[发明专利]一种指针表盘刻度的自动读取方法

说明书

本发明公开了一种指针表盘刻度的自动读取方法，属于图像识别领域，本发明公开的一种指针表盘刻度的自动读取方法，包括以下步骤；S00：数据采集，以机器人拍摄图片作为测试集，人工拍摄图像作为训练集；S10：数据标注：将指针式仪表刻度区域与指针区域作为整体进行像素区域的标注；S20：端到端的像素识别网络结构设计，包含指针式仪表刻度区域与指针区域的像素识别。考虑了表盘刻度与指针的相对关系，极大地去除了深度网络误检与漏检的问题，摆脱了传统算法中受噪声光线畸变等影响带来的不稳定性，在使用中具有鲁棒性与使用简便性。

技术领域

本发明涉及图像识别领域，尤其涉及一种指针表盘刻度的自动读取方法。

背景技术

现阶段变电站指针式仪表识别方法分为传统的图像识别方法与基于深度学习的识别方法。传统的图像识别方法分为霍夫检测法，模板匹配法，最大连通域法，剪影法，最小二乘拟合法，画线法及区域生长法等。基于深度学习的方法具有鲁棒性，准确性，简易性等优点，是近几年的研究热点。通常是使用深度学习框架定位出指针式仪表的矩形框，再在矩形框内运用传统检测方法检测刻度与指针，进而得出读数。最新的研究将仪表位置与读数识别结合，一种是运用深度学习方法直接得出刻度点与指针指向的角度，通过角度比例得出读数；另一种是采集刻度线在不同位置的图片，进行端到端的训练，网络直接输出指针读数。传统方法中，常用的霍夫检测法，最大连通域法需要对不同表计做不同的算法设计，不具有通用性；模板匹配法在实用过程中操作繁琐，需要对每个表计都提前做好模板并刻画刻度线与仪表中心点；最小二乘拟合法，画线法在具有噪声的图像中鲁棒性很差。另外，传统方法针对于有上下两个指针表区域的仪器来说，设计繁琐。

基于深度学习的方法中，端到端的深度学习方法由于深度网络的黑盒效应，在实际应用中很难保证鲁棒性。刻度点、指针的识别，由于其标注的是刻度点，即提取的是点特征，相比之下算法缺乏鲁棒性。

发明内容

为了克服现有技术的缺陷，本发明所要解决的技术问题在于提出一种指针表盘刻度的自动读取方法，在使用中具有鲁棒性与使用简便性。

为达此目的，本发明采用以下技术方案：

本发明提供的一种指针表盘刻度的自动读取方法，包括以下步骤；S00：数据采集，以机器人拍摄图片作为测试集，人工拍摄图像作为训练集；S10：数据标注：将指针式仪表刻度区域与指针区域作为整体进行像素区域的标注；S20：端到端的像素识别网络结构设计，包含指针式仪表刻度区域与指针区域的像素识别。

本发明优选地技术方案在于，在步骤S20中，端到端的像素识别网络结构设计按网络训练顺序依次包括深度网络特征提取器模型设计、深度网络区域选取器模型设计、深度网络像素Mask分类器模型设计。

本发明优选地技术方案在于，所述深度网络特征提取器模型设计采用Resnet18网络、FPN金字塔结构，金字塔各层输出作为区域选取器与像素Mask分类器的输入。

本发明优选地技术方案在于，在所述深度网络区域选取器模型设计中，对于金字塔特征构建目标Boxes(anchors)，后接filter_size为1*1大小的卷积层替代全卷积层，并输出Boxes的粗调节参数。

本发明优选地技术方案在于，在深度网络像素Mask分类器模型设计中，根据所述深度网络特征提取器模型设计中输出的scores做排序，选出分数前2000的bbox，将其认定为分数较高Boxes，对于分数较高Boxes向原图进行映射与缩放，得到固定大小的图像高维特征，经过4层卷积与2层反卷积得到像素级的Mask分类与Boxes的细调节参数。

本发明优选地技术方案在于，在端到端的像素识别网络结构设计的网络训练顺序流程中增加深度网络误差设计，然后进行模型训练与测试，所述深度网络区域选取器模型设计以及所述深度网络像素Mask分类器模型设计中均增加有所述深度网络误差设计。