基于快速区域卷积神经网络识别变形仪表图像的二次矫正方法

摘要

为解决工业中摄像头在俯视、仰视等角度拍摄仪表时导致仪表变形影响读数的问题,提出一种基于快速区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)识别变形仪表图像的二次矫正方法。利用ResNeXt50作为Faster R-CNN的主干网络,结合特征金字塔(feature pyramid network, FPN)生成特征层,并融合压缩和激励网络(squeeze and excitation networks, SENet)模块将仪表特征更为突出,便于定位仪表区域并裁减,再由Harris角点检测找到表盘的4个顶点;利用二次矫正方法对变形仪表还原成正视角度仪表;最后计算示数。实验结果表明:该方法使得平均精准度(mean average precision, mAP)由基本模型的75.51%提升至94.45%,且仪表在变形情况下,仍能得到比较好的读数结果,误差率为0.852%。