WO2022057103A1 - 一种基于深度学习的指针式仪表的自动读数的方法 - Google Patents
一种基于深度学习的指针式仪表的自动读数的方法 Download PDFInfo
- Publication number
- WO2022057103A1 WO2022057103A1 PCT/CN2020/134266 CN2020134266W WO2022057103A1 WO 2022057103 A1 WO2022057103 A1 WO 2022057103A1 CN 2020134266 W CN2020134266 W CN 2020134266W WO 2022057103 A1 WO2022057103 A1 WO 2022057103A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- pointer
- instrument
- meter
- image
- deep learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Definitions
- the invention relates to the technical field of computer vision, and more particularly to a method for automatic reading of a pointer meter based on deep learning.
- the traditional method of detecting pointers with image technology is easily affected by image quality, and changes in illumination and shooting angles will cause interference. Resource requirements are high.
- Existing methods based on deep learning rely on the recognition of digital characters, and there are problems such as recognition accuracy.
- the present invention uses the deep learning to detect the pointer, has extremely strong anti-interference, can adapt to different environments for positioning and identification, does not need to preprocess the image before detection, and the steps of the whole research process are relatively simple , the algorithm is more efficient.
- the present invention provides a method for reading a pointer-type meter based on deep learning.
- the method of deep learning is used to detect the meter disk and the pointer, and the obtained position information of the meter disk and the pointer is used to obtain the deviation of the pointer. angle, and then obtain the reading of the meter according to the range of the meter, which not only has high accuracy, but also has simple steps and strong practicability.
- a method for automatic reading of an analog meter based on deep learning which is used to determine the reading of the meter through image information, including the following steps:
- the deflection angle of the pointer is obtained, and then according to the range of the meter, the corresponding degree is obtained, so as to realize the reading of the pointer type meter.
- the specific method of using the convolutional neural network to train the instrument disc pointer detection model in S1 is:
- the collected pointer-type meter data and labels are input into a convolutional neural network as sample data to train the convolutional neural network to obtain the meter disc pointer detection model.
- the specific content of S1 includes:
- the specific content of S2 includes:
- the specific content of S3 includes:
- the specific content of S4 includes:
- the indication of the meter is calculated to obtain the reading of the pointer meter.
- the present invention provides a method for automatic reading of a pointer-type meter based on deep learning, and the deep learning method is used for pointer detection, which can accurately determine where the pointer is located. This effectively solves the problem of low accuracy of the detection method in the prior art.
- the present invention does not need to perform many preprocessing steps on the image in the early stage, which effectively simplifies The overall method steps can be reduced, and the dependence on image quality can also be reduced, and it has strong anti-interference.
- FIG. 1 accompanying drawing is the overall method flow chart provided by the present invention
- FIG. 2 accompanying drawing is the flow chart of training instrument disc pointer detection model provided by the present invention
- FIG. 3 is a flow chart of determining the meter number provided by the present invention.
- the embodiment of the present invention discloses a deep learning-based automatic reading method of a pointer-type meter, which is used to determine the display number of the meter through image information. As shown in FIG. 1 , the method includes the following steps:
- a sample image of a pointer-type meter is obtained, annotating software is used to annotate it, and a convolutional neural network is used to train an instrument disc pointer detection model, wherein:
- the obtained pointer meter samples should include those showing different indications and different shooting angles;
- the convolutional neural network adopts a smaller network structure to improve the detection speed.
- the labeled samples are input into a shallow convolutional neural network for training, and a detection model for instrument discs and pointers is obtained.
- the specific content of S1 includes:
- the specific content of S2 includes:
- the specific content of S3 includes:
- the specific content of S4 includes:
- the pointer is refined in the pointer area image, and the axis of the pointer is detected.
- the indication of the meter is calculated to obtain the reading of the pointer meter.
- the invention discloses and provides a method for automatic reading of a pointer-type meter based on deep learning.
- a convolutional neural network is used to detect the disk and pointer of the meter, and then according to the obtained position information, it is determined in a coordinate system centered on the disk.
- the deflection angle of the pointer is used to obtain the indication of the meter.
- the present invention will firstly use the convolutional neural network to train a network model for detecting the meter disc and the pointer through samples, and secondly obtain the meter disc and the pointer obtained through the model.
