(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210118662.3 (22)申请日 2022.02.08 (71)申请人 深圳市铁越电气有限公司 地址 518000 广东省深圳市龙岗区龙城街 道黄阁路44 1号龙岗天安数码创业园1 号厂房B座8层B804 (72)发明人 吕耀辉　张磊　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 孙中勤　谢明晖 (51)Int.Cl. G06V 20/60(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01)G06V 10/82(2022.01) (54)发明名称 基于深度学习的指针 仪表读数方法及系统 (57)摘要 本申请公开了一种基于深度学习的指针仪 表读数方法及系统， 其涉及仪表智能读数技术领 域， 该方法包括如下步骤： 采集指针仪表的图像 信息； 通过神经网络模型在所述图像信息中定位 存在所述指针仪表的读数区域； 对 所述读数区域 进行二值化处理和Blod分析， 确定 所述指针仪表 的指针圆心位置和刻度位置； 基于所述刻度位置 和所述指针圆心位置确定所述指针仪表的指针 位置， 并计算得到刻度角度范围和指针角度； 基 于所述刻度角度范围和所述指针角度并通过局 部搜索法计算得到所述指针仪表的仪表读数。 本 申请具有不进行参数调整可以对多类型仪表进 行读数的效果。 权利要求书2页 说明书9页 附图7页 CN 114550149 A 2022.05.27 CN 114550149 A 1.一种基于深度学习的指针仪表读数 方法， 其特 征在于， 包括如下步骤： 采集指针仪表的图像信息； 通过神经网络模型在所述图像信息中定位存在所述指针仪表的读数区域； 对所述读数区域进行二值化处理和Blod分析， 确定所述指针仪表的指针圆心位置和刻 度位置； 基于所述刻度位置和所述指针圆心位置计算得到刻度角度范围和指针角度； 基于所述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的 仪表读数。 2.根据权利要求1所述的基于深度学习的指针仪表读数方法， 其特征在于， 所述通过神 经网络模型在所述图像信息中定位存在所述指针仪表的读数区域包括如下步骤： 调整所述图像信息的尺寸， 得到标准尺寸的标准图像信息； 利用去除全连接层的backbone主干网络对所述标准图像信息进行特征提取， 得到所述 标准图像信息的图像特 征； 通过残差结构对所述图像特 征进行卷积操作， 得到所述标准图像信息的特 征张量； 根据所述特 征张量在所述标准图像信息中定位存在所述指针仪表的读数区域。 3.根据权利要求1所述的基于深度学习的指针仪表读数方法， 其特征在于， 所述对所述 读数区域进 行二值化处理和Blod分析， 确定所述指针仪表的指针圆心 位置和刻度位置包括 如下步骤： 在RGB颜色空间中对所述读数区域进行二 值化处理， 得到RBG二 值化图像； 将所述读数区域转换至HSV颜色空间， 并在所述HSV颜色空间中对所述读数 区域进行二 值化处理， 得到HSV二值化图像； 对所述RGB二 值化图像进行Bl od分析， 确定所述指针仪表的指针圆心位置； 对所述HSV二 值化图像进行 所述Blod分析， 确定所述指针仪表的刻度位置 。 4.根据权利要求3所述的基于深度学习的指针仪表读数方法， 其特征在于， 所述对所述 RGB二值化图像进行Bl od分析， 确定所述指针仪表的指针圆心位置包括如下步骤： 将所述RGB二 值化图像进行去噪处 理； 对所述去噪处 理后的RGB二 值化图像进行 连通性分析， 并识别出多个连通 域； 计算出每 个连通域的特征值； 分别将各个特 征值与预设的指针特 征值进行比对； 将所述特 征值与所述指针特 征值相同的连通 域标记为指针连通 域； 根据所述指针连通 域的重心确定所述指针仪表的指针圆心位置 。 5.根据权利要求3所述的基于深度学习的指针仪表读数方法， 其特征在于， 所述刻度位 置包括起始刻度位置和终止刻度位置， 所述对 所述HSV二值化图像进 行所述Blod分析， 确定 所述指针仪表的刻度位置包括如下步骤： 将所述HSV二 值化图像进行去噪处 理； 对所述去噪处 理后的HSV二 值化图像进行 连通性分析， 并识别出多个目标 连通域； 分别计算各个目标 连通域的连通 域面积； 从所有目标连通域中筛选出所述连通域面积最大的两个目标连通域作为目标刻度连 通域；权　利　要　求　书 1/2 页 2 CN 114550149 A 2基于预设的几何参数将两个所述目标刻度连通域拆分为起始刻度连通域和终止刻度 连通域； 根据所述起始刻度连通域和所述终止刻度连通域的位置确定所述起始刻度位置和所 述终止刻度位置 。 6.根据权利要求1所述的基于深度学习的指针仪表读数方法， 其特征在于， 所述基于所 述刻度角度范围和所述指针角度并通过局部搜索法计算得到所述指针仪表的仪表读数包 括如下步骤： 根据所述指针角度确定所述指针仪表的指针位置； 基于所述指针角度和预设的角度临界值对所述指针位置的临近区域进行局部整刻度 搜索， 得到指针临近刻度区域； 采用极坐标搜索算法计算所述指针临近刻度区域中所有 整刻度的极坐标角度； 基于非极大值抑制算法对所有极坐标角度进行分析筛选， 得到两个目标极坐标角度， 两个目标极坐标角度所对应的两个整刻度离所述指针位置最近且分别位于所述指针位置 两侧； 结合所述刻度角度范围、 所述指针角度和所述目标极坐标角度计算得到所述指针仪表 的仪表读数。 7.根据权利要求6所述的基于深度学习的指针仪表读数方法， 其特征在于， 所述结合所 述刻度角度范围、 所述指针角度和所述目标极坐标角度计算得到所述指 针仪表的仪表读数 包括如下步骤： 基于所述刻度角度范围和所述指针角度计算得到所述指针仪表的整刻度读数； 基于所述目标极坐标角度和所述指针角度计算得到所述指针仪表的非整刻数读数； 将所述整刻度读数与所述非整数读数相加计算得到所述指针仪表的仪表读数。 8.一种基于深度 学习的指针仪表读数系统， 其特征在于， 包括存储器、 处理器及存储在 所述存储器上并可在所述处理器上运行的程序， 该程序能够被处理器加载执行时实现如权 利要求1‑7中任一项所述的基于深度学习的指针仪表读数 方法。权　利　要　求　书 2/2 页 3 CN 114550149 A 3