[发明专利]基于CNN神经网络的指针式仪表示值读取方法

说明书

本发明公开了一种基于CNN神经网络的指针式仪表示值读取方法，通过仪表检测与类型判断，仪表特征点检测，仪表示值计算等即能检测出图像中的仪表，以及仪表的类型，并计算出仪表的示值。通过本发明能够更准确地识别出图像中的指针式仪表，并读取出其示值；能够应用于指针仪表的自动读取的需求场合，能够替换人工进行智能监控仪表，超过预值时发出预警。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于CNN神经网络的指针式仪表示值读取方法。

背景技术

指针式仪表具有反应速度快、抗冲击和抗干扰能力强、显示明显、价格低，而且机械的指针仪表基本上不存在数字仪表反应的滞后性，指针仪表还具有显示过载比例的能力；有些场合数字表就不适用，如测量电压电流互感器的极性，数字表根本反应不过来，只能用指针表。

尽管在电子技术非常发达的今天，指针式仪表由于有着数字式仪表不可替代的优势，其仍然在某些工业生产中得到了非常广泛的应用。随着现代工业4.0的大力发展，传统的人工读取仪表示值的方式将逐渐地被视觉读取系统所取代。

然而目前指针式仪表多采用基于机器视觉的自动识别原理，其技术主要为传统的图像处理，有着其缺陷性，通常需要一个稳定的光源，保证系统采集环境不会有大的波动，而这在一些老设备、不方便改装的设备上通常很难应用，且在自然环境下会受到光照变化、背景干扰、阴影、旋转、快速运动等不利因素的影响，适应性较差，分析效果会有很大的波动性，对监控设备安装要求过高，防抖动能力差等。

此外，指针式仪表的结构类型有很多，本发明提出了一种基于CNN深度卷积神经网络，以及结合指针仪表的结构特征，设计出一套可行性强，准确率高，适合多种复杂场景的多种指针仪表和指示值的识别方案。通过该方案能够适应日夜变化，以及光线变化的场景，实时地对指针仪表的示值分析处理，能够起到代替人工对仪表进行实时地监控，以及超过阈值报警等预警能力。

发明内容

本发明的目的是为了克服现有技术的缺陷，提供一种基于CNN神经网络的指针式仪表示值读取方法，通过本发明能够更准确地识别出图像中的指针式仪表，并读取出其示值；能够应用于指针仪表的自动读取的需求场合，能够替换人工进行智能监控仪表，超过预值时发出预警。

为实现上述目的，本发明提供了一种基于CNN神经网络的指针式仪表示值读取方法，该方法包括以下步骤：

步骤1：基于CNN神经网络的仪表检测和关键点提取网络分为3个部分，包括P-NET网络，R-NET网络，和O-NET网络；

步骤2：按照被检测的指针仪表的类型，确定仪表中关键点坐标信息，包括0刻度线或其平行参考线上的关键点，以及指针所在的线上的关键点；

步骤3：使用多种仪表图像自动构建训练数据集，以及训练网络模型，得到仪表的P-NET，R-NET和O-NET网络模型；

步骤4：利用仪表的P-NET，R-NET和O-NET网络模型对被检测的仪表的原始图像进行检测，得到图像中每个仪表的区域位置信息和关键点坐标信息；

步骤5：根据步骤4得出的关键点坐标信息，由指针真实所在的直线，与指针指向0刻度时指针所在直线的平行参考线，计算出此两条线所组成的交叉线夹角，此夹角即为仪表指针偏转角θ；

步骤6：根据每种仪表的量程分布情况，以均匀分布的区域为阶梯划分量程计算角度区间集，根据实时指针偏转角度θ确定指针所在仪表中的档次区间，按照仪表示值计算公式得出实时的仪表示值V，

其中V_min为此档的最小示值，θ_min为此档的最小角度，θ_max为此档的最大角度。

优选地，对被检测的仪表的原始图像进行检测，检测出图像中的指针仪表，包括仪表所在的区域，以及仪表的类型，具体流程为：