- the position information of the pointer is calculated to obtain the deflection angle of the pointer in the coordinate system with the center of the disc as the origin, and the indication of the meter is finally obtained according to the range of the meter.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
一种基于深度学习的指针式仪表的自动读数的方法，包括以下步骤：S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针检测模型进行检测，得到仪表圆盘和指针的位置；S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到指针区域；S4.根据得到的指针区域，求出指针的偏向角度，再根据仪表的量程，得出相应的度数，从而实现指针式仪表的读数。通过深度学习的方法检测出仪表圆盘和指针，利用得到的仪表圆盘和指针的位置信息，得到指针的偏向角度，进而根据仪表的量程得到仪表的读数，不仅精确性高，而且步骤简单，实用性强。
Description
本发明涉及计算机视觉技术领域，更具体的说是涉及一种基于深度学习的指针式仪表的自动读数的方法。
随着模式识别技术、计算机技术等多种技术的不断完善和发展，机器视觉获得了巨大的进步与发展。目前在许多企业中，存在大量的仪表，仪表的读数都靠人工来完成，工作量很大而且误差率相对来说也比较高，所以发展指针式仪表自动读数是十分有必要的。
现有的指针式仪表自动读数大多都是基于传统图像处理技术，有的方法提出首先利用卷积神经网络模型检测得到仪表目标图像；然后利用改进有效和准确的场景文本检测器(EAST)算法对仪表目标图像进行文本检测,再利用印刷体数字识别模型筛选出仪表刻度数字,得到仪表刻度数字的位置信息与数值；最后,通过仪表刻度数字的位置信息提取出仪表指针直线与仪表中心,通过识别出的数值结合角度法完成仪表读数识别。该方法在提取出指针直线与仪表中心的步骤中图像质量对于提取的结果影响较大，而且整个研究方法步骤较多，较为复杂。(徐发兵,吴怀宇,陈志环,喻汉.基于深度学习的指针式仪表检测与识别研究[J].高技术通讯,2019,29(12):1206-1215.)还有的方法提出先基于深度学习的Faster-RCNN算法定位表盘；然后根据仪表特征与几何特性，应用连通域分析、图像阈值分割、最小二乘法等方法分别实现仪表表盘圆心定位、指针分割和细化；再对刻度线和表盘数字进行分割，采用基于深度学习的LeNet-5卷积神经网络识别表盘数字并结合刻度值进行分度值的计算，在此基础上得到示数。但是这种方法存在不足，在分割识别数字时，对倾斜角度过大和对刻度有一定遮挡的表盘，可能会出现示数判读不准的情况，具有一定的局限性。(刘葵.基于深度学习的指针式仪表示数识别[D].华中科技大学,2017.)除此之外还有的研究方法是利用卷积神经网络 模型检测当前视野下仪表目标的包围框位置，计算其距离视野中央的偏离值与图像占比，据此调整相机位置和缩放倍数，使图像中心点坐标与包围框中心点坐标重合，再通过透视变换消除仪表图像畸变，双边滤波、MSRCR算法增强图像，最后霍夫变换检测仪表的表盘与指针，完成仪表读数识别。这种研究方法同样存在步骤复杂的问题，对硬件计算资源要求较高，还存在一定的漏检的情况。(邢浩强,杜志岐,苏波.变电站指针式仪表检测与识别方法[J].仪器仪表学报,2017,38(11):2813-2821.)
