一种基于可信AI的指针式压力表示值读取方法及装置制造方法及图纸

本发明专利技术公开了一种基于可信AI的指针式压力表值读取方法及装置，包括：使用深度学习目标检测模型，识别图像上的压力表，并获得压力表在图像上的位置，裁剪出压力表图像I

【技术实现步骤摘要】
一种基于可信AI的指针式压力表示值读取方法及装置


[0001]本专利技术涉及压力表检定
，尤其涉及一种基于可信AI的指针式压力表示值读取方法及装置。

技术介绍

[0002]压力表在我国的工农业生产领域有着广泛的应用，被列入了国家强制检定的计量器具之中。当前，对压力表检定工作还采用人工操作方法，存在操作繁琐、操作量大。研制开发压力表智能检定装置，实现自动化批量检定，实现数字化计量，有助于提高压力表计量的效率和质量，保障生产。目前全自动化的批量检定难点主要有：一方面，对于“缩格”零位压力表的图像识别技术影响，识别率较低，主要是由于这一类型的压力表刻度分布并不均匀，直接根据角度进行示值的估算会出现误差，存在越明显的“缩格”区别，则就会有越大的误差；另一方面，压力表的规格型号不同，在准确度等级、量程、允差、被检点等方面都会存在差异。

技术实现思路

[0003]为解决上述技术问题，本专利技术的目的是提供一种基于可信AI的指针式压力表示值读取方法及装置。
[0004]本专利技术的目的通过以下的技术方案来实现：
[0005]一种基于可信AI的指针式压力表示值读取方法，包括：
[0006]A使用深度学习目标检测模型，识别图像上的压力表，并获得压力表在图像上的位置，裁剪出压力表图像I
meter
；
[0007]B通过深度学习分割模型，识别出压力表图像上的指针、刻度盘区域；
[0008]C在刻度盘区域内，采用机器视觉分割算法提取精确刻度，对精确刻度进行缩格补偿，建立极坐标系O
meter
，获得刻度盘压力值P
n
与θ
n
的对应关系；
[0009]D在指针区域内，采用机器视觉分割算法，提取精确指针区域，获得指针角度为θ
pin
，变换得到压力示值P
pin
。
[0010]一种基于可信AI的指针式压力表值读取装置，包括相机、面光源、相机光源支架和上位机；
[0011]所述相机为摄像头或工业相机加工业镜头，并与上位即连接通信；
[0012]所述面光源安装于相机光源支架上。
[0013]与现有技术相比，本专利技术的一个或多个实施例可以具有如下优点：
[0014]本专利技术提供的方法结合深度学习目标检测模型、深度学习分割模型及机器视觉，识别图像上的压力表，进一步提取精确指针、精确刻度盘区域，对精确刻度进行缩格补偿，最终获得指针角度，变换得到压力示值。可准确识别出对于“缩格”零位压力表的示值；具有较好适应性，可识别不同规格型号、不同量程、准确度等级的压力表，智能读取示值。
附图说明
[0015]图1是基于可信AI的指针式压力表示值读取方法流程图。
具体实施方式
[0016]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本专利技术作进一步详细的描述。
[0017]如图1所示，为基于可信AI的指针式压力表示值读取方法，包括：
[0018]步骤10使用深度学习目标检测模型，识别图像上的压力表，并获得其在图像上位置，并裁剪出压力表图像I
meter
；
[0019]识别图像上压力表的深度学习目标检测模型，可以是R
‑
CNN、faster R
‑
CNN等二阶段式目标检测模型，也可以是YOLO、PYOLO等单阶段式目标检测模型；
[0020]压力表在图像上位置以左上点(u
min
,v
min
)、右下点(u
max
,v
max
)边界框表示；
[0021]在裁剪压力表图像时，可对边界框进行外拓，设外拓水平像素数量σ
u
、垂直像素数量σ
v
，即左上点(u
min
‑
σ
u
,v
min
‑
σ
v
)、右下点(u
max
+σ
u
,v
max
+σ
v
)。
[0022]步骤20使用深度学习分割模型，识别出压力表图像上的指针、刻度盘区域；
[0023]识别出压力表图像上指针、刻度盘区域的深度学习分割模型，可以FCN、DeepLab等语义分割模型，也可以是Mask R
