[发明专利]一种适用于巡检机器人的多类型仪表自动定位与识别方法

说明书

本发明提供一种适用于巡检机器人的多类型仪表自动定位与识别方法，根据事先收集好的各类型仪表场景图片，进行标注制作训练样本集，将制作好的样本集训练卷积神经网络模型；对任意的任务场景图片，利用训练好的卷积神经网络仪表模型进行检测识别，并对检测识别结果进行后处理；最后根据后处理结果得到最终的识别结果。本发明具有高准确度、高鲁棒性，对包含指针表、数字仪表、状态仪表在内的多类型仪表定位与识别均具有很高的准确度。

技术领域

本发明涉及图像处理和机器学习领域，尤其涉及一种适用于巡检机器人的多类型仪表自动定位和识别方法。

背景技术

仪表作为一种测量仪器，被广泛应用于化工、机械、电力等行业，如电网中的电流表、电压表、温度表等。传统的仪表定位识别方法需要人工肉眼判断，需要花费大量人力，劳动强度大，同时效率极其低下，过程十分繁琐，并且在某些高危环境中并不适宜人工作业。所以，目前人工仪表巡检正逐渐向智能巡检机器人巡检发展，智能巡检机器人的任务是通过自主信息采集与处理来获知设备的运行状态，为运维检修提供信息支持。自动定位与识别巡检任务场景下的各种不同类型的仪表是准确识别各种仪表读数及状态的基础，对智能巡检机器人的商业应用具有重要意义。

专利申请号为201611031884.2，名为《一种数字仪表读数图像识别方法》的中国专利申请，根据事先标定的数字仪表图像，使用模板匹配方法在全景图像中提取感兴趣区域，再根据标定字符的相对位置关系提取感兴趣区域中单个字符区域和小数点待检测区域；对单个字符区域，利用事先训练好的卷积神经网络字符模型进行单个字符识别；对小数点待检测区域，利用事先训练好的基于分块LBP编码特征及Adaboost分类器的Cascade目标检测子进行小数点检测，并对检测结果进行后处理；最后根据字符、小数点及正负号识别结果获取读数。该方法依赖于事先标定好的模板进行模板匹配时的准确度，如果在任务图像光照变化明显的情况下，定位的准确率会大大降低，进而识别准确率大幅下降，另外该方法只针对数字仪表的识别，无法进行多类型仪表的识别。

专利申请号为201610697650.5，名为《一种基于对称性特征的仪表指针图像识别方法》的中国专利申请，通过提取被识别图像中对称性特征，并在此基础上进一步处理得到被识别指针的一系列参数信息；在全景图的感兴趣区域内，对边缘像素点在指针转角和参考距离的量化空间上进行累计矩阵投票，得到若干组候选指针对称轴。通过指针边缘像素点共线性特性和指针对称轴线段对应的图像像素值近似一致性特点，对候选指针进行提炼，使得最终的对称像素点对基本上都属于指针。候选指针合并去除重叠的候选指针，选择边缘像素点集最多的候选指针作为最终的指针识别结果。该方法同样依赖于事先的标定好的模板进行模板匹配时的准确度，会受到光照或者拍摄角度大幅变化的极大的影响，并且识别对象单一。

现有的仪表定位与识别方法只针对解决某种特定单一种类仪表的定位与识别，例如指针类仪表定位识别方法就只能识别指针类仪表，不能定位识别数字类仪表，应用领域局限，无法满足例如变电站巡检场景下的各种仪表巡检需求。

发明内容

本发明的目的在于提供一种适用于巡检机器人的多类型仪表自动定位与识别方法，可解决智能巡检机器人在例如变电站场景下需要准确定位与识别各种不同仪表的需求，且对各种类型仪表的定位与识别具有很高的准确度。

为实现上述目的，本发明的技术方案如下：

一种适用于巡检机器人的多类型仪表自动定位与识别方法，包括以下步骤：

步骤一：根据事先收集多类型仪表场景图片，标注场景图片中的仪表区域并对应标注信息文件，制作训练样本集；

步骤二：将训练样本集送入设计好的卷积神经网络进行离线模型训练得到卷积神经网络仪表模型；

步骤三：利用卷积神经网络仪表模型对任务场景图片进行仪表类型识别和位置检测，初步得出系列仪表类型、置信度和位置矩形框；