【技术实现步骤摘要】
指针式仪表读数识别方法、装置、电子设备及存储介质
[0001]本申请涉及人工智能
，尤其涉及一种指针式仪表读数识别方法、装置、电子设备及存储介质。
技术介绍
[0002]随着科学技术、计算机技术、深度学习等多种技术的不断完善和发展，通过图像处理技术的方法对仪表进行读数识别逐渐用于实际应用中，而指针式仪表具有结构简单，抗潮湿，成本低，精度高，抗高温以及抗电磁干扰等优势，因此，指针式仪表广泛应用于机械、医疗、军事、土木、化工等各个领域。
[0003]现有技术中，可以通过将表盘区域图像输入到预训练的表计检测模型中得到读数识别目标图像，进一步识别目标图像得到表计的仪表读数。
[0004]但是，上述方法需要大量的训练样本去训练表计检测模型，耗费大量时间，且需要检测的表盘类型越多，训练数据越多，表计检测模型越复杂，使得检测的准确性降低。
技术实现思路
[0005]本申请提供一种指针式仪表读数识别方法、装置、电子设备及存储介质，可以简化仪表读数识别模型的训练过程，节省时间，还可以提高检测的准确性。
【技术保护点】
【技术特征摘要】
1.一种指针式仪表读数识别方法，其特征在于，所述方法包括：获取待测图像，并将所述待测图像输入到深度学习网络模型中，得到多个关键点的特征数据；其中，每三个关键点构建一段圆形弧线，每两段半径不同、但圆心重合的圆形弧线构成包含所述待测图像的指针仪表刻度的弧形区域；计算所述待测图像上每一个关键点的特征数据与所述待测图像对应的模板图像上关键点对应的特征数据的匹配度，并基于所述匹配度得到包含指针的弧形区域，识别所述弧形区域中的指针读数。2.根据权利要求1所述的方法，其特征在于，所述关键点的特征数据包括特征点数据和描述子数据；将所述待测图像输入到深度学习网络模型中，得到多个关键点的特征数据，包括：将所述待测图像和所述待测图像对应的模板图像输入到深度学习网络模型中进行降维处理，得到所述待测图像对应的第一数据和所述模板图像对应的第二数据；利用损失函数对所述第一数据和所述第二数据进行处理，得到所述待测图像和所述模板图像各自对应的多个特征点数据和多个描述子数据；所述特征点数据包括关键点的位置坐标；所述描述子数据包括关键点的方向、对应的半径、对应的像素点。3.根据权利要求1所述的方法，其特征在于，计算所述待测图像上每一个关键点的特征数据与所述待测图像对应的模板图像上关键点对应的特征数据的匹配度，包括：将所述待测图像上每一个关键点的特征数据输入到降噪自动编码器中，筛除所述特征数据中的噪声数据；分别计算筛除噪声数据后的特征数据与所述待测图像对应的模板图像上关键点对应的特征数据的匹配度。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，基于所述匹配度得到包含指针的弧形区域，识别所述弧形区域中的指针读数，包括：基于所述待测图像上每一个关键点的特征数据与所述待测图像对应的模板图像上关键点对应的特征数据的匹配度，依次查找所述待测图像对应的匹配特征数据；将所述匹配特征数据映射到所述待测图像中，得到包含指针的弧形区域，并利用图像垂直投影法定位所述弧形区域中指针位置，识别对应的指针读数。5.根据权利要求4所述的方法，其特征在于，基于所述待测图像上每一个关键点的特征数据与所述待测图像对应的模板图像上关键点对应的特征数据的匹配度，依次查找所述待测图像对应的匹配特征数据，包括：针对所述待测图像上每一关键点，获取所述关键点的特征数据与所述模板图像上关键点对应的特征数据的多个匹配度，并基于所述多个匹配度中的最大值确定目标特征数据；将所述待测图像上每一关键点对应的目标特征数据和所述模板图像上关键点对应的特征数据输入到注意力图神经网络中，得到所述待测图像对应的第一特征矩阵和所述模板图像对应的第二特征矩阵；计算所述第一特征矩阵与所述第二特征矩阵的匹配得分，并基于所述匹配得分依次...
【专利技术属性】
技术研发人员：刘学福，王建成，周必书，黄深能，邓禹，邓海宇，张震，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：
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。