仪表盘监测识别系统利用现场已有的摄像头进行监测,无需额外设备投入。仪表盘监测识别系统采用了最新的深度学习与大数据技术,通过对大量样本数据的训练和学习,能够准确识别不同类型的仪表盘上的数字和开关状态。无论是液位计、温度计还是流量计等各种类型的仪表盘,系统都能够快速、准确地读取数值,并判断开关状态。相比人眼读数,仪表盘监测识别系统能够全天候、持续不断地对仪表盘进行监测和识别,大大减少人力资源的投入。同时,系统能够通过平台将读数信息及时上报给管理员,使其能够迅速了解到仪表盘的状态,及时采取响应措施。
OpenCV的全称是Open Source Computer Vision Library,是一个跨平台的计算机视觉处理开源软件库,是由Intel公司俄罗斯团队发起并参与和维护,支持与计算机视觉和机器学习相关的众多算法,以BSD许可证授权发行,可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序,该程序库也可以使用英特尔公司的IPP进行加速处理。OpenCV基于C++实现,同时提供python, Ruby, Matlab等语言的接口。OpenCV-Python是OpenCV的Python API,结合了OpenCV C++API和Python语言的最佳特性。OpenCV可以在不同的系统平台上使用,包括Windows,Linux,OS,X,Android和iOS。基于CUDA和OpenCL的高速GPU操作接口也在积极开发中。
在许多工业领域中,准确读取仪表盘上的数值或开关状态是一项重要任务。然而,传统的人眼读数方式存在读取效率低下、易出错的问题。为了提高工作效率并降低出错率,基于现场已有的摄像头,利用最新的深度学习与大数据技术,我们开发了仪表盘监测识别系统。该系统能够代替人眼,自动识别仪表示数和开关状态,实现7*24小时的自动读表,并通过平台将读数信息及时上报给管理员。
class Detect(nn.Module):
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
def __init__(self, nc=80, anchors=(), ch=(), inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = x[i].sigmoid()
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i] # xy
wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, y[..., 4:]), -1)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
else:
yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
.view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
return grid, anchor_grid
仪表盘监测识别系统的核心是基于深度学习技术的图像处理算法。仪表盘监测识别系统通过摄像头实时获取的图像,将其经过预处理和特征提取后输入到深度神经网络中进行分析和识别。系统训练的深度神经网络具有强大的学习能力,在大数据的支持下,可逐渐提高识别的准确性和稳定性。同时,系统还结合了大数据技术,对历史数据进行分析和挖掘,提取出仪表盘的特征规律,以进一步提高系统的识别效果。仪表盘监测识别系统的优势不仅在于提高工作效率和降低出错率,仪表盘监测识别系统还在于实现了7*24小时的自动读表。