python视觉之各种仪表识别_工业表计识别 csdn

随着人工智能的发展，现在各行各业都在开始被AI渗透，其中最成功的当属工业，尤其是在安防、巡检板块。该文章将就工业中比较有挑战的仪表识别进行记录，免得自己以后忘了。毕竟做算法这一块，逻辑是最关键的，打死也不能忘的

该文章的方案是已实际应用到工程中，并部署到实际场景且通过测试和验收
1

#
torch                  1.7.1
torchvision            0.8.2
scipy                  1.6.0
numpy                  1.19.5
opencv-contrib-python  4.5.1.48
opencv-python          4.5.1.48
pycocotools            2.0
1
2
3
4
5
6
7
8

图1

图2
图3

图4
图5
图6
从技术的角度，我将他们分为了4种，针对四种类型，分别做了一个project

单指针、单刻度仪表

就像图1、图2、图4，这种类型的仪表应该是最简单的
1、检测识别刻度
2、检测指针位置
3、计算度数

考虑到实际情况可能会出现超视距识别，就是小目标识别，而且我当时处理的时候实时要求比较高，但是得到的硬件支持又不足，所以，优先采用的yolo5x去进行刻度度数检测识别。

我们事先是采集了足够量的各种规格的仪表数据，所以就对所有仪表统一进行了表盘的度数识别（字符识别），获取到每个数字度数的值以及它所在的位置

这儿需要注意：模型输出的object会是一个最小外接框，但是考虑实际情况并不会是每张图都中规中矩的，会出现			
图像畸变、倾斜等各种问题。所以，在进行这一步’我叫做度量定位‘的时候，会加入透视变换对图像进行矫正，使用
矫正之后的图像去进行后续步骤【训练的时候不需要提前进行透视变换】
1
2
3

检测指针位置

检测指针采用的unet分割模型，分割效果没话说，杠杠的

算法计算

这个模块，其实算法也很重要。模型检测出刻度度数、指针位置后，需要用算法去计算详细读数。对于这种仪表，逻辑也很简单，就是获取指针相邻的两边的度数，然后根据度数的坐标、加上偏移量，则可用数学的方式计算出读数

【此处我自定义了很多校验函数，在计算的过程中不停的进行各种偏移矫正，尽最大可能纠正误差】
1

多指针、单刻度仪表

如图5
这种类型的仪表思路和单指针、单刻度仪表的思路是相似的，不同之处在于：

在指针识别时

单指针的分割图就一个目标，很轻松的就能随意获取需要的信息。但是多指针不同，他们的指针可能存在多种情况，尤其是指针会出现交叉情况。所以
需要对分割图进行线性拟合，获取到多根指针的信息

刻度组合

对于单行的刻度，也可能会像图5一样出现分段的情况
这里我采取的方案是提前定义刻度组合策略，例如：左边的刻度是 -10–70， 右边的是10 - 60。则根据模型识别出的结果，参考坐标对模型的结果进行组合，组合的结果就是各个不同的刻度段

剩下的思路就是延用单指针的思路

对于图3、图6这种图

这种仪表稍微复杂一点点，也只是一点点。总的可以用下面一张图概括：

理论上它和上面的单指针仪表采用一样的方案也是可以的。当然，值存在于理论上，反正我自己用那个方案做出来的结果，惨不忍睹。

我开始按着百度飞浆官方的提案做了一次。不得不说，大厂果然是大厂，做的东西太理想【儿戏】化了，拿到实际场景完全没用。不过呢，也还是借鉴了一些思路

1、分割

凡是做仪表，都离不开语义分割的哈。
这种仪表变态之处在于它的指针，真是一反常态，特别细小。还有，这种实际情况中，一旦有倾斜，刻度也比较不好识别。我前后试了好几种针对小目标的模型，效果都不尽如人意，最后，借鉴了飞浆推荐的deeplabv3，分割出来如上图【上图展示的分割图是我过度膨胀了的，实际模型出来的结果拟合还是挺好的】

2、拟合刻度线

将分割的刻度图进行过度膨胀，我使用的是(23, 23)，还是够过度的。然后对膨胀的分割图进行圆拟合

3、指针拟合

指针分割出来后，直接采用最小二乘法进行线性拟合，当然，也可以用Hough变换进行检测，两种方法我都用了，效果不分伯仲。

4、使用托马斯角点检测到刻度线的两个端点

我是一向崇尚sobel算子的，但是，既然发现有现成的api，就不能浪费前辈的功劳

5、交点

找到指针指向的刻度位置，说白了，就是找到拟合的这个指针线与圆弧的交点、或者最近点

当确定了刻度的两个端点与交点这三个点后，剩下的就交给数学了

	同样，里面需要在拟合、计算的时候加入偏移量进行控制，防止误差越滚越大
1

如果有好的建议，欢迎留言
也欢迎大家交流2577082896 vx/qq同号
如确有需要，可直接在我的资源中下载文档或者项目文件