[发明专利]一种基于神经网络的指针仪表读数识别方法

说明书

本发明公开了一种基于神经网络的指针仪表读数识别方法，包括步骤：1)表盘定位数据集的构建与预处理；2)针对识别对象及应用场景的特点，设计匹配的神经网络模型；3)对神经网络模型装载训练参数进行训练得到表盘定位模型；4)将待识别图像输入已训练的表盘定位模型中，得到图像中表盘的位置与类别，由表盘定位模型输出构建表盘信息提取数据集并预处理，对神经网络模型装载训练参数并在表盘信息提取数据集上训练，训练完毕后得到表盘信息提取模型；5)将表盘定位模型输出输入已训练的表盘信息提取模型中，得到表盘量程信息；6)在表盘定位模型输出中提取指针及表盘中心位置信息；7)计算仪表读数。本发明可在保证实时性的前提下得到高精度的仪表读数。

技术领域

本发明涉及模式识别与人工智能的技术领域，尤其是指一种基于神经网络的指针仪表读数识别方法。

背景技术

指针式仪表被广泛应用于工业生产、社会生活以及环境监测等诸多领域，为生产工作提供了许多便利。目前，人工读数是被广泛采用的读数方法，但是人工读数存在效率低、误差大以及稳定性差等缺陷，尤其是在一些不适合人员进入的场所，如变电站的高压环境，人工读数就失去了可行性。近年来，随着机器视觉和人工智能技术的迅猛发展，使得基于图像设备的仪表读数自动识别技术成为可能，使用自动识别技术可以有效规避人工读数方法存在的应用场景局限，并具有提高效率、消除误差等优势。因此，对指针仪表读数自动识别技术进行研究，具有非常重要的意义。

目前实现指针仪表读数自动识别的方法有很多，主要可分为基于传统图像处理的方法和基于深度学习的方法。基于传统图像处理的方法主要包括减影法、霍夫变换检测法和模板匹配法等，但是这些方法存在着一些缺陷，如减影法不仅需要提前获取待识别仪表零刻度图像，而且还需要待识别背景区域无变化，霍夫变换检测法仅能检测形状较为标准的表盘及指针，模板匹配则需获取单一尺寸模板图像，且模板图像与背景间需具备较高的对比度，这些传统图像处理方法的鲁棒性易受光照、拍摄角度及成像质量等因素影响，且应用场景受限。基于深度学习的方法可以通过大量数据集训练后对不同场景下的各类型仪表进行定位与识别，具有较高的鲁棒性，对应用场景要求低，具有较强的推广性，但是当前主流的深度学习方法需要大量的数据集和时间来进行训练，且由于其复杂的结构，不能在有限的硬件条件下保证实时性。因此需要在现有深度学习技术的基础上进行结构优化，降低算法训练成本，提高算法实时性。

综合以上论述，发明一种具备实时性和高精度的指针仪表读数识别方法具有较高的实际应用价值。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于神经网络的指针仪表读数识别方法，主要利用深度学习技术设计实现表盘定位、分类及量程信息提取功能，再使用图像处理技术获得指针及圆心位置信息，利用角度法在保证实时性的前提下得到高精度的仪表读数。

为实现上述目的，本发明提供的技术方案为：一种基于神经网络的指针仪表读数识别方法，包括以下步骤：

1)表盘定位数据集的构建与预处理；

2)针对识别对象及应用场景的特点，设计匹配的神经网络模型；

3)对设计的神经网络模型装载训练参数进行训练，训练过程中进行在线数据增强，训练完毕后得到表盘定位模型；

4)将待识别图像输入已训练的表盘定位模型中，得到图像中表盘的位置与类别，由表盘定位模型输出构建表盘信息提取数据集并预处理，对步骤2)中设计的神经网络模型装载训练参数并在表盘信息提取数据集上进行训练，训练过程中使用在线数据增强，训练完毕后得到表盘信息提取模型；

5)将表盘定位模型输出输入已训练的表盘信息提取模型中，得到表盘量程信息；

6)由表盘定位模型输出和表盘信息提取模型输出通过图像处理技术获得指针位置和表盘中心位置；