总的来说，传统的图像技术检测指针方法容易受到图像质量的影响，光照的变化以及拍摄角度都会对其造成干扰，前期需要对图像预处理步骤较多，研究方法大多较为复杂，对硬件计算资源要求较高。现有的基于深度学习的方法依赖于数字字符的识别，存在识别精度等问题。本发明利用深度学习检测指针，跟现有方法相比，具有极强的抗干扰性，能够适应于不同的环境下进行定位识别，检测前不需要对图像进行预处理，整个研究过程步骤较为简单，算法效率较高。
因此，如何提供一种识别精度高的基于深度学习的指针式仪表读数的方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于深度学习的指针式仪表读数的方法，通过深度学习的方法检测出仪表圆盘和指针，利用得到的仪表圆盘和指针的位置信息，得到指针的偏向角度，进而根据仪表的量程得到仪表的读数，不仅精确性高，而且步骤简单，实用性强。
为了实现上述目的，本发明采用如下技术方案：
一种基于深度学习的指针式仪表的自动读数的方法，用于通过图像信息来确定仪表的示数，包括以下步骤：
S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针检测模型进行检测，得到仪表圆盘和指针的位置；
S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；
S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到指针区域；
S4.根据得到的所述指针区域，求出指针的偏向角度，再根据仪表的量程，得出相应的度数，从而实现指针式仪表的读数。
优选的，S1中利用卷积神经网络训练仪表圆盘指针检测模型的具体方法为：
采集指针式仪表数据并进行标记；
将所采集到的指针式仪表数据和标记作为样本数据输入卷积神经网络中对所述卷积神经网络进行训练，得到所述仪表圆盘指针检测模型。
优选的，S1具体内容包括：
将需要检测的指针式仪表的图像输入训练好的所述仪表圆盘指针检测模型进行检测，在原始的需要检测的指针式仪表的图像上用矩形框标记仪表圆盘和指针的位置。
优选的，S2的具体内容包括：
对原始图像进行二值化处理，得到仅存在像素值为0和255的像素点的二值化图像。
优选的，S3的具体内容包括：
根据矩形框标记的指针位置获取矩形框的坐标，在二值化图像上裁剪矩形框，得到指针区域。
优选的，S4的具体内容包括：
根据在指针区域图像对指针进行细化，检测指针中轴线，得到指针中轴线所在的直线的斜率，再换算成以圆盘中心为原点的坐标系下的偏向角度；
根据得到的偏向角度和仪表量程，计算得到仪表的示数，从而得到指针式仪表的读数。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于深度学习的指针式仪表的自动读数的方法，将深度学习方法用于指针的检测，能够准确地判断出指针所在的区域，有效解决了现有技术中的检测方法准确率低的问题，其次本发明相较于基于传统图像处理对指针进行拟合直线，不 需要前期对图像进行许多的预处理步骤，有效简化了整体的方法步骤，同时还可以降低对图像质量的依赖，具有极强的抗干扰性。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的整体方法流程图；
图2附图为本发明提供的训练仪表圆盘指针检测模型的流程图；
[根据细则91更正 24.12.2020]
图3附图为本发明提供的确定仪表示数的流程图。
图3附图为本发明提供的确定仪表示数的流程图。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于深度学习的指针式仪表的自动读数的方法，用于通过图像信息来确定仪表的示数，如图1所示，包括以下步骤：
S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针检测模型进行检测，得到仪表圆盘和指针的位置；
S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；
S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到指针区域；
S4.根据得到的指针区域，求出指针的偏向角度，再根据仪表的量程，得出相应的度数，从而实现指针式仪表的读数。
为了进一步实现上述技术方案，如图2所示，本实施例获取指针式仪表的样本图像，利用标注软件对其进行标注，并利用卷积神经网络训练仪表圆盘指针检测模型，其中：
获取的指针仪表样本应包括显示不同示数，不同拍摄角度的；
卷积神经网络采用较小的网络结构，提高检测速度。
利用标注软件在获取的指针式仪表图像中进行仪表圆盘和指针的标注，即在样本图像中框出各个类别并打上标签；
将标注好的样本输入到一个浅层的卷积神经网络中进行训练，得到一个仪表圆盘和指针的检测模型。
为了进一步实现上述技术方案，S1具体内容包括：
将需要检测的指针式仪表的图像输入训练好的仪表圆盘指针检测模型进行检测，在原始的需要检测的指针式仪表的图像上用矩形框标记仪表圆盘和指针的位置。
为了进一步实现上述技术方案，如图3所示，S2的具体内容包括：
对原始图像进行二值化处理，得到仅存在像素值为0和255的像素点的二值化图像。
为了进一步实现上述技术方案，S3的具体内容包括：
根据矩形框标记的指针位置获取矩形框的坐标，在二值化图像上裁剪矩形框，得到指针区域。
为了进一步实现上述技术方案，S4的具体内容包括：
利用指针区域部分中指针部分像素点的像素值为255，矩形框内其他部分像素点的像素值为0的特性，在指针区域图像对指针进行细化，检测指针中轴线等操作，得到指针中轴线所在的直线的斜率，再换算成以圆盘中心为原点的坐标系下的偏向角度；
根据得到的偏向角度和仪表量程，计算得到仪表的示数，从而得到指针式仪表的读数。