‑
CNN等实例分割模型；
[0024]经过输出，可以获得指针区域二值图像B
pin
‑
DL
、刻度盘区域二值图像B
scale
‑
DL
。
[0025]步骤30在刻度盘区域内，采用机器视觉分割算法提取精确刻度，对精确刻度进行缩格补偿，建立极坐标系O
meter
，得到获得刻度盘压力值P
n
与θ
n
的对应关系；
[0026]①
对刻度盘区域二值图像B
scale
‑
DL
进行形态学的膨胀运算，获得较完整指针的刻度盘区域B
scale
‑
DL2
；
②
对压力表图像I
meter
进行全局阈值分割、局部阈值分割，包含刻度盘、指针及其他干扰的二值图B
MV
；
③
以B
scale
‑
DL2
、B
MV
相交获得精确刻度B
scale
。
[0027][0028]式中，表示形态学膨胀运算，S
scale
‑
DL
为结构元素。
[0029]设压力表理论测量范围为0～P
e
，对于带止销压力表，存在“缩格”使压力表实际测量范围为P
s
～P
e
(P
s
>0Pa)，在示值读取时，需要估计测量下限
[0030]以压力表中心为原点、沿径向建立极坐标系，则刻度线起点、终点对应角度分别为θ
s
、θ
e
；刻度盘角度为θ
n
，刻度盘压力示值P
n
为：
[0031][0032]实际测量下限可通过示值非0的刻度线进行估计，设该刻度线示值P
n
、角度θ
n
，则为：
[0033][0034]式
⑵
、式
⑶
就是考虑缩格的压力表读数方法。
[0035]步骤40在指针区域内，采用机器视觉分割算法，提取精确指针区域，获得指针角度为θ
pin
，变换得到压力示值P
pin
；
[0036]①
对指针区域二值图像B
pin
‑
DL
进行形态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可信AI的指针式压力表值读取方法，其特征在于，包括：A使用深度学习目标检测模型，识别图像上的压力表，并获得压力表在图像上的位置，裁剪出压力表图像I
meter
；B通过深度学习分割模型，识别出压力表图像上的指针、刻度盘区域；C在刻度盘区域内，采用机器视觉分割算法提取精确刻度，对精确刻度进行缩格补偿，建立极坐标系O
meter
，获得刻度盘压力值P
n
与θ
n
的对应关系；D在指针区域内，采用机器视觉分割算法，提取精确指针区域，获得指针角度为θ
pin
，变换得到压力示值P
pin
。2.如权利要求1所述的基于可信AI的指针式压力表值读取方法，其特征在于，所述A中识别图像上压力表的深度学习目标检测模型，其中目标检测模型为R
‑
CNN、faster R
‑
CNN二阶段式目标检测模型或YOLO、PYOLO单阶段式目标检测模型；所述压力表图像上位置以左上点(u
min
,v
min
)、右下点(u
max
,v
max
)边界框表示；在裁剪压力表图像时，可对边界框进行外拓，设外拓水平像素数量σ
u
、垂直像素数量σ
v
，即左上点(u
min
‑
σ
u
,v
min
‑
σ
v
)、右下点(u
max
+σ
u
,v
max
+σ
v
)。3.如权利要求1所述的基于可信AI的指针式压力表值读取方法，其特征在于，所述B中识别出压力表图像上指针、刻度盘区域的深度学习分割模型，其中，分割模型为FCN、DeepLab语义分割模型或Mask R
‑
CNN实例分割模型；经过输出获得指针区域二值图像B
pin
‑
DL
、刻度盘区域二值图像B
scale
‑
DL
。4.如权利要求1所述的基于可信AI的指针式压力表值读取方法，其特征在于，所述C中在刻度盘区域内，采用机器视觉分割算法提取精确刻度，具体为：1)对刻度盘区域二值图像B
scale
‑
DL
进行形态学的膨胀运算，获得较完整指针的刻度盘区域B
scale
‑
DL2
；2)对压力表图像I
meter
进行全局阈值分割、局部阈值分割，包含刻度盘、指针及其他干扰的二值图B
MV
；3)以B
s...

【专利技术属性】
技术研发人员：黄坚，黄锋，
申请(专利权)人：广州计量检测技术研究院，
类型：发明
国别省市：