一种指针仪表读数识别方法与流程

1.本技术涉及计量校准技术领域，特别涉及指针仪表读数识别方法。


背景技术：

2.指针仪表用于对待测物理量进行测量，得到对应的读数，如压力仪表、温度仪表等。指针仪表包括测量部和指针表盘，其中，测量部用于对待测物理量进行测量，指针表盘用于显示测量值。然而因为指针仪表是机械性的，不具有输出测量数值的能力，所以需要人工参与读数记录。但是人工读数记录，成本高、即时性差、效率低、准确率低。
3.为了提高读数记录的效率和准确率，可以采用图像识别技术对包含指针表盘的图像进行识别，实现指针仪表自动读数识别。一般的，指针、刻度等关键要素在表盘中显示为一种颜色，表盘基底等其它要素在表盘中显示为不同的另一种颜色，在目前的指针仪表读数识别方法中，通常通过一个设定的灰度阈值就可以将深浅不同的关键要素和基底区分开来，先对指针表盘进行二值化处理，得到二值化图像，再根据二值化图像进行读数识别。
4.但是在实际获取待识别指针仪表图像时，因为光照强度的不同，获取到的待识别指针仪表图像可能会存在如下情况：强光照下，整个图像灰度都偏大(偏白)；弱光照下，整个图像灰度都偏小(偏黑)。此时，通过设定的灰度阈值很难将关键要素和基底区分开来，导致得到的二值化图像不能准确的反应刻度与指针之间的位置关系，使得读数识别结果不准确。


技术实现要素：

5.为了解决通过设定的灰度阈值很难将关键要素和基底区分开来，导致得到的二值化图像不能准确的反映刻度与指针之间的位置关系，使得读数识别结果准确率低，本技术通过以下方面提供一种指针仪表读数识别方法。
6.本技术第一方面提供一种指针仪表读数识别方法。指针仪表读数识别方法包括：
7.获取待识别指针仪表图像，其中，待识别指针仪表图像包括待识别指针仪表的指针、刻度以及表盘；
8.对待识别指针仪表图像中进行处理，获取关键要素相对于表盘的相对灰度信息，关键要素包括指针和刻度中的至少一项；
9.根据预设表盘形态和相对灰度信息对待识别指针仪表图像进行二值化处理，得到二值化图像，其中，预设表盘形态包括，指针和刻度为第一灰度极值，表盘为第二灰度极值；
10.对二值化图像进行处理，得到刻度的位置信息和指针的位置信息；
11.根据刻度位置的信息和指针位置的位置信息，得到待识别指针仪表图像对应的读数。
12.在一些实施例中，对待识别指针仪表图像进行处理，获取关键要素相对于表盘的相对灰度信息，包括：
13.对待识别指针仪表图像进行图像模糊处理，得到模糊指针仪表图像；
14.对待识别指针仪表图像进行处理，得到蒙版，蒙版用于选出关键要素对应的区域；
15.对待识别指针仪表图像和蒙版进行叠加处理，计算叠加后图像的平均灰度值，得到第一灰度值；
16.对将模糊指针仪表图像和蒙版进行叠加处理，计算叠加后图像的平均灰度值，得到第二灰度值；
17.根据第一灰度值和第二灰度值，确定相对灰度信息；相对灰度信息包括，第一灰度值和第二灰度值的相对大小。
18.在一些实施例中，根据预设表盘形态和相对灰度信息对待识别指针仪表图像进行二值化处理，包括：
19.根据第一灰度值和/或第二灰度值获取灰度阈值；
20.若第一灰度值大于第二灰度值，对待识别指针仪表图像进行处理，将灰度值小于灰度阈值的像素处理为第一灰度极值，将灰度值大于灰度阈值的像素处理为第二灰度极值；
21.若第一灰度值小于第二灰度值，对待识别指针仪表图像进行处理，将灰度值小于灰度阈值的像素处理为第二灰度极值，将灰度值大于灰度阈值的像素处理为第一灰度极值；
22.第一灰度极值对应于灰度极大值和灰度极小值中的一个，第二灰度极值对应于灰度极大值和灰度极小值中的另一个。
23.在一些实施例中，对待识别指针仪表图像进行处理，得到蒙版，包括：
24.预先训练好第一人工神经网络模型，用于训练第一人工神经网络模型的训练样本包括关键要素，以及关键要素的定位框；
25.使用第一人工神经网络模型对待识别指针仪表图像进行识别，得到待识别定位框，待识别定位框指示关键要素在待识别指针仪表图像中的位置；
26.基于待识别定位框，确定蒙版的选出区域。
27.在一些实施例中，对待识别指针仪表图像进行处理，得到蒙版，包括：
28.预先训练好第二人工神经网络模型，用于训练第二人工神经网络模型的训练样本包括第一特征点组合和/或第二特征点组合，第一特征点组合包括表盘中心点、最小刻度内径点、最小刻度外径点、最大刻度内径点以及最大刻度外径点，第二特征点组合包括指针针尖点以及指针针尾点；
29.使用第二人工神经网络模型从待识别指针仪表图像进行识别，得到特征点的位置信息，特征点的位置信息包括第一特征点组合的位置信息和/或第二特征点组合的位置信息；
30.根据特征点的位置信息对待识别指针仪表图像进行分割，得到蒙版的选出区域。
31.在一些实施例中，根据预设表盘形态和相对灰度信息对待识别指针仪表图像进行二值化处理，包括：
32.预先训练第三人工神经网络模型，第三人工神经网络模型包括生成器和判别器，根据预设表盘形态对指针仪表样本图像进行处理，得到对应的二值化样本图像，第三人工神经网络模型的训练数据集包括指针仪表样本图像及对应的二值化样本图像，输出训练好的生成器作为第三识别模型，基于指针仪表样本图像确定相对灰度阈值；
33.根据相对灰度信息和相对灰度阈值进行判断，若相对灰度信息小于相对灰度阈值，对待识别指针仪表图像的对比度进行处理，使相对灰度信息大于等于相对灰度阈值；
34.使用第三识别模型对处理后待识别指针仪表图像进行处理，得到二值化图像。
35.本技术第二方面提供了一种指针仪表的校验方法，该指针仪表的校验方法利用了前述的指针仪表识别方法进行校验识别，包括：
36.向指针仪表提供校验物理量，控制校验物理量变化，指针仪表对校验物理量进行测量；
37.对指针仪表进行图像采集，获取第一待识别指针仪表图像，对应的，获取该时刻的校验示值，校验示值为校验物理量的值；
38.发生于的获取第一待识别指针仪表图像之前或者之后，对指针仪表进行至少一次图像采集，获取第二待识别指针仪表图像；
39.基于至少一个第二待识别指针仪表图像生成第三待识别指针仪表图像；
40.根据前述的指针仪表读数识别方法，对第一待识别指针仪表图像进行识别，得到实测指针的位置信息，实测指针为第一待识别指针仪表图像的指针；
41.对第三待识别指针仪表图像进行识别，得到实测刻度的位置信息，实测刻度为第三待识别指针仪表图像的刻度；
42.根据实测刻度的位置信息和实测指针的位置信息，确定指针仪表的实测读数，根据实测读数和校验示值对指针仪表进行校验。
43.在一些实施例中，根据待识别指针仪表确定至少两个校验点，校验点被包含于待识别指针仪表的量程内；
44.控制校验物理量遍历至少两个校验点，当校验物理量达到校验点时，进行图像采集，获取对应的待识别指针仪表图像；
45.获取对应于第一校验点的实测读数，包括，将对应于第一校验点的待识别指针仪表图像作为第一待识别指针仪表图像，将对应于第二校验点的待识别指针仪表图像作为第二待识别指针仪表图像中的一个，据此得到对应于第一校验点的实测读数，第一校验点和第二校验点均被包含于至少两个校验点中，且第一校验点不同于第二校验点；
