一种自适应电表的表计识别方法及装置与流程

1.本发明涉及图像识别技术技域，尤其涉及一种自适应电表的识别方法及装置。


背景技术：

2.目前自适应电表的表计数值读取方法还是选用人工读取的方法为主，这种方法在校验过程受制于人眼分辨能力和视觉疲劳等众多主观因素，容易产生的随机误差，进而大大影响了数值读取的精确和准确程度。


技术实现要素：

3.本发明提供了一种自适应电表的表计识别方法及装置，用于通过ssd框架网络模型确定自适应电表的表计读数，从而提高读数读取的准确性和效率。
4.第一方面，本发明提供的一种自适应电表的表计识别方法，包括：
5.获取电表训练集、电表测试集和电表识别集；所述电表训练集包括训练计盘图像及对应的角度标签；所述电表测试集包括测试计盘图像及对应的角度标签；
6.基于所述电表训练集和所述电表测试集，构建目标ssd框架网络模型；
7.依次将所述电表识别集中的识别计盘图像输入所述目标ssd框架网络模型，得到对应的定位框图像；
8.从所述定位框图像中确定对应的目标圆形轮廓图像；
9.对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。
10.可选地，获取电表训练集、电表测试集和电表识别集，包括：
11.获取计盘图像，并分别按照第一设定数量、第二设定数量和第三设定数量划分所述计盘图像，得到第一图像集、第二图像集和第三图像集；
12.对所述第一图像集和所述第二图像集中的计盘图像标注对应的所述角度标签；并将所述第一图像集、所述第二图像集和所述第三图像集分别定义为电表训练集、电表测试集和电表识别集。
13.可选地，基于所述电表训练集和所述电表测试集，构建目标ssd框架网络模型，包括：
14.基于所述训练计盘图像及对应的角度标签，构建ssd框架训练网格模型；
15.基于所述测试计盘图像及对应的角度标签，对所述ssd框架训练网格模型进行测试，得到最优网络参数；
16.采用所述最优网络参数生成所述目标ssd框架网络模型。
17.可选地，基于所述测试计盘图像及对应的角度标签，对所述ssd框架训练网格模型进行测试，得到最优网络参数，包括：
18.将所述测试计盘图像输入所述ssd框架训练网格模型，生成对应的测试角度；
19.根据所述测试计盘图像对应的测试角度和测试角度标签，确定训练误差；
20.基于所述训练误差，对所述ssd框架训练网络模型进行调整，以得到所述最优网络参数。
21.可选地，从所述定位框图像中确定对应的目标圆形轮廓图像，包括：
22.对所述定位框图像进行中心化处理、灰度化处理、消除畸变处理、倾斜纠正处理和二值化处理，得到对应的目标定位框图像；
23.从所述目标定位框图像中提取像素值大小符合预设像素值的目标像素点，并基于所述目标像素点得到目标圆形轮廓图像。
24.第二方面，本发明还提供了一种自适应电表的表计识别装置，包括：
25.获取模块，用于获取电表训练集、电表测试集和电表识别集；所述电表训练集包括训练计盘图像及对应的角度标签；所述电表测试集包括测试计盘图像及对应的角度标签；
26.构建模块，用于基于所述电表训练集和所述电表测试集，构建目标ssd 框架网络模型；
27.输入模块，用于依次将所述电表识别集中的识别计盘图像输入所述目标 ssd框架网络模型，得到对应的定位框图像；
28.目标圆形轮廓图像确定模块，用于从所述定位框图像中确定对应的目标圆形轮廓图像；
29.表计指针角度确定模块，用于对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。
30.可选地，所述获取模块包括：
31.划分子模块，用于获取计盘图像，并分别按照第一设定数量、第二设定数量和第三设定数量划分所述计盘图像，得到第一图像集、第二图像集和第三图像集；
32.标注子模块，用于对所述第一图像集和所述第二图像集中的计盘图像标注对应的所述角度标签；并将所述第一图像集、所述第二图像集和所述第三图像集分别定义为电表训练集、电表测试集和电表识别集。
33.可选地，所述构建模块包括：
34.构建子模块，用于基于所述训练计盘图像及对应的角度标签，构建ssd 框架训练网格模型；
35.测试子模块，用于基于所述测试计盘图像及对应的角度标签，对所述ssd 框架训练网格模型进行测试，得到最优网络参数；
36.生成子模块，用于采用所述最优网络参数生成所述目标ssd框架网络模型。
37.可选地，所述测试子模块包括：
38.测试角度生成单元，用于将所述测试计盘图像输入所述ssd框架训练网格模型，生成对应的测试角度；
39.训练误差确定单元，用于根据所述测试计盘图像对应的测试角度和测试角度标签，确定训练误差；
40.调整单元，用于基于所述训练误差，对所述ssd框架训练网络模型进行调整，以得到所述最优网络参数。
41.可选地，所述目标圆形轮廓图像确定模块包括：
42.图像处理子模块，用于对所述定位框图像进行中心化处理、灰度化处理、消除畸变
处理、倾斜纠正处理和二值化处理，得到对应的目标定位框图像；
