论文部分内容阅读
随着机器视觉的高速发展,指针式刻度仪表读数识别的智能化已经成为重要的研究课题,并将其广泛应用在工业及军事领域。传统的仪表盘数据采集主要靠人工手抄的方式,这种方法的效率低,而且错误率比较高。所以对指针式刻度仪表盘进行智能化的识别读数具有重要意义。本论文对人脸检测与人脸对齐算法中的多任务级联卷积网络(Multi-task Cascaded Convolutional Networks,MTCNN)和人脸检测算法FaceBoxes进行了分析,设计了基于多任务级联卷积网络的表盘检测与表盘特征点定位方法,提出了一种高精度实时多尺度表盘指针检测方法。本论文做的工作与创新主要包括:首先,设计了一种基于多任务级联卷积网络的表盘检测与表盘特征点定位方法对整幅图片中的仪表盘区域进行检测并对表盘中的特征点进行检测定位,采用了多任务的学习机制,充分利用了子任务之间的关系,并行实现了检测仪表盘区域与表盘特征点定位的双重任务,并且用了一种新的在线硬样本挖掘策略,训练的效果比人工选择样本更好。通过对数据集的训练生成相应的训练模型,用训练模型对测试集图片进行表盘检测与表盘特征点定位,实现了在不同背景下对表盘区域的准确检测与表盘特征点的准确定位同时轻量级的卷积神经网络(Convolutional Neural Network,CNN)设计可以达到实时检测的效果。其次,提出了一种高精度实时多尺度表盘指针检测方法,该方法具有轻量级但功能强大的网络结构,可以实现实时的效果,处理不同尺度的表盘指针,只包含一个完整的卷积神经网络,并且是端到端的训练。此外,采用新的锚点加密策略,使不同类型的锚点在输入图像上具有相同的密度,显著提高了小表盘指针的召回率。先基于FaceBoxes网络对表盘的指针区域进行检测,再根据检测到的表盘指针框结合MTCNN定位到的表盘盘心特征点位置进行初步判断得出指针的指向信息,进一步对检测到的表盘指针框使用自适应的霍夫直线检测,并结合盘心两边的线段长短对指针的指向进行精修,最后综合两种方法择优判断得出指针所指的方向,不仅大大的提高了指针检测的效率和准确度,而且算法更加稳定,鲁棒性更好。最后,由于计算机视觉识别倾斜表盘的示数会出现误差,研究了基于旋转矩阵修正偏差的数学原理,提出了一种基于仿射变换与三维建模的表盘识别读数矫正方法精确计算补偿角度,进而自主矫正表盘识别读数。通过OpenGL建立表盘模型结合修正算法对数据进行了拟合,应用修正算法对倾斜表盘进行了读数误差的补偿,使得读数的结果更加精确。通过实验的验证,该算法可以提高表盘读数识别的准确率。