[发明专利]一种基于关键点检测的仪表读数方法

说明书

本发明涉及图像处理领域，具体涉及一种基于关键点检测的仪表读数方法，包括：建立仪表关键点检测训练模型；获取仪表图像；基于训练模型和仪表图像获取指针仪表的指针尖端点和中心点；用指针尖端点和中心点可以计算出指针的角度；根据角度‑读数映射表获取指针仪表的读数。本发明摒弃直接使用二值化的方式来检测仪表的指针，而是使用基于深度学习的关键点检测的方式来检测指针仪表的两个关键点，即指针的尖端和指针仪表的中心点。利用两个关键点可以计算出指针的角度，然后根据各个范围的角度‑读数映射来获取此时指针仪表的读数，从而提高了算法的鲁棒性以及读数的精确度。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于关键点检测的仪表读数方法。

背景技术

在自动化工厂、密集仪器实验室以及医院辐射区等区域，经常需要通过仪表的示数来评估这些环境中不同设备的运转状况，如果采用人工读数的方式，将对工人的身体健康造成极大的伤害，所以需要使用智能的方式来代替人工读取仪表的示数。

在仪表读数领域，研究方向大致分为两大类。一种是研究一种智能仪表，从硬件角度实现自动报表读取的智能设备，每当需要了解仪表的读数的时候，只需要操作硬件即可将数据显示出来。但是，硬件优化的成本比较高，且需要长期进行额外的维护。二是通过研究一种合适、高效的方法来实现指针仪表的读数功能，从而简化繁琐的人工操作步骤。在现有的一些仪表读数算法中，大都采用的是图像二值化的方法，将图像直接二值化处理虽然处理方法简单，但是也有非常大的弊端，极容易受到背景因素的影响，且对于光照因素非常敏感，除此之外，对于拍摄照片的硬件设备摄像头的要求也比较高，如果拍摄的照片比较模糊，将损失指针仪表的刻度信息，这对于读数的精度的影响是巨大的。除了直接进行二值化处理之外，还有类似模板匹配融合指针旋转的方法来检测指针仪表的读数，该种方法同样受仪表的背景因素影响极大，由于该种方法通过最高相应值来进行判断指针的指向，故一旦背景花纹较多，很容易让算法误判导致读数结果与真实结果大相径庭。除了背景因素之外，指针掩膜的旋转增量也是极为关键的因素，如果旋转增量过小，那么每一次读数所需要花费的时间过久，如果旋转增量过大，虽然减少了读数花费的时间，但是旋转增量过大，导致读数结果误差非常大。

发明内容

本发明的目的在于提供一种基于关键点检测的仪表读数方法，旨在解决现有指针仪表读数方法容易受到环境、光照影响而导致读数的可靠性大大降低的问题。

为实现上述目的，本发明提供了一种基于关键点检测的仪表读数方法，包括：建立仪表关键点检测训练模型；获取仪表图像；基于训练模型和仪表图像获取指针仪表的指针尖端点和中心点；用指针尖端点和中心点可以计算出指针的角度；根据角度-读数映射表获取指针仪表的读数。

其中，在所述获取仪表图像之后，所述基于训练模型和仪表图像获取指针仪表的指针尖端点和中心点之前，所述方法还包括判断仪表图像是否倾斜，若倾斜则进行纠偏。

其中，所述建立仪表关键点检测训练模型的具体步骤是：

建立神经网络训练数据集；

通过人工标注软件，对指针尖端点和中心点进行标注，生成对应指针仪表的标签文件；

将标签文件传入Mask R-CNN网络中进行迭代训练，得到最终的训练模型；

使用标准均方误差函数对训练模型的检测效果进行评估。

其中，所述将标签文件传入Mask R-CNN网络中进行迭代训练，得到最终的训练模型的具体步骤是：

将掩码分支结构改成关键点分支结构；

确认损失函数；

基于标签文件进行迭代训练。

其中，所述关键点分支结构由两组卷积层组成，第一组卷积层的大小为14x14x256，第二组卷积层大小为14x14x2。