传统指针式仪表因其具有结构简单,生产成本低等优势,在工业生产过程中有着广泛的应用场景和重要的应用价值。目前指针式仪表读数方式多为人工抄表,针对指针式仪表人工抄表的工作效率低、过失误差频繁出现等问题,基于机器视觉的自动抄表方法逐渐得到关注,目前机器视觉的自动抄表方法在检测精度和速度方面仍有提升空间,而且当前方法少有考虑表面反光对仪表示数识别带来的干扰问题,本文提出了一种基于机器视觉的指针式仪表自动读数方法,其中包括图像采集系统的搭建与数据集的建立、三特征点策略、基于形状的模板匹配、YOLOv5网络模型和表盘示数识别等。课题的研究内容分为以下几个方面。
本文提出一种三特征点策略来完成指针表示数识别,该策略的核心是定位出指针旋转中心(即表盘中心点)、指针尖端位置和零点刻度这三个特征点,再根据三特征点可以求得指针与零点刻度线的夹角,指针偏转角与仪表示数之间存在数学关系,利用这个关系便可以得到指针表的示数。本文提出两种定位特征点的方法,一种是基于多尺度HPPT(High probability preference for target,HPPT)的模板匹配法,另一种是基于YOLOv5-CCC(将融入CBAM注意力机制、CARAFE替换原有上采样和CIo U替换原损失函数的YOLOv5算法称为YOLOv5-CBAM-CARAFE-CIo U算法,简称YOLOv5-CCC算法)的深度学习法。
针对目前机器视觉的自动抄表的读数精度低和识别速度慢的问题,本文提出了一种基于多形状模板定位策略的方法。方法的核心是提出一种基于形状的目标出现的大概率偏好的模板匹配法(HPPT),通过判断匹配目标的存在概率对匹配过程进行优化,在保证匹配准确性的同时提高匹配的速度。通过实验可知,本文的方法对指针表示数识别的平均引用误差为0.20%,平均识别一张图像的速度为0.31秒。具有较高的精度和较快的检测速度,有一定的实际应用价值。
针对仪表表面反光干扰示数识别的问题,本文提出了一种YOLOv5-CCC网络模型进行目标识别,定位所需特征点来进行指针式仪表的示数识别。然后通过三特征点策略来完成指针表的示数识别。实验结果表明,YOLOv5-CCC模型在反光仪表图像上可以准确定位出仪表盘、指针和零点刻度。对带有反光的仪表进行示数识别的平均引用误差为0.35%,可以克服反光的干扰有效识别仪表示数,具备实际的应用价值。
暂无评论