[发明专利]一种仪表指针关键点检测方法

说明书

本发明公开了一种仪表指针关键点检测方法，属于图像识别领域，本发明公开的一种仪表指针关键点检测方法，包括以下步骤：步骤S00：变电站指针式仪表指针表盘数据采集，机器人巡检变电站拍摄指针式仪表图片；步骤S10：数据标注与数据增广，包括指针表矩形框，指针关键点，表盘刻度关键点的标注；步骤S20：构建包括目标检测网络和关键点检测网络的深度网络；步骤S30：指针式仪表图片经过尺寸重构后输入目标检测网络；步骤S40：对尺寸重构后的指针式仪表图片旋转加扰增强后截取，以生成全角度数据集输入关键点检测网络；步骤S50：计算指针式仪表的刻度估计值。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，尤其涉及一种仪表指针关键点检测方法。

背景技术

现阶段的仪表刻度指针检测识别方法包括传统的图像识别技术方法和基于深度学习的识别方法。传统的图像识别方法分为模板匹配法，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表盘指针刻度区域的矩形框，再在矩形框内运用传统检测刻度读数和指针角度。最新的研究基于深度学习的网络模型训练，可以有效提高识别精度和速度。

由于受生产环境光照影响，在不同时间光照角度与强度均存在差异，传统算法中受噪声光线畸变等影响带来识别的不稳定性。

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仪表指针关键点检测方法，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提高了准确性、鲁棒性和易用性。

为达此目的，本发明采用以下技术方案：

本发明提供的一种仪表指针关键点检测方法，包括以下步骤：步骤S00：变电站指针式仪表指针表盘数据采集，机器人巡检变电站拍摄指针式仪表图片；步骤S10：数据标注与数据增广，数据标注包括指针表矩形框、指针关键点、表盘刻度关键点的标注；步骤S20：构建包括目标检测网络和关键点检测网络的深度网络；步骤S30：指针式仪表图片经过尺寸重构后输入目标检测网络；步骤S40：对尺寸重构后的指针式仪表图片旋转加扰增强后截取，以生成全角度数据集输入关键点检测网络；步骤S50：计算指针式仪表的刻度估计值。

本发明优选地技术方案在于，在步骤S00中，以机器人拍摄图片作为测试集，人工与机器人拍摄图片和视频作为训练集。

本发明优选地技术方案在于，在步骤S10中，将指针式仪表刻度区域与指针区域做为整体进行像素区域的标注，每个目标区域单独标注区域框和指针和刻度对应关键点。

本发明优选地技术方案在于，在步骤S20中，深度网络采用Efficient网络，FPN金字塔结构，金字塔各层输出作为特征选取器。

本发明优选地技术方案在于，在步骤S20中，深度网络的区域选取器模型设计：对于金字塔特征构建CascadedPyramid，后接filter_size为3*3大小的Separable_conv2d卷积层替代全卷积层，并输出Featmaps热力图的调节参数。

本发明优选地技术方案在于，所述Separable_conv2d由3*3depthwise卷积核、1*1pointwise卷积核构成。

本发明优选地技术方案在于，在步骤S20中，深度网络中误差设计包括金字塔Cascaded-Loss误差，输出整形多层特征融合后Refined-Loss误差，L2调节参数误差。

本发明优选地技术方案在于，在步骤S20中，在深度网络中Label_Heatmaps通过不同层的金字塔特征图对应的LabelHeatmap使用不同size的GaussianKernel生成。