基于细节注意力卷积神经网络的仪表自动化识别方法

传统仪表自动化识别方法受光照、噪声等干扰因素限制,难以广泛应用.近年来基于卷积神经网络的对圆心、最大最小量程等关键点检测的方法难以处理仪表的多样性.本文对指针式仪表的自动化识别进行研究,根据人工读数方式提出了先对刻度与指针进行定位,再通过指针与刻度的相对位置进行读数的方法,对各类仪表兼容性好.为了能够稳定、高精度地提取刻度线,本文根据仪表刻度线区域低占比特征设计了meter scan net (MSN)模型,通过MSN预测刻度线区域的热图. MSN通过本文设计的细节注意力detail-attention (DA)模块,可以保留细节特征,关注仪表区域响应,有助于最后的精细分割.后处理利用预测的热图进行圆拟合获取刻度弧线,在刻度弧线的法向方向取一定长度进行采样,根据采样数据定位刻度与指针尖位置.同时针对刻度丢失的情况,本文基于频域分析的方法复原丢失刻度,提高了方法的适用性.最后在测试集数据上大量的实验证明本文提出的方法具有精度高、仪表兼容性好等特点.