本发明专利技术属于图像识别技术领域，公开了一种基于深度学习的目标检测指针仪表读数方法及系统。本发明专利技术利用深度学习的卷积神经网络实现仪表定位算法，突破了定制化仪表读数的局限性，可在仪表旋转任意角度后精确的识别仪表读数，显著提高了算法的泛化能力；其次，通过局部整刻度搜索算法，解决了仪表盘存在倾斜后无法准确识别指针的问题，提高了算法的准确性；最后，由极坐标搜索算法得到的起始终止刻度以及指针刻度，采用了非极大值抑制算法后更为精准，所以提高了角度法计算读数的精度。同时，实现了仪表进行全自动的实时性读数，确保了生产安全与高效，满足了仪表读数的精度和效率要求。
【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及一种基于深度学习的目标检测指针仪表读数方法及系统。
技术介绍
1、本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、随着仪器仪表行业的发展和图像识别和处理技术的应用，仪器仪表读数也逐渐实现智能化，因此近年来不断出现一些利用机器进行仪表读数的方案,但仍然存在一些问题。在仪表检测定位方面，电厂、变电站仪表种类繁多,仪表背景复杂多变，利用传统图相处的方法，如通过surf特征点检测仪表、采用模板匹配的方法检测定位。这些方法因不能深度提取图像特征，分类检测效果不佳，定位也常常出现错误，导致不能采集到有效的仪表图像，进而导致的读数工作效率低下,完成该项工作耗时长，致使算法不具有普及性；考虑到抓取仪表时，摄像机存在的角度偏差导致的仪表数据有倾斜的情况，应用到变电站实际环境的仪表识别系统识别精度普遍较低,目前还没有高精度的适用于实际环境的仪表识别系统。
3、因此，现有技术还有待于进一步发展，亟需一种精准高效的可适用于多类型指针式仪表自动读数新方法，并解决由于倾斜导致的读数精度较低的问题。
技术实现思路
1、本专利技术的目的在于，针对现有技术的不足，提高读数效率和读数精度、可以对各类型仪表进行全自动读数，弥补机器视觉只能对单一类型的仪表读数的缺陷，实现复杂场景下多类型仪表利用深度学习目标检测进行定位并实时读数，满足仪表读数的普适性，解决倾斜仪表读数的精度和效率要求。
>2、为了达到上述目的，本专利技术采用的技术方案如下。3、一方面，本专利技术提供一种基于深度学习的目标检测指针仪表读数方法，包括：获取待检测图像；采用目标检测算法预测候选框的相对位置，得到仪表区域；基于颜色空间对所述仪表区域进行二值化处理，并确定起始刻度和终止刻度，并以仪表中心为圆心，以仪表外接矩形长边为半径，建立极角坐标系；在所述极角坐标系中，计算不同极角下白色区域得分，将得分最高的极角确定为指针区域的角度，利用角度法计算出仪表读数；输出仪表读数结果。
4、作为进一步的技术方案，上述方法还包括：利用指针角度搜索指针相邻的两个刻度，用搜索到的刻度对所述仪表读数进行校正，得到更准确的读数。
5、作为进一步的技术方案，所述利用指针角度搜索指针相邻的两个刻度，用搜索到的刻度对所述仪表读数进行校正包括：在指针临近区域按照预设角度临近值和搜索范围进行局部整刻度搜索，并将原灰度图在所述预设角度临近值和搜索范围的约束下赋值到全白的灰度图中，二值化处理后，按照预预设角度临近值和搜索范围搜索并计算不同极角下的白色区域得分值。
6、作为更进一步的技术方案，采用非极大值抑制算法在所述白色区域得分值中找到两个最佳刻度得分，包括重复以下步骤：将记录好的白色区域得分值进行大小排序，计算每个角度与最大得分的角度之间的绝对值差；设定angle_nms_thres，如果abs_angle<angle_nms_thres,移除该角度的结构体，保留最高得分。
7、作为更进一步的技术方案，对于满足abs_angle<angle_nms_thres,且角度与最大得分的角度之间的绝对值差小于10的所有角度，求取角度平均值，作为最佳刻度对应的角度。
8、作为更进一步的技术方案，还包括：对使用起始终止刻度以及指针角度来求得仪表读数进行角度法计算，求得校正后的仪表读数。
9、作为更进一步的方案，所述采用目标检测算法预测候选框的相对位置，实现仪表定位包括：通过仪表特征提取模块,对所述待检测图像进行卷积操作,得到不同深度仪表图像的特征张量，用于仪表的定位；通过多尺度预测模块,通过不同尺度的输出张量对仪表图像进行方框标记与类别预测；根据输出的坐标信息提取出仪表区域。
10、作为更进一步的方案，所述不同尺度的输出张量包括深层网络的输出张量和浅层网络的输出张量，所述深层网络的输出张量用于大尺度仪表的预测，浅层网路的输出张量用于中尺度和小尺度仪表的预测,它们是通过将特征提取模块中残差结构体的输出张量与上一采样张量进行拼接得到。
11、作为再进一步的方案，所述颜色空间包括rgb空间和hsv空间，通过所述rgb空间处理的图像确定仪表圆心，通过所述hsv空间处理的图像确定起始刻度和终止刻度。