43.提取子模块，用于从所述目标定位框图像中提取像素值大小符合预设像素值的目标像素点，并基于所述目标像素点得到目标圆形轮廓图像。
44.从以上技术方案可以看出，本发明具有以下优点：
45.本发明通过获取电表训练集、电表测试集和电表识别集；所述电表训练集包括训练计盘图像及对应的角度标签；所述电表测试集包括测试计盘图像及对应的角度标签；基于所述电表训练集和所述电表测试集，构建目标ssd 框架网络模型；依次将所述电表识别集中的识别计盘图像输入所述目标ssd 框架网络模型，得到对应的定位框图像；从所述定位框图像中确定对应的目标圆形轮廓图像；对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。通过ssd框架网络模型确定自适应电表的表计读数，从而提高读数读取的准确性和识别。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图；
47.图1为本发明的一种自适应电表的表计识别方法实施例一的步骤流程图；
48.图2为为ssd框架网络模型的结构图；
49.图3为本发明的一种自适应电表的表计识别方法实施例二的步骤流程图；
50.图4为本发明的一种自适应电表的表计识别装置实施例的结构框图。
具体实施方式
51.本发明实施例提供了一种自适应电表的表计识别方法及装置，用于通过 ssd框架网络模型确定自适应电表的表计读数，从而提高读数读取的准确性和效率。
52.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
53.相比于人工读取的方法，利用计算机视觉读取自适应电表的表计数值的可靠性更高、误差更小，且更高效。而指针式仪表识别系统一般情况下都是通过摄像机向待识别表计进行图像采集，接着对采集的图像利用cpu和gpu 进行处理，计算出刻度和/或，指针的位置，从而确定对应的读数值。
54.具体地，目前大多都采用单纯的目标定位提取与识别的方法，如：减影法、hough变换直线检测法，以及通过小波变换模极大值提取仪表指针与刻度边缘点集合,然后用最小二乘法拟合直线方程确定读数等方法。这些方法虽然相对于人工读取表计数值来说更有效率，但在以深度学习为代表的人工智能技术取得了重要进展的背景下出现的faster r-cnn检测算法和yolo(youonly look once)检测算法来说，却又显得不够精确和高效。
55.但现阶段，faster r-cnn算法很难满足实时性的要求；yolo算法虽然可以很快读取表计数值，但该算法对于每一个子区域框只能够预测一种目标类别，在待检图像中目标相对密集和目标偏小的情况下，很容易会发生错检和漏检。
56.请参阅图1，图1为本发明的一种自适应电表的表计识别方法实施例一的步骤流程图，其针对faster r-cnn算法和yolo算法的缺陷，在单次多包围检测器(ssd)模型基础上加以改进，从而适用于自适应电表的表计实时识别，具体可以包括如下步骤：
57.步骤s101，获取电表训练集、电表测试集和电表识别集；所述电表训练集包括训练计盘图像及对应的角度标签；所述电表测试集包括测试计盘图像及对应的角度标签；
58.需要说明的是，训练计盘图像对应的角度标签，即训练计盘图像对应的正确角度值，测试计盘图像对应的角度标签即测试计盘图像对应的正确角度值。
59.步骤s102，基于所述电表训练集和所述电表测试集，构建目标ssd框架网络模型；
60.在本发明实施例中，目标ssd框架网络模型，即按照可以在测试计盘图像输入ssd框架训练网络模型后，得到最合适概率最大的预测框的网络参数进行调节的ssd框架网络训练模型。
61.需要说明的是，ssd框架网络模型是经典的单阶段目标检测模型之一，它的精度可以媲美faster rcnn双阶段目标检测模型。整个ssd框架网络模型的结构为全卷积网络结构。请参阅图2，图2为ssd框架网络模型的结构图，其中a为输入口，b为卷积层conv4_3，c为卷积层conv6,d为卷积层conv7， e为卷积层conv8_2，f为卷积层conv9_2，g为卷积层conv10_2，h为卷积层conv11_2，i为contact层，j为loss层，ssd框架网络模型在特征提取部分使用了vgg16的卷积层，利用vgg16的结构，通过输入口a将待检测图像送入ssd框架网络模型，然后抽取卷积层conv4_3b、conv7d、conv8_2e、 conv9_2f、conv10_2g、conv11_2h层作为检测所用的特征图，然后分别在这些特征图上面的每一个点构造6个不同尺度大小的先验框，分别为(38,38)、 (19,19)、(10,10)、(5,5)、(3,3)和(1,1)，在contact层i生成汇总特征图，然后在loss层j进行非极大值抑制的方法，生成检测结果。
