一种基于机器学习的指针式仪表读数识别方法和系统技术方案

本发明专利技术提供了一种基于机器学习的指针式仪表读数识别方法和系统，其中，指针式仪表读数识别方法包括：根据定位导航算法控制巡检机器人采集指针式仪表的目标图像和点位仪表参数；根据深度学习目标检测算法确定指针式仪表在目标图像中的仪表区域；根据深度学习语义分割算法从仪表区域中分割得到仪表指针蒙版和仪表刻度蒙版；建立指针式仪表的极坐标系，根据极坐标系将仪表指针蒙版映射为指针矩形图像，以及将仪表刻度蒙版映射为刻度矩形图像；根据指针矩形图像和刻度矩形图像计算得到指针刻度相对值；根据点位仪表参数以及指针刻度相对值计算得到指针式仪表的仪表读数。本发明专利技术的技术方案能解决现有技术中仪表读数精度差的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于机器学习的指针式仪表读数识别方法和系统


[0001]本专利技术涉及电力电网
，尤其涉及一种基于机器学习的指针式仪表读数识别方法和系统。

技术介绍

[0002]随着电网技术的高速发展，电网的规模结构也正在发生巨大的变化，基于仪表参数监测作业也得到井喷式发展，由于指针式仪表具有结构简单，成本低廉，抗干扰能力强，经久耐用等优点，被广泛应用于配电站房等电网场景。然而仪表作业为电力状态监测带来方便的同时，大规模的仪表状态监测却面临巨大挑战。
[0003]传统的仪表状态监测方法多采用人工方式对指针式仪表所监测数据的采集和记录，然而这种方式不但消耗大量人力、物力和财力，同时也容易因工作量大导致工作效率降低，易产生误记和误读，降低数据采集准确率，且因数据量大，耽误工程进度，造成无法挽回的后果。另外，部分数仪表工作在高温、高压、高辐射甚至有毒等恶劣的环境中，对数据采集员的生命安全是一种严重威胁。因此实现指针式仪表自动识别具有重要意义和巨大的价值。
[0004]随着数字图像处理技术，特别是人工智能(AI)的爆炸性发展和深度学习算法取得了重大突破，相关专业人员使用图像处理技术和深度学习方法来解决指针仪表识别过程中遇到的问题。早期传统算法，多采用数字图像处理技术识别和读取指针仪表的图像；例如使用图像减法的方式提取指针，并使用霍夫变换算法检测圆形区域以完成指针抄表识别。尽管这些算法在某些情况下效果很好，取得一些成就，但易受照明条件影响，适应性很差。近年来一些学者基于新颖现代算法，如使用SVM(支持向量机)或Faster
‑
RCNN检测算法来定位和提取仪表，并采用灰度图、二值化、指针和刻度颜色等信息获取读数，它很大程度上解决了传统算法遗留的问题，如比例尺不同、背景复杂和仪表定位困难等。但仍没有解决照明不均匀，照明变化范围大以及仪表倾斜情况下，仪表读数精度差的问题。

