基于YOLOv3改进的工业指针式仪表检测方法.pdf
《基于YOLOv3改进的工业指针式仪表检测方法.pdf》由会员分享,可在线阅读,更多相关《基于YOLOv3改进的工业指针式仪表检测方法.pdf(5页珍藏版)》请在咨信网上搜索。
1、第 17 期2023 年 9 月无线互联科技Wireless Internet TechnologyNo.17September,2023作者简介:安建平(1999),男,河北张家口人,硕士研究生;研究方向:高性能计算与云计算。基于 YOLOv3 改进的工业指针式仪表检测方法安建平,刘晓群(河北建筑工程学院,河北 张家口 075000)摘要:随着巡检机器人的应用,泵站、变电站、实验室对指针自动检测识别的需求增加。YOLOv3 方法是使用最广泛的基于深度学习的对象检测方法之一。它使用 K-means(K 均值聚类算法)聚类方法来估计预测边界框的初始宽度和高度。使用该方法估计的宽度和高度对初始聚类
2、中心敏感且耗时。为了解决这些问题,文章从 YOLOv3 电表检测算法出发,提出了解决特定电表检测过程中涉及的目标检测性能不足的问题,取得了改进原有算法主干网络大、参数多、计算量大的弊端的成果。关键词:目标检测;YOLOv3;仪表检测算法;性能改进中图分类号:TP391.41 文献标志码:A0 引言 指针式仪表被广泛应用在各个变电站中,用于各种电气参数的实时监控1。如今,随着数字图像处理算法和计算机技术的不断发展,指针式仪表的检测和识别也逐渐向自动化的方向前进2-3。目前,数字仪表应用广泛,但在有电磁干扰的环境中易出现故障。指针式仪表由于其在抗干扰能力、结构和成本方面相较数字显式仪表、电子式仪表
3、都具有显著优越性,因此现如今我国各类工业中指针式仪表已经被使用到生产流程的每一个角落。指针式仪表的读取过程需要专业人员的定期判读,易受到人眼分辨能力、工作人员熟练程度、视觉疲劳等主观因素的影响,仪表检测效率较低且难以保证数据的准确性。而在高辐射、强噪声、高低温等不适宜近距离测量环境内,指针式仪表的采集和读取是一项艰巨的任务4-5。指针式仪表非常精确,需要按时检查准确度。以往的检查方式是靠人工解决的,且人工采集仪表数据已经不能满足实时数据的需求,可能存在主观错误导致经济损失。巡检机器人也存在检测速度慢、检测精度低、漏检、误检等问题。针对目前的机器人不能很好地适应实际需求,指针式仪表的检测成了一项
4、非常重要的工作,得到了广泛的研究和应用。近年来,出现了首先使用局部像素不均匀因子模型来提高二值化图像中指针仪表区域的显著性,然后使用霍夫圆检测来检测仪表的刻度盘范围的方法。但使用得到的识别结果霍夫圆检测常因光线、拍摄角度、复杂背景等原因出现误读漏检。另外,不同大小的圆在检测时需要设置不同的参数,稳定性较差。孙婷等5将二维伽马函数应用于仪表识别,适应了不同光照和不同类型的仪表指针定位。传统检测方法通过尺度不变特征,将待检测图像与模板匹配,并利用随机样本一致性去除错误的特征点,实现仪表的检测。然而,这两种方法计算复杂且对仪表特性和各种模板图像都有依赖,导致实时性差且易受限制。在复杂实际环境中准确检
5、测和定位仪表,需要高精度的目标检测算法。因此,笔者建议采用深度学习技术解决这些问题。为避免人工抄表出现误读、漏读,笔者建议使用手机拍照并自动分析仪表指针读数。自动识别仪表指针读数的难点在于区分复杂背景的表盘区域以及提高指针检测精度和消除校准偏角影响。针对以上问题,本文提出了基于目标-关键点检测的仪表指针读数识别方法,并构建了相应模型,包括目标检测模块和关键点检测模块。通过改进 YOLOv3 目标检测网络准确检测表盘区域和指针区域,以及改进 RFN-Net 关键点检测网络准确检测指针关键点,实现在复杂背景环境下高精度执行的目标检测算法。1 YOLOv3 算法 YOLOv3 采用了图像金字塔 FP
6、N 的思想,利用 3种不同规模的特征图进行目标检测预测。具体来说,大尺寸特征图用于检测小目标,小尺寸特征图用于检测大目标,而中间特征层则适合检测中等大小的目标。YOLOv3 通过聚类选取先验框的方式,能够同时很好地兼顾不同大小目标的检测和识别。在框架上,YOLOv3 参考了 SSD 和 ResNet 网络结构,并设计了分类网络基础模型 DarkNet-53。相比于YOLOv2 的 DarkNet-19,DarkNet-53 使用了 52 层卷积 层,每 个 卷 积 层 后 都 有 归 一 化 操 作(Batch Normalization)来防止过拟合。此外,为了降低模型的运算量,YOLOv3
7、 采用了 Residual Learning 的思想,在网络中添加了大量的残差块。具体而言,YOLOv3 增341第 17 期2023 年 9 月无线互联科技研究创新No.17September,2023加了残差模块来进一步加深网络的层数。在 YOLOv3中,卷积层与卷积层之间采用33 与11 的卷积核交替使用的方法,以降低模型的计算量和参数。最后,该算法使用全局平均池化来进行预测。具体的网络结构如表 1 所示。表 1 Darknet-53个数类型卷积核个数/个卷积核大小输出图像大小1卷积层32332562561卷积层6433/21281281卷积层32111卷积层64331残差模块12812
