别，该算法针对WS
‑
DAN算法中的双线性汇合以及注意力丢弃操作可能带来的过拟合，结合注意力混合裁剪进行数据增强，交换不同图像中的注意力峰值区域以及其真实标记，以使得目标能够处于不同的背景之下，从而使得模型更加关注具有判别性的局部区域，进而增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级网络的仪表识别方法，其特征在于，具体步骤为：获取具有仪表的原始图像；通过RegNet轻量级网络对原始图像进行特征提取，获得第一提取特征图；对第一提取特征图中的特征进行融合，获得融合图像；对融合图像进行仪表目标识别及分类，获得分类仪表图像。2.根据权利要求1所述的一种基于轻量级网络的仪表识别方法，其特征在于，融合图像的获取步骤为：将RegNet轻量级网络中第N阶段特征进行两倍上采样后与第N
‑
1阶段特征进行特征融合，其中RegNet轻量级网络包括N个阶段。3.根据权利要求1或2所述的一种基于轻量级网络的仪表识别方法，其特征在于，仪表目标分类包括方形指针式仪表、圆形指针式仪表以及数字式仪表。4.根据权利要求3所述的一种基于轻量级网络的仪表识别方法，其特征在于，在对仪表目标识别及分类过程中的损失函数包括定位损失l
box
、分类损失l
cls
以及置信度损失l
noobj
。5.一种基于轻量级网络的仪表读数方法，其特征在于，具体步骤为：获取分类仪表图像；采用结合混合注意力剪裁的细粒度分类网络对分类仪表图像进行识别，获取仪表图像的量程信息；基于仪表图像的量程信息，获得仪表读数。6.根据权利要求5所述的一种基于轻量级网络的仪表读数方法，其特征在于，获取仪表图像的量程信息的具体步骤为：S21、通过融合通道注意力模块的特征提取网络对分类仪表图像进行特征提取，获得第二提取特征图；S22、对第二提取特征图中的特征进行处理，获得多个带有位置信息的注意力图；S23、利用双线性注意力池化对多个注意力图、第一提取特征图以及第二提取特征图进行融合，并计算交叉熵损失，得到多个注意力图对应的特征矩阵；S24、基于多个注意力图中的位置信息，对注意力图进行混合剪裁及数据增强，并输入至步骤S21中的融合通道注意力模块的特征提取网络中；S25、基于特征矩阵，确定仪表图像的量程信息。7.根据权...

【专利技术属性】
技术研发人员：沈家全，何奇，李德光，张永新，赵中乾，孙杰，方天乐，刘晓瑜，
申请(专利权)人：洛阳师范学院，
类型：发明
国别省市：