46.获取对应于第二校验点的实测读数，包括，将对应于第二校验点的待识别指针仪表图像作为第一待识别指针仪表图像，将对应于第一校验点的待识别指针仪表图像作为第二待识别指针仪表图像中的一个，据此得到对应于第二校验点的实测读数。
47.在一些实施例中，根据待识别指针仪表确定至少三个校验点；
48.的基于至少一个第二待识别指针仪表图像生成第三待识别指针仪表图像，包括，将至少三个对应于不同校验点的待识别指针仪表图像进行拼合，得到第三待识别指针仪表图像；
49.第一校验点和第二校验点对应于相同的第三待识别指针仪表图像。
50.在一些实施例中，的将至少三个对应于不同校验点的待识别指针仪表图像进行拼合，得到第三待识别指针仪表图像，包括：
51.预设图像划分规则，图像划分规则包括，按照固定位置将图像分成至少三个小格图像；预设图像代表值计算规则，图像代表值计算规则用于计算图像的代表值，代表值的差异由图像的要素差异确定；
52.根据图像划分规则将至少三个对应于不同校验点的待识别指针仪表图像进行划分，得到对应于每一固定位置的至少三个第一小格图像；
53.根据图像代表值计算规则分别计算各第一小格图像的代表值；
54.逐个对每一固定位置进行比对，包括，选定对应于该固定位置的全部第一小格图像，判断被选定的全部第一小格图像的众数，确定和众数相同或者最接近的第一小格图像，将被确定的第一小格图像输出为对应于该固定位置的第二小格图像；
55.将每一固定位置的第二小格图像进行拼合，得到第三待识别指针仪表图像。
56.在一些实施例中，基于至少一个第二待识别指针仪表图像生成第三待识别指针仪表图像，包括：
57.预设指针偏差阈值；
58.对第二待识别指针仪表图像进行识别，获取参考指针的位置信息，参考指针为第二待识别指针仪表图像的指针；
59.根据参考指针的位置信息和实测指针的位置信息，计算参考指针和实测指针的位置偏差值，若位置偏差值超过指针偏差阈值，则对应的第二待识别指针仪表图像为第四待识别指针仪表图像；
60.根据位置偏差值和指针偏差阈值对至少一个第二待识别指针仪表图像进行筛选，使，半数以上被选中的第二待识别指针仪表图像为第四待识别指针仪表图像；
61.基于被选中的第二待识别指针仪表图像生成第三待识别指针仪表图像。
62.本技术提供的指针仪表读数识别方法，包括获取待识别指针仪表图像；获取关键要素相对于表盘部分的相对灰度信息；根据相对灰度信息对待识别指针仪表图像进行二值化处理，得到预设表盘形态的二值化图像；根据二值化图像，得到刻度位置信息和指针位置信息；根据刻度位置信息和指针位置信息，得到待识别指针仪表图像对应的读数。指针仪表读数识别方法，先获取关键要素相对于表盘部分的相对灰度信息；使用相对灰度信息将关键要素和表盘基底区分开来，尽可能减少了光照强度不同带来的干扰，使得获取的二值化图像能够准确的反应刻度与指针之间的位置关系，提高读数识别的准确性。
附图说明
63.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
64.图1为本技术实施例提供的一种指针仪表读数识别方法的工作流程示意图；
65.图2为本技术实施例提供的一种指针仪表读数识别方法中步骤102在一种实现方式下的工作流程示意图；
66.图3为本技术实施例提供的一种指针仪表读数识别方法中步骤102在一种实现方式下的工作过程中部分处理结果的示意图；
67.图4为本技术实施例提供的一种指针仪表读数识别方法中第三人工神经网络模型的训练数据集中的样本示意图；
68.图5为指针仪表在校准校验过程中采集到的待识别指针仪表图像示例示意图；
69.图6为本技术实施例提供的一种指针仪表读数识别方法的确定第三待识别指针仪
表图像的工作流程示意图；
70.图7为指针仪表在校准校验过程中的各个校验点时，采集到的待识别指针仪表图像示例示意图；
71.图8为本技术实施例提供的一种指针仪表读数识别方法中基于至少一个第二待识别指针仪表图像生成第三待识别指针仪表图像的工作流程示意图。
具体实施方式
72.为了解决通过设定的灰度阈值很难将关键要素和基底区分开来，导致得到的二值化图像不能准确的反映刻度与指针之间的位置关系，使得读数识别结果准确率低，本技术通过以下方面提供一种指针仪表读数识别方法。本技术通过以下实施例提供一种指针仪表读数识别方法。
73.参见图1，本技术实施例提供的一种指针仪表读数识别方法，包括步骤101-步骤105。
74.步骤101，获取待识别指针仪表图像，其中，所述待识别指针仪表图像包括待识别指针仪表的指针、刻度以及表盘，所述的表盘包括表盘基底以及其它位于表盘基底上的信息。
75.在一些实施例中，所述指针仪表读数识别方法可以布置在手持设备中，如手机。利用手持设备自带的摄像装置对指针仪表的表盘进行拍照，得到待识别指针仪表图像。在另一些实施例中，图像采集设备和图像识别设备可以是分离的。此时，对于手持设备等搭载有指针仪表读数识别方法的设备来说，通过数据传输接收图像采集设备采集到的待识别指针仪表图像。
76.步骤102，对所述待识别指针仪表图像进行处理，获取关键要素相对于所述表盘的相对灰度信息，所述关键要素包括指针和刻度中的至少一项。在一些实施例中，参见图2，步骤102包括步骤201-步骤205。
77.步骤201，对所述待识别指针仪表图像进行图像模糊处理，得到模糊指针仪表图像。在本实施例中，所述图像模糊处理可以采用均值模糊方法、或者中值模糊方法、或者高斯模糊方法。本技术对具体的图像模糊方法不做限定，较优的，采用中值模糊处理，得到模糊指针仪表图像，可以得到相对更好的边缘。示例性的，参见图3中的(a)为所述待识别指针仪表图像，图3中的(b)为采用中值模糊处理方法得到所述模糊指针仪表图像。
78.步骤202，对所述待识别指针仪表图像进行处理，得到蒙版，所述蒙版用于选出所述关键要素对应的区域。
79.在一个可能的实施例中，所述的对所述待识别指针仪表图像进行处理，得到选出所述关键要素的蒙版，包括步骤301-步骤303。
80.步骤301，预先训练好第一人工神经网络模型，用于训练所述第一人工神经网络模型的训练样本包括所述关键要素，以及对所述关键要素的定位框，所述关键要素是指期望于从表盘基底中区分出来的要素，可以是刻度，也可以是指针，还可以是二者的组合。示例性的，第一人工神经网络模型为yolov5模型。对yolov5模型进行训练，训练样本包括大数量级(示例性的，超过10000张)各种待识别指针仪表样本图像。此时的待识别指针仪表样本图像为包括指针表盘的彩色原图。对训练样本图像中的指针和刻度进行标记，以yolov5_nano
(数据量仅3m)为例，其标记格式为[x_center，y_center，width，height]，其中x_center表示定位框的中心点横坐标，y_center表示定位框的中心点纵坐标，width表示定位框的宽度(x轴长度)，height表示对象框的高度(y轴长度)。使用训练样本训练，得到收敛的、具有足够可信度的yolov5模型(即所述第一人工神经网络模型)。
