阅读说明：本技术 一种基于深度学习的圆形表盘识别方法 (Deep learning-based circular dial plate identification method ) 是由 杜辉 徐新兴 冯亮 董俊伟 章良杰 于 2019-12-12 设计创作，主要内容包括：发明提供一种基于深度学习的圆形表盘识别方法。该方法包括拍摄表盘图片、剔除不符合要求的图片、标记图像中的表盘、制作成数据集、用该数据集训练Yolo v3神经网络模型和测试训练模型等步骤。该方法解决了传统的表盘识别方法无法适用于复杂的场景下,没有通用性的缺点。(The invention provides a circular dial plate identification method based on deep learning. The method comprises the steps of shooting a dial picture, removing pictures which do not meet requirements, marking the dial in the image, making a data set, and training a Yolo v3 neural network model and a test training model by using the data set. The method overcomes the defects that the traditional dial plate identification method cannot be applied to complex scenes and has no universality.)

一种基于深度学习的圆形表盘识别方法

技术领域

本发明涉及信息技术领域，特别涉及一种圆形表盘识别方法。

背景技术

指针式仪表由于结构简单、价格低廉、使用方便、防电磁干扰等优点，被广泛地应用到电力、厂矿、计量等各个行业。尤其是电力行业，指针式仪表广泛应用在电力设备运行状态监控、电力开关气体压力监测等方面。随着发电厂对设备运行故障快速判断、定位并止损的追求，以往的人工巡检、抄表、记录模式已经不能适应发电厂对于管理及生产效率的要求。

现有仪表示数自动读取技术的一般流程通常是获取仪表图像、图像预处理、仪表识别以及仪表示数读取。在仪表识别的步骤中，主要识别的是针对仪表区域这块图像的识别。目前比较常用的方法是基于霍夫变换的一些优化方法。但是这类方法的缺陷就是抗干扰能力较弱，无法应用在复杂的环境之下，通用性较弱。

因此，亟需开发一种通用性强的圆形表盘识别方法。

发明内容

本发明的目的是提供一种基于深度学习的圆形表盘识别方法，以解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种基于深度学习的圆形表盘识别方法，包括以下步骤：

1)采集大量的表盘图像样本。其中，所述表盘图像样本包括多种不同视角和不同场景下的表盘。

2)剔除不符合要求的表盘图像样本。

3)对表盘图像样本中的表盘进行人工标注。

4)构建与表盘图像样本对应的数据集。

5)将数据集输入至Yolo V3模型中进行训练与交叉验证，输出训练好的Yolo V3模型。

6)获取待识别的目标表盘图像，并将图像输入训练好的Yolo V3模型中进行识别。

进一步，步骤2)中，剔除图像模糊不清、像素质量低以及物体遮挡严重的图像样本。

进一步，步骤3)之前还具有对表盘图像样本中的表盘进行人工识别的相关步骤。

进一步，步骤3)中，对表盘图像样本中的表盘进行人工识别。将每一张图像中的表盘都用矩形框框出，并标注表盘的位置和边界信息。

进一步，步骤4中，将图像标注制作为XML文件。所述XML文件主要包括size模块、object模块和path模块。size模块主要包括图片的像素值以及通道数信息。object模块主要包括object的命名以及object在图片中出现的位置是否特定的信息。path模块为图片调用路径。

进一步，所述Yolo V3模型包含53个卷积层。训练过程中的损失函数采用交叉熵函数。预测对象类别时使用softmax，对于一个输入图像，YOLO V3将其映射到3个尺度的输出张量，代表图像各个位置存在各种对象的概率。

进一步，步骤6)之后还具有将Yolo V3模型的识别结果，以字符、数据流方式传输至输出单元，输出单元输出识别结果的相关步骤。

本发明还公开一种基于深度学习的圆形表盘识别系统，包括图像采集单元、神经网络处理单元、输出单元和存储单元。所述图像采集单元将图像样本进行人工标注，并制作成XML格式的数据集。数据集投入到神经网络处理单元中进行训练。训练完成后，输出单元输出识别结果，并保存为jpg格式的图片存储至存储单元中。