本发明公开提供了一种基于深度学习的指针式仪表的自动读数的方法，通过卷积神经网络来检测仪表圆盘和指针，然后根据所得的位置信息来确定以圆盘为中心的坐标系下指针的偏向角度，得到仪表的示数，具体而言，本发明将首先利用卷积神经网络通过样本来训练一个检测仪表圆盘和指针的网 络模型，其次通过该模型获取得到的仪表圆盘和指针的位置信息，计算得到以圆盘中心为原点的坐标系下指针的偏向角度，在根据仪表的量程，最终得到仪表的示数。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
- 一种基于深度学习的指针式仪表的自动读数的方法，用于通过图像信息来确定仪表的示数，其特征在于，包括以下步骤：S1.将需要检测的仪表图像输入利用卷积神经网络训练的仪表圆盘指针检测模型进行检测，得到仪表圆盘和指针的位置；S2.将需要检测的仪表图像进行二值化的处理，得到黑白的二值化图像；S3.根据得到的指针的位置信息，在二值化后的黑白图像进行剪裁，得到指针区域；S4.根据得到的所述指针区域，求出指针的偏向角度，再根据仪表的量程，得出相应的度数，从而实现指针式仪表的读数。
- 根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S1中利用卷积神经网络训练仪表圆盘指针检测模型的具体方法为：采集指针式仪表数据并进行标记；将所采集到的指针式仪表数据和标记作为样本数据输入卷积神经网络中对所述卷积神经网络进行训练，得到所述仪表圆盘指针检测模型。
- 根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S1具体内容包括：将需要检测的指针式仪表的图像输入训练好的所述仪表圆盘指针检测模型进行检测，在原始的需要检测的指针式仪表的图像上用矩形框标记仪表圆盘和指针的位置。
- 根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S2的具体内容包括：对原始图像进行二值化处理，得到仅存在像素值为0和255的像素点的二值化图像。
- 根据权利要求3所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S3的具体内容包括：根据矩形框标记的指针位置获取矩形框的坐标，在二值化图像上裁剪矩形框，得到指针区域。
- 根据权利要求1所述的一种基于深度学习的指针式仪表的自动读数的方法，其特征在于，S4的具体内容包括：根据在指针区域图像对指针进行细化，检测指针中轴线，得到指针中轴线所在的直线的斜率，再换算成以圆盘中心为原点的坐标系下的偏向角度；根据得到的偏向角度和仪表量程，计算得到仪表的示数，从而得到指针式仪表的读数。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010969315.2A CN112149667B (zh) | 2020-09-15 | 2020-09-15 | 一种基于深度学习的指针式仪表的自动读数的方法 |
| CN202010969315.2 | 2020-09-15 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022057103A1 true WO2022057103A1 (zh) | 2022-03-24 |
Family
ID=73892712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/134266 WO2022057103A1 (zh) | 2020-09-15 | 2020-12-07 | 一种基于深度学习的指针式仪表的自动读数的方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112149667B (zh) |
| WO (1) | WO2022057103A1 (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693705A (zh) * | 2022-04-08 | 2022-07-01 | 安徽农业大学 | 一种指针式仪表测量值读取方法、装置及系统 |
| CN114743190A (zh) * | 2022-04-20 | 2022-07-12 | 安徽文香科技有限公司 | 实验用仪表的读数方法、装置、设备及存储介质 |
| CN114757922A (zh) * | 2022-04-19 | 2022-07-15 | 河南中原动力智能制造有限公司 | 一种应用于指针式压力表的仪表读数方法及装置 |
| CN114863086A (zh) * | 2022-05-09 | 2022-08-05 | 天津科技大学 | 一种基于模板匹配的变电站多表盘多指针识别方法 |
| CN114937152A (zh) * | 2022-05-16 | 2022-08-23 | 重庆大学 | 一种基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边缘提取方法 |
| CN115019290A (zh) * | 2022-05-30 | 2022-09-06 | 合肥欣奕华智能机器股份有限公司 | 仪表读数识别方法、装置及存储介质 |
| CN115035364A (zh) * | 2022-06-09 | 2022-09-09 | 南京南自信息技术有限公司 | 一种基于深度神经网络的指针仪表读数方法 |
| CN115205863A (zh) * | 2022-06-17 | 2022-10-18 | 广东科凯达智能机器人有限公司 | 一种不均匀刻度的指针表读数识别方法 |
| CN115512343A (zh) * | 2022-10-18 | 2022-12-23 | 中国人民解放军63796部队 | 一种圆形指针式仪表校正和读数识别方法 |
| CN116071736A (zh) * | 2023-03-07 | 2023-05-05 | 北京全路通信信号研究设计院集团有限公司 | 一种仪表读数方法、装置、电子设备及存储介质 |
| CN116091818A (zh) * | 2022-12-05 | 2023-05-09 | 南京航空航天大学 | 基于多神经网络级联模型的指针式仪表读数识别方法 |
