【技术实现步骤摘要】
一种基于抽象度量学习的指针式仪表检测方法及系统
[0001]本专利技术涉及机器视觉检测领域，特别是涉及一种基于抽象度量学习的指针式仪表检测方法及系统。
技术介绍
[0002]随着工业生产自动化的不断推进，各种测量仪表作为自动化系统的信息输入来源，其数量也急剧增加，如何准确地获取测量仪表的读数成为实现工业自动化的首要问题。在众多类型仪表中，指针式仪表由于其结构简单、可靠性高、反应灵敏、制造成本低等优点被广泛应用在工业生产中，因此实现对指针式仪表的自动读数就显得尤为重要。
[0003]仪表的自动读数分为两个阶段，分别是仪表的检测和仪表的识别，前者表示从复杂背景中将仪表表盘区域标出，后者在前者的基础上进行仪表读数的判定，后者识别的准确率严重依赖前者表盘区域检测的准确性。因此高精度的仪表检测技术成为指针式仪表自动读数系统的前提条件。
[0004]现有方法多采用深度学习的方法来检测指针式仪表，但是该方法依赖于大量数据集训练神经网络，由于在实际生产环境中难以采集到足够多的数据，因此实际的检测精度依然较低。此外，对数据扩充...
【技术保护点】
【技术特征摘要】
1.一种基于抽象度量学习的指针式仪表检测方法，其特征在于，所述基于抽象度量学习的指针式仪表检测方法包括：获取待检测仪表图像；根据所述待检测仪表图像，基于仪表检测模型，确定所述待检测仪表图像中的仪表类别和仪表位置；所述仪表检测模型为预先采用训练样本集，基于度量学习方法，对Faster R
‑
CNN网络进行训练得到的；所述训练样本集包括真实样本图像集、人工样本图像集以及真实样本图像集和人工样本图像集中的仪表标记；所述仪表标记包括类别标记和位置标记。2.根据权利要求1所述的基于抽象度量学习的指针式仪表检测方法，其特征在于，所述人工样本图像集的建立方法包括：在HSV颜色空间中，随机初始化仪表的背景颜色及刻度线特征，得到多张初始人工样本图像；对每张初始人工样本图像进行拉伸、旋转和平移变换，得到对应的人工基准图像；在每张人工基准图像中对仪表的位置和类别进行标记，得到人工样本图像集。3.根据权利要求1所述的基于抽象度量学习的指针式仪表检测方法，其特征在于，所述FasterR
‑
CNN网络包括特征提取网络及目标检测网络；所述仪表检测模型的建立方法包括：针对每张真实样本图像，通过所述特征提取网络提取所述真实样本图像的多通道特征，得到真实样本特征图；针对每张人工样本图像，通过所述特征提取网络提取所述人工样本图像的多通道特征，得到人工样本特征图；对所述真实样本特征图及所述人工样本特征图进行特征相似性度量，得到所述真实样本特征图与所述人工样本特征图之间的相似度；根据所述相似度确定第一损失函数；通过所述目标检测网络对所述真实样本图像进行目标检测，得到所述真实样本图像中目标的预测类别及预测位置；根据所述真实样本图像中目标的预测类别、预测位置、类别标记及位置标记，确定第二损失函数；基于所述第一损失函数及所述第二损失函数，对Faster R
‑
CNN网络进行迭代训练，直至所述第一损失函数及所述第二损失函数均收敛，以得到最优的Faster R
‑
CNN网络，最优的FasterR
‑
CNN网络为仪表检测模型。4.根据权利要求3所述的基于抽象度量学习的指针式仪表检测方法，其特征在于，所述对所述真实样本特征图及所述人工样本特征图进行特征相似性度量，得到所述真实样本特征图与所述人工样本特征图之间的相似度，具体包括：采用自适应全局平均池化操作，分别对所述真实样本特征图及所述人工样本特征图进行压缩处理，得到真实特征向量和人工特征向量；计算所述真实特征向量图像与所述人工特征向量之间的余弦距离；根据所述余弦距离，确定所述真实样本特征图与所述人工样本特征图之间的相似度。5.根据权利要求3所述的基于抽象度量学习的指针式仪表检测方法，其特征在于，所述第一损失函数为：
其中，loss
T
为第一损失函数的函数值，M为真实样本图像集中仪表标记的总数量，S
i
为每对真实样本特征图与人工样本特征图之间的相似度。6.一种基于抽象度量学习的指针式仪表检测系统，其特征在于，所述基于抽象度量学习的指针式仪表检测系统包括：数据获取模块，用于获取待检测仪表图像；检测模块，与所述数据获取模块连接，用于根据所述待检测仪表图像，基于仪表检测模型，确定所述待检测仪表图像中的仪表类别和仪表位置；所述仪表检测模型为预先采用训练样本集，基于度...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。