一种指针式仪表读数的识别方法、识别装置和计算机可读介质制造方法及图纸

本公开的一些实施例提供了一种指针式仪表的识别方法、装置和计算机可读介质，所述方法包括：将具有第一仪表盘的待测图像输入第一神经网络模型，输出所述第一仪表盘图像；提取所述第一仪表盘图像的特征点，基于图像配准的算法，将所述第一仪表盘和标准仪表盘进行特征点配准，输出配准后的第二仪表盘图像；将所述第二仪表盘图像输入第二神经网络模型，输出在第二仪表盘图像上的指针位置信息；基于所述指针位置信息，计算所述指针式仪表的读数。本公开的实施例基于改进的神经网络模型，实现指针式仪表的识别和读数。式仪表的识别和读数。式仪表的识别和读数。

【技术实现步骤摘要】
一种指针式仪表读数的识别方法、识别装置和计算机可读介质


[0001]本公开的实施例涉及计算机视觉领域，具体涉及一种指针式仪表读书识别方法、识别装置和计算机可读介质。

技术介绍

[0002]为了避免环境中电磁干扰对仪表的影响，电力、石油、煤炭等行业的工厂中仍然大量使用指针式仪表。为了对这些指针式仪表进行数字化改造，现有的方式中，对这些指针式仪表的读数获取一般需要通过人工巡检记录，或使用固定摄像头针对某一个特定的仪表获取图像后再通过人工记录或图像识别算法进行记录。
[0003]随着5G时代的到来，响应于智能制造的国家战略规划，巡检方式也在不断往信息化、智能化的方向发展。目前已经开始使用通过无人机、机器人在厂区进行巡检。但是这种巡检方式仍然有一定局限性，例如在受限于天气影响或地形影响，在无法使用无人机或机器人的情况下，仍然需要人工巡检。此外，随着增强现实(AR)技术的发展，借助于增强现实设备(例如AR眼镜)的人工巡检也成为一种不可或缺的方式。基于AR巡检技术的仪表识别的图像是通过可穿戴式的增强显示设备上的摄像头进行拍摄，因此拍摄的仪表图片会受到现场环境、拍摄角度、设备佩戴方式的影响，现有的仪表识别方法还无法完美适配。

