指针式仪表由于其自身稳定、可靠的特性,被广泛应用于数据记录、数据监控等各类场景,是生产生活中不可或缺的工具。传统的人工记录指针式仪表读数的方式存在成本高、效率低、安全隐患大等问题,无法满足现代生产发展和生活需要,实现指针式仪表自动读数符合我国智能化发展趋势。本文针对人工采集数据集并标注成本较高,且真实环境下采集到的图像上会存在多类指针式仪表的情况,对指针式仪表自动读数算法进行研究设计,主要内容如下:1、针对多类指针式仪表检测任务,构建一种便捷生成深度学习网络训练数据集的指针式仪表数据增广方法,并提出了一种解决仪表检测中分类混淆问题的区域约束策略。在缺乏数据集时,以往人工采集并标注的方式效率低下且成本较高,本文提出的数据增广方法在仅有几张样本图像的情况下,可便捷生成大量带有标签的指针式仪表数据,并基于所提数据增广方案制作了一组可应用于后续仪表目标检测网络训练的指针式仪表数据集。此外,在使用YOLOv5目标检测算法对仪表进行检测时,会存在较多分类混淆的情况,本文基于区域约束策略,通过在训练中增加每类仪表表盘上显著区域作为辅助类,扩大类间方差,提高仪表检测的分类准确性。2、为实现对目标检测算法得到的仪表表盘进行稳定读数,提出一种基于特征匹配的指针式仪表自动读数算法。首先,通过基于AKAZE算法的透视变换,对待读数表盘图像进行图像配准;其次,基于极坐标变换方法结合提前获取的表盘信息将表盘图像展开为矩形;然后,对图像进行二值化处理提取指针区域,并通过像素值累加比较方式得到指针直线所在位置;最后,采用距离法计算示数,实现对指针式仪表的自动稳定读数。3、针对指针式仪表自动读数算法的后续部署应用,提出了一种改进的YOLOv5算法,以实现仪表目标检测网络的轻量化。首先,选取Shuffle Net v2作为主干网络,实现在特征提取时获得速度与精度的平衡。其次,基于G-Ghost模块构建一种GG-C3结构替换网络中的C3模块,减少特征冗余。最后,采用GSConv卷积替换颈部中的标准卷积,在稳定检测精度的同时,进一步减小网络参数量和计算量。实验表明,本文提出的改进YOLOv5算法在未影响整体自动读数准确性的同时,实现了算法的轻量化,使自动读数算法的适用性得到提高。
暂无评论