[0081]
步骤302，使用所述第一人工神经网络模型对所述待识别指针仪表图像进行识别，得到待识别定位框，所述待识别定位框指示所述关键要素在所述待识别指针仪表图像中的位置。示例性的，将预先训练好的yolov5模型布置于手持设备中，用于识别并定位刻度和/或指针，得到所述关键要素在所述待识别指针仪表图像中的位置。
[0082]
步骤303，基于所述待识别定位框，得到选出所述关键要素的蒙版。参见图3中的(c)，为一种实现方式中得到的所述蒙版的示意图，其中，图3中的(c)所示蒙版对应的关键要素包括指针和刻度。
[0083]
在一个可能的实施例中，所述的对所述待识别指针仪表图像进行处理，得到选出所述关键要素的蒙版，包括步骤401-步骤403。
[0084]
步骤401，预先训练好第二人工神经网络模型，用于训练所述第二人工神经网络模型的训练样本包括第一特征点组合和/或第二特征点组合，所述第一特征点组合包括表盘中心点、最小刻度内径点、最小刻度外径点、最大刻度内径点以及最大刻度外径点，所述第二特征点组合包括指针针尖点以及指针针尾点。其中，第一特征点组合用于确定待识别指针仪表图像中的刻度部分，第二特征点组合用于确定待识别指针仪表图像中的指针部分。在这个实施例中，所述关键要素可以仅为刻度部分，也可以仅为指针部分，也可以为刻度和指针两个部分。
[0085]
在这个实施例中，所述第二人工神经网络模型可以采用mobilenetv2网络模型、resnet残差网络或者其它相关技术中存在的具有特征点识别能力的人工神经网络模型。
[0086]
步骤402，使用所述第二人工神经网络模型从所述待识别指针仪表图像进行识别，得到特征点的位置信息，所述特征点的位置信息包括第一特征点组合的位置信息和/或第二特征点组合的位置信息。
[0087]
步骤403，根据所述特征点的位置信息对所述待识别指针仪表图像进行分割，得到所述蒙版的选出区域。
[0088]
在一种实现方式中，根据所述第一特征点组合对所述待识别指针仪表图像进行分割，得到所述蒙版的选出区域，包括：根据所述表盘中心点、最小刻度内径点、最大刻度内径点，得到量程外边缘；根据所述表盘中心点、最小刻度外径点、最大刻度外径点，得到量程内边缘；根据所述量程外径边缘和所述量程内径边缘同一侧的两端，得到量程两端的边缘。
[0089]
示例性的，以表盘中心点为极点建立极坐标系，得到量程最小刻度内径的极径和量程最大刻度内径的极径，确定二者中的较小值作为第一分割半径；得到量程最小刻度内径的极角和量程最大刻度内径的极角；以表盘中心点为圆心，以第一分割半径作弧，弧的起始角度和终止角度分别为量程最小刻度内径的极角和量程最大刻度内径的极角，则该弧作为量程外边缘。以表盘中心点为极点建立极坐标系，得到量程最小刻度外径的极径和量程最大刻度外径的极径，确定二者中的较大值作为第二分割半径，得到量程最小刻度外径的极角和量程最大刻度外径的极角；以表盘中心为圆心，以第二分割半径作弧，弧的起始角度和终止角度分别为量程最小刻度外径的极角和量程最大刻度外径的极角，则该弧作为量程
内边缘。根据所述量程外径边缘和所述量程内径边缘靠近最小刻度的一端，得到量程一端边缘；根据所述量程外径边缘和所述量程内径边缘靠近最大刻度的一端，得到量程另一端边缘。根据量程的内边缘、外边缘以及两端的边缘，分割所述待识别指针仪表图像，得到所述蒙版的选出区域。此时蒙版的选出区域对应为刻度部分。
[0090]
在一种实现方式中，根据所述第二特征点组合对所述待识别指针仪表图像进行分割，得到所述蒙版的选出区域，包括：根据所述指针针尖点以及所述指针针尾点，确定指针区域的四条边缘，得到所述蒙版的选出区域。此时蒙版的选出区域对应为指针部分。
[0091]
在一种实现方式中，根据所述第一特征点组合和第二特征点组合对所述待识别指针仪表图像进行分割，得到所述蒙版的选出区域。此时蒙版的选出区域对应为指针和刻度部分。具体分割方式参见前面两种实现方式，此处不再赘述。
[0092]
步骤203，对所述待识别指针仪表图像和所述蒙版进行叠加处理，计算叠加后图像的平均灰度值，得到第一灰度值。将所述待识别指针仪表图像和所述蒙版叠加，得到第一灰度图。参见图3中的(d)为一种实现方式下的第一灰度图示例。示例性的，可以先将所述待识别指针仪表图像灰度处理，再与所述蒙版叠加，得到第一灰度图；也可以先使用所述待识别指针仪表图像和所述蒙版叠加，再将叠加后的图像灰度处理，得到第一灰度图。计算所述第一灰度图的平均灰度值，得到第一灰度值g1。
[0093]
步骤204，对所述模糊指针仪表图像和所述蒙版进行叠加处理，计算叠加后图像的平均灰度值，得到第二灰度值。将所述模糊指针仪表图像和所述蒙版叠加，得到第二灰度图。参见图3中的(e)为一种实现方式下的第二灰度图示例。计算所述第二灰度图的平均灰度值，得到第二灰度值g2。
[0094]
通过步骤203和步骤204中的蒙版叠加，消除光照对表盘形态判断时的光照影响。
[0095]
步骤205，根据所述第一灰度值和所述第二灰度值，确定所述相对灰度信息；所述相对灰度信息包括，所述第一灰度值和所述第二灰度值的相对大小。
[0096]
步骤103，根据预设表盘形态和所述相对灰度信息对所述待识别指针仪表图像进行二值化处理，得到二值化图像，其中，所述预设表盘形态包括，所述指针和刻度为第一灰度极值，所述表盘为第二灰度极值。
[0097]
在一些实施例中，根据所述第一灰度值和/或第二灰度值获取灰度阈值。若所述第一灰度值大于所述第二灰度值，对所述待识别指针仪表图像进行处理，将灰度值小于所述灰度阈值的像素处理为所述第一灰度极值，将灰度值大于所述灰度阈值的像素处理为第二灰度极值；若所述第一灰度值小于所述第二灰度值，对所述待识别指针仪表图像进行处理，将灰度值小于所述灰度阈值的像素处理为所述第二灰度极值，将灰度值大于所述灰度阈值的像素处理为所述第一灰度极值，所述第一灰度极值对应于灰度极大值和灰度极小值中的一个，所述第二灰度极值对应于灰度极大值和灰度极小值中的另一个。即所述待识别指针仪表图像经过步骤103之后，统一得到的二值化图像的表盘形态全部为预设表盘形态，在后续的处理过程中，数据统一，便于计算处理。
[0098]
在一种实现方式中，可以直接将所述第一灰度值作为灰度阈值。在另一种实现方式中，可以直接将所述第二灰度值作为灰度阈值。在一种实现方式中，可以取所述第一灰度值和第二灰度值的平均值作为灰度阈值。
[0099]
在一种实现方式中，第一灰度极值为灰度极小值，示例性的，灰度极小值为0，第二
灰度极值为灰度极大值，示例性的，灰度极大值为255，对应的预设表盘形态为白底黑指针黑刻度。
[0100]
