一种表计破损识别算法及系统和应用的制作方法

本发明属于仪表表面缺陷检测应用，具体涉及一种表计破损识别算法及系统和应用，既可作为仪表读数算法的前置处理环节，也可应用于仪表表面自动化检测，实现对仪表缺陷的高效自动检测和质量控制。

背景技术：

1、随着现代仪表产品的精密化和智能化，对产品表面质量的检测也日益提高。传统的仪表表面缺陷检测主要依赖人工视觉来进行，这种方法效率低下，并且容易产生疲劳导致漏检。

2、近年来，随着计算机视觉、机器学习等技术的长足发展，仪表表面缺陷检测开始应用自动化智能方法。一方面，在进行仪表读数之前，先利用该算法判断仪表表盘是否存在破损，如果检测到破损则报警并停止读数，避免破损导致的读数错误，这样可以进一步提高仪表读数系统的鲁棒性；另一方面，这些智能检测方法通过分析仪表图像，使用计算机视觉算法检测表面存在的缺陷，并可以结合机器学习方法进行缺陷分类。

3、当检测到异常时，系统可以自动发出警报。相比传统人工检测，智能检测系统效率更高、精确度更好，可以实现全天候的自动化监测，大大降低检测成本。

4、而如何设计一种基于计算机视觉和机器学习的智能检测方法及系统，应用图像处理、模式识别、质量控制等技术来实现，是当前所研究解决的方向。

5、基于上述问题，本发明提供一种表计破损识别算法及系统和应用。

技术实现思路

1、发明目的：本发明的目的是提供一种表计破损识别算法及系统和应用，其为基于计算机视觉和机器学习的智能检测方法及系统，应用图像处理、模式识别、质量控制等技术的高效可靠的工业生产设备视觉状态检测技术方案。

2、技术方案：本发明的第一方面提供一种表计破损识别算法，包括以下步骤：s1、收集包含多个品牌和型号的大量正常仪表表盘图像；s2、使用传统图像特征提取技术对所述所有图像进行特征提取和向量化，所述传统图像特征提取技术包括sift算法、hog算法、lbp算法中的一种或多种；s3、使用k-means聚类算法获得每个表盘类型的多个聚类中心，作为该类型表盘的模板，每个模板表示该类型表盘的一个视觉特征分布；s4、对新输入表盘图像也进行采用同样的图像特征提取技术进行特征提取和向量化；s5、计算新样本与每个聚类中心的欧氏距离或余弦距离，判断距离最小的模板作为最匹配模板；s6、如果所有中心距离超过预设阈值，则判定该新样本图像为异常样本；s7、收集检测出的所有异常样本作为破损样本数据集；s8、使用正常和破损样本数据集分别训练支持向量机svm监督分类模型。

3、本技术方案的，所述s1中收集的正常仪表表盘图像为涵盖多种字体、颜色、样式、光照条件的表盘。

4、本技术方案的，所述s6中预设阈值的设置不是一个固定值，而是根据样本的聚类分布情况动态进行调整，以适应不同类型仪表的特征。

5、本技术方案的，所述s8中还包括对所述监督分类模型进行多折叠交叉验证模型评估的过程，以判断模型的泛化能力，并采用包括但不限于网格搜索、随机搜索的方式调优模型的参数，选取最优的参数组合。

6、本发明的第二方面提供一种表计破损识别算法的系统，所述系统包括图像采集模块、特征提取模块、模板生成模块、异常检测模块、样本存储模块、模型训练模块和破损检测模块；其中，图像采集模块、特征提取模块、模板生成模块、异常检测模块、样本存储模块、模型训练模块、破损检测模块依次连接；图像采集模块，用于收集正常和异常仪表表盘图像；特征提取模块，用于对所述图像进行特征提取和向量化；模板生成模块，用于使用无监督学习方法获得正常模板；异常检测模块，用于计算新样本与模板的距离，进行异常检测；样本存储模块，用于存储正常和异常样本；模型训练模块，用于使用所述正常和异常样本训练分类模型；破损检测模块，用于对待测表盘样本进行二分类。

