[发明专利]一种基于深度学习检测直线的指针仪表读数方法

说明书

本发明公开了一种基于深度学习检测直线的指针仪表读数方法，通过所述神经网络训练学习，直接检测出指针仪表的指针所在的直线，从而计算出此时指针的转向角，并结合转向角计算此时指针仪表的读数，所使用的方法不受背景、光照因素的影响，相比于常规的方法更加精确，解决了现有技术中的指针仪表读数方法容易受到环境、光照影响而导致读数的可靠性低的技术问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习检测直线的指针仪表读数方法。

背景技术

在自动化工厂、密集仪器实验室以及医院辐射区等区域，经常需要通过仪表的示数来评估这些环境中不同设备的运转状况，如果采用人工读数的方式，将对工人的身体健康造成极大的伤害，所以需要使用智能的方式来代替人工读取仪表的示数。

通过研究一种合适、高效的方法来实现指针仪表的读数功能，可以简化繁琐的人工操作步骤，在现有的一些仪表读数方法中，大都采用的是图像二值化的方法，将图像直接二值化处理虽然处理方法简单，但是也有非常大的弊端，极容易受到背景因素的影响，且对于光照因素非常敏感，除此之外，对于拍摄照片的硬件设备摄像头的要求也比较高，如果拍摄的照片比较模糊，将损失指针仪表的刻度信息，对于读数的精度的影响是巨大的；而除了直接进行二值化处理之外，还有类似模板匹配融合指针旋转的方法来检测指针仪表的读数，该种方法同样受仪表的背景因素影响极大，由于该种方法通过最高相应值来进行判断指针的指向，当背景花纹较多时很容易让算法误判导致读数结果与真实结果大相径庭；除了光照与背景因素之外，指针掩膜的旋转增量也是极为关键的因素，如果旋转增量过小，那么每一次读数所需要花费的时间过久，如果旋转增量过大，虽然减少了读数花费的时间，但是旋转增量过大，也会导致读数结果误差非常大。

发明内容

本发明的目的在于提供一种基于深度学习检测直线的指针仪表读数方法，旨在解决现有技术中的指针仪表读数方法容易受到环境、光照影响而导致读数的可靠性低的技术问题。

为实现上述目的，本发明采用一种基于深度学习检测直线的指针仪表读数方法，包括下列步骤：

搭建神经网络；

标注数据集；

将所述数据集投入神经网络训练；

预测获得指针角度；

构建角度读数映射字典，获取仪表读数。

其中，所述神经网络由6层池化层和9层卷积层构成，所述神经网络的输出张量大小为7×7×9。

所述神经网络基于Darknet-19结构压缩后获得。

其中，所述数据集是指针仪表的指针所对应的线段集合，需要将仪表中心和指针尖端两个端点用不同的记号标记。

其中，在将所述数据集投入神经网络训练的过程中，采用多分辨率训练的方法且分阶段进行。

其中，在预测获得指针角度的过程中，使用训练好的网络预测输入图像，经过过滤操作，最后将计算值转换为以指针仪表中心为坐标的平面直角坐标系的角度。

其中，所述角度读数映射字典基于实际指针仪表的读数的布置位置构建，并根据所述布置位置划分不同区间。

本发明的一种基于深度学习检测直线的指针仪表读数方法，通过所述神经网络训练学习，直接检测出指针仪表的指针所在的直线，从而计算出此时指针的转向角，并结合转向角计算此时指针仪表的读数，所使用的方法不受背景、光照因素的影响，相比于常规的方法更加精确，解决了现有技术中的指针仪表读数方法容易受到环境、光照影响而导致读数的可靠性低的技术问题。

附图说明