基于深度学习的工业仪表识别读数算法研究及应用

目录

声明

第一章绪论

1.1 研究背景及意义

1.2 国内外研究现状及发展趋势

1.2.1 指针式仪表识别技术

1.2.2 数字式仪表识别技术

1.2.3 深度学习在 CV领域的研究现状

1.3 主要研究内容

1.4 主要结构安排

第二章基于 Mask-RCNN的工业仪表读数识别算法相关理论

2.1 基于Mask-RCNN 的工业仪表读数识别算法框架设计

2.2 Mask-RCNN 的基本原理

2.2.1 全卷积神经网络 FCN

2.2.2 残差网络 ResNet

2.2.3 特征金字塔网络 FPN

2.2.4 目标检测深度网络 Faster-RCNN

2.3 透视变换的基本原理

2.4 本章小结

第三章指针式仪表读数识别

3.1 指针式仪表盘定位与分割

3.1.1 传统的仪表盘定位方法

3.1.2 基于 PrRoIPooling 改进 Mask-RCNN

3.1.3 基于 Mask-RCNN的仪表盘定位

3.1.4 基于 Mask-RCNN的仪表盘轮廓分割

3.1.5 基于 Mask-RCNN的指针轮廓分割

3.2 指针式仪表图像畸变矫正

3.2.1 基于不规则椭圆的透视变换算法原理

3.2.2 指针式仪表图像矫正

3.3 指针直线检测

3.3.1 最小二乘法拟合直线

3.3.2 PCA主成分分析法拟合指针直线

3.3.3 指针方向判断机制

3.4 读数计算

3.4.1 刻度识别法

3.4.2 指针角度计算法

3.5 实验结果与分析

3.5.1 不同场景下指针检测和读数识别实验

3.5.2 对比改进前后的 Mask-RCNN精度实验

3.5.3 对比最小二乘法和 PCA直线拟合实验

3.5.4 对比 GPU和 CPU时间开销实验

3.5.5 对比指针式仪表读数精度实验

3.6 本章小结

第四章数字式仪表读数识别

4.1 传统的数字式仪表读数识别算法

4.1.1 基于模板匹配的数字识别算法

4.1.2 基于特征检测的数字识别算法

4.1.3 基于 OCR的数字识别算法

4.2 基于机器学习的数字式仪表读数识别算法

4.2.1 基于 LSSVM的数字识别算法

4.2.2 基于 Mask-RCNN的仪表盘定位于分割

4.2.3 基于全卷积神经网络的数字识别算法

4.2.4 基于 Mask-RCNN的数字识别

4.3 实验结果与分析

4.4 本章小结

第五章指针和数字式仪表同时读数识别算法及应用

5.1 指针和数字式仪表同时读数识别算法实现

5.2 实验结果与分析

5.2.1 实验环境

5.2.2 数据集

5.2.3 指针和数字式仪表同时读数识别实验

5.3 本文算法在变电站巡检机器人中的应用

5.3.1 变电站巡检机器人硬件平台

5.3.2 变电站巡检机器人远程监控系统

5.3.3 变电站电气仪表读数识别

5.4 本章小结

第六章总结与展望

6.1 全文总结

6.2 后续工作展望

致谢

参考文献

攻读硕士期间取得研究成果