此时，若g1＜g2，则判断指针仪表的表盘形态为黑底白指针白刻度；将灰度值小于所述灰度阈值的像素处理为第二灰度极值，即255，将灰度值大于所述灰度阈值的像素处理为第一灰度极值，即0，此时，得到二值化图像为白底黑指针黑刻度，与原来的表盘形态相反，与预设表盘形态一致。若g1＞g2，则判断指针仪表的表盘形态为白底黑指针黑刻度；将灰度值小于所述灰度阈值的像素处理为0，将灰度值大于所述灰度阈值的像素处理为255，此时，得到的二值化图像为白底黑指针黑刻度，与原来的表盘形态一致。
[0101]
在另一种实现方式中，第一灰度极值为灰度极大值，示例性的，灰度极大值为255，第二灰度极值为灰度极小值，示例性的，灰度极小值为0，对应的预设表盘形态为黑底白指针白刻度。
[0102]
此时，若g1＜g2，则判断指针仪表的表盘形态为黑底白指针白刻度；将灰度值小于所述灰度阈值的像素处理为第二灰度极值，即0，将灰度值大于所述灰度阈值的像素处理为第一灰度极值，即255，此时，得到二值化图像为黑底白指针白刻度，与原来的表盘形态一致。若g1＞g2，则判断指针仪表的表盘形态为白底黑指针黑刻度；将灰度值小于所述灰度阈值的像素处理为第一灰度极值，即255，将灰度值大于所述灰度阈值的像素处理为第二灰度极值，即0，此时，得到的二值化图像为黑底白指针白刻度，与原来表盘形态相反，与预设表盘形态一致。
[0103]
如此，经过步骤103得到的预设表盘形态的二值化图像，可以在后续处理过程中，明确灰度极大值对应的点为所述关键要素，灰度极小值对应的点为基底，数据统一，便于计算处理。
[0104]
因为在进行指针仪表读数识别时，只需要关心指针和刻度之间的关系。如此，在一些实施例中，步骤103中的待识别指针仪表图像也可以是根据所述蒙版的选出区域，分割出来的待识别分割图像。所述待识别分割图像包括所述关键要素部分。此时，使用步骤103得到的二值化图像只包括关键要素区域，能够减少后续识别过程中的计算量，并提高计算准确度。
[0105]
一般来说，手持设备可提供的处理资源和存储资源相对较少和受限，由此导致的结果是处理速率较慢，同时也不适用于较大的处理程序。上述实施例提供步骤201-步骤205中，采用简单的、轻量化的工具，得到包含关键要素的蒙版，通过蒙版叠加，消除光照对表盘形态判断时的光照影响，得到所述关键要素和所述表盘部分的相对灰度信息。根据所述相对灰度信息，经过简单的计算和灰度处理，就能够得到效果良好的二值化图像，大大减少对处理速率和存储资源的要求，非常适用于手持设备。
[0106]
在一些实施例中，步骤103(根据预设表盘形态和所述相对灰度信息对所述待识别指针仪表图像进行二值化处理)包括步骤501-步骤503。
[0107]
步骤501，预先训练第三人工神经网络模型，所述第三人工神经网络模型的训练数据集包括所述指针仪表样本图像及所述对应的二值化样本图像，输出训练好的生成器作为第三识别模型，基于所述指针仪表样本图像确定相对灰度阈值。
[0108]
步骤502，根据所述相对灰度信息和所述相对灰度阈值进行判断，若所述相对灰度信息小于所述相对灰度阈值，对所述待识别指针仪表图像的对比度进行处理，使所述相对
灰度信息大于等于所述相对灰度阈值。在本技术中，为了保证所述第三识别模型的处理精度，会设置有一个相对灰度阈值，要求所述待识别指针仪表图像的所述相对灰度信息大于等于所述相对灰度阈值，如果小于所述相对灰度阈值，则调整所述待识别指针仪表图像的对比度，得到处理后待识别指针仪表图像；如果大于等于所述相对灰度阈值，则将所述待识别指针仪表图像直接当做所述处理后待识别指针仪表图像，输入至所述第三识别模型进行处理。其中，所述处理后待识别指针仪表图像的相对灰度信息大于等于所述相对灰度阈值。示例性的，因为关键要素是线状，可以采用图像锐化处理的方式，调整所述待识别指针仪表图像的对比度。
[0109]
在一种实现方式中，可以使用yolo或者其他轻量型目标提取工具从所述待识别指针图像中提取指针或者刻度部分，并计算对应的平均灰度值，同时从所述待识别指针图像中提取表盘部分，并计算对应的平均灰度值，将上述两个平均灰度值进行差值计算，得到所述相对灰度信息。在另一种实现方式中，可以采用步骤201-步骤205提供的方法，获取所述相对灰度信息。
[0110]
步骤503，向所述第三识别模型输入所述处理后待识别指针仪表图像，得到所述二值化图像。
[0111]
在一种实现方式中，所述第三人工神经网络模型采用生成对抗网络(generative adversarial networks，gan)模型。训练数据集包括多个拼接图像，参见图4，所述拼接图像由样本指针仪表图像以及对应的二值化样本图像拼接得到，所述二值化样本图像的表盘形态为所述预设表盘形态。从图4中看出，二值化样本图像可以只保留指针和刻度部分。在一种实现方式中，所述预设表盘形态为指针和刻度为第一灰度极值，表盘部分的其他未知为第二灰度极值，示例性的，所述预设表盘形态为黑表盘基底白指针刻度，即，通过第三识别模型提取出来的二值化图像的表盘形态均是黑表盘基底白指针刻度。第三识别模型的作用是模拟出一个尽可能和原图相同，但仅保留有效信息的二值化图像。
[0112]
gan模型是一种基于深度学习的生成建模方法。其中，在训练过程中，gan包括1个生成器g和一个判别器d。其中生成器g采用u-net结构，对输入的轮廓图x编码再解码成真实图像。判别器d采用条件判别器patchgan，判别器d的作用是在轮廓图x的条件下，对于生成的图像g(x)判断为假，对于真实图像判断为真。u-net借鉴了fcn网络，其网络结构包括两个对称部分：前面一部分网络与普通卷积网络相同，使用3
×
3的卷积和池化下采样，能够抓住图像中的上下文信息(也即像素间的关系)；后面部分网络则是与前面基本对称，使用的是3
×
3卷积和上采样，以达到输出图像分割的目的。此外，gan算法中还用到特征融合，将前面部分下采样网络的特征与后面上采样部分的特征进行了融合以获得更准确的上下文信息，达到更好的分割效果。其中训练过程中的目标函数如下：
[0113][0114]
因为生成器g的作用是为了迷惑判别器d，同时产生与真实图像很像的图像。因此，再加一个与真实图像的l1 loss：
[0115][0116]
所以最终的目标函数为：
[0117]
[0118]
判别器d采用patchgan的结构，也就是说把图像等分成patch，分别判断每个patch的真假，最后再取平均。在本实施例中，通过测试不同尺寸的patch，最后发现尺寸在50
×
50-100
×
100之间比较适合。
[0119]
训练数据集包括大量(例如超过10000)张样本指针仪表图像。在一种实现方式中，需要将样本指针仪表图像调整到256
×
256，并且手动处理成黑底白指针白刻度(预设表盘形态)的二值化样本图像。将所述样本指针仪表图像和所述二值化样本图像拼接成512
×
256的图像送入至gan网络中进行训练。训练过程包括交替进行的过程1和过程2。
[0120]
其中，过程1：固定生成器d，训练判别器d，直至判别器d对生成器生成的图像的识别率趋近于或者达到100％(也可以设为95％)。过程2：固定判别器d，训练生成器g，直至判别器d对机器生成图像的识别图趋近于或者达到50％。