| CN116189192A (zh) * | 2023-04-24 | 2023-05-30 | 东方电子股份有限公司 | 一种指针式仪表的智能读数识别方法及系统 |
| CN116416620A (zh) * | 2023-04-06 | 2023-07-11 | 北京智立质升科技有限责任公司 | 一种基于语义分割的仪表读数方法及系统 |
| CN117058390A (zh) * | 2023-08-28 | 2023-11-14 | 北京航空航天大学 | 一种高鲁棒性的圆形指针式表盘图像状态分割方法 |
| CN118736583A (zh) * | 2024-06-26 | 2024-10-01 | 北京智盟信通科技有限公司 | 一种基于深度学习的指针式仪表读数识别方法 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966711A (zh) * | 2021-02-01 | 2021-06-15 | 北京大学 | 基于卷积神经网络的指针式仪表示数识别方法及系统 |
| CN112949564B (zh) * | 2021-02-02 | 2022-11-29 | 电子科技大学 | 一种基于深度学习的指针式仪表自动读数方法 |
| CN113408551A (zh) * | 2021-05-25 | 2021-09-17 | 深圳市富能新能源科技有限公司 | 指针仪表读数的识别方法、系统、设备及计算机存储介质 |
| CN113837166B (zh) * | 2021-08-20 | 2024-03-12 | 北京工业大学 | 一种基于深度学习的指针式仪表自动读数方法 |
| CN113869112A (zh) * | 2021-08-23 | 2021-12-31 | 福建（泉州）哈工大工程技术研究院 | 一种基于机器视觉的仪表自动读数方法装置 |
| CN113989479A (zh) * | 2021-10-22 | 2022-01-28 | 桂林电子科技大学 | 一种基于深度学习检测直线的指针仪表读数方法 |
| CN114037824A (zh) * | 2021-11-10 | 2022-02-11 | 深圳亿嘉和科技研发有限公司 | 一种指针仪表读数识别方法 |
| CN114067253A (zh) * | 2021-11-19 | 2022-02-18 | 上海仪电（集团）有限公司中央研究院 | 消防仪表识别方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392206A (zh) * | 2014-10-24 | 2015-03-04 | 南京航空航天大学 | 一种指针式仪表读数自动识别的图像处理方法 |
| CN105809179A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种指针式仪表的读数识别方法及装置 |
| US20190095739A1 (en) * | 2017-09-27 | 2019-03-28 | Harbin Institute Of Technology | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier |
| CN110378225A (zh) * | 2019-06-14 | 2019-10-25 | 南京泛函智能技术研究院有限公司 | 指针式仪表自动读数的识别方法及识别装置 |
-
2020
- 2020-09-15 CN CN202010969315.2A patent/CN112149667B/zh active Active
- 2020-12-07 WO PCT/CN2020/134266 patent/WO2022057103A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392206A (zh) * | 2014-10-24 | 2015-03-04 | 南京航空航天大学 | 一种指针式仪表读数自动识别的图像处理方法 |
| CN105809179A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种指针式仪表的读数识别方法及装置 |
| US20190095739A1 (en) * | 2017-09-27 | 2019-03-28 | Harbin Institute Of Technology | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier |
| CN110378225A (zh) * | 2019-06-14 | 2019-10-25 | 南京泛函智能技术研究院有限公司 | 指针式仪表自动读数的识别方法及识别装置 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693705A (zh) * | 2022-04-08 | 2022-07-01 | 安徽农业大学 | 一种指针式仪表测量值读取方法、装置及系统 |
| CN114757922A (zh) * | 2022-04-19 | 2022-07-15 | 河南中原动力智能制造有限公司 | 一种应用于指针式压力表的仪表读数方法及装置 |
| CN114743190A (zh) * | 2022-04-20 | 2022-07-12 | 安徽文香科技有限公司 | 实验用仪表的读数方法、装置、设备及存储介质 |
| CN114863086A (zh) * | 2022-05-09 | 2022-08-05 | 天津科技大学 | 一种基于模板匹配的变电站多表盘多指针识别方法 |
| CN114937152A (zh) * | 2022-05-16 | 2022-08-23 | 重庆大学 | 一种基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边缘提取方法 |
