隨著科技的不斷發(fā)展,工業(yè)信息化、數(shù)字化的不斷提升,指針式儀表作為數(shù)據(jù)測量、數(shù)據(jù)監(jiān)控、數(shù)據(jù)收集的重要工具,在工業(yè)生產(chǎn)生活中發(fā)揮著巨大的作用,對維持正常的生產(chǎn)生活具有重要的意義。然而,當前仍然存在大量需要人工進行采集和錄入的指針式儀表監(jiān)測數(shù)據(jù),這種數(shù)據(jù)采集方式不僅僅耗費大量的人力、物力,而且也會影響數(shù)據(jù)的時效性并造成一定的數(shù)據(jù)誤差。同時部分指針式儀表工作環(huán)境惡劣,無法進行人工采集和數(shù)據(jù)信息傳輸。因此,如何對指針式儀表進行高效的、精確的自動數(shù)據(jù)錄入變得尤為重要。隨著近些年來圖像采集成本的降低,圖像采集質(zhì)量的提高,圖像識別技術(shù)也日趨成熟,因此本文采用基于圖像處理的方式進行指針式儀表示數(shù)自動識別研究。本文通過結(jié)合圖像處理和深度學習的相關(guān)技術(shù),在研究和學習己有指針式儀表自動識別算法的基礎(chǔ)上,提出和設(shè)計了一種基于深度學習和形態(tài)學的指針式儀表自動識別算法。本文設(shè)計的指針式儀表自動識別算法主要包含三方面的核心內(nèi)容:儀表盤及儀表數(shù)字的檢測和提取、儀表盤指針的定位和擬合、儀表盤數(shù)字的識別和儀表示數(shù)的判定。在儀表盤及儀表數(shù)字的檢測和提取中,本文結(jié)合深度學習相關(guān)知識,提出和設(shè)計了對自然場景中儀表有效信息提取的卷積神經(jīng)網(wǎng)絡(luò)模型MASKR2CNN,并構(gòu)建了相應(yīng)的訓練數(shù)據(jù)集對模型進行訓練和測試,從而實現(xiàn)對自然場景中的儀表盤進行圖像分割和有效信息提取;在儀表盤指針的定位和擬合,針對本文設(shè)計的指針式儀表有效信息特征提取方式,采用Ostu閾值分割法和概率霍夫直線法對指針進行擬合和定位;在最后一部分核心內(nèi)容中,本文采用KNN對儀表數(shù)字區(qū)域進行數(shù)字識別并采用距離法對最后示數(shù)進行判定。經(jīng)實驗結(jié)果測試,相對誤差在5%以內(nèi)的示數(shù)識別準確率為81.64%。
【學位單位】：北京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

型是一階段檢測模型的開山之作，它將目標檢測任務(wù)表述成一個統(tǒng)一的、端到端逡逑的回歸問題，只經(jīng)過一次處理圖片便同時得到目標的位置和分類。ＹＯＬＯ模型工逡逑作方式如圖２－１所示：逡逑灥柋圈逡逑灥《酬敏ｊ逡逑＿邋１逡逑圖２－１邋ＹＯＬＯ模型檢測模式逡逑首先將圖片進行縮放，劃分為等分的網(wǎng)格，每個網(wǎng)格按照和真值的Ｉｏｕ分數(shù)逡逑來決定所預(yù)測的樣本。然后通過卷積神經(jīng)網(wǎng)絡(luò)進行回歸預(yù)測，使得劃分的每個網(wǎng)逡逑格用來預(yù)測目標的位置信息和分類信息，通過閾值和非極大抑制來進行最后目標逡逑框體信息的篩選。但是ＹＯＬＯ模型對原始圖片劃分網(wǎng)格較為粗糙，每個網(wǎng)格生逡逑成目標框體信息的個數(shù)限制了模型對于小物體的檢測。ＳＳＤ模型相比于ＹＯＬＯ逡逑模型采用多尺度的卷積特征圖來進行目標檢測任務(wù)最終結(jié)果的回歸和預(yù)測，對小逡逑物體檢測精度有微量的提升，同時加入了候選框體來進行目標檢測任務(wù)的實現(xiàn)。逡逑ＳＳＤ模型不僅檢測速度較快而且檢測精度也接近兩階段檢測模型。逡逑兩階段檢測模型的代表是推薦卷積檢測網(wǎng)絡(luò)（Ｒｉｃｈ邋ｆｅａｔｕｒｅ邋ｈｉｅｒａｒｃｈｉｅｓ邋ｆｏｒ逡逑ａｃｃｕｒａｔｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ，邋Ｒ－ＣＮＮ）系列模型，主要實現(xiàn)逡逑的步驟是先對區(qū)域進行候選框體進行推薦

殘差映射是最優(yōu)化的，相比于通過非線性層去擬合恒等映射，通過殘差模逡逑塊去擬合恒等映射即將殘差Ｆ（ｘ）逼近０更為容易。殘差模塊通過ｓｈｏｒｔｃｕｔ逡逑ｃｏｎｎｅｃｔｉｏｎ的前向傳遞來對公式進行實現(xiàn)。殘差模塊如圖３－２所示：逡逑ｘ邋Ｉ邐一逡逑ｗｅｉｇｈｔ邋ｌａｙｅｒ邐＼逡逑乃NB）邐Ｉｒｅｌｕ邐］邐ｘ逡逑ｗｅｉｇ＾邋ｌａｙｅｒ邋１邋Ｊ邐ｉｄｅｎｔｉｔｙ逡逑Ｊｌ（ｘ）邋＋邋ｘ逡逑ｉ邋ｒｅｌｕ逡逑圖３－２殘差模塊逡逑１６逡逑

