【盘算机视觉】工业表计读数（2）--表计检测

1. 简介

工业表计（如压力表、电表、气表等）在工控体系、能源管理等领域具有重要应用。然而，传统人工抄表不但工作量大、服从低，而且轻易产生数据误差。近年来，基于深度学习的目标检测方法在工业检测中展现出极大优势，其中YOLO（You Only Look Once）系列模子因其端到端的检测流程和及时性备受关注。本文以YOLO11为基础，构建了一套完整的表计检测体系，实现对表计地区的自动识别与裁剪，为后续的读数识别奠定基础。
2. 体系架构与实现方法

本体系主要分为两个模块：表计检测模子练习模块与检测后推测模块。下文分别先容这两个模块的实现细节。
2.1 表计检测模子练习

在练习阶段，体系利用YOLO11模子对采集到的表计图像举行目标检测模子练习，主要步调如下：

• 模子构建与权重加载
  利用Ultralytics的YOLO库，根据自界说的配置文件（yolo11.yaml）构建模子，并加载预练习权重（yolo11n.pt）。
  
  1. from ultralytics import YOLO
  2. import warnings
  3. warnings.filterwarnings("ignore")
  5. if __name__ == '__main__':
  6.     # 模型配置文件与预训练权重路径
  7.     yolo_yaml = "/root/cv/task_0/yolo_model/yolo11.yaml"
  8.     yolo_pt = "/root/cv/task_0/yolo_model/yolo11n.pt"
  9.     data_yaml = "/root/autodl-tmp/meter_data/meter_detect/dataset.yaml"
  11.     # 构建模型并加载预训练权重
  12.     model = YOLO(yolo_yaml)
  13.     model.load(yolo_pt)
  15.     # 开始训练，设置训练数据、迭代次数及图像尺寸
  16.     results = model.train(data=data_yaml, epochs=200, imgsz=640)

  复制代码
  以上代码展示了怎样通过加载模子配置与权重，利用自界说数据集举行200个epoch的练习。数据集的配置文件中包含了表计的标注信息，确保模子可以或许在多样化环境放学习到稳定的表计特征。
  
• 数据预处置处罚与增强
  为了提升模子在复杂场景下的泛化本事，对原始数据举行了旋转、缩放、含糊等数据增强操作，增强模子对光照、遮挡等干扰因素的鲁棒性。
  

2.2 表计检测推测模块

在推测阶段，练习好的模子用于对新的表计图像举行检测，主要流程包括加载模子、对输入图像举行检测、裁剪出目标地区及生存检测结果。代码实现如下：

1. import cv2
2. import numpy as np
3. import os
4. import matplotlib.pyplot as plt
5. from ultralytics import YOLO
7. # 加载训练好的自定义模型
8. model = YOLO('/root/cv/task_0/runs/detect/train5/weights/best.pt')
10. # 指定保存预测结果的目录
11. output_dir = '/root/cv/test/task_0_result'
12. os.makedirs(output_dir, exist_ok=True)
14. # 对单张图片进行预测
15. image_path = '/root/cv/test/detected_meter/test.jpg'
16. results = model(image_path, conf=0.60, save=False)
18. # 读取原始图像并转换为RGB格式（用于显示）
19. frame = cv2.imread(image_path)
20. frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
22. # 遍历检测结果，提取目标边界框并保存目标图像
23. for idx, result in enumerate(results):
24.     # 获取检测结果中的边界框数据
25.     boxes = result.boxes.cpu().numpy()
26.     for i, box in enumerate(boxes.data):
27.         l, t, r, b = box[:4].astype(np.int32)  # 左、上、右、下坐标
28.         conf, id = box[4:]  # 置信度与类别
29.         id = int(id)
30.    
31.         # 裁剪出目标区域图像
32.         target_image = frame[t:b, l:r]
33.         target_image_path = os.path.join(output_dir, f"target_{idx+1}_{i+1}.jpg")
34.         cv2.imwrite(target_image_path, target_image)
35.    
36.         # 在原图上绘制检测边界框和类别置信度
37.         cv2.rectangle(frame_rgb, (l, t), (r, b), (0, 0, 255), 2)
38.         cv2.putText(frame_rgb, f"{model.names[id]} {conf * 100:.1f}%", (l, t - 10),
39.                     cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
41. # 显示检测结果图像
42. plt.imshow(frame_rgb)
43. plt.show()
45. # 保存整体检测结果图像
46. image_name = image_path.split("/")[-1]
47. output_image_path = os.path.join(output_dir, image_name)
48. cv2.imwrite(output_image_path, cv2.cvtColor(frame_rgb, cv2.COLOR_RGB2BGR))
49. print(f"Prediction result saved to: {output_image_path}")

复制代码

在推测流程中，首先通过加载最佳权重文件得到练习好的模子，然后对目标图像举行推测。检测结果中，模子会返回多个边界框，每个边界框包括位置信息、置信度以及种别信息。根据这些信息，可以对检测地区举行裁剪，生存为单独的图像，同时在原图上绘制检测框和置信度文本以便直观展示检测结果。
3. 实验结果与讨论

3.1 实验设置

• 数据集：所使用的数据集为采集自工业现场的表计图像，涵盖差别类型、差别角度和多种光照条件下的表计图像。
  
• 练习参数：设置练习轮数（epochs）为200，图像尺寸（imgsz）为640，并采用适当的数据增强策略以提高模子鲁棒性。
  
• 检测阈值：在推测阶段，置信度阈值设为0.60，确保输出的检测结果较为准确。
  

3.2 实验结果

通过练习与推测流程，YOLO11模子在表计检测使命中展现了较高的准确性和及时性。模子可以或许在复杂配景下准确定位表计地区，并将目标地区有效裁剪出来，为后续的表针和刻度关键点检测提供了稳定的输入。检测结果图像中，边界框标注清晰，种别与置信度信息准确表现。

3.3 讨论与改进方向

只管实验结果表明体系在表计检测上具有较好体现，但仍存在一些寻衅：

• 小目标检测题目：部分边缘含糊或尺寸较小的表计在复杂配景中检测精度稍低，需要进一步优化模子布局或采用多标准练习策略。
  
• 环境光照影响：在低光或强反射场景下，表计检测结果受到一定影响，数据预处置处罚与增强手段仍需改进。
  
• 及时性与摆设：考虑到工业现场对及时监控的需求，未来工作中将着重研究模子轻量化与边缘盘算方案。
  

4. 小结

本文基于YOLO11模子实现了工业表计的自动检测，构建了一套从数据预处置处罚、模子练习到目标检测与结果展示的完整流程。实验结果验证了该方法在复杂工业环境下的高效性和准确性，为后续表针和刻度的关键点检测与自动读数识别提供了坚实基础。未来工作将进一步优化检测精度和及时性，以适应更为复杂的工业应用场景。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。