本发明的技术效果是毋庸置疑的，

A.能够精准的识别复杂场景下，任意位置的表盘，具有很强的通用性；

B.精度高、速度快，减少因人工抄表造成的错误问题。

附图说明

图1为圆形表盘识别方法流程图；

图2为实施例1收集的部分场景下的表盘示意图；

图3为实施例1剔除的不符合要求的表盘示意图；

图4为表盘手动标注示意图；

图5为XML文件示意图；

图6为神经网络结构Yolov3模型示意图；

图7为测试结果图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)，是一种模仿生物神经网络的结构和功能的数学模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结组成。人工神经网络是一个能够学习，能够总结归纳的系统，它可以推理产生一个自动识别的系统。人工神经网络现以广泛的应用于信息、经济、医疗、控制、生物等领域，解决了各式各样无法被传统基于规则的编程所解决的问题。

参见图1，本实施例公开一种基于深度学习的圆形表盘识别方法，包括以下步骤：

1)参见图2，采集大量的表盘图像样本。其中，所述表盘图像样本包括多种不同视角和不同场景下的表盘。

2)参见图3，剔除图像模糊不清、像素质量低以及物体遮挡严重的图像样本。

3)对图像样本进行几何校正和预处理。对表盘图像样本中的表盘进行人工标注。对表盘图像样本中的表盘进行人工识别。参见图4，采用特定图像标记工具将每一张图像中的表盘都用矩形框框出，并标注表盘的位置和边界信息。

值得说明的是，标记的表盘必须尽量保证完整性。标记区域范围必须适中，标记框与表盘边缘距离应适中，以保证在尽量减少干扰因素的前提下，囊括表盘的所有特征。标注结束，执行边界检查，确保框坐标不在图像边界上，防止载入数据或者flip等数据扩展过程出现越界报错。文件名命名必须等长且超过6个字符。类别名称注意大小写敏感，且在XML(Extensible Markup Language，可扩展标记语言)标注文件中和代码中保持写法一致。

4)构建与表盘图像样本对应的数据集。将图像标注制作为XML文件。

参见图5，所述XML文件主要包括size模块、object模块和path模块。size模块主要包括图片的像素值以及通道数等信息。其中，图片的通道数是三通道，并且图片像素值固定，宽度为720个像素，高度为960个像素。object模块主要包括object的命名以及object在图片中出现的位置是否特定等信息。表盘的命名统一采用“meter_60”(表的量程是0～60),并且表盘在图片中出现的位置不特定，可能会出现在图片中的任意位置。path模块为图片调用路径。

5)将数据集输入至Yolo V3模型中进行训练与交叉验证，输出训练好的Yolo V3模型。

参见图6，所述Yolo V3模型包含53个卷积层。Yolov3模型的特征提取器是一个残差模型。所述模型基于coco(Common Objects in COntext)数据集训练结果并在步骤S104所得数据集上面迭代改进以加速算法收敛。coco数据集是一个大型的、丰富的物体检测，分割和字幕数据集。这个数据集以scene understanding(场景理解)为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation(分割)进行位置的标定。图像包括91类目标，328,000影像和2,500,000个label。这里选取的只是关于表盘的那一类数据集。

训练过程中的损失函数采用交叉熵函数。预测对象类别时使用softmax(归一化指数函数)，对于一个输入图像，YOLO V3将其映射到3个尺度的输出张量，代表图像各个位置存在各种对象的概率。

6)参见图7，获取待识别的目标表盘图像，并将图像输入训练好的Yolo V3模型中进行识别。

7)将Yolo V3模型的识别结果，以字符、数据流方式传输至输出单元，输出单元输出识别结果的相关步骤。

实施例2：

本实施例公开一种基于深度学习的圆形表盘识别系统，包括图像采集单元、神经网络处理单元、输出单元和存储单元。所述图像采集单元将图像样本进行人工标注，并制作成XML格式的数据集。数据集投入到神经网络处理单元中进行训练。训练完成后，输出单元输出识别结果，并保存为jpg格式的图片存储至存储单元中。