基于级联卷积神经网络的指针式仪表远程读数方法和系统

赵开开，刘兆祥，廉士国

(联通数字科技有限公司-AI创新应用中心，北京 100176)

电力是现代社会不可或缺的资源，在发电、用电的过程中需要使用大量结构简单、成本低廉、抗干扰能力强的电流表、温度表、压力表等监测类指针式仪表仪器[1]。现有的自动远程读数系统主要分为两大类，一类是改造现有仪表或设计全新仪表，直接获取仪表信号并转换为数字信号，对仪表读数进行统计[2-4]，实施难度大，不利于推广；另一类是基于现有的仪表使用机器视觉算法对指针读数进行识别，不影响现有仪表系统，可扩展性强。

主流的机器视觉仪表自动远程读数方法主要分为基于霍夫变换的方法，基于关键点检测的方法和基于图像分割的方法。基于霍夫变换的方法使用霍夫变换检测圆和直线来确定表盘区域和指针区域，进而计算指针读数[5]。虽然该方法被不断改进[6]，但霍夫变换法存在预处理复杂、人工阈值多等问题，使得该类方法难以处理复杂背景、光照变化大、多类型表盘等场景下的自动读数问题。基于关键点检测的方法中，文献[7-10]使用模板匹配定位表盘区域或指针区域，文献[11-12]提取模板图像和待识别图像中的SIFT、ORB等特征点进行表盘区域或指针区域的匹配，文献[13]人为设计了指针上的数个显著关键点，用于指针的定位；此类方法基本都需要提前设定模板图像，环境的变化易使模板和关键点失效，在实际使用过程中效果不稳定。基于图像分割的方法中，文献[14]使用深度学习语义分割网络U-Net对表盘中的刻度线和指针进行提取，进而计算出读数值；……