隨著科技的不斷發(fā)展,工業(yè)信息化、數字化的不斷提升,指針式儀表作為數據測量、數據監(jiān)控、數據收集的重要工具,在工業(yè)生產生活中發(fā)揮著巨大的作用,對維持正常的生產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)測數據,這種數據采集方式不僅僅耗費大量的人力、物力,而且也會影響數據的時效性并造成一定的數據誤差。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據信息傳輸。因此,如何對指針式儀表進行高效的、精確的自動數據錄入變得尤為重要。隨著近些年來圖像采集成本的降低,圖像采集質量的提高,圖像識別技術也日趨成熟,因此本文采用基于圖像處理的方式進行指針式儀表示數自動識別研究。本文通過結合圖像處理和深度學習的相關技術,在研究和學習己有指針式儀表自動識別算法的基礎上,提出和設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。本文設計的指針式儀表自動識別算法主要包含三方面的核心內容:儀表盤及儀表數字的檢測和提取、儀表盤指針的定位和擬合、儀表盤數字的識別和儀表示數的判定。在儀表盤及儀表數字的檢測和提取中,本文結合深度學習相關知識,提出和設計了對自然場景中儀表有效信息提取的卷積神經網絡模型MASKR2CNN,并構建了相應的訓練數據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容中,本文采用KNN對儀表數字區(qū)域進行數字識別并采用距離法對最后示數進行判定。經實驗結果測試,相對誤差在5%以內的示數識別準確率為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，它將目標檢測任務表述成一個統(tǒng)一的、端到端逡逑的回歸問題，只經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，劃分為等分的網格，每個網格按照和真值的Ｉｏｕ分數逡逑來決定所預測的樣本。然后通過卷積神經網絡進行回歸預測，使得劃分的每個網逡逑格用來預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格較為粗糙，每個網格生逡逑成目標框體信息的個數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最終結果的回歸和預測，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絡（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）對應相加并結合（Ｃ５１）構成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網絡來說，不同的深度提取到的特征圖對應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識別技術的研究現(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];計算機應用與軟件;2009年04期

9 林恩典;;通用指針式儀表自控開關[J];設備管理與維修;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動態(tài)識別方法[J];工業(yè)控制計算機;2019年06期

相關會議論文 前5條

1 羅鈞;盧艷;蔣均祝;廖宏華;;圖像分割技術及其在模擬指針式儀表自動檢定系統(tǒng)中的應用[A];中國儀器儀表學會第六屆青年學術會議論文集[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字信息提取算法設計與實現(xiàn)[A];第八屆沈陽科學學術年會論文集[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自動識別的研究與應用[D];北京郵電大學;2019年

2 董靜宜;基于數字特征的指針儀表示數識別研究[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識別關鍵技術研究[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