技术实现思路

[0005]本专利技术提供一种基于机器学习的指针式仪表读数识别方案，旨在解决现有技术存在的照明不均匀，照明变化范围大以及仪表倾斜等情况下，仪表读数精度差的问题。
[0006]为解决上述问题，根据本专利技术的第一方面，本专利技术提出了一种基于机器学习的指针式仪表读数识别方法，包括：
[0007]根据定位导航算法，控制巡检机器人采集指针式仪表的目标图像和点位仪表参数；
[0008]根据深度学习目标检测算法，确定指针式仪表在目标图像中的仪表区域；
[0009]根据深度学习语义分割算法，从仪表区域中分割得到仪表指针蒙版和仪表刻度蒙版；
[0010]建立指针式仪表的极坐标系，根据极坐标系将仪表指针蒙版映射为指针矩形图
像，以及将仪表刻度蒙版映射为刻度矩形图像；
[0011]根据指针矩形图像和刻度矩形图像，计算得到指针刻度相对值；
[0012]根据点位仪表参数以及指针刻度相对值，计算得到指针式仪表的仪表读数。
[0013]优选的，指针式仪表读数识别方法，根据定位导航算法，控制巡检机器人采集指针式仪表的目标图像和点位仪表参数的步骤，包括：
[0014]使用定位导航算法，控制巡检机器人到达目标点位；
[0015]根据巡检机器人在目标点位的点位信息调整巡检机器人的摄像头的位姿，当摄像头的位姿调整到位时，触发摄像头采集目标图像；
[0016]从目标图像中提取得到点位仪表信息。
[0017]优选的，指针式仪表读数识别方法，根据深度学习目标检测算法，确定指针式仪表在目标图像中的仪表区域的步骤，包括：
[0018]在原始仪表图像数据中标注仪表区域；
[0019]将标注仪表区域的原始仪表图像数据划分为训练集和测试集；
[0020]使用深度学习目标检测算法构建仪表区域检测模型，使用训练集和测试集分别对仪表区域检测模型进行训练和测试，得到训练通过的仪表区域检测模型；
[0021]将目标图像输入至仪表区域检测模型进行仪表检测，得到仪表区域的坐标信息；
[0022]按照仪表区域的坐标信息裁剪目标图像，得到仪表区域。
[0023]优选的，指针式仪表读数识别方法，根据深度学习语义分割算法，从仪表区域中分割得到仪表指针蒙版和仪表刻度蒙版的步骤，包括：
[0024]在原始仪表图像数据中标注仪表指针信息和仪表刻度信息；
[0025]按照预定数量比例，将标注后的原始仪表图像数据划分为训练集和测试集；
[0026]使用深度学习语义分割算法构建指针刻度双通道语义分割模型，将训练集和测试集输入至指针刻度双通道语义分割模型进行训练和测试，得到训练通过的指针刻度双通道语义分割模型；
[0027]对仪表区域进行像素处理，得到处理后的仪表图像；
[0028]将仪表图像输入至指针刻度双通道语义分割模型进行语义分割，得到仪表区域对应的仪表指针蒙版和仪表刻度蒙版。
[0029]优选的，指针式仪表读数识别方法，从仪表区域中分割得到仪表指针蒙版和仪表刻度蒙版的步骤之后，方法还包括：
[0030]对仪表指针蒙版和仪表刻度蒙版的像素值分别进行二值化处理，得到二值化处理后的仪表指针蒙版和仪表刻度蒙版；
[0031]统计仪表刻度蒙版中每个刻度的轮廓；
[0032]根据轮廓的质心，拟合得到轮廓椭圆；
[0033]根据轮廓椭圆的长轴和短轴，计算得到透视变换矩阵；
[0034]使用透视变换矩阵分别对仪表指针蒙版和仪表刻度蒙版进行透视变换，得到图像矫正后的仪表指针蒙版和仪表刻度蒙版。
[0035]优选的，指针式仪表读数识别方法，建立指针式仪表的极坐标系，根据极坐标系将仪表指针蒙版映射为指针矩形图像，以及将仪表刻度蒙版映射为刻度矩形图像的步骤，包括：
[0036]统计仪表刻度蒙版中每个刻度的轮廓；
[0037]根据轮廓的质心，拟合得到轮廓椭圆；
[0038]根据每个刻度的轮廓，提取轮廓椭圆对应的刻度圆环；
[0039]以轮廓椭圆的中心点为极心建立极坐标系，使用极坐标系将仪表指针蒙版映射为指针矩形图像，以及将仪表刻度蒙版映射为刻度矩形图像。
[0040]优选的，指针式仪表读数识别方法，根据指针矩形图像和刻度矩形图像，计算得到指针刻度相对值的步骤，包括：