62.非极大值抑制的方法可以抑制一些不正确或重复的先验框，这些先验框是各个尺寸的特征图产生时伴随出现，这些先验框中可能存在错误的、重叠的，以及不准确的样本，预先剔除这些先验框后再进行后续计算，可以减少大量的计算量。
63.步骤s103，将依次将所述电表识别集中的识别计盘图像输入所述目标 ssd框架网络模型，得到对应的定位框图像；
64.在本发明中，识别计盘图像、训练计盘图像和测试计盘图像均为在任意角度、任意光强和任意天气下拍摄得到的计盘图像，在训练计盘图像和测试计盘图像的协助下得到的目标ssd框架网络模型，可以在识别计盘图像输入后得到定位框图像，改定位框图像被一圆形轮廓计盘的图案所大量占据。
65.步骤s104，从所述定位框图像中确定对应的目标圆形轮廓图像；
66.需要说明的是，目标圆形轮廓图像相对于定位框图像中的圆形轮廓图像，更加明晰。
67.步骤s105，对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。
68.需要说明的是，霍夫变换是一种特征检测方法，被广泛应用在图像分析、计算机视
觉以及数位影像处理。霍夫变换是用来辨别找出物件中的特征，例如：线条。
69.在本发明实施例中，利用霍夫变换检测目标圆形轮廓中的所有直线，从而基于这些直线确定目标圆形轮廓中的指针角度。
70.对于指针角度，可通过检测人员或计算机深度学习的方法进行数值确定，本发明在此不对如何就指针角度确定数值的方法作限制。
71.在本发明实施例中，通过获取电表训练集、电表测试集和电表识别集；所述电表训练集包括训练计盘图像及对应的角度标签；所述电表测试集包括测试计盘图像及对应的角度标签；基于所述电表训练集和所述电表测试集，构建目标ssd框架网络模型；依次将所述电表识别集中的识别计盘图像输入所述目标ssd框架网络模型，得到对应的定位框图像；从所述定位框图像中确定对应的目标圆形轮廓图像；对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。通过 ssd框架网络模型确定自适应电表的表计读数，从而提高读数读取的准确性和识别。
72.请参阅图3，为本发明的一种自适应电表的表计识别方法实施例二的步骤流程图，具体包括：
73.步骤s201，获取计盘图像，并分别按照第一设定数量、第二设定数量和第三设定数量划分所述计盘图像，得到第一图像集、第二图像集和第三图像集；
74.在本发明实施例中，采集圆形表计盘的图像，即计盘图像，并将图像的大小调整为300*300，用以满足输入步骤s203所构建的ssd框架训练网格模型中。
75.在具体实现中，计盘图像中的表盘可以不位于图像的中心，可以有一定的倾斜，且采集的过程假如是通过相机拍摄，则可在不同的光强条件和天气情况下，采用不同的角度进行拍摄。
76.步骤s202，对所述第一图像集和所述第二图像集中的计盘图像标注对应的所述角度标签；并将所述第一图像集、所述第二图像集和所述第三图像集分别定义为电表训练集、电表测试集和电表识别集；
77.在本发明实施例中，利用lebalimg对第一图像集和第二图像集中的计盘图像进行注释。
78.需要说明的是，lebalimg是采用python编写的一种图像注释工具，且注释后保存一般为.xml文件，因此为了实现后续能能够被ssd框架训练网络模型所读取，必须转换为.tfedord文件。
79.步骤s203，基于所述训练计盘图像及对应的角度标签，构建ssd框架训练网格模型；
80.在具体实现中，训练过程利用cnn网络的特点，采用多尺度大小不同的特征图经特性框的预测，同时，由于ssd网络模型借鉴了faster r-cnn中的锚的理念，即每个单元设置尺度不同的先验框，在一定程度上减少训练的难度。
81.步骤s204，基于所述测试计盘图像及对应的角度标签，对所述ssd框架训练网格模型进行测试，得到最优网络参数；
82.在一个可选实施例中，基于所述测试计盘图像及对应的角度标签，对所述ssd框架训练网格模型进行测试，得到最优网络参数，包括：
83.将所述测试计盘图像输入所述ssd框架训练网格模型，生成对应的测试角度；
84.根据所述测试计盘图像对应的测试角度和测试角度标签，确定训练误差；
85.基于所述训练误差，对所述ssd框架训练网络模型进行调整，以得到所述最优网络参数。
86.在本发明实施例中，根据测试计盘图像及对应的测试角度标签和通过 ssd框架训练网格模型得到的预测结果，即和测试角度进行对比，从而确定训练误差，然后基于训练误差，通过反向传播算法等调节算法，对所述ssd 框架训练网格模型进行调整，得到最优网络参数。
87.步骤s205，采用所述最优网络参数生成所述目标ssd框架网络模型；
88.步骤s206，依次将所述电表识别集中的识别计盘图像输入所述目标ssd 框架网络模型，得到对应的定位框图像；
89.步骤s207，对所述定位框图像进行中心化处理、灰度化处理、消除畸变处理、倾斜纠正处理和二值化处理，得到对应的目标定位框图像；
