CN109948469B - 基于深度学习的巡检机器人仪表自动检测识别方法 - Google Patents
基于深度学习的巡检机器人仪表自动检测识别方法 Download PDFInfo
- Publication number
- CN109948469B CN109948469B CN201910153856.5A CN201910153856A CN109948469B CN 109948469 B CN109948469 B CN 109948469B CN 201910153856 A CN201910153856 A CN 201910153856A CN 109948469 B CN109948469 B CN 109948469B
- Authority
- CN
- China
- Prior art keywords
- instrument
- pointer
- point
- detection model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000007689 inspection Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000036544 posture Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于深度学习的巡检机器人仪表自动检测识别方法，所述方法具体包括以下步骤：(1)采集仪表图像进行数据标记得到训练所需数据，并训练目标检测模型(SSD)及关键点检测模型；(2)利用步骤(1)中得到的SSD目标检测模型对待识别示数的仪表图像目标识别，得到仪表的种类及边框，并裁剪仪表区域；(3)利用步骤(1)得到的关键点检测模型对步骤(2)得到的仪表区域进行关键点识别，得到指针仪表的中心点、零点、满量程点及指针末端点；(4)结合仪表的种类，利用步骤(3)得到的点计算示数进行指针示数识别。本发明提出的指针仪表示数识别方法，其能同时识别不同类型的指针仪表，且无需考虑仪表姿态和尺度等问题，极大提高了指针仪表示数识别的精度。
Description
技术领域
本发明涉及基于深度学习的巡检机器人仪表自动检测识别方法，属于数字图像处理和仪表示数识别领域。
技术背景
指针式仪表广泛应用于化工厂、变电站、油气田等工业领域，目前主要通过人工巡检记录现场仪表读数来监控工业现场运行状况。人工巡检读数准确率依赖于人的主观意识，容易受到环境、疲劳等多种因素影响，且无法在高危、有毒环境下观察操作。随着油气田、变电站等无人值守站点的逐渐推广，搭载仪表自动识别技术的巡检机器人应用广泛，因此基于深度学习的仪表示数自动识别技术具有广泛的应用前景。
目前指针仪表示数自动识别方法主要采用基于Hough变换方法和基于模板匹配的方法。其中，基于Hough变换的方法通过Hough直线检测、圆弧检测分别检测指针的位置及表盘，并计算指针的偏转角度得到示数，该方法步骤繁多，需要对图像进行高斯滤波、图像二值化、图像细化预处理，指针提取易受图像中噪声的影响。基于模板匹配的方法利用SIFT等特征匹配算法将待识别图像配准到标准图像姿态下，然后再去识别指针示数，该方法对光照等拍摄环境和图像噪声敏感，且对仪表姿态要求极高。
综上所述，现有指针仪表示数自动识别方法均存在一定的缺陷，在实际复杂工况中使用时，容易因为仪表图像在不同光照、姿态、尺度拍摄而识别困难，且在部分遮挡、成像模糊等工况条件下几乎很难进行有效识别，故难以满足实际应用的要求。
发明内容
针对现有仪表示数自动识别技术存在的不足，本发明提出了基于深度学习的巡检机器人仪表自动检测识别方法，旨在使用深度学习的方法实现仪表示数自动识别，解决仪表示数自动识别过程中，图像姿态、尺度、光照等工况条件造成的识别不准问题，且在部分遮挡或者成像模糊时仍然适用。
本发明的技术方案如下：基于深度学习的巡检机器人仪表自动检测识别方法其特征在于具体实现包括以下步骤：
步骤1：采集实际仪表图像进行数据标注构建训练所需数据，并依次训练目标检测模型SSD及关键点检测模型；
步骤2：利用步骤1中得到的目标检测模型SSD对待识别示数的仪表图像目标识别，得到仪表的种类及边框，并裁剪仪表区域；
步骤3：利用步骤1得到的关键点检测模型对步骤2得到的仪表区域进行关键点识别，得到指针仪表的中心点、零点、满量程点及指针末端点；
步骤4：结合步骤2检测的仪表种类，利用步骤3得到的点计算示数进行指针示数识别。
本发明提出的指针仪表示数识别方法，能同时识别不同类型的指针仪表，且无需考虑仪表姿态和尺度等问题，极大提高了指针仪表示数识别的精度。
进一步的，所述步骤1具体为：
