一种改进的指针式仪表读数区域分割方法

针对目前现有方法难以准确识别指针式仪表表盘信息导致读数识别精度不高的问题,研究了一种改进的指针式仪表表盘分割的方法。首先将待分割的指针式仪表图像采用Mask R-CNN网络对仪表图像进行分割,得到仪表中刻度线区域和指针区域的位置,然后选取分割结果中指针区域针尖方向的边缘点作为中心,在原图上构建矩形,采用轮廓跟踪算法对矩形内的图像进行检测,得到图像中指针的区域,最后将两部分指针区域进行融合得到最终的指针分割结果。实验测试结果表明,采用本文方法分割后读数识别结果的误差仅有分度值的四分之一,证明了该方法的有效性和鲁棒性。

改进的DeepLabV3+指针式仪表图像分割算法

针对现有的仪表自动化读数算法占用空间大、推理速度较慢以及不能有效分割图像中密集细小目标的问题,提出改进的DeepLabV3+指针式仪表分割算法。首先以轻量化的MobileNetV2来构建网络主干达到降低参数量和推理权重、提高检测速度的目的。其次通过分块并归策略设计CSP-ASPP结构,在保证网络性能的同时降低参数量。之后使用改进后的SKFF模块通过自注意力机制以非线性方式融合多尺度特征,将原网络解码器中的二尺度特征融合变为四尺度特征融合。最后使用交叉熵损失联合加权的Dice损失作为网络的总损失函数,解决仪表分割中各类别像素分布不均的问题。最后通过实验证明,改进后的DeepLabV3+算法在仪表分割数据集上的平均交并比(mIoU)和平均像素准确率(mPA)达到了89.3%和94.8%,相对原网络分别提高了0.7%、0.6%,参数量和推理权重却仅有原网络的约7%,同时在GPU和CPU上的推理速度分别达到91和16 fps,解决了嵌入式设备部署困难的问题,达到了实时检测的要求,提高了仪表自动化读数的效率。

基于轮廓拟合与径向分割的指针式仪表自动读数方法

针对指针式仪表人工读数劳动强度较大的问题,本文提出了一种基于轮廓拟合与径向分割的指针式仪表自动读数方法。该方法利用仪表的轮廓图像,结合常见的仪表盘刻度分布特性,提出轮廓分离法得到仪表盘刻度像素集,并采用最小二乘法拟合出表盘圆。在此基础上,通过分析指针的像素特性,提出径向指针分割算法,实现了仪表盘内指针区域的提取。根据指针偏转角度、零刻度和量程精度进行自动读数。为了验证算法的有效性,设计多组测试实验,结果表明本方法在读数误差允许范围内,能够克服宽窄指针、拍摄距离和表盘背景等因素的干扰,具有较强的自适应能力。