一种指针表盘识别方法、系统及计算机存储介质技术方案

本发明专利技术公开了一种指针表盘识别方法、系统及计算机存储介质，方法包括：获取待识别指针表盘图像；将待识别指针表盘图像输入识别模型，获得相应的识别结果；其中，识别模型的构建方法包括：获取指针表盘的模板图像；根据模板图像生成训练图像；采用pytorch框架建立初始模型，初始模型的基本结构采用ResNet50；采用训练图像对初始模型进行训练，在训练过程中根据初始模型的损失函数对超参数进行调整，训练完成后获得训练模型；对训练模型进行剪枝处理，获得识别模型。本发明专利技术在工业场景中，对指针表盘的识别准确率高、识别速度快，在数据多样性和数据质量上都有一定的提升。性和数据质量上都有一定的提升。性和数据质量上都有一定的提升。

【技术实现步骤摘要】
一种指针表盘识别方法、系统及计算机存储介质


[0001]本专利技术涉及图像处理
，特别涉及一种指针表盘识别方法、系统及计算机存储介质。

技术介绍

[0002]指针式仪表由于具有结构简单、可靠性高、价格低等优点，其在现代工业过程中仍受到广泛应用。目前，指针式仪表的数值一般采用人工读取方式，该方法效率低、耗时长、实时性差，且读数易受读表人观察角度、疲劳等因素影响。然而，由于历史遗留原因，仍有一部分的仪表需要人工录入，这需要耗费大量的人力和时间，且有很多地方禁止人工进入。相比之下，根据实时监控捕获仪表图像，再利用图像识别算法读取仪表数值就显得更加便捷。
[0003]近年来，前沿研究者们尝试利用计算机视觉技术实现指针表自动读数。角度法和距离法是目前最常用的两种传统指针表自动读数方法。采用传统的角度法读数，首先找到指针表零刻度线和最大刻度线所对应的角度，再通过角度关系来获得指针表读数，其读数准确性易受指针表倾斜的影响。若采用距离法来进行读数，则该方法假设指针拟合直线与相邻刻度线平行，算法本身存在一定程度上的误差。
[0004]在基于深度学习的计算机视觉得到长足发展的今天，使用神经网络模型解决表盘识别问题已经受到越来越多的重视，其对复杂条件下的图像识别和算法运行的实时性方面相比于传统计算机视觉都有了显著的提高。然而使用深度学习训练算法模型来解决此类问题必然会面对其固有的一些缺陷：1、模型的泛化性不足。由于深度学习很大程度上依赖于所采集到的大规模数据，所以其泛化性对于数据的多样性有着非常大的依赖，如果模型实际使用的场景与训练时所使用的数据相关性较差，则模型的识别性能将大大降低。2、模型识别的准确率不够高。相比于传统计算机视觉技术来说，基于深度学习的表盘指针类任务的准确率得到了长足的提高，然而在实际生产生活中，指针表盘读数的准确率关乎设备的效率，甚至是生产人员的安全，所以高精度的识别准确度对算法模型来说至关重要。3、模型的实时性较低。由于此前的一些深度学习模型参数较多，模型复杂度高，导致训练好的模型偏大，而在巡检领域中，模型通常需要部署在边缘嵌入式设备上，这些设备的算力较低，运行功率也较小，无法支持大规模深度模型的推理任务，更不要说能够达到实时性的要求。

