0 引言

    隨著數(shù)字化、智能化的普及，大部分工業(yè)場景都采用數(shù)字儀表，但是對于電力行業(yè)，指針儀表由于其穩(wěn)定性、抗干擾性優(yōu)勢，仍廣泛應用于我國的電力實際監(jiān)控中^[1]。但大部分指針儀表的讀取仍依靠人工進行，要求工作人員到現(xiàn)場進行數(shù)據(jù)記錄，費時費力、容易出錯。因此，指針儀表讀數(shù)自動識別技術的研究具有重要意義^[2]。

    關于指針儀表自動識別的研究早期已經(jīng)出現(xiàn)，這些工作^[3-6]主要基于傳統(tǒng)計算機視覺技術。參照人工儀表讀數(shù)的原理，傳統(tǒng)方法大致由儀表檢測、儀表分類、儀表校正、預處理、指針檢測、刻度檢測、讀數(shù)計算幾個步驟組成，但由于采用表征能力比較弱的人工圖像描述方法，同時又依賴比較強的先驗信息，因此對圖像質(zhì)量要求較高，在復雜條件下的識別性能不盡人意。

    當前，深度學習因其強大的表征能力已經(jīng)開始應用于指針儀表自動識別領域。文獻[7]較早采用Faster R-CNN進行儀表檢測，然后通過自適應閾值分割、連通域分析和中心投影來檢測指針和刻度，最終根據(jù)指針與刻度之間的角度計算讀數(shù)。在此基礎上，文獻[8]對Faster R-CNN結構進行針對性優(yōu)化，并融入表盤鏡面反射消除方法，從而提升模型的魯棒性。與此類似，文獻[9]利用9層卷積神經(jīng)網(wǎng)絡進行儀表檢測，然后利用橢圓變換進行儀表校正，接著利用Hough變換檢測指針；文獻[10]通過全卷積網(wǎng)絡(Fully Convolutional Network，F(xiàn)CN)檢測儀表，然后進行圖像濾波和校正，最后通過極坐標徑向灰度統(tǒng)計的方法檢測指針；文獻[11]利用YOLO9000檢測儀表，然后利用EAST(Efficient and Accurate Scene Text detector)算法識別儀表刻度數(shù)值，并根據(jù)數(shù)值位置提取指針。相比于傳統(tǒng)方法，這些方法的性能有所提升，但深度神經(jīng)網(wǎng)絡都只應用在儀表檢測階段，后續(xù)讀數(shù)識別流程仍基于傳統(tǒng)計算機視覺方法，沒有充分發(fā)揮深度學習的優(yōu)勢，因此仍然存在傳統(tǒng)方法讀數(shù)不精確的問題。

    近期，一些方法開始在讀數(shù)識別階段應用深度學習方法。文獻[12]提出利用基于PrRoIPooling(Precise RoI Pooling，精確感興趣區(qū)域池化)的Mask R-CNN同時完成儀表檢測和表盤、指針分割，并對分割出的表盤進行橢圓變換從而得到指針方向，但是該方法只適用于圓形儀表。文獻[13]提出先對圖像進行去霧、補全、超分辨等一系列預處理，然后用Mask R-CNN進行儀表檢測和指針分割，但是該預處理過程比較復雜。文獻[14]提出利用Mask R-CNN對儀表圖像進行指針關鍵點和刻度關鍵點檢測，然后從指針和關鍵點計算儀表讀數(shù)，該方法能夠適應不同形狀的儀表，也無需復雜的預處理，但關鍵點檢測性能容易受到表盤模糊、反光、臟污、泛黃等條件的干擾，因此性能仍有待提升。文獻[15]提出采用Faster R-CNN進行儀表和指針區(qū)域檢測，然后利用U-Net對檢測出的儀表和指針區(qū)域分別進行刻度和指針分割，最后利用仿射變換校正儀表，但是該方法的采用網(wǎng)絡較大，特征冗余度較高。

    針對指針儀表讀數(shù)的這些問題，受到場景文本識別工作TextSnake^[16]的啟發(fā)，本文提出一種新的基于深度回歸的儀表讀數(shù)識別方法，該方法不顯式地檢測指針和關鍵點，而是將指針檢測、刻度識別、干擾抑制隱式地結合起來，通過回歸方法實現(xiàn)對儀表圖像的端到端處理。具體地，給定一張儀表圖像，先通過ResNet50^[17]獲取圖像特征，然后利用一個方向回歸模塊從特征回歸儀表指針方向，最后根據(jù)指針角度獲取儀表讀數(shù)。實驗證明，本文方法對表盤模糊、反光、臟污、泛黃等抗干擾性強，讀數(shù)識別精度相比于基于Mask R-CNN的儀表讀數(shù)識別方法顯著提高。

本文詳細內(nèi)容請下載:http://m.viuna.cn/resource/share/2000003224

作者信息:

彭昆福1，王子磊1，王  磊2，顧  楊2

(1中國科學技術大學 信息科學技術學院，安徽 合肥230027；

2.國網(wǎng)安徽省電力有限公司檢修分公司，安徽 合肥231131)