基于深度学习的指针式仪表示数自动识别的研究与应用

发布时间：2020-10-09 21:06

　　随着科技的不断发展,工业信息化、数字化的不断提升,指针式仪表作为数据测量、数据监控、数据收集的重要工具,在工业生产生活中发挥着巨大的作用,对维持正常的生产生活具有重要的意义。然而,当前仍然存在大量需要人工进行采集和录入的指针式仪表监测数据,这种数据采集方式不仅仅耗费大量的人力、物力,而且也会影响数据的时效性并造成一定的数据误差。同时部分指针式仪表工作环境恶劣,无法进行人工采集和数据信息传输。因此,如何对指针式仪表进行高效的、精确的自动数据录入变得尤为重要。随着近些年来图像采集成本的降低,图像采集质量的提高,图像识别技术也日趋成熟,因此本文采用基于图像处理的方式进行指针式仪表示数自动识别研究。本文通过结合图像处理和深度学习的相关技术,在研究和学习己有指针式仪表自动识别算法的基础上,提出和设计了一种基于深度学习和形态学的指针式仪表自动识别算法。本文设计的指针式仪表自动识别算法主要包含三方面的核心内容:仪表盘及仪表数字的检测和提取、仪表盘指针的定位和拟合、仪表盘数字的识别和仪表示数的判定。在仪表盘及仪表数字的检测和提取中,本文结合深度学习相关知识,提出和设计了对自然场景中仪表有效信息提取的卷积神经网络模型MASKR2CNN,并构建了相应的训练数据集对模型进行训练和测试,从而实现对自然场景中的仪表盘进行图像分割和有效信息提取;在仪表盘指针的定位和拟合,针对本文设计的指针式仪表有效信息特征提取方式,采用Ostu阈值分割法和概率霍夫直线法对指针进行拟合和定位;在最后一部分核心内容中,本文采用KNN对仪表数字区域进行数字识别并采用距离法对最后示数进行判定。经实验结果测试,相对误差在5%以内的示数识别准确率为81.64%。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

模式图,模型检测,模式

型是一阶段检测模型的开山之作，它将目标检测任务表述成一个统一的、端到端逡逑的回归问题，只经过一次处理图片便同时得到目标的位置和分类。ＹＯＬＯ模型工逡逑作方式如图２－１所示：逡逑灥柋圈逡逑灥《酬敏ｊ逡逑＿邋１逡逑图２－１邋ＹＯＬＯ模型检测模式逡逑首先将图片进行缩放，划分为等分的网格，每个网格按照和真值的Ｉｏｕ分数逡逑来决定所预测的样本。然后通过卷积神经网络进行回归预测，使得划分的每个网逡逑格用来预测目标的位置信息和分类信息，通过阈值和非极大抑制来进行最后目标逡逑框体信息的筛选。但是ＹＯＬＯ模型对原始图片划分网格较为粗糙，每个网格生逡逑成目标框体信息的个数限制了模型对于小物体的检测。ＳＳＤ模型相比于ＹＯＬＯ逡逑模型采用多尺度的卷积特征图来进行目标检测任务最终结果的回归和预测，对小逡逑物体检测精度有微量的提升，同时加入了候选框体来进行目标检测任务的实现。逡逑ＳＳＤ模型不仅检测速度较快而且检测精度也接近两阶段检测模型。逡逑两阶段检测模型的代表是推荐卷积检测网络（Ｒｉｃｈ邋ｆｅａｔｕｒｅ邋ｈｉｅｒａｒｃｈｉｅｓ邋ｆｏｒ逡逑ａｃｃｕｒａｔｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ，邋Ｒ－ＣＮＮ）系列模型，主要实现逡逑的步骤是先对区域进行候选框体进行推荐

模块图,残差,模块,恒等映射

残差映射是最优化的，相比于通过非线性层去拟合恒等映射，通过残差模逡逑块去拟合恒等映射即将残差Ｆ（ｘ）逼近０更为容易。残差模块通过ｓｈｏｒｔｃｕｔ逡逑ｃｏｎｎｅｃｔｉｏｎ的前向传递来对公式进行实现。残差模块如图３－２所示：逡逑ｘ邋Ｉ逦一逡逑ｗｅｉｇｈｔ邋ｌａｙｅｒ逦＼逡逑乃NB）逦Ｉｒｅｌｕ逦］逦ｘ逡逑ｗｅｉｇ＾邋ｌａｙｅｒ邋１邋Ｊ逦ｉｄｅｎｔｉｔｙ逡逑Ｊｌ（ｘ）邋＋邋ｘ逡逑ｉ邋ｒｅｌｕ逡逑图３－２残差模块逡逑１６逡逑

特征图,特征图,金字塔,生成方式

邋Ｃ５）做上采样计算，得到的特征图（Ｃ３２，邋Ｃ４２，邋Ｃ５２），最后将（Ｃ２１，Ｃ３１，Ｃ４１）逡逑和（Ｃ３２，邋Ｃ４２，邋Ｃ５２）对应相加并结合（Ｃ５１）构成ＦＰＮ金字塔特征图（Ｐ！，Ｐ２，逡逑Ｐ３，Ｐ４）。流程如图３－３所不：逡逑ｉｎ邋翻锻作逦！：邋Ｒ（ｅｃｓｎｅｔｃ－，特？１ｆ邋逦上挪一１逡逑Ｉ逦Ｉ逡逑｜邋１逡逑Ｉ逦Ｉ逡逑逦ｙ逦邋逦ｉ逦逡逑特征图逦：逦逦逦邋特征图逡逑（Ｃ２１，Ｃ３１，Ｃ４１，Ｃ５１）邋１逦Ｉ逦（Ｃ３２，Ｇ４２，Ｃ５２）逡逑逦邋－征图累加逦逦１逡逑（Ｃ２１＋Ｃ３２，Ｃ３ｉｈ＂Ｃｊ２，Ｃ４ｌ＋，Ｃｓ２，Ｃ５１）逡逑ＦＰＮ金字塔特征图逡逑（Ｐｉ，邋Ｐ２．邋Ｐ３．邋Ｐ４）逡逑图３－３邋ＦＰＮ金字塔特征图生成方式逡逑对于深度卷积神经网络来说，不同的深度提取到的特征图对应不同层次的语逡逑义特征，浅层特征图的分辨率大，表征的是细节特征，高层特征图的分辨率小，逡逑表征的是语义特征

【相似文献】