论文部分内容阅读
随着社会的进步与科技的发展,人们对工业生产自动化与智能化的需求逐渐提升,越来越多的机器人开始应用于工业现场。指针仪表因其结构简单、成本低、精度高、抗干扰能力强等优点在工业现场仍被广泛使用。但目前普遍采用的人工抄表方式存在效率低下、数据电子入库困难、人员疲劳导致误检与漏检等问题,且因工业现场的指针仪表分布范围较广,很难用少量固定相机进行读取,因此采用移动巡检机器人进行自动读取就显得非常必要。
针对现有的指针仪表自动读取算法受复杂背景环境干扰导致的仪表区域和指针中心线提取困难、受倾斜拍摄导致角度读数误差等问题,本文采用深度学习结合传统计算机视觉的方法,研究了在巡检机器人平台上实现指针式仪表的自动读取方法。主要工作总结如下:
(1)提出了一种结合深度学习与传统计算机视觉方法的仪表自动读取流程,并构建了针对指针式仪表的图像数据集。通过层层提取关键信息,去除干扰信息的方式,可简化仪表读数任务并优化算法计算量。使用针对指针式仪表的图像数据集,训练出了一种针对指针式仪表的YOLOV3目标检测模型。通过基于深度学习的YOLOV3目标检测模型可将仪表从复杂背景中提取出来。
(2)提出了一种指针区域及中心线提取方法。该方法包括一种改进的图像预处理算法,一种概率圆指针区域提取算法,一种迭代查询的最大连通域选取方式,以及一种指针中心线提取算法。所提方法可有效解决远距离拍摄时图像模糊、倾斜角度拍摄、光照不均匀等干扰导致的中心线提取失败问题,可准确提取出表征指针指向信息的中心线。
(3)给出了一种仪表读数校正方法。该方法通过AprilTag标签进行平面构建以获取空间转换矩阵,再通过该转换矩阵对关键点进行透视变换校正,并提出一种概率圆心虚拟投影坐标系构建算法,利用角度法计算得到仪表读数。该方法可实现对倾斜拍摄的仪表进行关键点校正,从而得到仪表的准确读数。
(4)拟真场景实验验证了所提方法的可行性。订制了天然气场站管道设备的模型作为工业现场的拟真场景,并通过自制的移动巡检机器人在拟真场景中进行多组实验从而对本文提出的方法进行实验验证。结果显示读数的平均引用误差约为1%,最大引用误差不超过3%,满足工业场景仪表读数不高于5%的要求。所提方法具有较强的准确性、稳定性与实时性,可完成指针式仪表自动读取任务。
针对现有的指针仪表自动读取算法受复杂背景环境干扰导致的仪表区域和指针中心线提取困难、受倾斜拍摄导致角度读数误差等问题,本文采用深度学习结合传统计算机视觉的方法,研究了在巡检机器人平台上实现指针式仪表的自动读取方法。主要工作总结如下:
(1)提出了一种结合深度学习与传统计算机视觉方法的仪表自动读取流程,并构建了针对指针式仪表的图像数据集。通过层层提取关键信息,去除干扰信息的方式,可简化仪表读数任务并优化算法计算量。使用针对指针式仪表的图像数据集,训练出了一种针对指针式仪表的YOLOV3目标检测模型。通过基于深度学习的YOLOV3目标检测模型可将仪表从复杂背景中提取出来。
(2)提出了一种指针区域及中心线提取方法。该方法包括一种改进的图像预处理算法,一种概率圆指针区域提取算法,一种迭代查询的最大连通域选取方式,以及一种指针中心线提取算法。所提方法可有效解决远距离拍摄时图像模糊、倾斜角度拍摄、光照不均匀等干扰导致的中心线提取失败问题,可准确提取出表征指针指向信息的中心线。
(3)给出了一种仪表读数校正方法。该方法通过AprilTag标签进行平面构建以获取空间转换矩阵,再通过该转换矩阵对关键点进行透视变换校正,并提出一种概率圆心虚拟投影坐标系构建算法,利用角度法计算得到仪表读数。该方法可实现对倾斜拍摄的仪表进行关键点校正,从而得到仪表的准确读数。
(4)拟真场景实验验证了所提方法的可行性。订制了天然气场站管道设备的模型作为工业现场的拟真场景,并通过自制的移动巡检机器人在拟真场景中进行多组实验从而对本文提出的方法进行实验验证。结果显示读数的平均引用误差约为1%,最大引用误差不超过3%,满足工业场景仪表读数不高于5%的要求。所提方法具有较强的准确性、稳定性与实时性,可完成指针式仪表自动读取任务。