液位式仪表的识读方法及系统技术方案

本发明专利技术公开了一种液位式仪表的识读方法及系统

【技术实现步骤摘要】
液位式仪表的识读方法及系统、电子设备、介质


[0001]本专利技术涉及仪表识读领域，具体涉及一种液位式仪表的识读方法及系统
、
电子设备
、
介质
。

技术介绍

[0002]随着工业的快速发展，液位式仪表在工业生产中可用于测量温度或测量水位高度
。
然而其所产生的识读工作量是巨大的，目前，液位式仪表的识读工作大多通过人工完成，然而基于人眼的仪表识读过程中，工作人员需要结合仪表刻度线以及液位高度来综合判断仪表读数，导致识读工作需要一定的时间消耗
。
此外，仪表所处的环境对于人类而言可能并不舒适，因此带来了安全隐患
。
在此基础下，液位式仪表的自动识别成为了工业界和学术界共同关注的课题，目前已有大量研究者提出了高效的仪表自动识读方法
。
随着深度学习的普及以及深度学习的高准确率，基于深度学习的仪表识读算法成为了目前解决该类问题的主流
。
[0003]现有技术只用了传统的图像处理方法来识别液位表，不够智能，通过建立预设模板获取液位表，具有特定性，不够泛化
。
对于那些特征不够显著的液位表，检测效果有限
。
[0004]现有技术还针对量筒区域进行识别，需要人工裁剪出量筒区域，根据模型输出的热力图识别液位高度，需要大量人工干预，不够便利，识别准确率跟量筒液位位置高度关联，仅针对量筒液位特定场景，对于液位表识别并不兼容
。

