0 引言

    隨著數字化、智能化的普及，大部分工業場景都采用數字儀表，但是對于電力行業，指針儀表由于其穩定性、抗干擾性優勢，仍廣泛應用于我國的電力實際監控中^[1]。但大部分指針儀表的讀取仍依靠人工進行，要求工作人員到現場進行數據記錄，費時費力、容易出錯。因此，指針儀表讀數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出現，這些工作^[3-6]主要基于傳統計算機視覺技術。參照人工儀表讀數的原理，傳統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，最終根據指針與刻度之間的角度計算讀數。在此基礎上，文獻[8]對Faster R-CNN結構進行針對性優化，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層卷積神經網絡進行儀表檢測，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]通過全卷積網絡(Fully Convolutional Network，FCN)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值，并根據數值位置提取指針。相比于傳統方法，這些方法的性能有所提升，但深度神經網絡都只應用在儀表檢測階段，后續讀數識別流程仍基于傳統計算機視覺方法，沒有充分發揮深度學習的優勢，因此仍然存在傳統方法讀數不精確的問題。

    近期，一些方法開始在讀數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，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進行儀表和指針區域檢測，然后利用U-Net對檢測出的儀表和指針區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絡較大，特征冗余度較高。

    針對指針儀表讀數的這些問題，受到場景文本識別工作TextSnake^[16]的啟發，本文提出一種新的基于深度回歸的儀表讀數識別方法，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，最后根據指針角度獲取儀表讀數。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，讀數識別精度相比于基于Mask R-CNN的儀表讀數識別方法顯著提高。

本文詳細內容請下載:http://www.cowatch.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.國網安徽省電力有限公司檢修分公司，安徽 合肥231131)