关键词:
指针式仪表识别
表盘分割
深度学习
Mask R-CNN
摘要:
指针式仪表由于造价低廉且读数不易受到环境等因素的影响,被广泛的应用于石油、化工、航天等领域。然而,由于指针式仪表没有数字化接口,使用人工读取数据会存在效率低下的问题。因此,对指针式仪表的示数进行智能化读取具有重大意义。目前,传统的指针式仪表读数识别算法只能在特定的环境或固定的位置运行,没有较高的可靠性。随着深度学习的发展,本文将数字图像处理技术和深度学习相关技术相结合,对指针式仪表示数的智能识别进行深入研究,主要包括以下三个方面:(1)表盘的定位与分割。本文提出了基于改进的Mask R-CNN算法的指针式仪表表盘的自动识别方法,对包含自然环境的仪表图片进行表盘的定位和分割,减少后续图像处理过程中的计算量。实验表明,改进后的Mask R-CNN算法的目标检测精度提升了2.1%,实例分割精度提升了1.9%。相对于传统的表盘定位算法,本算法具有准确度高、鲁棒性强的特点。(2)表盘的预处理。本文对采集到的仪表图像的特点进行深入研究,发现在进行图像采集时很难保证摄像机与仪表盘始终保持在同一个水平面,仪表盘区域会产生不同程度的倾斜。因此,使用透视变换对仪表盘进行倾斜矫正。在此基础上,对图像进行灰度化、二值化和连通域标记等预处理,以实现表盘图像特征的强化。(3)指针的定位与拟合以及仪表示数读取。首先使用最小二乘法对指针进行提取和细化。随后采用投影法对表盘中的数字和刻度线进行分割,在此基础上,利用改进后的Le Net-5卷积神经网络对表盘中的数字进行识别。实验结果表明,经过改进的Let Net-5对数字的识别准确度达到了98.94%。最后,结合角度法对仪表示数进行计算。与人工读数进行对比,发现该算法读数更加精确且高效。本文提出的基于深度学习的指针式仪表检测与识别方法,实现了仪表的精确检测、图像校正和示数识别。并且本文所提出的改进的Mask R-CNN算法相比于传统的Mask R-CNN算法,读数识别精度更高,鲁棒性更强,并且适用于各种复杂环境,为指针式仪表的目标检测和自动读数提供了一种可行的思路。