在工业现场采集N张具有目标仪表的样本图像，对图像中的目标仪表进行分类和位置标注后获得图像数据集1及经过标记工作生成的类别位置标签，并划分训练集和测试集，用于后续SSD目标检测模型的训练和测试。对目标仪表区域的中心点、零点、满量程点及指针末端点进行标记获得关键点检测模型训练所需的数据集2，同样划分为训练集和测试集。
其中，SSD目标检测模型首先采用VGGNet-16卷积神经网络模型的前五个卷积组(卷积组由卷积层和池化层组成)，然后使用Astrous算法将第六层和第七层全连接神经网络(FC6和FC7)转换成卷积神经网络(Conv6和Conv7)；接着再依次经过额外特征层，即三个不同尺寸的卷积组(Conv8_2，Conv9_2和Conv10_2)和一个平均池化层(Conv11_2)。关键点检测模型基础网络采用VGG16网络模型，并在其基础上进行改进，从开始到倒数第二卷积层均与VGG16相同，最后一个卷积层重新设计用于指针仪表关键点检测。
关键点检测模型训练的损失函数采用改进的L2回归损失函数：
其中，
D——训练样本数；
li——第i个样本的标注关键点位置；
vi——第i个样本的关键点可见性向量，1表示可见，0表示不可见。
采用迁移学习方法，利用上述数据集1训练在ImageNet数据集上预训练的SSD目标检测模型，数据集2训练构建的关键点检测模型，通过反向传播和随机梯度下降方法得到所需指针仪表目标检测模型及关键点检测模型。
进一步的，所述步骤2具体为：
在工业现场采集所需识别图像，利用步骤1中训练的SSD目标检测模型对其进行仪表图像目标识别，输出现场图像中目标仪表的种类及边框，并裁剪目标仪表区域，用于后续的关键点识别。
待识别图像输入SSD目标检测模型后，每个卷积神经网络输出不同尺度的特征图后，卷积滤波器会产生一系列不同大小的预测。预测结果包括不同尺度特征图每个位置上不同预测边框所属物体类别的置信度和边框与默认边框的4个偏移量(cx，cy，w，h)，最后通过非极大抑制法去除多余边框，获得目标仪表的最佳位置边框。
进一步的，所述步骤3具体为：
将步骤1中训练的关键点检测模型对步骤2获得的目标仪表区域图像进行关键点检测，得到指针仪表的中心点O(xo，yo)、零点Z(xz，yz)、满量程点M(xm，ym)及指针末端点E(xe，ye)。
进一步的，所述步骤4具体为：
结合步骤2的仪表种类得到指针仪表的量程L，再利用步骤3获得的关键点中心点O(xo，yo)、零点Z(xs，ys)、满量程点M(xm，ym)及指针末端点E(xe，ye)计算指针示数N如下：
其中，
与现有方法相比较，本发明具有的积极效果是：检测仪表区域时，可直接输入原始图像，且无需考虑图像的姿态、尺度等问题，故需将待识别图像配准到标准图像的姿态下，且无需归一化所有的图像到标准图像的姿态和尺度下；识别指针示数时，直接对原始图像进行关键点检测，不依赖边缘检测算法和圆或直线检测算法检测表盘及指针，且无需对图像进行高斯滤波、图像二值化、图像细化等预处理，更加简单有效，具有更强的鲁棒性。
附图说明
图1是本发明的指针仪表示数识别方法总体流程图。
图2是本发明的目标检测数据集的标注过程。
图3是本发明采用的目标检测模型SSD模型结构图。
图4是本发明采用的关键点检测模型结构图。
图5是本发明的指针示数识别过程指针仪表检测及关键点检测示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰明了，以下结合附图对本发明进行进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，而不是用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的基于深度学习的巡检机器人仪表自动检测识别方法，在部分遮挡、成像模糊等工况条件下，依然可以实现对指针式仪表读数的自动识别，且识别精度高。
图1所示为本发明提供的基于深度学习的巡检机器人仪表自动检测识别方法总体流程图，包括以下步骤：
步骤1：采集实际仪表图像进行数据标注构建训练所需数据，并依次训练目标检测模型(SSD)及关键点检测模型；
步骤2：利用步骤1中得到的SSD目标检测模型对待识别示数的仪表图像目标识别，得到仪表的种类及边框，并裁剪仪表区域；
步骤3：利用步骤1得到的关键点检测模型对步骤2得到的仪表区域进行关键点识别，得到指针仪表的中心点、零点、满量程点及指针末端点；
步骤4：结合步骤2检测的仪表种类，利用步骤3得到的点计算示数进行指针示数识别。本发明提出的指针仪表示数识别方法，能同时识别不同类型的指针仪表，且无需考虑仪表姿态和尺度等问题，极大提高了指针仪表示数识别的精度。
进一步的，所述步骤1具体为：