[0121]
在经过前述多轮的训练过程之后，可以得到一个足够可置信率的生成对抗网络，采用其中的生成器g部分作为第三识别模型。使用所述第三识别模型从所述处理后待识别指针仪表图像中，提取出只有指针和刻度在内的二值化图像，从而基本上消除了阴影、曝光、各种痕迹、文字等干扰因素的影响，可以比较容易地进行指针和刻度信息的读取。
[0122]
这种实施例提供的使用第三识别模型的二值化处理方法过程，可以布置在处理资源和存储资源相对较多的读数识别系统中。如，通过手持设备或者其他可以固定在指针仪表附近的图像获取设备，获取待识别指针仪表图像并传送至远端的服务器中，服务器通过本实施例提供的使用预先训练好的第三识别模型的二值化处理方法，从所述处理后待识别指针仪表图像中，提取出所述预设表盘形态的二值化图像。
[0123]
步骤104，对所述二值化图像进行处理，得到所述刻度的位置信息和所述指针的位置信息。
[0124]
步骤105，根据所述刻度的位置信息和所述指针的位置信息，得到所述待识别指针仪表图像对应的读数。
[0125]
在一种实现方式中，根据刻度信息(例如所有刻度定位框的中心点坐标)，利用最小二乘法(也可采用其它计算方法)进行椭圆圆心的拟合，将拟合得到的椭圆圆心作为极点；以向下方向(也可以是向上、向左或者向右方向，后续判断过程中做出相应调整)作为极轴方向。按照前述极点和极轴，将极坐标图像展开为直角坐标的图像。示例性的，选取角度精度为0.1-1度，展开后角度坐标有360*10-360个像素。角度精度参数可以修改，但并非越大越精密，角度精度参数越大可能会影响计算速度。
[0126]
对展开后形似“直尺”的图像进行矩阵运算，并结合刻度间距逻辑进行修正补充，从而找出刻度角度、区分刻度大小；对形似“游标”的图像进行单独的运算，从而找出指针角度。在一种实现方式中，确定刻度位置时，以宽度为图像宽度，高度为5的卷积核进行卷积，得到(1*高度)的矩阵，其值为综合考虑刻度长度、宽度、灰度的数组，其峰值可视为刻度位置；计算相邻刻度间距，后相当于在浮点数中找“众数”，并对与其相差较大的间距值进行判断、增删修改。同理，亦可确定指针位置。
[0127]
在另一种实现方式中，也可以根据特征点提取模型提取出的表盘中心点坐标，对所述二值化图像进行极坐标转换，即可得到直角坐标系下的刻度分布图和指针分布图。在直角坐标系下，确定指针针尖的分布坐标和对应的刻度分布坐标，进一步可确定指针所指向的刻度，得到刻度和指针的位置关系。
[0128]
在另一种实现方式中，也可以不进行极坐标展开，采用其他图像处理方法来得到刻度位置信息和指针位置信息，进一步得到刻度和指针的位置关系。示例性的，采用角度测量法。根据表盘中心点的坐标建立极坐标系，将刻度的直角坐标转换成极坐标系下的坐标(极径和极角)，得到刻度的位置信息；将指针的直角坐标系坐标，同样进行转换，得到指针在极坐标系下的坐标(极径和极角)，得到指针的位置信息；根据指针的极角和刻度的极角，即可确定指针所指向的刻度，确定刻度和指针的位置关系。
[0129]
在一种实现方式中，在使用第一人工神经网络模型获取关键要素定位框时，一并识别出指针仪表中的数值，并和刻度建立对应关系。然后根据刻度和指针的位置关系，得到所述待识别指针仪表图像对应的读数。
[0130]
在另一种实现方式中，也可以将指针仪表中对应的数值和单位，预先存储在识别终端中。在读数识别时，直接读取对应的数值和单位，和刻度建立对应关系。然后根据刻度和指针的位置关系，得到所述待识别指针仪表图像对应的读数。
[0131]
在另一种实现方式中，也可以直接从表盘中识别出最大的数值以及单位，根据刻度的量程范围，确定每个刻度对应的数值。然后根据刻度和指针的位置关系，得到所述待识别指针仪表图像对应的读数。
[0132]
以上实施例提供的指针仪表读数识别方法，包括获取待识别指针仪表图像；对所述待识别指针仪表图像进行处理，获取关键要素相对于表盘的相对灰度信息；根据预设表盘形态和所述相对灰度信息对待识别指针仪表图像进行二值化处理，得到二值化图像；对所述二值化图像进行处理，得到所述刻度的位置信息和所述指针的位置信息；根据所述刻度的位置信息和所述指针的位置信息，得到刻度和指针的位置关系；根据所述刻度和指针的位置关系，得到所述待识别指针仪表图像对应的读数。所述指针仪表读数识别方法，先获取关键要素相对于表盘部分的相对灰度信息；使用所述相对灰度信息将关键要素和表盘基底区分开来，尽可能减少了光照强度不同带来的干扰，使得获取的二值化图像能够准确的反应刻度与指针之间的位置关系，提高读数识别的准确性。
[0133]
在指针仪表的校准校验过程中，会选择若干校验点，来校验指针仪表测量的准确性。其中，选择的校验点一般是表盘当中的主要刻度。校验过程中，为指针仪表的测量部施加和校验点相同的校验物理量。只要指针仪表是足够准确的，则在指针稳定等到读数之时，指针必然和刻度至少部分重叠，或者，指针和刻度在影像上分不开。参见图5，因为指针的针尖部分往往是尖细形状，刻度也是尖细形状，会导致在利用前述指针仪表读数识别方法进行读数识别的过程中，很难将指针和刻度区分开，导致对刻度的漏读或者对指针的误读，从而降低指针仪表读数识别的准确率。
[0134]
为此，在本技术的一些实施例中，向所述指针仪表提供校验物理量，控制所述校验物理量变化；所述指针仪表对所述校验物理量进行测量；对所述指针仪表进行图像采集，获取第一待识别指针仪表图像，对应的，获取该时刻的校验示值，所述校验示值为所述校验物理量的值；，发生于所述的获取第一待识别指针仪表图像之前或者之后，对所述指针仪表进行至少一次图像采集，获取第二待识别指针仪表图像；基于至少一个所述第二待识别指针仪表图像生成第三待识别指针仪表图像；。基于所述第一待识别指针仪表图像进行识别，得到实测指针的位置信息，所述实测指针为所述第一待识别指针仪表图像的所述指针；对所述第三待识别指针仪表图像进行识别，得到实测刻度的位置信息，所述实测刻度为所述第
三待识别指针仪表图像的所述刻度；根据所述实测刻度的位置信息和所述实测指针的位置信息，确定所述指针仪表的实测读数，根据所述实测读数和所述校验示值对所述指针仪表进行校验。
[0135]
以压力仪表为例，将压力仪表和可控压力源(例如压力控制器)连通之后，使用压力控制器开始为压力仪表进行加压(目标校验点高于当前压力)或者降压(目标校验点低于当前压力)。当到达目标校验点时(如果压力仪表是压力表或者压力变送器，则校验点对应于预定的压力值；如果压力仪表是压力开关，则校验点对应于压力开关的开关动作)，获取所述第一待识别指针仪表图像。
[0136]