90.需要说明的是，中心化处理是指在确定定位框图像后，调整定位矿种的表计位置，使其置于视野中心，具体地，通过对比包围框的长宽比例与原始照片的长宽比例，以及对比包围框的中心点与原始图像的中心点的位置，不断调整相机角度与视野面积，从而使表计置于视野中心。
91.灰度化处理，是指降低定位框图像的色彩维度，从而降低处理的计算量。
92.消除畸变处理，是指透视变换消除定位框表面角度倾斜造成定位框图像中的表计畸变，从而得到高质量图像。
93.二值化处理，是指将定位框图像中的表计与背景分离。
94.步骤s208，从所述目标定位框图像中提取像素值大小符合预设像素值的目标像素点，并基于所述目标像素点得到目标圆形轮廓图像；
95.在本发明实施例中，通过选取像素值为255的像素点进行搜索，从而得到目标圆形轮廓图像。
96.步骤s209，对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。
97.在本发明实施例所提供的一种自适应电表的表计识别方法，通过获取电表训练集、电表测试集和电表识别集；所述电表训练集包括训练计盘图像及对应的角度标签；所述电表测试集包括测试计盘图像及对应的角度标签；基于所述电表训练集和所述电表测试集，构建目标ssd框架网络模型；依次将所述电表识别集中的识别计盘图像输入所述目标ssd框架网络模型，得到对应的定位框图像；从所述定位框图像中确定对应的目标圆形轮廓图像；对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。通过ssd框架网络模型确定自适应电表的表计读数，从而提高读数读取的准确性和识别。
98.请参阅图4，示出了一种自适应电表的表计识别装置实施例的结构框图，包括如下模块：
99.获取模块401，用于获取电表训练集、电表测试集和电表识别集；所述电表训练集包括训练计盘图像及对应的角度标签；所述电表测试集包括测试计盘图像及对应的角度标签；
100.构建模块402，用于基于所述电表训练集和所述电表测试集，构建目标 ssd框架网络模型；
101.输入模块403，用于依次将所述电表识别集中的识别计盘图像输入所述目标ssd框架网络模型，得到对应的定位框图像；
102.目标圆形轮廓图像确定模块404，用于从所述定位框图像中确定对应的目标圆形轮廓图像；
103.表计指针角度确定模块405，用于对所述目标圆形轮廓图像进行霍夫变换，得到对应的表计指针角度；所述表计指针角度用于确定对应的表计数值。
104.在一个可选实施例中，所述获取模块401包括：
105.划分子模块，用于将所采集的计盘图像分别按照第一设定数量、第二设定数量和第三设定数量，划分为所述电表训练集、电表测试集和电表识别集；
106.标注子模块，用于对所述第一图像集和所述第二图像集中的计盘图像标注对应的所述角度标签；并将所述第一图像集、所述第二图像集和所述第三图像集分别定义为电表训练集、电表测试集和电表识别集。
107.在一个可选实施例中，所述构建模块402包括：
108.构建子模块，用于基于所述训练计盘图像及对应的角度标签，构建ssd 框架训练网格模型；
109.测试子模块，用于基于所述测试计盘图像及对应的角度标签，对所述ssd 框架训练网格模型进行测试，得到最优网络参数；
110.生成子模块，用于采用所述最优网络参数生成所述目标ssd框架网络模型。
111.在一个可选实施例中，所述测试子模块包括：
112.测试角度生成单元，用于将所述测试计盘图像输入所述ssd框架训练网格模型，生成对应的测试角度；
113.训练误差确定单元，用于根据所述测试计盘图像对应的测试角度和测试角度标签，确定训练误差；
114.调整单元，用于基于所述训练误差，对所述ssd框架训练网络模型进行调整，以得到所述最优网络参数。
115.在一个可选实施例中，所述目标圆形轮廓图像确定模块404包括：
116.图像处理子模块，用于对所述定位框图像进行中心化处理、灰度化处理、消除畸变处理、倾斜纠正处理和二值化处理，得到对应的目标定位框图像；
117.提取子模块，用于从所述目标定位框图像中提取像素值大小符合预设像素值的目标像素点，并基于所述目标像素点得到目标圆形轮廓图像。
118.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
119.在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通
信连接，可以是电性，机械或其它的形式。
120.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
121.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
122.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
123.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。