一种基于深度学习的指针式仪表智能识别方法及系统技术方案

本公开提供了一种基于深度学习的指针式仪表智能识别方法及系统，包括：获取待识别的指针式仪表图像；对所述指针式仪表图像及其对应的模板图像进行特征匹配，获得映射关系；基于预先训练的指针区域识别模型及待识别的指针式仪表图像，获得指针区域；基于所述指针区域的中心点位置及仪表圆心位置，以单位角度上各像素的像素值之和最大为目标，确定指针方向；基于所述映射关系及指针方向，确定当前指针式仪表的准确读数。针式仪表的准确读数。针式仪表的准确读数。

【技术实现步骤摘要】
一种基于深度学习的指针式仪表智能识别方法及系统


[0001]本公开属于智能运维技术相关领域，尤其涉及一种基于深度学习的指针式仪表智能识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前，指针式仪表被广泛应用于工农业生产、科学计数、电力计量、日常生活等各个方面，现有方法多采用巡检机器人或固定点摄像机来代替人工对仪表进行读数获取，克服人工巡检面临的工作量大、危险系数高、效率低和可靠性差等问题，以保障仪表所监测设备的安全运行。以变电站为例，其指针式仪表的识别多数采用模式识别方法进行检测识别。
[0004]专利技术人发现，当前研究人员虽然针对指针式仪表的识别提供了一系列的解决方案，但是现有方案中仍然存在以下问题：
[0005](1)室外复杂应用场景下，受光照、水雾、油污等因素的影响，采集的图像数据存在模糊、灰暗、过亮等问题，继而导致模式识别方法的准确识别率较低；
[0006](2)现场应用环境下，指针式仪表的种类繁多，指针式仪表的指针大小粗细颜色不尽相同，继而不同指针式仪表需要不同的模式识别方法；
[0007](3)深度学习训练的模型需要足量的样本数据，实际中每一类的指针仪表的数据很难达到数量上的均衡，继而导致训练的深度学习模型只对某一种指针式仪表的正确识别率较高；同时，现场应用环境下指针式仪表的种类较多，指针形状、量程、指针颜色等都不尽相同，单模型难以做到每一种指针式仪表的识别率都比较高，另外多模型的话又对硬件配置要求较高，从缩小成本实际应用的角度上，单纯的深度学习不适合现场部署应用。同时，因现场应用环境下的指针式仪表种类繁多，且数量分布及其不平衡，即现场某种指针式仪表只有一块，进而导致样本很少，深度学习模型对该类仪表的识别准确度比较低。