在工业现场采集N张具有目标仪表的样本图像，对图像中的目标仪表进行分类和位置标注后获得图像数据集1及经过标记工作生成的类别位置标签，并划分训练集和测试集，用于后续SSD目标检测模型的训练和测试。对目标仪表区域的中心点、零点、满量程点及指针末端点进行标记获得关键点检测模型训练所需的数据集2，同样划分为训练集和测试集。上述数据标注过程如图2所示，主要利用LabelImg软件实现打标过程。
其中，SSD模型首先采用VGGNet-16卷积神经网络模型的前五个卷积组(卷积组由卷积层和池化层组成)，然后使用Astrous算法将第六层和第七层全连接神经网络(FC6和FC7)转换成卷积神经网络(Conv6和Conv7)；接着再依次经过额外特征层，即三个不同尺寸的卷积组(Conv8_2，Conv9_2和Conv10_2)和一个平均池化层(Conv11_2)。关键点检测模型基础网络采用VGG16网络模型，并在其基础上进行改进，从开始到倒数第二卷积层均与VGG16相同，最后一个卷积层重新设计用于指针仪表关键点检测。
关键点检测模型训练的损失函数采用改进的L2回归损失函数：
其中，
D——训练样本数；
li——第i个样本的标注关键点位置；
vi——第i个样本的关键点可见性向量，1表示可见，0表示不可见。
采用迁移学习方法，利用上述数据集1训练在ImageNet数据集上预训练的SSD目标检测模型，数据集2训练构建的关键点检测模型，通过反向传播和随机梯度下降方法得到所需指针仪表目标检测模型及关键点检测模型。
进一步的，所述步骤2具体为：
在工业现场采集所需识别图像，利用步骤1中训练的SSD目标检测模型对其进行仪表图像目标识别，输出现场图像中目标仪表的种类及边框，并裁剪目标仪表区域，用于后续的关键点识别。
待识别图像输入SSD目标检测模型后，每个卷积神经网络输出不同尺度的特征图后，卷积滤波器会产生一系列不同大小的预测。预测结果包括不同尺度特征图每个位置上不同预测边框所属物体类别的置信度和边框与默认边框的4个偏移量(cx，cy，w，h)，最后通过非极大抑制法去除多余边框，获得目标仪表的最佳位置边框。
进一步的，所述步骤3具体为：
将步骤1中训练的关键点检测模型对步骤2获得的目标仪表区域图像进行关键点检测，得到指针仪表的中心点O(xo，yo)、零点Z(xz，yz)、满量程点M(xm，ym)及指针末端点E(xe，ye)。
进一步的，所述步骤4具体为：
结合步骤2的仪表种类得到指针仪表的量程L，再利用步骤3获得的关键点中心点O(xo，yo)、零点Z(xs，ys)、满量程点M(xm，ym)及指针末端点E(xe，ye)计算指针示数N如下：
图3是本发明的指针示数识别过程所用目标检测模型SSD模型结构图，待识别图片在输入SSD模型处理之前，需要转化成尺寸为300×300的图像；SSD模型首先采用VGGNet-16卷积神经网络模型的前五个卷积组(卷积组由卷积层和池化层组成)，然后使用Astrous算法将第六层和第七层全连接神经网络(FC6和FC7)转换成卷积神经网络(Conv6和Conv7)；接着再依次经过额外特征层，即三个不同尺寸的卷积组(Conv8_2，Conv9_2和Conv10_2)和一个平均池化层(Conv11_2)。
图4是本发明的指针示数识别过程所用关键点检测模型结构图，基础网络采用VGG16网络模型，并在其基础上进行改进，从开始到倒数第二卷积层均与VGG16相同，最后一个卷积层重新设计用于指针仪表关键点检测。
如图5所示为本发明的指针示数识别过程指针仪表检测及关键点检测示意图，将待识别图像输入目标检测模型获得目标仪表区域及类别，并进行裁剪获得目标仪表区域，随后将目标仪表区域输入关键点检测模型，获得识别指针示数所需关键点，指针仪表的中心点O(xo，yo)、零点Z(xz，yz)、满量程点M(xm，ym)及指针末端点E(xe，ye)，即可进行计算获得示数。
Claims (5)
1.基于深度学习的巡检机器人仪表自动检测识别方法，其特征在于具体实现包括以下步骤：
步骤1：采集实际仪表图像进行数据标注构建训练所需数据，并依次训练目标检测模型SSD及关键点检测模型；
步骤2：利用步骤1中得到的SSD目标检测模型对待识别示数的仪表图像目标识别，得到仪表的种类及边框，并裁剪仪表区域；
步骤3：利用步骤1得到的关键点检测模型对步骤2得到的仪表区域进行关键点识别，得到指针仪表的中心点、零点、满量程点及指针末端点；
步骤4：结合步骤2检测的仪表种类，利用步骤3得到的点计算示数进行指针示数识别；
所述步骤1中的关键点检测模型训练的损失函数采用改进的L2回归损失函数：
其中，
D——训练样本数；
li——第i个样本的标注关键点位置；
