[發明專利]一種基于抽象度量學習的指針式儀表檢測方法及系統

在審

• 申請號: 202210360712.9
• 申請日: 2022-04-07
• 公開（公告）號: CN114694128A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 翟永杰;趙振遠;楊珂
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V10/22;G06V10/40;G06V10/764;G06V10/82;G06V10/74;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

本發明提供一種基于抽象度量學習的指針式儀表檢測方法及系統，屬于機器視覺檢測領域，指針式儀表檢測方法包括：獲取待檢測儀表圖像；根據待檢測儀表圖像，基于儀表檢測模型，確定待檢測儀表圖像中的儀表類別和儀表位置；所述儀表檢測模型為預先采用訓練樣本集，基于度量學習方法，對FasterR?CNN網絡進行訓練得到的；訓練樣本集包括真實樣本圖像集、人工樣本圖像集以及真實樣本圖像集和人工樣本圖像集中的儀表標記；儀表標記包括類別標記和位置標記。通過相似度度量學習的方式，結合真實樣本圖像和人工樣本圖像對深度神經網絡訓練，大大減少了深度網絡所依賴的樣本數量，實現了在少樣本情況下對指針式儀表的高精度檢測。

技術領域

本發明涉及機器視覺檢測領域，特別是涉及一種基于抽象度量學習的指針式儀表檢測方法及系統。

背景技術

隨著工業生產自動化的不斷推進，各種測量儀表作為自動化系統的信息輸入來源，其數量也急劇增加，如何準確地獲取測量儀表的讀數成為實現工業自動化的首要問題。在眾多類型儀表中，指針式儀表由于其結構簡單、可靠性高、反應靈敏、制造成本低等優點被廣泛應用在工業生產中，因此實現對指針式儀表的自動讀數就顯得尤為重要。

儀表的自動讀數分為兩個階段，分別是儀表的檢測和儀表的識別，前者表示從復雜背景中將儀表表盤區域標出，后者在前者的基礎上進行儀表讀數的判定，后者識別的準確率嚴重依賴前者表盤區域檢測的準確性。因此高精度的儀表檢測技術成為指針式儀表自動讀數系統的前提條件。

現有方法多采用深度學習的方法來檢測指針式儀表，但是該方法依賴于大量數據集訓練神經網絡，由于在實際生產環境中難以采集到足夠多的數據，因此實際的檢測精度依然較低。此外，對數據擴充的方法一般利用先驗知識構建指針式儀表虛擬樣本生成模型，或者基于網絡爬蟲及數據增強技術擴充數據集。但是使用人工虛擬圖像或使用爬蟲技術爬取指針式儀表的圖像與實際生產環境中的圖像有較大的差異，無法通過簡單混合訓練集使神經網絡得到有效的訓練，造成在實際生產環境中檢測效果差、精度低。

發明內容

本發明的目的是提供一種基于抽象度量學習的指針式儀表檢測方法及系統，可提高指針式儀表檢測的精度。

為實現上述目的，本發明提供了如下方案：

一種基于抽象度量學習的指針式儀表檢測方法，包括：

獲取待檢測儀表圖像；

根據所述待檢測儀表圖像，基于儀表檢測模型，確定所述待檢測儀表圖像中的儀表類別和儀表位置；所述儀表檢測模型為預先采用訓練樣本集，基于度量學習方法，對Faster R-CNN網絡進行訓練得到的；所述訓練樣本集包括真實樣本圖像集、人工樣本圖像集以及真實樣本圖像集和人工樣本圖像集中的儀表標記；所述儀表標記包括類別標記和位置標記。

可選地，所述人工樣本圖像集的建立方法包括：

在HSV顏色空間中，隨機初始化儀表的背景顏色及刻度線特征，得到多張初始人工樣本圖像；

對每張初始人工樣本圖像進行拉伸、旋轉和平移變換，得到對應的人工基準圖像；

在每張人工基準圖像中對儀表的位置和類別進行標記，得到人工樣本圖像集。

可選地，所述Faster R-CNN網絡包括特征提取網絡及目標檢測網絡；

所述儀表檢測模型的建立方法包括：

針對每張真實樣本圖像，通過所述特征提取網絡提取所述真實樣本圖像的多通道特征，得到真實樣本特征圖；

針對每張人工樣本圖像，通過所述特征提取網絡提取所述人工樣本圖像的多通道特征，得到人工樣本特征圖；

對所述真實樣本特征圖及所述人工樣本特征圖進行特征相似性度量，得到所述真實樣本特征圖與所述人工樣本特征圖之間的相似度；