一种基于深度学习的指针式表盘示值识别方法与流程

一种基于深度学习的指针式表盘示值识别方法。

背景技术：

指针式表盘大量应用于各机械性仪表，为了保证其可靠的计量特性，必须进行定期的校准测试。目前对指针式表盘的识别多为传统的人工读数或基于图像处理的识别方法。图像处理的识别方法需要人工确定图像特征，人工读数误差大易出错，因此提出了一种基于深度学习的指针式表盘示值识别方法。

技术实现要素：

为了解决目前人工读数中的问题，本发明提供了一种基于深度学习的指针式表盘示值识别方法，实现对指针式表盘示值的自动识别，提高了识别效率及识别精度。

一种基于深度学习的指针式表盘示值识别方法，其特征在于：深度学习算法包含一个分类算法和四个拟合算法，其中分类算法用于判断指针位于表盘的位置区域，拟合算法用于对指针在由分类算法所确定的表盘区域内进行精确拟合得到指针示值。

1）校准前在暗箱环境下采集表盘图像，将完整表盘图像按照指针位于表盘四象限的位置区域分成四类并标记，以此训练分类算法；

2）将完整表盘图像按照四象限裁剪成四张图片，以每张图片中指针的示值x与图片的上边界刻度a和图片的下边界刻度b按照(x-a)/(b-a)标记每张图片，以裁剪成的四张图片和对应标记分别训练与四个象限区域对应的四个拟合算法；

3）在对图像进行在线识别时首先在同样的暗箱环境下对表盘拍摄图像，对采集到的待校准图像进行位置偏差修正，使得待校准图像中的表盘位置与用于训练深度学习算法的样本图像中的表盘位置一致；

4）将待校准图像的完整表盘图像通过分类算法确定指针所在象限区域；

5）将待校准图像按照四象限裁剪成四张图片，根据确定的指针所在象限区域将对应区域的裁剪图像通过对应的拟合算法得到指针的示值。

深度学习算法的特征在于：深度学习算法通过设定多个卷积核对待识别的图像进行扫描式的卷积运算，多个卷积核会自动提取图片中的多种局部特征，经过激活函数激活后通过权值矩阵的形式将各卷积核提取的特征值进行全连接，最后通过softmax函数得到待识别图像的标记结果，通过与人为标记结果之间的误差反向传递来修正各卷积核的元素和激活函数的偏置以及权值达到深度学习的目的；离线训练完成后将训练得到的卷积核、激活函数、权值分别储存在各算法中方便调用。

本发明的有益效果为：本发明提供的一种基于深度学习的指针式表盘示值识别方法，实现对指针式表盘示值的自动识别，提高了识别效率及识别精度。

附图说明

图1为本发明一种基于深度学习的指针式表盘示值识别方法的算法流程图；

图2为第一象限拟合算法图片标记示例图。

具体实施方式

如图1所示，为本发明一种基于深度学习的指针式表盘示值识别方法的算法流程图，包括以下步骤：

1）校准前在暗箱环境下采集表盘图像，将完整表盘图像按照指针位于表盘四象限的位置区域分成四类并标记，以此训练分类算法；

2）将完整表盘图像按照四象限裁剪成四张图片，以每张图片中指针的示值x与图片的上边界刻度a和图片的下边界刻度b按照(x-a)/(b-a)标记每张图片(第一象限标记方法示例如图2所示)，以裁剪成的四张图片和对应标记分别训练与四个象限区域对应的四个拟合算法；

3）在对图像进行在线识别时首先在同样的暗箱环境下对表盘拍摄图像，对采集到的待校准图像进行位置偏差修正，使得待校准图像中的表盘位置与用于训练深度学习算法的样本图像中的表盘位置一致；

4）将待校准图像的完整表盘图像通过分类算法确定指针所在象限区域；

5）将待校准图像按照四象限裁剪成四张图片，根据确定的指针所在象限区域将对应区域的裁剪图像通过对应的拟合算法得到指针的示值。

深度学习算法的特征在于：深度学习算法通过设定多个卷积核对待识别的图像进行扫描式的卷积运算，多个卷积核会自动提取图片中的多种局部特征，经过激活函数激活后通过权值矩阵的形式将各卷积核提取的特征值进行全连接，最后通过softmax函数得到待识别图像的标记结果，通过与人为标记结果之间的误差反向传递来修正各卷积核的元素和激活函数的偏置以及权值达到深度学习的目的；离线训练完成后将训练得到的卷积核、激活函数、权值分别储存在各算法中方便调用。

本发明的有益效果为：本发明提供的一种基于深度学习的指针式表盘示值识别方法，实现对指针式表盘示值的自动识别，提高了识别效率及识别精度。

技术特征：

技术总结
本发明公开了一种基于深度学习的指针式表盘示值识别方法。本发明通过在相同环境下对指针表盘进行图像采集训练深度学习算法，校准时通过深度学习算法识别指针表盘示值。本发明方法可实现对指针式表盘示值的自动识别，与传统的人工读数模式相比，其大大提高了工作效率，且减小了人为因素带来的误差，有利于实现全面的质量管理。

技术研发人员：孙磊;孙斌;赵玉晓
受保护的技术使用者：中国计量大学
技术研发日：2019.04.03
技术公布日：2019.07.05