vi——第i个样本的关键点可见性向量，1表示可见，0表示不可见；
所述的步骤4指针示数计算方法为，结合步骤2的仪表种类得到指针仪表的量程L，再利用步骤3获得的关键点中心点O(xo，yo)、零点Z(xz，yz)、满量程点M(xm，ym)及指针末端点E(xe，ye)计算指针示数N：
其中，
2.根据权利要求1所述的基于深度学习的巡检机器人仪表自动检测识别方法，其特征在于所述步骤1中的构建训练所需数据过程包括：
在工业现场采集N张具有目标仪表的样本图像，对图像中的目标仪表进行分类和位置标注后获得图像数据集1及经过标记工作生成的类别位置标签，并划分训练集和测试集，用于后续SSD目标检测模型的训练和测试；对目标仪表区域的中心点、零点、满量程点及指针末端点进行标记获得关键点检测模型训练所需的数据集2，同样划分为训练集和测试集。
3.根据权利要求1所述的基于深度学习的巡检机器人仪表自动检测识别方法，其特征在于所述步骤1中的目标检测模型是在ImageNet数据集上经过预训练的SSD目标检测模型；SSD模型首先采用VGGNet-16卷积神经网络模型的前五个卷积组,卷积组由卷积层和池化层组成，然后使用Astrous算法将第六层和第七层全连接神经网络FC6和FC7转换成卷积神经网络Conv6和Conv7；接着再依次经过额外特征层，即三个不同尺寸的卷积组Conv8_2，Conv9_2和Conv10_2和一个平均池化层Conv11_2。
4.根据权利要求1所述的基于深度学习的巡检机器人仪表自动检测识别方法，其特征在于所述步骤1中的关键点检测模型基础网络采用VGG16网络模型，并在其基础上进行改进，从开始到倒数第二卷积层均与VGG16相同，最后一个卷积层重新设计用于指针仪表关键点检测。
5.根据权利要求1所述的基于深度学习的巡检机器人仪表自动检测识别方法，其特征在于，步骤1中模型训练方法是反向传播和随机梯度下降方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910153856.5A CN109948469B (zh) | 2019-03-01 | 2019-03-01 | 基于深度学习的巡检机器人仪表自动检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910153856.5A CN109948469B (zh) | 2019-03-01 | 2019-03-01 | 基于深度学习的巡检机器人仪表自动检测识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948469A CN109948469A (zh) | 2019-06-28 |
| CN109948469B true CN109948469B (zh) | 2022-11-29 |
Family
ID=67008139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910153856.5A Active CN109948469B (zh) | 2019-03-01 | 2019-03-01 | 基于深度学习的巡检机器人仪表自动检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948469B (zh) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751174A (zh) * | 2019-09-10 | 2020-02-04 | 华中科技大学 | 一种基于多任务级联卷积网络的表盘检测方法和系统 |
| CN110866440B (zh) * | 2019-09-27 | 2024-06-07 | 惠州市德赛西威汽车电子股份有限公司 | 一种指针仪表深度学习网络搭建方法、检测方法及其系统 |
| CN110837825A (zh) * | 2019-10-17 | 2020-02-25 | 天津大学 | 基于嵌入式的表计识别与读数系统 |
| CN110909738A (zh) * | 2019-11-15 | 2020-03-24 | 杭州远鉴信息科技有限公司 | 一种基于关键点检测的指针仪表自动读数方法 |
| CN110705540B (zh) * | 2019-11-25 | 2024-05-31 | 中国农业科学院农业信息研究所 | 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置 |
| CN111062282B (zh) * | 2019-12-05 | 2023-09-29 | 武汉科技大学 | 基于改进yolov3模型的变电站指针式仪表识别方法 |