在一种实现方式中，可以在采集待识别指针仪表图像的同时记录采集时间，根据指令中所包含的时间确定第一待识别指针仪表图像和第二待识别指针仪表图像。在另一种实现方式中，在达到预定压力值时或者根据触发开发动作，确定当前时刻(当前时刻的前一时刻和/或当前时刻的后一时刻)的待识别指针仪表图像为第一待识别指针仪表图像。在加压或者降压的同时，启动图像采集，周期性地获取待识别指针仪表图像，例如控压时间(从开始升压/降压到压力稳定的时间，又或者从开始升压/降压到压力开关动作时间)为10s，那么在得到第一待识别指针仪表图像之前，可以得到五张第二待识别指针仪表图像。也可以在加压或者降压的过程中，在得到第一待识别指针仪表图像之前，确定一张第二待识别指针仪表图像。在另一种实现方式中，也可以采用人工手动选择的方式获取第一待识别指针仪表图像和第二待识别指针仪表图像。
[0137]
在一些实施例中，根据所述待识别指针仪表确定至少三个所述校验点；所述的基于至少一个所述第二待识别指针仪表图像生成第三待识别指针仪表图像，包括，将至少三个对应于不同所述校验点的所述待识别指针仪表图像进行拼合，得到所述第三待识别指针仪表图像；所述第一校验点和所述第二校验点对应于相同的所述第三待识别指针仪表图像。
[0138]
参见图6，所述的将至少三个对应于不同所述校验点的所述待识别指针仪表图像进行拼合，得到所述第三待识别指针仪表图像，包括步骤601-步骤605。
[0139]
步骤601，预设图像划分规则，所述图像划分规则包括，按照固定位置将图像分成至少三个小格图像；预设图像代表值计算规则，所述图像代表值计算规则用于计算图像的代表值，代表值的差异由图像的要素差异确定。
[0140]
步骤602，根据所述图像划分规则将所述至少三个对应于不同所述校验点的所述待识别指针仪表图像进行划分，得到对应于每一所述固定位置的至少三个第一小格图像。
[0141]
步骤603，根据所述图像代表值计算规则分别计算各所述第一小格图像的代表值。
[0142]
步骤604，逐个对每一所述固定位置进行比对，包括，选定对应于该固定位置的全部所述第一小格图像，判断被选定的全部所述第一小格图像的众数，确定和所述众数相同或者最接近的所述第一小格图像，将被确定的所述第一小格图像输出为对应于该固定位置的第二小格图像。
[0143]
步骤605，将每一所述固定位置的所述第二小格图像进行拼合，得到所述第三待识别指针仪表图像。在一种实现方式中，将所述第一待识别指针仪表图像和所述第二待识别指针仪表图像(此时待识别指针仪表图像的总数大于等于3)按照预设的图像划分规则划分为n
×
n个小格图像。对各所述第一小格图像分别求代表值，示例性的，可以是平均灰度值，
或者是总灰度值等。若该位置对应的各个所述第一小格图像的代表值相同，则选定任意待识别指针仪表图像中的所述第一小格图像作为第三待识别指针仪表图像中该位置的第二小格图像。若该位置对应的各个所述第一小格图像的值不全部相同，则选择匹配度最高的所述第一小格图像，作为第三待识别指针仪表图像中的该位置的第二小格图像。示例性的，若有超过半数的代表值相同，则从代表值相同的第一小格图像中选择任意一个第一小格图像，作为第三待识别指针仪表图像中该位置的第一小格图像。以此类推，在遍历全部位置的第一小格图像之后，将选定的各个第二小格图像进行拼接，得到处理后的图像，作为第三待识别指针仪表图像。从所述第三待识别指针仪表图像中读取指针表盘的刻度位置信息。
[0144]
步骤601-步骤565提供的得到所述第三待识别指针仪表图像的方法，是一种类似于投票的机制。基于前述描述可知，若将第一待识别指针仪表图像中指针针尖附近的刻度称之为待确定刻度，则在待确定刻度所在的格图像之中，待确定刻度被指针影响的小格图像(来自于第一待识别指针仪表图像)较少，待确定刻度未被指针影响的小格图像(来自于第二待识别指针仪表图像)较多，在投票机制之下，来自于第一待识别指针仪表图像的小格图像会被投下去，从而使得刻度位置信息来源于未被指针影响的图像。
[0145]
本实施例中根据所述刻度位置信息和所述指针位置信息，确定所述第一待识别指针仪表图像对应的读数的处理过程，可以参考前述实施例中步骤105，此处不再赘述。
[0146]
在一些实施例中，根据所述待识别指针仪表确定至少两个校验点，所述校验点被包含于所述待识别指针仪表的量程内，控制所述校验物理量遍历所述至少两个校验点，当所述校验物理量达到所述校验点时，进行图像采集，获取对应的所述待识别指针仪表图像；获取对应于第一校验点的实测读数，包括，将对应于所述第一校验点的所述待识别指针仪表图像作为所述第一待识别指针仪表图像，将对应于第二校验点的所述待识别指针仪表图像作为所述第二待识别指针仪表图像中的一个，据此得到对应于所述第一校验点的实测读数，所述第一校验点和所述第二校验点均被包含于所述至少两个校验点中，且所述第一校验点不同于所述第二校验点；获取对应于所述第二校验点的实测读数，包括，将对应于所述第二校验点的所述待识别指针仪表图像作为所述第一待识别指针仪表图像，将对应于所述第一校验点的所述待识别指针仪表图像作为所述第二待识别指针仪表图像中的一个，据此得到对应于所述第二校验点的实测读数。
[0147]
也就是说，将前述的指针仪表读数识别方法和指针仪表的校验过程结合起来。所述校验过程需要校准多个校验物理量点的读数是否准确，所述多个校验物理量点均被包含于所述待识别指针仪表的量程内。在识别一个校验物理量点的读数时，选择使用该校验物理量点对应的待识别指针仪表图像确定指针位置信息，选择至少使用其他校验物理量点对应的待识别指针仪表图像确定刻度位置信息。如此，在一次校验过程中，只需要采集各个校验物理量点对应的待识别指针仪表图像，就可以准确确定各个校验物理量点的读数信息，减少数据采集量以及处理计算量。
[0148]
在对压力表、压力变送器等进行校验时，会在其量程范围内确定多个校验物理量点。示例性的，对于量程为0-1.6mpa的压力表来说，其通常会有0mpa、0.4mpa、0.8mpa、1.2mpa和1.6mpa共5个校验物理量点，参见图7。
[0149]
以正校法为例，根据校验物理量点的需求进行压力控制(利用压力控制器)，向被测压力仪表输入校验压力。当校验压力等于目标校验点0mpa时，保持校验压力稳定，并向图
形采集装置发送采集指令，图像采集装置根据采集指令，获取对应于0mpa的第一待识别指针仪表图像，并将采集完成情况反馈至压力控制器。压力控制器根据采集完成情况反馈继续升压，当目标压力等于目标校验点0.4mpa时，保持校验压力稳定，并向图形采集装置发送采集指令，图像采集装置根据采集指令，获取对应于0.4mpa的第一待识别指针仪表图像，并将采集完成情况反馈至压力控制器；以此类推，直至完成对应于0.8mpa、1.2mpa以及1.6mpa的第一待识别指针仪表图像的采集。
[0150]
此时，当需要识别校验物理量点0mpa对应的测量示值时，可将0.4mpa、0.8mpa、1.2mpa和1.6mpa各点对应的第一待识别指针仪表图像作为第二待识别指针仪表图像进行处理。
[0151]
