[发明专利]一种基于超分和关键点的仪表盘识别方法

说明书

本发明揭示了一种基于超分和关键点的仪表盘识别方法，包括如下步骤：对图像进行预处理，获取真实图像和高清图像；建模并经过统计学习算法，得出模糊核池、噪声概率分布、噪声类型分布参数；将模糊核池、噪声概率分布、噪声类型分布参数进行随机组合，获取特征池；高清图像经过特征池处理后，获取真实训练集，高清图像进行三次下/上双向采样，获取高清数据集；将真实训练集以及高清数据集进行模型训练，并进行特征提取输出；将特征提取输出结果送入到网络重建层，并根据仪表刻度和指针的位置关系读取仪表示数。本发明不仅解决了角度、光线对图像处理的影响，同时还大大提升了实验中AI识别的准确性。

技术领域

本发明涉及AI识别领域，特别是涉及一种基于超分和关键点的仪表盘识别方法。

背景技术

在电学实验中，经常涉及到电流表和电压表的示数识别以及调零操作，由于光照、拍摄角度、相机分别率的影响，导致仪表盘刻度不清晰，图像模糊，人工识别和AI算法识别都不能从图像是获取关键信息，导致读取示数错误，目前主流解决方案是通过传统处理方法，把仪表盘上所有刻度和指针定位出来、仪表盘匹配、基于视觉网络的指针角度判断等等方案，以上方案存在很大的局限性：

1、传统图像算法：受图像质量、角度影响较大；

2、仪表盘匹配：误差很大；

3、基于指针角度判断的方法，误差较大。

发明内容

本发明的目的在于，提供一种基于超分和关键点的仪表盘识别方法，以提升图像的处理效果，同时提高AI识别的准确性。

为解决上述技术问题，本发明提供一种基于超分和关键点的仪表盘识别方法，包括如下步骤：

通过生产相机以及高清相机拍摄仪表并对图像进行预处理，分别获取仪表盘区域的真实图像以及高清图像；

通过真实图像和高清图像数据集进行建模，经过统计学习算法，设置不同条件分别得出模糊核池、噪声概率分布、噪声类型分布参数；

将模糊核池、噪声概率分布、噪声类型分布参数所有可能进行随机组合，获取生成训练真实图像的特征池；

高清图像经过特征池处理后，获取真实训练集，高清图像进行三次下/上双向采样，获取高清数据集；

将真实训练集以及高清数据集进行模型训练，并进行特征提取输出；

将特征提取输出结果送入到网络重建层，输出质量评估和关键点评估，并根据仪表刻度和指针的位置关系读取仪表示数。

进一步的，所述预处理包括如下步骤：

通过目标检测获取仪表的仪表盘区域裁剪图像，并通过关键点检测模型获取仪表盘区域的四个角点坐标信息；

利用仪表盘区域的四个角点信息，对仪表盘区域进行矫正。

进一步的，对仪表盘区域进行矫正的变换公式为：

其中(x，y，1)为变换前坐标，(X，Y，Z)为变换后坐标。

进一步的，设置不同条件分别得出模糊核池、噪声概率分布、噪声类型分布参数的计算公式为：

其中，X_i表示第i个对象，1≤i≤n；C_j表示第j个对象，1≤i≤k；X_it表示第i个对象的第t个属性，1≤t≤m；C_jt表示第j个对象的第t个属性。

进一步的，所述特征提取输出采用7个3×3CNN网络进行。

进一步的，所述质量评估的损失函数为：