7、本技术方案的，所述系统应用于仪表读数算法的前置处理时，首先判断仪表表盘是否存在破损，如果检测到破损则报警并停止读数，避免破损导致的读数错误。

8、本技术方案的，所述图像采集模块包括照相机、图像传感器等能够获得高清仪表图像的硬件设备。

9、本发明的第三方面提供一种表计破损识别算法的系统，仪表生产线，利用所述的系统，通过所述的方法，用于对生产的仪表进行自动化质量检测。

10、与现有技术相比，本发明的一种表计破损识别算法及系统和应用的有益效果在于：（1）本发明既可作为仪表读数算法的前置处理环节，减少误读数，也可广泛应用于智能制造领域各类关键设备的自动化监测与故障预警，可实现对设备健康状态的持续自动巡检，大幅降低生产事故发生率；（2）本发明的方法通过无监督学习发现破损模式，再训练分类器实现破损判别，该技术方案可以有效实现对未知破损的检测，提高仪表读数和质量控制的智能化水平；（3）本发明的系统结合计算机视觉、机器学习和人机交互技术，可以有效自动检测仪表表面破损，避免读数错误，也可用于质量控制，具有重要的实用价值。

技术特征：

1.一种表计破损识别算法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种表计破损识别算法，其特征在于：所述s1中收集的正常仪表表盘图像为涵盖多种字体、颜色、样式、光照条件的表盘。

3.根据权利要求1所述的一种表计破损识别算法，其特征在于：所述s6中预设阈值的设置不是一个固定值，而是根据样本的聚类分布情况动态进行调整，以适应不同类型仪表的特征。

4.根据权利要求1所述的一种表计破损识别算法，其特征在于：所述s8中还包括对所述监督分类模型进行多折叠交叉验证模型评估的过程，以判断模型的泛化能力，并采用包括但不限于网格搜索、随机搜索的方式调优模型的参数，选取最优的参数组合。

5.基于权利要求1-4任意一项所述的一种表计破损识别算法的系统，其特征在于：所述系统包括图像采集模块、特征提取模块、模板生成模块、异常检测模块、样本存储模块、模型训练模块和破损检测模块；

6.根据权利要求5所述的一种表计破损识别算法的系统，其特征在于：所述系统应用于仪表读数算法的前置处理时，首先判断仪表表盘是否存在破损，如果检测到破损则报警并停止读数，避免破损导致的读数错误。

7.根据权利要求5所述的一种表计破损识别算法的系统，其特征在于：所述图像采集模块包括照相机、图像传感器等能够获得高清仪表图像的硬件设备。

8.仪表生产线，其特征在于：利用权利要求5-7任意一项所述的系统，通过权利要求1-4任意一项所述的方法，用于对生产的仪表进行自动化质量检测。

技术总结
本发明属于视频异常检测应用技术领域，具体公开了一种表计破损识别算法及系统和应用，包括以下步骤：S1、收集表盘图像；S2、图像特征提取和向量化；S3获得每个表盘类型的多个聚类中心；S4、图像特征提取和向量化；S5、判断匹配模板；S6、判定图像；S7、收集破损样本；S8、使用正常和破损样本数据集分别训练支持向量机SVM监督分类模型；系统包括图像采集模块、特征提取模块、模板生成模块、异常检测模块、样本存储模块、模型训练模块和破损检测模块。本发明的有益效果在于：可作为仪表读数算法的前置处理环节，减少误读数，可广泛应用于智能制造领域各类关键设备的自动化监测与故障预警，实现对设备健康状态的持续自动巡检，降低生产事故发生率。

技术研发人员：魏姝姝,刘岩岩,王琦,朱琪,张俊宏,李建新,章建丰,谢华,王龙
受保护的技术使用者：江苏华电昆山热电有限公司
技术研发日：
技术公布日：2024/1/25