12、另一方面，本专利技术还基于上述方法，提供一种基于深度学习的目标检测指针仪表读数系统，包括：图像获取装置，用于获取待检测图像数据；图像分析推理设备，用于对所述待检测图像数据进行处理，并分析得到输煤皮带作业状态信息，包括目标检测模块、坐标系模块和校正模块，所述目标检测模块用于提取感兴趣的仪表区域，包括特征提取模块和多尺度预测模块，所述坐标系模块用于极角坐标系的建立和不同极角下的白色区域得分计算，根据最高得分指针角度确定仪表读数，所述校正模块用于对所述仪表读数进行校正。
13、与现有技术相比，本专利技术具有以下有益效果：
14、本专利技术利用深度学习的卷积神经网络实现仪表定位算法，突破了定制化仪表读数的局限性，可在仪表旋转任意角度后精确的识别仪表读数，显著提高了算法的泛化能力；其次，通过局部整刻度搜索算法，解决了仪表盘存在倾斜后无法准确识别指针的问题，提高了算法的准确性；最后，由极坐标搜索算法得到的起始终止刻度以及指针刻度，采用了非极大值抑制算法后更为精准，所以提高了角度法计算读数的精度。同时，实现了仪表进行全自动的实时性读数，确保了生产安全与高效，满足了仪表读数的精度和效率要求。
本文档来自技高网...
【技术保护点】
1.一种基于深度学习的目标检测指针仪表读数方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，所述方法还包括：利用指针角度搜索指针相邻的两个刻度，用搜索到的刻度对所述仪表读数进行校正。
3.根据权利要求2所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，所述利用指针角度搜索指针相邻的两个刻度，用搜索到的刻度对所述仪表读数进行校正包括：
4.根据权利要求3所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，采用非极大值抑制算法在所述白色区域得分值中找到两个最佳刻度得分，包括重复以下步骤：
5.根据权利要求4所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，对于满足abs_angle<angle_nms_thres,且角度与最大得分的角度之间的绝对值差小于10的所有角度，求取角度平均值，作为最佳刻度对应的角度。
6.根据权利要求5所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，还包括：对使用起始终止刻度以及指针角度来求得仪表读数进行角度法计算，求得校正后的仪表读数。
7.根据权利要求2所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，所述采用目标检测算法预测候选框的相对位置，实现仪表定位包括：通过仪表特征提取模块,对所述待检测图像进行卷积操作,得到不同深度仪表图像的特征张量，用于仪表的定位；
8.根据权利要求2所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，所述不同尺度的输出张量包括深层网络的输出张量和浅层网络的输出张量，所述深层网络的输出张量用于大尺度仪表的预测，浅层网路的输出张量用于中尺度和小尺度仪表的预测,所述输出张量是通过将特征提取模块中残差结构体的输出张量与上一采样张量进行拼接得到。
9.根据权利要求2所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，所述颜色空间包括RGB空间和HSV空间，通过所述RGB空间处理的图像确定仪表圆心，通过所述HSV空间处理的图像确定起始刻度和终止刻度。
10.一种基于深度学习的目标检测指针仪表读数系统，基于权利要求1-9中任一项所述的方法，其特征在于，包括：
...
【技术特征摘要】
1.一种基于深度学习的目标检测指针仪表读数方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，所述方法还包括：利用指针角度搜索指针相邻的两个刻度，用搜索到的刻度对所述仪表读数进行校正。
3.根据权利要求2所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，所述利用指针角度搜索指针相邻的两个刻度，用搜索到的刻度对所述仪表读数进行校正包括：
4.根据权利要求3所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，采用非极大值抑制算法在所述白色区域得分值中找到两个最佳刻度得分，包括重复以下步骤：
5.根据权利要求4所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，对于满足abs_angle<angle_nms_thres,且角度与最大得分的角度之间的绝对值差小于10的所有角度，求取角度平均值，作为最佳刻度对应的角度。
6.根据权利要求5所述的一种基于深度学习的目标检测指针仪表读数方法，其特征在于，还包括：对使用起始终止刻度以及指针角度...
【专利技术属性】
技术研发人员：吕耀辉，张磊，刘奔，黄忆谭，崔明根，
申请(专利权)人：深圳市铁越电气有限公司，
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。