技术实现思路

[0004]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0005]本公开的一些实施例提出了一种指针式仪表读数的识别方法和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题。
[0006]第一方面，本公开的一些实施例提供了一种一种指针式仪表读数的识别方法，包括：将具有第一仪表盘的待测图像输入第一神经网络模型，输出所述第一仪表盘图像；提取所述第一仪表盘图像的特征点，基于图像配准的算法，将所述第一仪表盘和标准仪表盘进行特征点配准，输出配准后的第二仪表盘图像；将所述第二仪表盘图像输入第二神经网络模型，输出在第二仪表盘图像上的指针位置信息；基于所述指针位置信息，计算所述指针式仪表的读数。
[0007]第二方面，本公开的一些实施例提供了一种指针式仪表的识别装置，包括：摄像头，所述摄像头具有第一相机参数，被配置为用来拍摄具有第一仪表盘的待测图像；仪表盘识别定位模块，所述仪表盘识别定位模块包括第一神经网络模型，所述第一神经网络模型被配置为输入所述待测图像，并输出所述第一仪表盘图像；图像配准模块，所述图像配准模块被配置文为提取所述第一仪表盘图像的特征点，基于图像配准的算法，将所述第一仪表盘和标准仪表盘进行特征点配准，输出配准后的第二仪表盘图像；指针识别定位模块，所述
指针识别定位模块包括第二神经网络模型，所述第二神经网络模型被配置为输入所述第二仪表盘图像，并输出在第二仪表盘图像上的指针位置信息；读数获取模块，所述读数获取模块被配置为基于所述指针位置信息，计算所述指针式仪表的读数。
[0008]第三方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
[0009]本公开的上述各个实施例具有如下有益效果：基于可分离卷积的基础模块，设计可以在低算力设备上实时运行的神经网络模型，使得算法能够满足边缘计算的需求；使用特征点匹配算法来同时进行仪表盘定位和位姿矫正，以解决仪表读数误差的问题。
附图说明
[0010]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0011]图1是根据本公开的一个或多个实施例的指针式仪表读数的识别方法的流程图；
[0012]图2是根据本公开的一个或多个实施例的第一神经网络结构的输出示意图；
[0013]图3是根据本公开的一个或多个实施例的指针读数计算方法的示意图；
[0014]图4是根据本公开的一个或多个实施例的指针式仪表读数的矫正方法的示意图；
[0015]图5是根据本公开的一个或多个实施例的指针式仪表读数的识别方法的原理框图。
具体实施方式
[0016]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0017]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0018]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0019]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0020]下面将参考附图并结合实施例来详细说明本公开。
[0021]图1示出了可以应用于本公开的指针式仪表读数识别方法的流程图。具体包括执行步骤S1
‑
S4：
[0022]S1、将具有第一仪表盘的待测图像输入第一神经网络模型，输出所述第一仪表盘图像；
[0023]S2、提取所述第一仪表盘图像的特征点，基于图像配准的算法，将所述第一仪表盘和标准仪表盘进行特征点配准，输出配准后的第二仪表盘图像；
[0024]S3、将所述第二仪表盘图像输入第二神经网络模型，输出在第二仪表盘图像上的指针位置信息；
[0025]S4、基于所述指针位置信息，计算所述指针式仪表的读数。
[0026]具体的，在步骤S1中，待测图像可以包含一个或多个指针式仪表盘。第一神经网络模型可以是通过标注好仪表盘位置的指针式仪表盘的图像训练后形成的神经网络模型。第一神经网络模型被配置为在读入待测图像后，若待测图像中包含指针式仪表盘，则输出指针式仪表盘在待测图像中的区域范围。在其中一个实施例中，如图2所示，待测图像中包括一个指针式仪表盘以及其他干扰的零配件，在通过第一神经网络模型之后，输出该指针式仪表盘在待测图像中的区域，该区域可以以矩形显示；随后通过图像裁剪方法裁剪出该指针式仪表的区域，并可以作为后续图像处理步骤的输入数据。
[0027]在其中一个或多个实施例中，第一神经网络模型可以为深度分离卷积模型。深度分离卷积模型利用分解卷积运算符代替完整的卷积算子，因式分解将标准卷积分为两个分卷积：第一层为深度卷积，对输入数据的单通道进行轻量级滤波；第二层为逐点卷积，计算输入通道特性以构建新特征向量。相比于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种指针式仪表读数的识别方法，包括：将具有第一仪表盘的待测图像输入第一神经网络模型，输出所述第一仪表盘图像；提取所述第一仪表盘图像的特征点，基于图像配准的算法，将所述第一仪表盘和标准仪表盘进行特征点配准，输出配准后的第二仪表盘图像；将所述第二仪表盘图像输入第二神经网络模型，输出在第二仪表盘图像上的指针位置信息；基于所述指针位置信息，计算所述指针式仪表的读数。2.根据权利要求1所述的方法，进一步包括：所述待测图像由具有第一相机参数的摄像头拍摄；基于所述第一相机参数，计算所述摄像头和被拍摄的待测仪表图像中的仪表盘的第一位置关系；基于所述第一位置关系和所述标准仪表盘中已知的所述仪表盘和所述指针的第二位置关系，计算所述指针式仪表的读数误差，基于所述读数误差，矫正所述指针式仪表的读数。3.根据权利要求2所述的方法，所述基于所述第一位置关系和所述标准仪表盘中已知的所述仪表盘和所述指针的第二位置关系，计算所述指针式仪表的读数误差，进一步包括：所述标准仪表图像的是由所述摄像头在第一拍摄距离和第一角度拍摄，基于所述第一仪表盘图像和标准仪表盘图像的形态关系，根据所述第一拍摄距离和第一角度计算出拍摄所述待测图像时的第二拍摄距离和第二角度，根据所述待所述第二拍摄距离和第二角度，计算所述指针式仪表的读数误差。4.根据权利要求1所述的方法，基于所述指针位置信息，计算所述指针式仪表的读数，进一步包括：将所述指针位置信息输入第三神经网络，输出矫正后的指针式仪表的读数。5.根据权利要...

【专利技术属性】
技术研发人员：虞健，孔明，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：