13 - 深度学习识别仪表 （目标检测）

目标检测中的指针识别

• 语义分割模型
• 其中一个模型： python-opencv指针识别https://download.csdn.net/download/qq_44781688/20009503
• 类似于综述： 基于深度学习的指针式仪表图像智能读数方法_一颗小萌新的博客-CSDN博客
• 方法介绍+效果展示： 仪表识别算法介绍_zxy199104的博客-CSDN博客

---

方法一

六、基于深度学习关键点的指针式表计识别_表记识别_YAYA视觉的博客-CSDN博客

基于深度学习关键点的指针式表计识别

提示：网上有太多的方案都是分割思路，思路很好，但是在制作数据的时候太费时间，据统计：分割数据标注一张需要180s-360s；而关键点标注控制在30s-90s。

• 具体实现流程
• 一、 yolov7表计检测
• 二、表盘关键点检测和指针检测
• 三、表计矫正以及坐标的变换
• 三、拟合出表盘的弧形结构，并计算比值
• 三、根据比值、量程计算出读数
• 总结

一、 yolov7表计检测

目标检测就不用多说。该步骤最主要有两个任务，第一，将图像中的表计检测出来；第二，并将每个表计进行分类，为了后面能根据类别配置表盘中的量程。

二、表盘关键点检测和指针检测

该部分是整个算法的核心，需要将关键点检测和分割整合为一个多任务学习模型。关键点检测参考openpose，分割网络参考deeplabv3等主流网络即可。这套算法相较百度的算法（分割刻度和指针）数据标注任务量减轻60%以上，更加的省事，便于优化。

三、表计矫正以及坐标的变换

将倾斜的表计采用透视变换矫正，并对坐标进行变换。

三、拟合出表盘的弧形结构，并计算比值

根据矫正后的表计所得关键点，并拟合出表盘结构，并最终得到比值。

三、根据比值、量程计算出读数

最后根据比值、量程计算出具体读数，下图给出的是百分比，没时间转化了，将就用这个图了。

总结

本方案实现：
环境：pytorch、python=3.7、c++
数据标注时间：本方案60s VS 百度方案360s

---

方法思路二 （有源码但是是概念性的方式）

【人工智能笔记】第十一节 Tensorflow 2.0 实现指针仪表方向纠正及指针识别（中）_PPHT-H的博客-CSDN博客

---

方法三（传统方法， 有源码， 相对靠谱）

指针表值识别（传统算法）_指针识别_LS_learner的博客-CSDN博客

模板匹配

---

方法四 （基于深度学习的指针识别 有源码）

• 基于深度学习的仪表读数读取_「已注销」的博客-CSDN博客