[0041]将指针矩形图像和刻度矩形图像分别转化为一维刻度数组和一维指针数组；
[0042]从一维刻度数组中提取得到刻度，从一维指针数组中提取得到指针；
[0043]根据相对值计算公式，计算得到指针刻度相对值。
[0044]优选的，指针式仪表读数识别方法，根据点位仪表参数以及指针刻度相对值，计算得到指针式仪表的仪表读数的步骤，包括：
[0045]从点位仪表参数中提取得到点位仪表量程，其中，点位仪表量程包括量程下限值和量程上限值；
[0046]根据仪表读数计算公式，使用指针刻度相对值、量程上限值和量程下限值，计算得到指针式仪表的仪表读数。
[0047]根据本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的指针式仪表读数识别方法，其特征在于，包括：根据定位导航算法，控制巡检机器人采集指针式仪表的目标图像和点位仪表参数；根据深度学习目标检测算法，确定所述指针式仪表在所述目标图像中的仪表区域；根据深度学习语义分割算法，从所述仪表区域中分割得到仪表指针蒙版和仪表刻度蒙版；建立所述指针式仪表的极坐标系，根据所述极坐标系将所述仪表指针蒙版映射为指针矩形图像，以及将所述仪表刻度蒙版映射为刻度矩形图像；根据所述指针矩形图像和所述刻度矩形图像，计算得到指针刻度相对值；根据所述点位仪表参数以及所述指针刻度相对值，计算得到所述指针式仪表的仪表读数。2.根据权利要求1所述的指针式仪表读数识别方法，其特征在于，所述根据定位导航算法，控制巡检机器人采集指针式仪表的目标图像和点位仪表参数的步骤，包括：使用所述定位导航算法，控制所述巡检机器人到达目标点位；根据所述巡检机器人在所述目标点位的点位信息调整所述巡检机器人的摄像头的位姿，当所述摄像头的位姿调整到位时，触发所述摄像头采集所述目标图像；从所述目标图像中提取得到所述点位仪表信息。3.根据权利要求1所述的指针式仪表读数识别方法，其特征在于，所述根据深度学习目标检测算法，确定所述指针式仪表在所述目标图像中的仪表区域的步骤，包括：在原始仪表图像数据中标注仪表区域；将标注所述仪表区域的原始仪表图像数据划分为训练集和测试集；使用所述深度学习目标检测算法构建仪表区域检测模型，使用所述训练集和测试集分别对所述仪表区域检测模型进行训练和测试，得到训练通过的仪表区域检测模型；将所述目标图像输入至所述仪表区域检测模型进行仪表检测，得到所述仪表区域的坐标信息；按照所述仪表区域的坐标信息裁剪所述目标图像，得到所述仪表区域。4.根据权利要求3所述的指针式仪表读数识别方法，其特征在于，所述根据深度学习语义分割算法，从所述仪表区域中分割得到仪表指针蒙版和仪表刻度蒙版的步骤，包括：在所述原始仪表图像数据中标注仪表指针信息和仪表刻度信息；按照预定数量比例，将标注后的原始仪表图像数据划分为训练集和测试集；使用所述深度学习语义分割算法构建指针刻度双通道语义分割模型，将所述训练集和测试集输入至所述指针刻度双通道语义分割模型进行训练和测试，得到训练通过的指针刻度双通道语义分割模型；对所述仪表区域进行像素处理，得到处理后的仪表图像；将所述仪表图像输入至所述指针刻度双通道语义分割模型进行语义分割，得到所述仪表区域对应的仪表指针蒙版和仪表刻度蒙版。5.根据权利要求1所述的指针式仪表读数识别方法，其特征在于，所述从所述仪表区域中分割得到仪表指针蒙版和仪表刻度蒙版的步骤之后，所述方法还包括：对所述仪表指针蒙版和仪表刻度蒙版的像素值分别进行二值化处理，得到二值化处理后的仪表指针蒙版和仪表刻度蒙版；
统计所述仪表刻度蒙版中每个刻度的轮廓；根据所述轮廓的质心，拟合得到轮廓椭圆；根据所述轮廓椭圆的长轴和短轴，计算得到透视变换矩阵；使用所述透视变换矩阵分别对所述仪表指针蒙版和仪表刻度蒙版进行透视变换，得到图像矫正后的仪表指针蒙版和...

【专利技术属性】
技术研发人员：何翔，孙喜亮，王敏节，李晨，
申请(专利权)人：武汉绿土图景科技有限公司，
类型：发明
国别省市：