论文部分内容阅读
在工业数字化、智能化不断深入普及的今天,指针仪表由于可靠性、稳定性上的优势,仍然是监视变电站运行状态的重要工具。然而,现有基于深度学习的指针仪表读数识别方法大多通过语义分割显式检测仪表指针和刻度,因此要求仪表图像质量较高,不能较好地适应环境干扰,在仪表模糊、发黄、污渍等条件下识别精度不能令人满意。为解决这个问题,本文提出一种新的基于深度学习的指针仪表检测和读数识别方法,避免显式检测仪表指针和刻度,而是将指针检测、刻度识别、干扰抑制隐式地结合起来,直接从仪表图像预测指针方向,从而得到仪表读数。本文主要研究内容如下:1.基于改进Faster R-CNN的仪表检测方法和基于G-RMI算法的仪表图像校正方法。一般物体检测任务要求数据集大、训练时间长,为此本文在虚拟仿真变电站场景数据子集上,通过对COCO预训练模型进行fine tune,利用2000张训练样本获得了 99.7%的mAP值。然后,针对仪表检测模型在真实数据上迁移性不足的问题,本文通过对图像特征施加约束,使模型不仅关注仪表外壳,同时关注仪表表盘。实验证明,通过对仪表特征施加中心约束,仪表检测模块在真实数据上的性能增加了 1.7%。然后基于仪表检测结果,本文利用G-RMI算法对仪表刻度关键点进行检测,从而校正仪表图像。实验证明,该方法能有效地对仪表图像进行校正。2.基于深度回归的仪表读数识别方法。针对检测出的仪表,本文提出首先用ResNet50提取图像特征,然后将图像特征通过一个方向回归模块得到指针方向,最终根据指针方向计算出仪表读数。相比于现有基于Mask R-CNN的仪表读数识别方法,本文避免了显式检测受干扰仪表图像关键点的困难,从而使得读数识别性能得到提升。在虚拟仿真仪表数据集上,本文方法的平均识别精度达97.2%,相比于基于Mask R-CNN的仪表读数识别方法高出7.4%。定量和定性分析表明,本文方法对模糊、发黄、污渍等干扰条件的鲁棒性更强。本文提出的指针仪表检测与识别方法,实现了仪表的精确检测、图像校正和识别,与现有性能较好的基于深度学习的仪表读数识别方法相比,读数识别精度更高,鲁棒性更强。