技术实现思路

[0005]本专利技术要解决的技术问题是为了克服现有技术中无法准确识别液位式仪表的刻度值的缺陷，提供一种液位式仪表的识读方法及系统
、
电子设备
、
介质
。
[0006]本专利技术是通过下述技术方案来解决上述技术问题：
[0007]第一方面，提供一种液位式仪表的识读方法，识读方法包括：
[0008]根据液位式仪表图像的竖直纹理信息对所述仪表图像进行图像分割处理，以确定所述仪表图像中的刻度面板区域和液位柱区域；
[0009]对所述刻度面板区域进行文本识别，以得到刻度数字识别结果；
[0010]对所述液位柱区域进行图像处理，以得到液位高度；
[0011]根据所述液位高度和所述刻度数字识别结果，确定液位式仪表的识读结果
。
[0012]可选地，所述根据液位式仪表图像的竖直纹理信息对所述仪表图像进行图像分割处理，以确定所述仪表图像中的刻度面板区域和液位柱区域，包括：
[0013]采用
sobel
算法对所述液位式仪表图像进行卷积操作，得到纹理激活图；其中，所述竖直纹理信息包括纹理激活图；
[0014]采用大津阈值法对所述纹理激活图进行图像分割处理，得到图像分割结果；
[0015]对图像分割结果进行形态学处理，得到形态学图像；
[0016]根据所述形态学图像的纹理强度确定所述仪表图像中的刻度面板区域和液位柱
区域
。
[0017]可选地，所述根据液位式仪表图像的竖直纹理信息对所述仪表图像进行图像分割处理的步骤之前，还包括：
[0018]获取所述液位式仪表的原始图像；
[0019]将所述原始图像输入仪表检测模型，以根据所述仪表检测模型的第一输出结果从所述原始图像中截取所述液位式仪表图像；其中，所述仪表检测模型包含特征提取子模型
、
第一区域生成网络和第二区域生成网络；所述特征提取子模型用于对所述原始图像进行通用特征提取，所述第一区域生成网络用于根据通用特征确定所述原始图像中液位式仪表的候选区域，所述第二区域生成网络用于对所述候选区域进行特征提取
、
类别分类
、
边界框回归，并输出所述第一输出结果
。
[0020]可选地，所述特征提取子模型包括第一卷积神经网络和金字塔网络；所述第一卷积神经网络用于对所述原始图像进行特征提取，得到不同尺寸的特征图；所述金字塔网络用于将所述不同尺寸的特征图进行特征融合，得到所述原始图像的通用特征
。
[0021]可选地，所述对所述刻度面板区域进行文本识别，包括：
[0022]将所述刻度面板区域输入文本检测模型，以根据所述文本检测模型的输出结果确定所述刻度面板区域的文本概率图和自适应阈值图；其中，所述文本检测模型包含文本特征提取网络和可微二值化网络；所述文本特征提取网络用于对所述文本特征图进行可微二值化处理，得到文本概率图和自适应阈值图；
[0023]将所述文本概率图和所述自适应阈值图进行二值化处理，以得到和所述原始图像对应的近似二值图；
[0024]对所述二值图进行图像处理，以得到所述刻度面板区域中的文本区域；其中，所述文本区域为带有数字的外接多边形图像；
[0025]对所述文本区域进行文本识别
。
[0026]可选地，所述对所述文本区域进行文本识别，包括：
[0027]将所述文本区域输入文本识别模型，以根据所述文本识别模型的第二输出结果确定所述刻度数字识别结果；其中，所述文本识别模型包括第二卷积神经网络
、
循环神经网络；
[0028]第二卷积神经网络用于提取所述文本区域的图像特征；
[0029]所述循环神经网络用于根据所述图像特征获取所述文本区域的序列信息，并根据所述序列信息进行
CTC
编码，以得到所述刻度数字识别结果
。
[0030]可选地，所述根据所述液位高度和所述刻度数字识别结果，确定液位式仪表的识读结果，包括：
[0031]根据所述文本区域确定所述刻度面板区域中的刻度线识别结果；
[0032]根据所述文本区域和所述刻度线识别结果，确定所述刻度面板区域中的刻度之间的量程；
[0033]根据所述液位高度
、
所述刻度线识别结果和所述量程，确定所述仪表的识读结果
。
[0034]可选地，所述根据所述文本区域确定所述刻度面板区域中的刻度线识别结果，包括：
[0035]根据所述文本区域的坐标对所述文本区域进行排序，并按照从上至下的顺序遍历
所述文本区域；
[0036]根据所述文本区域的中心的纵坐标，确定所述刻度面板区域中的刻度线识别结果
。
[0037]第二方面，提供一种液位式仪表的识读系统，所述识读系统包括：
[0038]分割模块，用于根据液位式仪表图像的竖直纹理信息对所述仪表图像进行图像分割处理，以确定所述仪表图像中的刻度面板区域和液位柱区域；
[0039]识别模块，用于对所述刻度面板区域进行文本识别，以得到刻度数字识别结果；
[0040]处理模块，用于对所述液位柱区域进行图像处理，以得到液位高度；
[0041]确定模块，用于根据所述液位高度和所述刻度数字识别结果，确定液位式仪表的识读结果
。
[0042]第三方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种液位式仪表的识读方法，其特征在于，所述识读方法包括：根据液位式仪表图像的竖直纹理信息对所述仪表图像进行图像分割处理，以确定所述仪表图像中的刻度面板区域和液位柱区域；对所述刻度面板区域进行文本识别，以得到刻度数字识别结果；对所述液位柱区域进行图像处理，以得到液位高度；根据所述液位高度和所述刻度数字识别结果，确定液位式仪表的识读结果
。2.
如权利要求1所述的液位式仪表的识读方法，其特征在于，所述根据液位式仪表图像的竖直纹理信息对所述仪表图像进行图像分割处理，以确定所述仪表图像中的刻度面板区域和液位柱区域，包括：采用
sobel
算法对所述液位式仪表图像进行卷积操作，得到纹理激活图；其中，所述竖直纹理信息包括纹理激活图；采用大津阈值法对所述纹理激活图进行图像分割处理，得到图像分割结果；对图像分割结果进行形态学处理，得到形态学图像；根据所述形态学图像的纹理强度确定所述仪表图像中的刻度面板区域和液位柱区域
。3.
如权利要求1所述的液位式仪表的识读方法，其特征在于，所述根据液位式仪表图像的竖直纹理信息对所述仪表图像进行图像分割处理的步骤之前，还包括：获取所述液位式仪表的原始图像；将所述原始图像输入仪表检测模型，以根据所述仪表检测模型的第一输出结果从所述原始图像中截取所述液位式仪表图像；其中，所述仪表检测模型包含特征提取子模型
、
第一区域生成网络和第二区域生成网络；所述特征提取子模型用于对所述原始图像进行通用特征提取，所述第一区域生成网络用于根据通用特征确定所述原始图像中液位式仪表的候选区域，所述第二区域生成网络用于对所述候选区域进行特征提取
、
类别分类
、
边界框回归，并输出所述第一输出结果
。4.
如权利要求3所述的液位式仪表的识读方法，其特征在于，所述特征提取子模型包括第一卷积神经网络和金字塔网络；所述第一卷积神经网络用于对所述原始图像进行特征提取，得到不同尺寸的特征图；所述金字塔网络用于将所述不同尺寸的特征图进行特征融合，得到所述原始图像的通用特征
。5.
如权利要求1所述的液位式仪表的识读方法，其特征在于，所述对所述刻度面板区域进行文本识别，包括：将所述刻度面板区域输入文本检测模型，以根据所述文本检测模型的输出结果确定所述刻度面板区域的文本概率图和自适应阈值图；其中，所述文本检测模型包含文本特征提取网络和可微二值化网络；所述文本特征提取网络用...

【专利技术属性】
技术研发人员：叶松霖，韩少恒，陈怡然，董亚明，杨家荣，
申请(专利权)人：上海电气集团股份有限公司，
类型：发明
国别省市：