| CN111027531A (zh) * | 2019-12-10 | 2020-04-17 | 联想(北京)有限公司 | 指针式仪表信息识别方法、装置及电子设备 |
| CN111161255A (zh) * | 2019-12-31 | 2020-05-15 | 云领电气智能科技(苏州)有限公司 | 基于机器视觉的电力仪表自动检测方法 |
| CN111259903A (zh) * | 2020-01-13 | 2020-06-09 | 深圳供电局有限公司 | 识别表计示数方法、装置、可读存储介质和计算机设备 |
| CN111291691B (zh) * | 2020-02-17 | 2022-03-15 | 合肥工业大学 | 一种基于深度学习的变电站二次设备仪表盘读数检测方法 |
| CN111368824B (zh) * | 2020-02-24 | 2022-09-23 | 河海大学常州校区 | 一种仪表识别方法、移动设备及存储介质 |
| CN111814740B (zh) * | 2020-07-28 | 2024-03-26 | 南方电网数字电网研究院有限公司 | 指针仪表读数的识别方法、装置、计算机设备和存储介质 |
| CN112115897B (zh) * | 2020-09-24 | 2023-12-22 | 深圳市赛为智能股份有限公司 | 多指针仪表报警检测方法、装置、计算机设备及存储介质 |
| CN112417975A (zh) * | 2020-10-23 | 2021-02-26 | 济南信通达电气科技有限公司 | 一种获取指针式仪表读数的方法及装置 |
| CN112257676B (zh) * | 2020-11-19 | 2023-10-24 | 南京天创电子技术有限公司 | 一种指针式仪表读数方法、系统以及巡检机器人 |
| CN112507815A (zh) * | 2020-11-24 | 2021-03-16 | 北京超维世纪科技有限公司 | 关于指针式仪器仪表盘刻度人工智能图像识别算法及系统 |
| CN112613498B (zh) * | 2020-12-16 | 2024-07-02 | 浙江大华技术股份有限公司 | 一种指针识别方法、装置、电子设备及存储介质 |
| CN112560983B (zh) * | 2020-12-24 | 2023-09-08 | 济南信通达电气科技有限公司 | 一种仪表识别方法及装置 |
| CN113029220A (zh) * | 2021-01-28 | 2021-06-25 | 开放智能机器（上海）有限公司 | 一种工业仪表盘的状态识别系统及方法 |
| CN112861867A (zh) * | 2021-02-01 | 2021-05-28 | 北京大学 | 指针式仪表盘识别方法、系统及存储介质 |
| 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 |
| CN112801094B (zh) * | 2021-02-02 | 2022-08-30 | 中国长江三峡集团有限公司 | 一种指针式仪表图像倾斜校正方法 |
| 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 |
| CN113076941A (zh) * | 2021-04-20 | 2021-07-06 | 上海阿莱夫信息技术有限公司 | 一种基于视频帧融合的单指针表盘读数识别方法 |
| CN112990179A (zh) * | 2021-04-20 | 2021-06-18 | 成都阿莱夫信息技术有限公司 | 一种基于图片处理的单指针型表盘读数自动识别方法 |
| CN113591875B (zh) * | 2021-06-24 | 2023-09-08 | 贵州国致科技有限公司 | 一种高精度指针式仪表识别方法 |
| CN113780273A (zh) * | 2021-07-19 | 2021-12-10 | 浙江理工大学 | 一种基于目标检测和关键点检测的水表指针读数读取方法 |
| CN113688817A (zh) * | 2021-08-05 | 2021-11-23 | 同济人工智能研究院(苏州)有限公司 | 一种自动巡检的仪表识别方法及识别系统 |
| CN113639836A (zh) * | 2021-08-11 | 2021-11-12 | 国网河北省电力有限公司电力科学研究院 | 电气设备内六氟化硫气体重量在线测定系统 |