技术实现思路

[0008]本公开为了解决上述问题，提供了一种基于深度学习的指针式仪表智能识别方法及系统，所述方案有效克服了复杂环境下光照、水雾、油污等因素的干扰，实现多种类指针式仪表检测识别的全覆盖，有效提升了指针式仪表的正确识别率，以较低的硬件成本满足现场环境的实际应用要求，确保巡检任务的高质量完成，提升智能运维能力。
[0009]根据本公开实施例的第一个方面，提供了一种基于深度学习的指针式仪表智能识别方法，包括：
[0010]获取待识别的指针式仪表图像；
[0011]对所述指针式仪表图像及其对应的模板图像进行特征匹配，获得映射关系；
[0012]基于预先训练的指针区域识别模型及待识别的指针式仪表图像，获得指针区域；
[0013]基于所述指针区域的中心点位置及仪表圆心位置，以单位角度上各像素的像素值
之和最大为目标，确定指针方向；
[0014]基于所述映射关系及指针方向，确定当前指针式仪表的准确读数。
[0015]进一步的，所述模板图像为针对每种待检测识别的指针式仪表分别配置模板图像，并对图像仪表圆心的位置、圆盘大小以及仪表量程刻度信息进行配置。
[0016]进一步的，所述对所述指针式仪表图像及其对应的模板图像进行特征匹配，具体为：采用sift或surf特征匹配算法对模板图像与待识别图像进行特征匹配，获取二者的匹配关系，基于所述匹配关系，获得模板图像与待检测识别图像中圆心、圆盘和仪表刻度的对应关系。
[0017]进一步的，所述以单位角度上各像素的像素值之和最大为目标，确定指针方向，具体为：获取指针区域的中心位置坐标，根据指针区域中心位置坐标与圆心的位置坐标确定局部指针方向的搜索范围，在所述指针方向搜索范围内顺序遍历获取每一单位角度上所有像素点的像素值之和，选择像素值之和最大的角度方向作为指针方向。
[0018]进一步的，基于所述映射关系及指针方向，确定当前指针式仪表的准确读数，具体为：基于模板图像与待检测识别图像中圆心、仪表刻度的映射关系和指针方向角度获取指针式仪表的准确读数。
[0019]根据本公开实施例的第二个方面，提供了一种基于深度学习的指针式仪表智能识别系统，包括：
[0020]数据获取单元，其用于获取待识别的指针式仪表图像；
[0021]映射关系确定单元，其用于对所述指针式仪表图像及其对应的模板图像进行特征匹配，获得映射关系；
[0022]指针区域确定单元，其用于基于预先训练的指针区域识别模型及待识别的指针式仪表图像，获得指针区域；
[0023]指针方向确定单元，其用于基于所述指针区域的中心点位置及仪表圆心位置，以单位角度上各像素的像素值之和最大为目标，确定指针方向；
[0024]读数获取单元，其用于基于所述映射关系及指针方向，确定当前指针式仪表的准确读数。
[0025]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于深度学习的指针式仪表智能识别方法。
[0026]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于深度学习的指针式仪表智能识别方法。
[0027]与现有技术相比，本公开的有益效果是：
[0028](1)本公开提供了一种基于深度学习的指针式仪表智能识别方法，所述方案有效克服了复杂环境下光照、水雾、油污等因素的干扰，实现多种类指针式仪表检测识别的全覆盖，有效提升了指针式仪表的正确识别率，以较低的硬件成本满足现场环境的实际应用要求，确保巡检任务的高质量完成，提升智能运维能力。
[0029](2)所述方案在训练集的构建上通过不同方式采集现场应用复杂环境下所有的指针式仪表图像，并且从多种背景、多种角度、不同距离、不同自然环境下对指针式仪表进行
图像采集，以获取不同背景、不同角度、不同比例，不同光照下的样本数据，有效保证训练数据集的丰富度；同时，对数量较少的指针式仪表种类通过数据扩展的方式增加其样本数量，最终达到每种指针式仪表图像数量基本一致。通过上述训练集训练的模型能够克服室外复杂环境下光照、水雾、油污等因素的干扰，针对模糊、灰暗、过亮等仪表图像也能达到较高精度的识别，且保证了模型对于不同种类指针式仪表的适用性。
[0030](3)本公开所述方案针对每种类型的指针式仪表分别设置模板图像，并通过模板图像与待识别图像之间的映射关系及待识别图像的指针方向，确定当前指针式仪表的准确读数；所述方案能实现多种类指针式仪表检测识别的全覆盖；同时，该算法具有较好的鲁棒性；对硬件配置的要求较低，便于现场部署应用。
[0031]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0032]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0033]图1为本公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的指针式仪表智能识别方法，其特征在于，包括：获取待识别的指针式仪表图像；对所述指针式仪表图像及其对应的模板图像进行特征匹配，获得映射关系；基于预先训练的指针区域识别模型及待识别的指针式仪表图像，获得指针区域；基于所述指针区域的中心点位置及仪表圆心位置，以单位角度上各像素的像素值之和最大为目标，确定指针方向；基于所述映射关系及指针方向，确定当前指针式仪表的准确读数。2.如权利要求1所述的一种基于深度学习的指针式仪表智能识别方法，其特征在于，所述模板图像为针对每种待检测识别的指针式仪表分别配置模板图像，并对图像仪表圆心的位置、圆盘大小以及仪表量程刻度信息进行配置。3.如权利要求1所述的一种基于深度学习的指针式仪表智能识别方法，其特征在于，所述对所述指针式仪表图像及其对应的模板图像进行特征匹配，具体为：采用sift或surf特征匹配算法对模板图像与待识别图像进行特征匹配，获取二者的匹配关系，基于所述匹配关系，获得模板图像与待检测识别图像中圆心、圆盘和仪表刻度的对应关系。4.如权利要求1所述的一种基于深度学习的指针式仪表智能识别方法，其特征在于，所述指针区域识别模型采用深度学习模型，其训练过程中采用的训练集包括不同环境条件下采集的不同种类的指针式仪表图像。5.如权利要求1所述的一种基于深度学习的指针式仪表智能识别方法，其特征在于，所述指针区域识别模型输出指针区域的矩形区域范围，通过矩形区域的四个顶点进行表示。6.如权利要求1所述的一种基于深度学习的指针式仪表智能识别方法，其特征在于，所述以单位角度上各像素的像素值之和最大为目标，确定指针方向，...

【专利技术属性】
技术研发人员：邓燕，李健，张传友，付崇光，王亚菲，邵光亭，王贤华，徐云龙，王震，李斌，游强，田克超，吴琼珊，
申请(专利权)人：国网智能科技股份有限公司，
类型：发明
国别省市：