邋Ｃ５）做上采樣計算，得到的特征圖（Ｃ３２，邋Ｃ４２，邋Ｃ５２），最后將（Ｃ２１，Ｃ３１，Ｃ４１）逡逑和（Ｃ３２，邋Ｃ４２，邋Ｃ５２）對應(yīng)相加并結(jié)合（Ｃ５１）構(gòu)成ＦＰＮ金字塔特征圖（Ｐ！，Ｐ２，逡逑Ｐ３，Ｐ４）。流程如圖３－３所不：逡逑ｉｎ邋翻鍛作邐�。哄澹遥ǎ澹悖螅睿澹簦悖�，特？１ｆ邋邐上挪一１逡逑Ｉ邐Ｉ逡逑｜邋１逡逑Ｉ邐Ｉ逡逑邐ｙ邐邋邐ｉ邐逡逑特征圖邐：邐邐邐邋特征圖逡逑（Ｃ２１，Ｃ３１，Ｃ４１，Ｃ５１）邋１邐Ｉ邐（Ｃ３２，Ｇ４２，Ｃ５２）逡逑邐邋－征圖累加邐邐１逡逑（Ｃ２１＋Ｃ３２，Ｃ３ｉｈ＂Ｃｊ２，Ｃ４ｌ＋，Ｃｓ２，Ｃ５１）逡逑ＦＰＮ金字塔特征圖逡逑（Ｐｉ，邋Ｐ２．邋Ｐ３．邋Ｐ４）逡逑圖３－３邋ＦＰＮ金字塔特征圖生成方式逡逑對于深度卷積神經(jīng)網(wǎng)絡(luò)來說，不同的深度提取到的特征圖對應(yīng)不同層次的語逡逑義特征，淺層特征圖的分辨率大，表征的是細節(jié)特征，高層特征圖的分辨率小，逡逑表征的是語義特征

【相似文獻】

相關(guān)期刊論文 前10條

1 邱金紅;汪仁煌;汪志敏;郭鵬洲;;一種圓形指針式儀表傾斜檢測方法[J];自動化與信息工程;2013年04期

2 趙文奎;葉一波;;為指針式儀表加裝照明燈[J];電氣時代;1988年08期

3 方重生;我國指針式儀表發(fā)展趨勢展望[J];電測與儀表;1983年09期

4 韓紹超;徐遵義;尹中川;王俊雪;;指針式儀表自動讀數(shù)識別技術(shù)的研究現(xiàn)狀與發(fā)展[J];計算機科學;2018年S1期

5 丁嬋;溫宗周;劉丹;;指針式儀表自動識別裝置的設(shè)計[J];西安工程大學學報;2011年01期

6 盧全昌,李杰;指針式儀表分度線高精度自動劃線儀[J];儀表技術(shù)與傳感器;1991年01期

7 孔銳;揭英達;程霖;;基于掃描線處理的指針式儀表快速讀數(shù)算法[J];計算機工程與科學;2017年07期

8 江澤濤;王軾;李克偉;;一種指針式儀表非接觸測量方法[J];計算機應(yīng)用與軟件;2009年04期

9 林恩典;;通用指針式儀表自控開關(guān)[J];設(shè)備管理與維修;1991年12期

10 李曉冬;呂陽;金鍵;梁萬來;何杰;邱致猛;張金榮;雷麗君;;指針式儀表自動讀數(shù)動態(tài)識別方法[J];工業(yè)控制計算機;2019年06期

相關(guān)會議論文 前5條

1 羅鈞;盧艷;蔣均祝;廖宏華;;圖像分割技術(shù)及其在模擬指針式儀表自動檢定系統(tǒng)中的應(yīng)用[A];中國儀器儀表學會第六屆青年學術(shù)會議論文集[C];2004年

2 李宏汀;葛列眾;王篤明;鄭燕;曾國芬;;航空儀表顯示的工效學研究[A];第十八屆全國心理學學術(shù)會議摘要集——心理學與社會發(fā)展[C];2015年

3 劉怡文;趙海;朱劍;余必舉;;面向指針式儀表的數(shù)字信息提取算法設(shè)計與實現(xiàn)[A];第八屆沈陽科學學術(shù)年會論文集[C];2011年

4 趙軍;馮海萍;孔明;;計算機視覺百分表自動檢定算法研究[A];高精度幾何量光電測量與校準技術(shù)研討會論文集[C];2008年

5 張艷玲;汪仁煌;陳國清;;一種指針式高精度儀表讀數(shù)自動識別新方法[A];第二十六屆中國控制會議論文集[C];2007年

相關(guān)碩士學位論文 前10條

1 賀嘉琪;基于深度學習的指針式儀表示數(shù)自動識別的研究與應(yīng)用[D];北京郵電大學;2019年

2 董靜宜;基于數(shù)字特征的指針儀表示數(shù)識別研究[D];哈爾濱理工大學;2018年

3 華雪;基于圖像處理的指針式儀表自動讀數(shù)算法研究[D];河南大學;2018年

4 鐘志偉;復雜環(huán)境下指針式儀表示值讀取[D];昆明理工大學;2018年

5 韓紹超;基于機器視覺的圓形指針式儀表自動讀數(shù)識別關(guān)鍵技術(shù)研究[D];山東建筑大學;2018年

6 劉葵;基于深度學習的指針式儀表示數(shù)識別[D];華中科技大學;2017年

7 陳鏡宇;變電站指針式儀表自動識別方法研究[D];武漢科技大學;2018年

8 唐夢婷;基于機器視覺的儀表示值識別系統(tǒng)設(shè)計[D];新疆大學;2014年

9 張樂;基于圖像處理的指針式儀表示值識別的研究[D];華北電力大學;2013年

10 馬小菊;指針式儀表自動判讀研究[D];昆明理工大學;2013年

本文編號：2834197