[发明专利]指针仪表识别方法、装置、系统、设备、介质及程序产品

说明书

本申请实施例提供了一种指针仪表识别方法、装置、系统、设备、介质及程序产品。该方法包括：通过获取待识别指针仪表的仪表图像，并利用预设关键点定位模型获取表盘刻度起点、表盘刻度终点以及指针特征点，再根据表盘刻度起点、表盘刻度终点以及指针特征点确定表盘中心点，以利用表盘中心点与关键点之间的相对位置关系确定待识别指针仪表所对应的当前读数。可见，在本实施例中，仅需利用关键点定位模型来识别关键点，而无需对表盘中细节的刻度以及表盘所在圆进行识别，可以简化识别对象，能够有效地提高识别速度以及识别准确度，且识别泛化能力强。

技术领域

本申请实施例涉及人工智能技术领域，并且更具体地，涉及一种指针仪表识别方法、装置、系统、设备、介质及程序产品。

背景技术

随着经济发展和工业技术水平的提高，工业仪表作为常用的监测设备在各类工业设备中均有广泛地应用，例如，应用于化工企业中，对压力、电度、温湿度等数据进行监控。

在传统化工企业中，通常采用人工巡检的方式，固定时间段内巡检一次，来检查每个设备的仪表读数是否正常。然而，这种方式耗时耗力，并且检测不及时，如果出现一些重大的问题，人工巡检是来不及反应的，因此在化工业中，工业仪表的智能化识别就至关重要了。目前，对于工业仪表的读数识别，大多都是采用模板匹配的方式，即事先设定好一个模板表盘，再将待测表盘和和模板表盘进行相似性计算，通过匹配出与模板表盘相似性最高的那个区域，从而来预测工业仪表的当前读数。

但是，上述模板匹配的方式，对自然环境等极为敏感，受光照条件影响较大，在传统化工企业中只能处于实验性质，无法大批量推广应用。

发明内容

本申请实施例提供的指针仪表识别方法、装置、系统、设备、介质及程序产品，能够稳定且可靠对指针仪表进行读数识别，识别精度高，且识别泛化能力强。

第一方面，本申请实施例提供了一种指针仪表识别方法，包括：

获取待识别指针仪表的仪表图像；

利用预设关键点定位模型获取所述仪表图像中的关键点，所述关键点包括表盘刻度起点、表盘刻度终点以及指针特征点，所述指针特征点为表盘刻度与指针的交点；

根据所述关键点确定表盘中心点，以利用所述表盘中心点与所述关键点之间的相对位置关系确定所述待识别指针仪表所对应的当前读数。

在一种可能的设计中，所述根据所述关键点确定表盘中心点，以利用所述表盘中心点与所述关键点之间的相对位置关系确定所述待识别指针仪表所对应的当前读数，包括：

利用三点定心算法，并根据所述表盘刻度起点的起点位置、所述表盘刻度终点的终点位置以及所述指针特征点的特征点位置确定所述表盘中心点的中心点位置；

根据所述表盘刻度起点的起点读数以及所述表盘刻度终点的终点读数确定仪表量程值；

根据所述表盘刻度起点的起点位置、所述表盘刻度终点的终点位置以及所述表盘中心点的中心点位置确定仪表量程角度；

根据所述表盘刻度起点的起点位置、所述指针特征点的特征点位置以及所述表盘中心点的中心点位置确定指针角度；

根据所述仪表量程值、所述仪表量程角度以及所述指针角度确所述当前读数。

在一种可能的设计中，在所述利用预设关键点定位模型获取所述仪表图像中的关键点之前，还包括：

利用训练仪表图像集对基于多损失函数的预设神经网络模型进行训练，其中，所述多损失函数包括基础损失函数以及抑制损失函数，其中，所述抑制损失函数用于抑制异常离散的大误差样本所主导梯度更新程度。

在一种可能的设计中，在所述利用训练仪表图像集对基于多损失函数的预设神经网络模型进行训练之前，还包括：

根据预设仪表影响条件对基础仪表图像进行数据增广，以生成增广仪表图像，其中，所述预设仪表影响条件包括影响仪表图像识别度的环境因素；所述训练仪表图像集包括所述基础仪表图像以及所述增广仪表图像。