基于深度学习的指针式仪表示数自动识别的研究与应用
随着科技的不断发展,工业信息化、数字化的不断提升,指针式仪表作为数据测量、数据监控、数据收集的重要工具,在工业生产生活中发挥着巨大的作用,对维持正常的生产生活具有重要的意义。然而,当前仍然存在大量需要人工进行采集和录入的指针式仪表监测数据,这种数据采集方式不仅仅耗费大量的人力、物力,而且也会影响数据的时效性并造成一定的数据误差。同时部分指针式仪表工作环境恶劣,无法进行人工采集和数据信息传输。因此,如何对指针式仪表进行高效的、精确的自动数据录入变得尤为重要。随着近些年来图像采集成本的降低,图像采集质量的提高,图像识别技术也日趋成熟,因此本文采用基于图像处理的方式进行指针式仪表示数自动识别研究。本文通过结合图像处理和深度学习的相关技术,在研究和学习己有指针式仪表自动识别算法的基础上,提出和设计了一种基于深度学习和形态学的指针式仪表自动识别算法。本文设计的指针式仪表自动识别算法主要包含三方面的核心内容:仪表盘及仪表数字的检测和提取、仪表盘指针的定位和拟合、仪表盘数字的识别和仪表示数的判定。在仪表盘及仪表数字的检测和提取中,本文结合深度学习相关知识,提出和设计了对自然场景中仪表有效信息提取的卷积神经网络模型MASKR2CNN,并构建了相应的训练数据集对模型进行训练和测试,从而实现对自然场景中的仪表盘进行图像分割和有效信息提取;在仪表盘指针的定位和拟合,针对本文设计的指针式仪表有效信息特征提取方式,采用Ostu阈值分割法和概率霍夫直线法对指针进行拟合和定位;在最后一
部分核心内容中,本文采用KNN对仪表数字区域进行数字识别并采用距离法对最后示数进行判定。经实验结果测试,相对误差在5%以内的示数识别准确率为81.64%。