根据校验需求，后续还可以反向降压，即在降压过程中，依次获取对应于1.6mpa、1.2mpa、0.8mpa、0.4mpa以及0mpa的第一待识别指针仪表图像。同样的，当需要识别校验物理量点1.6mpa时的测量示值时，可将0mpa、0.4mpa、0.8mpa、1.2mpa对应的第一待识别指针仪表图像作为第二待识别指针仪表图像进行处理。
[0152]
在本实施例中，将所述待识别指针仪表的读数识别过程和校验过程结合起来，将校验过程中目标校验点获取的待识别指针仪表图像作为第一待识别指针仪表图像，将在其他校验物理量点获取的待识别指针仪表图像作为第二待识别指针仪表图像。因为各个校验物理量点的第一待识别指针仪表图像就是需要被识别或者处理的，相当于节省第二待识别指针仪表图像的采集和处理，减少整个所述指针仪表读数识别方法的图像采集量和识别处理量，节约硬件存储资源和处理资源，提高读数识别处理效率。
[0153]
在一些实施例中，所述第二待识别指针仪表图像的数量为1，直接基于所述第二待识别指针仪表图像得到所述刻度位置信息，作为所述第三待识别指针仪表图像。所述的基于至少一个所述第二待识别指针仪表图像生成第三待识别指针仪表图像还包括步骤701-步骤706，如图8所示。
[0154]
步骤701，预设指针偏差阈值。
[0155]
步骤702，对所述第二待识别指针仪表图像进行识别，获取参考指针的位置信息，所述参考指针为所述第二待识别指针仪表图像的所述指针。
[0156]
在一种实现方式中，在步骤701-步骤702的提取过程中，可以采用mobilenetv2网络模型、resnet残差网络或者其它相关技术中存在的具有特征点识别能力的人工神经网络模型来获取参考指针的位置信息。
[0157]
步骤703，根据所述参考指针的位置信息和所述实测指针的位置信息，计算所述参考指针和所述实测指针的位置偏差值，若所述位置偏差值超过所述指针偏差阈值，则对应的所述第二待识别指针仪表图像为第四待识别指针仪表图像。
[0158]
步骤704，根据所述位置偏差值和所述指针偏差阈值对至少一个所述第二待识别指针仪表图像进行筛选，使半数以上被选中的所述第二待识别指针仪表图像为所述第四待识别指针仪表图像。
[0159]
步骤705，基于被选中的所述第二待识别指针仪表图像生成所述第三待识别指针仪表图像。
[0160]
在一种实现方式中，先确定量程角度范围，在根据所述量程角度范围确定预设位置差阈值。确定量程角度范围的方法包括：从第四待识别指针仪表图像中提取对应的量程
特征点，其中，所述量程特征点包括表盘中心点、最小刻度内径点、最大刻度内径点，或者，所述量程特征点包括表盘中心点、最小刻度外径点、最大刻度外径点；其中，所述第四待识别指针仪表图像为所述第一待识别指针仪表图像或者所述第二待识别指针仪表图像中的任意一个。根据表盘中心点、量程最小刻度外径点、量程最大刻度外径点，和/或，表盘中心点、量程最小刻度内径点、量程最大刻度内径点，以表盘中心点为极点建立极坐标系，确定其余各量程特征点的极角，进一步确定量程最小刻度到量程最大刻度的角度范围，即，得到预设坐标系下的量程角度范围。
[0161]
在步骤703中，设置一个预设位置差阈值，示例性的，预设位置差阈值设为所述预设坐标系下的量程角度范围的5％。计算任意一个所述第二待识别指针仪表图像对应的第二指针位置与所述第一指针位置的相对位置差。若相对位置差小于预设位置差阈值，则对应的第二待识别指针仪表图像不参与后续的读数识别处理，从处理过程中删除。若相对位置差大于等于预设位置差阈值，则对应的第二待识别指针仪表图像参与后续的读数识别处理。
[0162]
本技术实施例中所描述的方法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于ue中。可选地，处理器和存储媒介也可以设置于ue中的不同的部件中。
[0163]
应理解，在本技术的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0164]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0165]
本说明书的各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
[0166]
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需
的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0167]
以上所述的本技术实施方式并不构成对本技术保护范围的限定。

技术特征：
1.一种指针仪表读数识别方法，其特征在于，包括：获取待识别指针仪表图像，其中，所述待识别指针仪表图像包括待识别指针仪表的指针、刻度以及表盘；对所述待识别指针仪表图像进行处理，获取关键要素相对于所述表盘的相对灰度信息，所述关键要素包括指针和刻度中的至少一项；根据预设表盘形态和所述相对灰度信息对所述待识别指针仪表图像进行二值化处理，得到二值化图像，其中，所述预设表盘形态包括，所述指针和刻度为第一灰度极值，所述表盘为第二灰度极值；对所述二值化图像进行处理，得到所述刻度的位置信息和所述指针的位置信息；根据所述刻度的位置信息和所述指针的位置信息，得到所述待识别指针仪表图像对应的读数。2.根据权利要求1所述的指针仪表读数识别方法，其特征在于，所述的对所述待识别指针仪表图像进行处理，获取关键要素相对于所述表盘的相对灰度信息，包括：对所述待识别指针仪表图像进行图像模糊处理，得到模糊指针仪表图像；对所述待识别指针仪表图像进行处理，得到蒙版，所述蒙版用于选出所述关键要素对应的区域；对所述待识别指针仪表图像和所述蒙版进行叠加处理，计算叠加后图像的平均灰度值，得到第一灰度值；对所述模糊指针仪表图像和所述蒙版进行叠加处理，计算叠加后图像的平均灰度值，得到第二灰度值；根据所述第一灰度值和所述第二灰度值，确定所述相对灰度信息；所述相对灰度信息包括所述第一灰度值和所述第二灰度值的相对大小。3.根据权利要求2所述的指针仪表读数识别方法，其特征在于，所述的根据预设表盘形态和所述相对灰度信息对所述待识别指针仪表图像进行二值化处理，包括：根据所述第一灰度值和/或所述第二灰度值获取灰度阈值；若所述第一灰度值大于所述第二灰度值，对所述待识别指针仪表图像进行处理，将灰度值小于所述灰度阈值的像素处理为所述第一灰度极值，将灰度值大于所述灰度阈值的像素处理为所述第二灰度极值；若所述第一灰度值小于所述第二灰度值，对所述待识别指针仪表图像进行处理，将灰度值小于所述灰度阈值的像素处理为所述第二灰度极值，将灰度值大于所述灰度阈值的像素处理为所述第一灰度极值；所述第一灰度极值对应于灰度极大值和灰度极小值中的一个，所述第二灰度极值对应于灰度极大值和灰度极小值中的另一个。4.根据权利要求2所述的指针仪表读数识别方法，其特征在于，所述的对所述待识别指针仪表图像进行处理，得到蒙版，包括：预先训练好第一人工神经网络模型，用于训练所述第一人工神经网络模型的训练样本包括所述关键要素，以及所述关键要素的定位框；使用所述第一人工神经网络模型对所述待识别指针仪表图像进行识别，得到待识别定位框，所述待识别定位框指示所述关键要素在所述待识别指针仪表图像中的位置；
