[发明专利]一种基于深度学习的指针式油位计读数识别方法

说明书

本发明提出了一种基于深度学习的指针式油位计读数识别方法，包括：采集油位计仪表图像，构建训练所需的数据集并训练YOLOv3模型；利用YOLOv3模型识别待计算示数的指针式油位计图像；拟合表盘上的刻度数字Bounding Box中心点所在椭圆并求得圆心；连接圆心与Bounding Box中心点，确定该方向上待检测刻度的区域；在所有分割出的矩形检测区域内进行角点检测，求出每个刻度靠近圆心的边长的中点并拟合新的圆心；将待识别指针式油位计图像进行预处理后进行直线检测，求出指针方程及新的圆心在直线方程上的投影点；最终计算读数。本发明提出的基于深度学习的指针式油位计读数识别方法，能在不提前添加任何表盘信息且拍摄角度倾斜极端的情况下，较大地提高油位计示数识别的精度。

技术领域

本发明属于计算机图像处理和仪表示数识别领域，具体涉及一种深度学习的指针式油位计读数识别方法，

背景技术

在电网运维巡检中，以人工巡检、手动抄表、人工记录模式对变压器的油位进行检定，存在耗时耗力、自动化水平低以及误差率高等问题。随着机器人技术的快速发展，巡检机器人可代替人工，通过摄像机或红外热像仪抓取设备图像，最终对获取的图片进行图像处理。指针式油位计仪表具有抗电磁干扰能力强、精度高、价格低等特点，在相当长的时间内依然是工业生产的主要测量仪表。由于指针式仪表无法输出数字信号，所以读数只能通过人工读取，具有工作量大、效率低、出错率高的缺点，而且安装在高温高压等环境的仪表不便观察。

拍摄角度是影响指针式仪表读数的主要因素之一。目前，关于拍摄角度问题的研究普遍是在拍摄倾斜角度较小的基础上下进行的。这类问题一般要对原始图像进行预处理即旋转校正，如尺度不变特征变换算法、加速稳定特征算法等。但是，当拍摄角度倾斜过大时，仪表表盘将会形变为近似的椭圆且有一些刻度将会被表框部分遮挡，此时若使用图像校正和传统的识别方法计算读数，不但计算量大、耗时长，还会对精度产生较大的影响。因此，发明一种能准确处理计算在指针式仪表拍摄倾角较为极端下的图片方法并将其应用于工业生产中是目前亟待解决的问题。

发明内容

本发明的目的是为了解决现有技术中的缺陷，本发明提供了一种基于深度学习的指针式油位计读数识别方法，能够准确的检测出刻度数字及其代表的刻度，整个识别过程无需预先添加任何表盘信息，扩展性较强且处理拍摄角度、光照等影响时，均能取得较高的识别精度。

为解决上述技术问题，本发明采用以下步骤方案：

S1、采集油位计仪表图像，构建训练所需的数据集并训练YOLOv3模型；

S2、采用YOLOv3模型对待识别示数的指针式油位计图像进行数字目标识别得到数字识别结果，并求出识别结果中每个Bounding Box中心点坐标；

S3、利用步骤S2得到的数字识别结果，拟合表盘上的刻度数字Bounding Box中心点所在椭圆并求得圆心；

S4、连接圆心与Bounding Box的中心点，并确定该方向上待检测刻度的区域；

S5、在所有待检测刻度的区域内角点检测，求出每个刻度靠近圆心的边长的中点并拟合新的圆心；

S6、对待检测示数的油位计图像进行预处理，进行直线检测并求出指针的方程，并求出新的圆心在直线方程上的投影点；

S7、最终计算仪表读数。

进一步地，步骤S1中所述构建训练所需的数据集的具体过程为：

采集N张不同拍摄角度不同光照条件下的样本图片，对油位计图片打标签后获得后续训练YOLOv3目标检测模型所需数据集，并选择出训练集和测试集。

进一步地，YOLO v3目标检测模型所使用的特征提取网络Darknet-53大量使用3*3与1*1卷积层依次连接的形式，有53个卷积层。