8、81卷积层12833/264642卷积层64112卷积层128332残差模块64641卷积层25633/232328卷积层128118卷积层256338残差模块32321卷积层51233/216168卷积层256118卷积层512338残差模块16161卷积层102433/2884卷积层512114卷积层1024334残差模块88全局平均池化softmax 全连接层(本层也认为是一层卷积层)1.1 改进的 YOLOv3 算法 为解决传统识别方法和其他深度学习识别方法的问题,笔者提出了目标关键点检测模型,包括目标检测模块和关键点检测模块。目标检测模块的任务是检测表盘区域和指针区域。模型流程如图
9、2 所示。首先,目标检测模块用于检测仪表图像中的刻度盘区域 I,并提取拨号区域图像 O1。若成功检测到拨号区域,则截取图像 O1;否则,输出异常信息给操作员。接着,关键点检测模块在图像 O1 中检测出 6 个关键点(指针的 4 个关键点、尺度 0 关键点和尺度 5 关键点)。若成功检测到所有关键点,则进行指针读取;否则输出异常信息给操作员。根据关键点检测结果O3,建立直角坐标系 R,并计算指针的偏转角度。结合表盘类型和单位信息,得到正确的指针读数 V。目441第 17 期2023 年 9 月无线互联科技研究创新No.17September,2023标关键点检测模型中,笔者使用改进的 YOLOv
10、3 网络进行目标检测,使用改进的 RFB-Net 网络进行关键点检测。1.2 目标检测模块 对于 YOLOv3 检测网络的深度学习改进方法,主要有两种:单阶段检测算法和两阶段检测算法。单阶段检测算法代表有 SSD、YOLO 算法家族等,两阶段检测算法代表有 R-CNN 系列和其改进版本。两阶段算法通常具有更高的检测精度,但速度却不如单阶段算法。指针仪表识别存在实时性且高精度的两个要求,经比较 YOLO 系列在使用较小的网络能够获得较高的精度。YOLOv3 网络在保持高精度的同时具有快速检测的优势,相较于同期其他单阶段算法更为明显。因此,最佳算法选择为 YOLOv3。改进后的 YOLOv3 网络
11、结构由主干网络、颈部和检测头组成,如图 3 所示。主干网络采用了改进后的CSPdarknet53_tiny 网络,用于仪表图像的特征提取。相较于 CSPdarknet53 网络,CSPdarknet53_tiny 网络简化了网络结构,仅使用 3 个 CSP 模块,并将 Mish 激活函数替换为 Leaky ReLu 激活函数,降低了复杂度和参数数量。图 1 由目标检测模块和关键点检测模块组成图 2 改进后的 YOLOv3 网络结构 改进后的网络颈部用于特征图的融合。改进后的 YOLOv3 采用了特征金字塔网络,对不同尺度的特征图进行处理,以实现对不同大小物体的检测。该方法通过特征图的多尺度处理
12、提高了准确性,并有效提升了检测速度。改进后的 YOLOv3 模型利用 3 种不同尺度的特征图(1313、2626 和 5252)进行目标检测任务,从而提升了检测的多样性和全面性。为了识别仪表图像中的刻度盘和指针区域,本文提出了目标检测模块。笔者使用 LabelMe 工具对图像进行标注,标记刻度盘和指针区域,并进行相应的541第 17 期2023 年 9 月无线互联科技研究创新No.17September,2023分类(刻度盘类型和指针标记为“P”)。使用建立的目标检测网络,笔者将标记好的图像用于训练,以实现对表盘和指针区域的检测。虽然表盘和指针区域的检测任务不同,但训练过程相同。为了提高准确性
13、和训练速度,笔者采用了预训练的 YOLOv3 模型。在完成训练后,笔者对目标检测模块进行了独立测试,并得到了改进后的 YOLOv3 在测试集中对仪表图像刻度盘区域的检测结果。经实验测试,改进后的 YOLOv3 目标检测网络在各种使用场景下表现出色,能够准确地检测出仪表图像中的表盘区域,并准确识别表盘类型。这证明了改进算法在表盘区域检测任务中的高可行性和有效性。此外,改进后的 YOLOv3 还可以应用于类似的目标检测任务,为相关领域的研究和应用提供重要帮助。测试结果表明,在强光和弱光环境下,改进后的网络仍能准确检测出刻度盘区域。改进后的 YOLOv3网络的测试结果中证明能够在昏暗或反光环境中准确
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOv3 改进 工业 指针 仪表 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。