基于深度学习的指针式仪表倾斜校正方法

摘要：

针对仪表图像自动识别中倾斜仪表产生的读数误差,提出一种基于深度学习的圆形指针式仪表快速倾斜校正方法,可以实现仪表图像的倾斜校正和旋转校正.该方法利用卷积神经网络提取以表盘刻度数字为中心的关键点,并采用最小二乘法对关键点进行椭圆拟合,结合椭圆变换理论使用透视变换对仪表图像进行第1次倾斜校正,再根据一对关于仪表竖直中轴线对称的关键点计算仪表相对于水平方向的旋转角度,以拟合椭圆的几何中心为旋转中心,旋转仪表图像实现第2次校正.在变电站真实环境下采集图像数据,验证方法性能.实验结果表明,该方法相对于传统方法鲁棒性更好,校正有效率达到100％,平均校正时间为0.45 s,满足实时校正需求,识别校正后的仪表图像读数的平均相对误差降低到3.99％,平均参考误差降低到0.91％,充分显示该校正方法的有效性.

关键词：仪表倾斜校正、卷积神经网络、最小二乘法、椭圆拟合、透视变换

所属期刊栏目：32

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1976-1984