[发明专利]基于深度学习的指针仪表读数方法及系统

权利要求书

1.一种基于深度学习的指针仪表读数方法，其特征在于，包括如下步骤：

采集指针仪表的图像信息；

通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域；

对所述读数区域进行二值化处理和Blod分析，确定所述指针仪表的指针圆心位置和刻度位置；

基于所述刻度位置和所述指针圆心位置计算得到刻度角度范围和指针角度；

基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数。

2.根据权利要求1所述的基于深度学习的指针仪表读数方法，其特征在于，所述通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域包括如下步骤：

调整所述图像信息的尺寸，得到标准尺寸的标准图像信息；

利用去除全连接层的backbone主干网络对所述标准图像信息进行特征提取，得到所述标准图像信息的图像特征；

通过残差结构对所述图像特征进行卷积操作，得到所述标准图像信息的特征张量；

根据所述特征张量在所述标准图像信息中定位存在所述指针仪表的读数区域。

3.根据权利要求1所述的基于深度学习的指针仪表读数方法，其特征在于，所述对所述读数区域进行二值化处理和Blod分析，确定所述指针仪表的指针圆心位置和刻度位置包括如下步骤：

在RGB颜色空间中对所述读数区域进行二值化处理，得到RBG二值化图像；

将所述读数区域转换至HSV颜色空间，并在所述HSV颜色空间中对所述读数区域进行二值化处理，得到HSV二值化图像；

对所述RGB二值化图像进行Blod分析，确定所述指针仪表的指针圆心位置；

对所述HSV二值化图像进行所述Blod分析，确定所述指针仪表的刻度位置。

4.根据权利要求3所述的基于深度学习的指针仪表读数方法，其特征在于，所述对所述RGB二值化图像进行Blod分析，确定所述指针仪表的指针圆心位置包括如下步骤：

将所述RGB二值化图像进行去噪处理；

对所述去噪处理后的RGB二值化图像进行连通性分析，并识别出多个连通域；

计算出每个连通域的特征值；

分别将各个特征值与预设的指针特征值进行比对；

将所述特征值与所述指针特征值相同的连通域标记为指针连通域；

根据所述指针连通域的重心确定所述指针仪表的指针圆心位置。

5.根据权利要求3所述的基于深度学习的指针仪表读数方法，其特征在于，所述刻度位置包括起始刻度位置和终止刻度位置，所述对所述HSV二值化图像进行所述Blod分析，确定所述指针仪表的刻度位置包括如下步骤：

将所述HSV二值化图像进行去噪处理；

对所述去噪处理后的HSV二值化图像进行连通性分析，并识别出多个目标连通域；

分别计算各个目标连通域的连通域面积；

从所有目标连通域中筛选出所述连通域面积最大的两个目标连通域作为目标刻度连通域；

基于预设的几何参数将两个所述目标刻度连通域拆分为起始刻度连通域和终止刻度连通域；

根据所述起始刻度连通域和所述终止刻度连通域的位置确定所述起始刻度位置和所述终止刻度位置。

6.根据权利要求1所述的基于深度学习的指针仪表读数方法，其特征在于，所述基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数包括如下步骤：

根据所述指针角度确定所述指针仪表的指针位置；

基于所述指针角度和预设的角度临界值对所述指针位置的临近区域进行局部整刻度搜索，得到指针临近刻度区域；

采用极坐标搜索算法计算所述指针临近刻度区域中所有整刻度的极坐标角度；

基于非极大值抑制算法对所有极坐标角度进行分析筛选，得到两个目标极坐标角度，两个目标极坐标角度所对应的两个整刻度离所述指针位置最近且分别位于所述指针位置两侧；

结合所述刻度角度范围、所述指针角度和所述目标极坐标角度计算得到所述指针仪表的仪表读数。