基于深度学习的工业仪表读数识别算法研究

作     者：曲超然 

作者单位：哈尔滨工程大学 

学位级别：硕士

导师姓名：陈立伟;王建生

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 

主      题：深度学习 指针仪表 数字仪表 仪表检测 读数识别 

摘      要：随着工业智能化、数字化的大力发展,变电站中的人工仪器测温和仪表识别等任务逐渐被电力巡检机器人代替。在工业仪表识别方面,目前大多数巡检机器人只能完成仪表数据的采集,后续的识别工作还需要人工参与记录读数,存在人工危险性大、工作效率低、识别即时性差等问题。同时在传统的基于机器视觉的仪表识别方法中大量算法识别效率低、错检误检等缺点严重影响识别工作。因此本文提出了一种全新的基于深度学习的变电站仪表读数识别方法,该方法可以适用于单指针式仪表和数字式仪表两大类型的仪表读数检测与识别任务,实现了电力巡检的高度智能化。经过大量实验验证和对比分析,该算法最终实现了高精度、低误差的工业仪表读数识别效果,本文主要研究并实现了以下内容:(1)在工业仪表检测方面,本文提出了基于改进YOLOv5的工业仪表检测算法,通过引入Ghost网路模块减少网络参数,同时利用模型压缩和通道剪枝的方法进一步压缩模型并提取多尺度特征;为了弥补精度上的损失,采用基于FSP矩阵的特征蒸馏方法对网络进行特征蒸馏。实验结果表明该算法在仪表检测数据集的检测精度有所提升,同时极大地减小了模型复杂度,为部署在机器人平台提供了保障。(2)在指针式仪表读数识别方面,根据YOLOv5仪表检测算法对指针式仪表进行区域定位后,本文提出一种基于改进Deep Lab V3+的指针式仪表读数识别算法。该算法将仪表定位区域中的指针和刻度线在原有基础上提高了分割精度。然后提出一种基于分割信息和轮廓拟合的透视变换方法对倾斜的仪表图像进行姿态校正,最后使用主成分分析方法拟合指针直线,利用角度法完成指针式仪表的读数识别。在实验数据集进行实验,结果表明该算法提高了仪表分割精度且缩短了实验时间,有效解决了传统指针仪表受外部环境因素影响的问题。(3)在数字仪表读数识别方面,本文提出了一种基于改进DBnet和CRNN的数字仪表读数识别算法。该算法首先使用DBnet文本检测算法检测出数字读数区域,然后提出引入注意力机制的CRNN算法进行读数识别。利用循环层网络提取仪表读数图像的特征序列,输入至Bi LSTM网络进行编码,再传入包含Attention机制的LSTM双向解码器中解码,最后输出预测读数。在实验数据集的测试结果表明该算法不仅以高精度识别数字仪表中纯数字读数,同时有效解决了字符粘连等小数点识别不准问题。