技术实现思路

[0005]本专利技术实施例提供了一种指针表盘识别方法、系统及计算机存储介质，用以解决现有技术中指针表盘识别方法存在的泛化性不足、准确度不够高和实时性较低的问题。
[0006]一方面，本专利技术实施例提供了一种指针表盘识别方法，包括：
[0007]获取待识别指针表盘图像；
[0008]将待识别指针表盘图像输入识别模型，获得相应的识别结果；
[0009]其中，识别模型的构建方法包括：
[0010]获取指针表盘的模板图像；
[0011]根据模板图像生成训练图像；
[0012]采用pytorch框架建立初始模型，初始模型的基本结构采用ResNet50；
[0013]采用训练图像对初始模型进行训练，在训练过程中根据初始模型的损失函数对超参数进行调整，训练完成后获得训练模型；
[0014]对训练模型进行剪枝处理，获得识别模型。
[0015]另一方面，本专利技术实施例提供了一种指针表盘识别系统，包括：
[0016]图像获取模块，用于获取待识别指针表盘图像；
[0017]识别模块，用于将待识别指针表盘图像输入识别模型，获得相应的识别结果；
[0018]其中，识别模型的构建方法包括：
[0019]获取指针表盘的模板图像；
[0020]根据模板图像生成训练图像；
[0021]采用pytorch框架建立初始模型，初始模型的基本结构采用ResNet50；
[0022]采用训练图像对初始模型进行训练，在训练过程中根据初始模型的损失函数对超参数进行调整，训练完成后获得训练模型；
[0023]对训练模型进行剪枝处理，获得识别模型。
[0024]另一方面，本专利技术实施例提供了一种计算机存储介质，该计算机存储介质中存储有多条计算机指令，该多条计算机指令用于使计算机执行上述的方法。
[0025]本专利技术中的一种指针表盘识别方法、系统及计算机存储介质，具有以下优点：
[0026]在工业场景中，对指针表盘的识别准确率高、识别速度快，在数据多样性和数据质量上都有一定的提升。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0028]图1为本专利技术实施例提供的一种指针表盘识别方法的流程图；
[0029]图2为本专利技术实施例提供的模板图像的示意图；
[0030]图3为本专利技术实施例提供的训练图像的示意图；
[0031]图4为本专利技术实施例提供的改进前后的块结构示意图；
[0032]图5为本专利技术实施例提供的去除残差连接前后的网络示意图；
[0033]图6为本专利技术实施例提供的剪枝操作示意图；
[0034]图7为本专利技术实施例提供的识别结果示意图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0036]图1为本专利技术实施例提供的一种指针表盘识别方法的流程图。本专利技术实施例提供了一种指针表盘识别方法，包括：
[0037]S100，获取待识别指针表盘图像。
[0038]S110，将待识别指针表盘图像输入识别模型，获得相应的识别结果。
[0039]其中，识别模型的构建方法包括：
[0040]S111，获取指针表盘的模板图像。
[0041]示例性地，在实际生产生活中，表盘的类型千变万化，而且表盘指针的刻度与量程也各不相同，所以为了得到适用于模型来进行训练的图像，首先需要采集一张表盘的模板图像，根据此模板图像即可生成各个刻度下的表盘图像，即训练图像，图2为表盘的模板图像。
[0042]S112，根据模板图像生成训练图像。
[0043]示例性地，S112具体包括：S1120，识别模板图像中的刻度数量；S1121，根据模板图像中的刻度生成数量与刻度数量匹配的训练图像。
[0044]从图2可以看到此表盘的量程为1
‑
10，共分为200个小刻度，因此使用数据生成软件产生2000张以上的训练图像，如图3所示，这些图像需要包含所有读数的表盘图像，每张训练图像的名称为此张图片中表盘的读数，即此图片的训练标签。
[0045]S113，采用pytorch本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种指针表盘识别方法，其特征在于，包括：获取待识别指针表盘图像；将所述待识别指针表盘图像输入识别模型，获得相应的识别结果；其中，所述识别模型的构建方法包括：获取指针表盘的模板图像；根据所述模板图像生成训练图像；采用pytorch框架建立初始模型，所述初始模型的基本结构采用ResNet50；采用所述训练图像对所述初始模型进行训练，在训练过程中根据所述初始模型的损失函数对超参数进行调整，训练完成后获得训练模型；对所述训练模型进行剪枝处理，获得所述识别模型。2.根据权利要求1所述的一种指针表盘识别方法，其特征在于，所述根据所述模板图像生成训练图像，包括：识别所述模板图像中的刻度数量；根据所述模板图像中的刻度生成数量与所述刻度数量匹配的训练图像。3.根据权利要求1所述的一种指针表盘识别方法，其特征在于，在建立所述初始模型后，还对所述初始模型的结构进行改进，对所述初始模型结构的改进包括：将conv2_x到conv5_x层中的块数量比例改为[3,3,9,3]，将卷积核的大小改为4x4，步距改为4；将沙漏型结构中的3x3卷积改成深度可分离卷积，把模型宽度改为96；将ResNet50中所有的激活函数改为GeLU，并将所有的批归一化操作改为线性归一化。4.根据权利要求1所述的一种指针表盘识别方法，其特征在于，在对所述训练模型进行剪枝处理之前，还...

【专利技术属性】
技术研发人员：王浩，高建文，贺子楠，
申请(专利权)人：北京国电瑞源科技发展有限公司，
类型：发明
国别省市：