| CN113537153A (zh) * | 2021-08-20 | 2021-10-22 | 杭州灵伴科技有限公司 | 仪表图像识别方法、装置、电子设备和计算机可读介质 |
| CN114120309A (zh) * | 2022-01-27 | 2022-03-01 | 树根互联股份有限公司 | 一种仪表读数识别方法、装置及计算机设备 |
| CN114663363B (zh) * | 2022-03-03 | 2023-11-17 | 四川大学 | 一种基于深度学习的髋关节医学图像处理方法和装置 |
| CN114596431A (zh) * | 2022-03-10 | 2022-06-07 | 北京百度网讯科技有限公司 | 信息确定方法、装置及电子设备 |
| CN115035294B (zh) * | 2022-06-15 | 2024-06-25 | 灵图数据(杭州)有限公司 | 一种冰箱温控器挡位检测方法及装置 |
| CN116152701A (zh) * | 2022-12-19 | 2023-05-23 | 佳源科技股份有限公司 | 基于注意力融合的仪表检测与识别方法及相关装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
| CN108764257A (zh) * | 2018-05-23 | 2018-11-06 | 郑州金惠计算机系统工程有限公司 | 一种多视角的指针式仪表识别方法 |
| CN109325952A (zh) * | 2018-09-17 | 2019-02-12 | 上海宝尊电子商务有限公司 | 基于深度学习的时尚服装图像分割方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7499766B2 (en) * | 2002-10-11 | 2009-03-03 | Invistics Corporation | Associated systems and methods for improving planning, scheduling, and supply chain management |
| JP2013137283A (ja) * | 2011-12-28 | 2013-07-11 | Nippon Seiki Co Ltd | 計器装置 |
| CN103528617B (zh) * | 2013-09-27 | 2016-08-10 | 中国人民解放军空军工程大学 | 一种座舱仪表自动识别和检测方法及装置 |
| CN104392206B (zh) * | 2014-10-24 | 2017-11-24 | 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 |
| CN105809179B (zh) * | 2014-12-31 | 2019-10-25 | 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 |
| CN105894002B (zh) * | 2016-04-22 | 2019-04-12 | 浙江大学 | 一种基于机器视觉的仪表示数识别方法 |
| CN106814853A (zh) * | 2016-12-15 | 2017-06-09 | 上海眼控科技股份有限公司 | 一种基于机器学习的眼控跟踪方法 |
| US20180204096A1 (en) * | 2017-01-18 | 2018-07-19 | Microsoft Technology Licensing, Llc | Taking action upon physical condition |
| CN106778710A (zh) * | 2017-02-17 | 2017-05-31 | 吉林大学 | 一种基于kinect传感器的飞行模拟器动态视点系统 |
| CN107133616B (zh) * | 2017-04-02 | 2020-08-28 | 南京汇川图像视觉技术有限公司 | 一种基于深度学习的无分割字符定位与识别方法 |
| CN108898131A (zh) * | 2018-05-23 | 2018-11-27 | 郑州金惠计算机系统工程有限公司 | 一种复杂自然场景下的数字仪表识别方法 |
| CN108921177A (zh) * | 2018-06-22 | 2018-11-30 | 重庆邮电大学 | 变电站巡检机器人的仪表定位方法 |
| CN109271967B (zh) * | 2018-10-16 | 2022-08-26 | 腾讯科技（深圳）有限公司 | 图像中文本的识别方法及装置、电子设备、存储介质 |