基于所述待识别定位框，确定所述蒙版的选出区域。5.根据权利要求2所述的指针仪表读数识别方法，其特征在于，所述的对所述待识别指针仪表图像进行处理，得到蒙版，包括：预先训练好第二人工神经网络模型，用于训练所述第二人工神经网络模型的训练样本包括第一特征点组合和/或第二特征点组合，所述第一特征点组合包括表盘中心点、最小刻度内径点、最小刻度外径点、最大刻度内径点以及最大刻度外径点，所述第二特征点组合包括指针针尖点以及指针针尾点；使用所述第二人工神经网络模型从所述待识别指针仪表图像进行识别，得到特征点的位置信息，所述特征点的位置信息包括所述第一特征点组合的位置信息和/或第二特征点组合的位置信息；根据所述特征点的位置信息对所述待识别指针仪表图像进行分割，得到所述蒙版的选出区域。6.根据权利要求1所述的指针仪表读数识别方法，其特征在于，所述的根据预设表盘形态和所述相对灰度信息对所述待识别指针仪表图像进行二值化处理，包括：预先训练第三人工神经网络模型，所述第三人工神经网络模型包括生成器和判别器，根据所述预设表盘形态对所述指针仪表样本图像进行处理，得到对应的二值化样本图像，所述第三人工神经网络模型的训练数据集包括所述指针仪表样本图像及所述对应的二值化样本图像，输出训练好的生成器作为第三识别模型，基于所述指针仪表样本图像确定相对灰度阈值；根据所述相对灰度信息和所述相对灰度阈值进行判断，若所述相对灰度信息小于所述相对灰度阈值，对所述待识别指针仪表图像的对比度进行处理，使所述相对灰度信息大于等于所述相对灰度阈值；向所述第三识别模型输入所述待识别指针仪表图像，得到所述二值化图像。7.一种指针仪表的校验方法，其特征在于，向所述指针仪表提供校验物理量，控制所述校验物理量变化，所述指针仪表对所述校验物理量进行测量；对所述指针仪表进行图像采集，获取第一待识别指针仪表图像，对应的，获取该时刻的校验示值，所述校验示值为所述校验物理量的值；发生于所述的获取第一待识别指针仪表图像之前或者之后，对所述指针仪表进行至少一次图像采集，获取第二待识别指针仪表图像；基于至少一个所述第二待识别指针仪表图像生成第三待识别指针仪表图像；根据权利要求1-6中任一项所述的指针仪表读数识别方法，对所述第一待识别指针仪表图像进行识别，得到实测指针的位置信息，所述实测指针为所述第一待识别指针仪表图像的所述指针；对所述第三待识别指针仪表图像进行识别，得到实测刻度的位置信息，所述实测刻度为所述第三待识别指针仪表图像的所述刻度；根据所述实测刻度的位置信息和所述实测指针的位置信息，确定所述指针仪表的实测读数，根据所述实测读数和所述校验示值对所述指针仪表进行校验。8.根据权利要求7所述的指针仪表的校验方法，其特征在于，根据所述待识别指针仪表确定至少两个校验点，所述校验点被包含于所述待识别指针仪表的量程内；
控制所述校验物理量遍历所述至少两个校验点，当所述校验物理量达到所述校验点时，进行图像采集，获取对应的所述待识别指针仪表图像；获取对应于第一校验点的实测读数，包括，将对应于所述第一校验点的所述待识别指针仪表图像作为所述第一待识别指针仪表图像，将对应于第二校验点的所述待识别指针仪表图像作为所述第二待识别指针仪表图像中的一个，据此得到对应于所述第一校验点的实测读数，所述第一校验点和所述第二校验点均被包含于所述至少两个校验点中，且所述第一校验点不同于所述第二校验点；获取对应于所述第二校验点的实测读数，包括，将对应于所述第二校验点的所述待识别指针仪表图像作为所述第一待识别指针仪表图像，将对应于所述第一校验点的所述待识别指针仪表图像作为所述第二待识别指针仪表图像中的一个，据此得到对应于所述第二校验点的实测读数。9.根据权利要求8所述的指针仪表的校验方法，其特征在于，根据所述待识别指针仪表确定至少三个所述校验点；所述的基于至少一个所述第二待识别指针仪表图像生成第三待识别指针仪表图像，包括，将至少三个对应于不同所述校验点的所述待识别指针仪表图像进行拼合，得到所述第三待识别指针仪表图像；所述第一校验点和所述第二校验点对应于相同的所述第三待识别指针仪表图像。10.根据权利要求9所述的指针仪表的校验方法，其特征在于，所述的将至少三个对应于不同所述校验点的所述待识别指针仪表图像进行拼合，得到所述第三待识别指针仪表图像，包括：预设图像划分规则，所述图像划分规则包括，按照固定位置将图像分成至少三个小格图像；预设图像代表值计算规则，所述图像代表值计算规则用于计算图像的代表值，代表值的差异由图像的要素差异确定；根据所述图像划分规则将所述至少三个对应于不同所述校验点的所述待识别指针仪表图像进行划分，得到对应于每一所述固定位置的至少三个第一小格图像；根据所述图像代表值计算规则分别计算各所述第一小格图像的代表值；逐个对每一所述固定位置进行比对，包括，选定对应于该固定位置的全部所述第一小格图像，判断被选定的全部所述第一小格图像的众数，确定和所述众数相同或者最接近的所述第一小格图像，将被确定的所述第一小格图像输出为对应于该固定位置的第二小格图像；将每一所述固定位置的所述第二小格图像进行拼合，得到所述第三待识别指针仪表图像。11.根据权利要求7所述的指针仪表的校验方法，其特征在于，基于至少一个所述第二待识别指针仪表图像生成第三待识别指针仪表图像，包括：预设指针偏差阈值；对所述第二待识别指针仪表图像进行识别，获取参考指针的位置信息，所述参考指针为所述第二待识别指针仪表图像的所述指针；根据所述参考指针的位置信息和所述实测指针的位置信息，计算所述参考指针和所述实测指针的位置偏差值，若所述位置偏差值超过所述指针偏差阈值，则对应的所述第二待
识别指针仪表图像为第四待识别指针仪表图像；根据所述位置偏差值和所述指针偏差阈值对至少一个所述第二待识别指针仪表图像进行筛选，使半数以上被选中的所述第二待识别指针仪表图像为所述第四待识别指针仪表图像；基于被选中的所述第二待识别指针仪表图像生成所述第三待识别指针仪表图像。

技术总结
本申请提供一种指针仪表读数识别方法，包括获取待识别指针仪表图像；获取关键要素相对于表盘部分的相对灰度信息；根据预设表盘形态和所述相对灰度信息对待识别指针仪表图像进行二值化处理，得到的二值化图像；对所述二值化图像进行处理，得到所述刻度的位置信息和所述指针的位置信息；根据所述刻度的位置信息和所述指针的位置信息，得到所述待识别指针仪表图像对应的读数。所述指针仪表读数识别方法，先获取关键要素相对于表盘部分的相对灰度信息；使用所述相对灰度信息将关键要素和表盘基底区分开来，尽可能减少了光照强度不同带来的干扰，使得获取的二值化图像能够准确的反应刻度与指针之间的位置关系，提高读数识别的准确性。性。性。


技术研发人员：王嘉琛 段云飞 董立军
受保护的技术使用者：北京康斯特仪表科技股份有限公司
技术研发日：2022.12.30
技术公布日：2023/9/23