| CN115019290A (zh) * | 2022-05-30 | 2022-09-06 | 合肥欣奕华智能机器股份有限公司 | 仪表读数识别方法、装置及存储介质 |
| CN115035364A (zh) * | 2022-06-09 | 2022-09-09 | 南京南自信息技术有限公司 | 一种基于深度神经网络的指针仪表读数方法 |
| CN115205863A (zh) * | 2022-06-17 | 2022-10-18 | 广东科凯达智能机器人有限公司 | 一种不均匀刻度的指针表读数识别方法 |
| CN115512343A (zh) * | 2022-10-18 | 2022-12-23 | 中国人民解放军63796部队 | 一种圆形指针式仪表校正和读数识别方法 |
| CN116091818A (zh) * | 2022-12-05 | 2023-05-09 | 南京航空航天大学 | 基于多神经网络级联模型的指针式仪表读数识别方法 |
| CN116071736A (zh) * | 2023-03-07 | 2023-05-05 | 北京全路通信信号研究设计院集团有限公司 | 一种仪表读数方法、装置、电子设备及存储介质 |
| CN116416620A (zh) * | 2023-04-06 | 2023-07-11 | 北京智立质升科技有限责任公司 | 一种基于语义分割的仪表读数方法及系统 |
| CN116189192A (zh) * | 2023-04-24 | 2023-05-30 | 东方电子股份有限公司 | 一种指针式仪表的智能读数识别方法及系统 |
| CN116189192B (zh) * | 2023-04-24 | 2023-07-25 | 东方电子股份有限公司 | 一种指针式仪表的智能读数识别方法及系统 |
| CN117058390A (zh) * | 2023-08-28 | 2023-11-14 | 北京航空航天大学 | 一种高鲁棒性的圆形指针式表盘图像状态分割方法 |
| CN117058390B (zh) * | 2023-08-28 | 2024-05-14 | 北京航空航天大学 | 一种高鲁棒性的圆形指针式表盘图像状态分割方法 |
| CN118736583A (zh) * | 2024-06-26 | 2024-10-01 | 北京智盟信通科技有限公司 | 一种基于深度学习的指针式仪表读数识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149667A (zh) | 2020-12-29 |
| CN112149667B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022057103A1 (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
| CN112257676A (zh) | 一种指针式仪表读数方法、系统以及巡检机器人 | |
| CN111950330B (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
| CN102176228B (zh) | 一种用于识别多个指针式仪表表盘信息的机器视觉方法 | |
| CN110807355B (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN110659636B (zh) | 基于深度学习的指针式仪表读数识别方法 | |
| CN111931776B (zh) | 一种基于深度学习的双指针仪表读数方法 | |
| CN110580480A (zh) | 基于图像处理的表计读数识别方法 | |
| CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
| CN112699876B (zh) | 一种用于集气站多类型仪表自动读数方法 | |
| CN103164692B (zh) | 一种基于计算机视觉的特种车辆仪表自动识别系统及方法 | |
| CN111401357B (zh) | 基于文本检测的指针式仪表读数方法 | |
| CN111814919A (zh) | 一种基于深度学习的仪表定位与识别系统 | |
| CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
| CN105973148A (zh) | 基于机器视觉的笔头外观尺寸标准化检测系统 | |
| CN108960231B (zh) | 一种基于机器视觉的细指针表盘识别读数方法 | |
| CN108629347A (zh) | 变电站宽刻度指针式仪表自动识别方法 | |
| CN114898347A (zh) | 一种指针式仪表机器视觉识别方法 | |
| CN111553345A (zh) | 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 | |
| CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
| Lauridsen et al. | Reading circular analogue gauges using digital image processing | |
| CN114898198A (zh) | 一种用于指针式压力表自动读数的图像处理方法 | |
| CN114004826A (zh) | 一种基于视觉的医用注塑件的外观缺陷检测方法 | |
| CN117392657A (zh) | 一种指针仪表读数识别方法、装置、设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20953959 Country of ref document: EP Kind code of ref document: A1 |