| CN109359604B (zh) * | 2018-10-23 | 2022-03-11 | 大连航佳机器人科技有限公司 | 面向巡检机器人的阴影干扰下仪表识别方法 |
| CN109359637B (zh) * | 2018-12-14 | 2022-04-05 | 福建工程学院 | 基于机器视觉的指针式仪表读值方法 |
-
2019
- 2019-03-01 CN CN201910153856.5A patent/CN109948469B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564109A (zh) * | 2018-03-21 | 2018-09-21 | 天津大学 | 一种基于深度学习的遥感图像目标检测方法 |
| CN108764257A (zh) * | 2018-05-23 | 2018-11-06 | 郑州金惠计算机系统工程有限公司 | 一种多视角的指针式仪表识别方法 |
| CN109325952A (zh) * | 2018-09-17 | 2019-02-12 | 上海宝尊电子商务有限公司 | 基于深度学习的时尚服装图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948469A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948469B (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
| CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
| CN106599830B (zh) | 人脸关键点定位方法及装置 | |
| CN112149667B (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
| CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
| CN108182433A (zh) | 一种表计读数识别方法及系统 | |
| CN112818988A (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN109325395A (zh) | 图像的识别方法、卷积神经网络模型的训练方法及装置 | |
| CN105975979B (zh) | 一种基于机器视觉的仪表检测方法 | |
| CN108564085A (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN111950396A (zh) | 一种仪表读数神经网络识别方法 | |
| CN111008576A (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
| CN110909738A (zh) | 一种基于关键点检测的指针仪表自动读数方法 | |
| 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 | |
| CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
| CN111523342A (zh) | 一种复杂场景下的二维码检测和校正方法 | |
| CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
| CN111160374A (zh) | 一种基于机器学习的颜色识别方法及系统、装置 | |
| CN114359552A (zh) | 一种基于巡检机器人的仪表图像识别方法 | |
| CN114898347A (zh) | 一种指针式仪表机器视觉识别方法 | |
| CN117593300B (zh) | 一种pe管材裂纹缺陷检测方法及系统 | |
| CN114037993A (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
| CN116091818B (zh) | 基于多神经网络级联模型的指针式仪表读数识别方法 | |
| CN114255458A (zh) | 一种巡检场景下指针仪表读数的识别方法与系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |