技术摘要：
本发明公开了一种基于深度学习的角度回归仪表读数识别方法、设备和系统，属于图像识别技术领域。本发明通过对训练图像中的仪表指针图像进行旋转，并与除仪表指针图像之外的背景图像生成新的训练图像，新的训练图像与旋转角度对应；根据新的训练图像，对角度回归网络进  全部
背景技术：
近年来，随着深度学习技术的发展以及在监控领域，尤其是在图像和视频监控领 域的应用，使得图像中仪表读数识别成为可能，从而需要一种仪表读数识别方法，实现图像 中仪表读数识别。 现有技术提供了一种仪表读数识别方法，包括：在读取摄像头采集的仪表图像，进 行模板匹配，将已知的模板与现有的图像进行模板匹配，将输入图像每个像素点与模板比 较，并为每个像素点计算一个值，记录其与模板比较后相似程度，选出最接近模板的点，并 选中模板对应模式，进行下一步识别；读取仪表数据，对图像进行简单的图像处理，接着进 入各自读数通道进行读数识别，最后显示读数。 该现有技术存在如下问题： 1、对于相机的位置要求比较苛刻，从而降低导致适用性降低。 2、该方法所采用的图像分割是依赖于图像灰度值分割的，对光线的依赖比较大，  一旦外界环境变暗或亮了，容易导致分割失败，从而导致读数失败。
技术实现要素：
为了解决现有技术的问题，本发明提供了一种基于深度学习的角度回归仪表读数 识别方法、设备和系统，包括： 一方面，提供了一种基于深度学习的角度回归仪表读数识别方法，所述方法包括： 对训练图像中的仪表指针图像进行旋转，并与除所述仪表指针图像之外的背景图像生 成新的训练图像，所述新的训练图像与旋转角度对应； 根据所述新的训练图像，对角度回归网络进行训练； 获取待测图像中仪表图像所在的锚框； 通过所述角度回归网络，识别出所述锚框内仪表指针的角度； 对所述仪表指针的角度和仪表进行映射，获取仪表读数。 可选的，所述对训练图像中的仪表指针图像进行旋转，并与除所述仪表指针图像 之外的背景图像生成新的训练图像包括： 获取所述训练图像中的仪表指针图像； 按照不同旋转角度，对所述仪表指针图像进行旋转，获取与多个所述旋转角度分别对 应的仪表指针图像； 将所述多个旋转角度分别对应的仪表指针图像分别与所述背景图像，生成多个新的训 练图像。 可选的，所述根据所述新的训练图像，对角度回归网络进行训练包括： 4 CN 111598094 A 说　明　书 2/10 页 对所述新的训练图像进行增强，获取多个增强后的训练图像； 根据所述多个增强后的训练图像，对所述角度回归网络进行训练。 可选的，所述获取待测图像中仪表图像所在的锚框包括： 将所述待检测图像输入目标检测算法，输出仪表图像所在的锚框以及所述仪表图像所 指示的仪表类型。 可选的，所述对所述仪表指针的角度和仪表进行映射，获取仪表读数包括： 所述仪表读数与指针角度为均匀分布，则根据第一映射公式，以及所述仪表类型，获取 所述仪表读数； 所述仪表读数与指针角度为非均匀分布，则根据第二映射公式，以及所述仪表类型，获 取所述仪表读数。 另一方面，提供了一种基于深度学习的角度回归仪表读数识别设备，所述设备包 括： 处理模块，用于对训练图像中的仪表指针图像进行旋转，并与除仪表指针图像之外的 背景图像生成新的训练图像，所述新的训练图像与旋转角度对应； 训练模块，用于根据所述新的训练图像，对角度回归网络进行训练； 识别模块，用于获取待测图像中仪表图像所在的锚框； 所述识别模块还用于通过所述角度回归网络，识别出所述锚框内仪表指针的角度； 所述处理模块还用于对所述仪表指针的角度和仪表进行映射，获取仪表读数。 可选的，所述处理模块具体用于： 获取所述训练图像中的仪表指针图像； 按照不同旋转角度，对所述仪表指针图像进行旋转，获取与多个所述旋转角度分别对 应的仪表指针图像； 将所述多个旋转角度分别对应的仪表指针图像分别与所述背景图像，生成多个新的训 练图像。 可选的，所述训练模块具体用于： 对所述新的训练图像进行增强，获取多个增强后的训练图像； 根据所述多个增强后的训练图像，对所述角度回归网络进行训练。 可选的，所述识别模块具体用于： 将所述待检测图像输入目标检测算法，输出仪表图像所在的锚框以及所述仪表图像所 指示的仪表类型。 可选的，所述处理模块具体用于： 所述仪表读数与指针角度为均匀分布，则根据第一映射公式，以及所述仪表类型，获取 所述仪表读数； 所述仪表读数与指针角度为非均匀分布，则根据第二映射公式，以及所述仪表类型，获 取所述仪表读数。 另一方面，提供了一种基于深度学习的角度回归仪表读数识别设备，所述设备包 括处理器以及与所述处理器连接的存储器，所述存储器用于存储一组程序代码，所述处理 器执行所述存储器所存储的程序代码用于执行以下操作： 对训练图像中的仪表指针图像进行旋转，并与除所述仪表指针图像之外的背景图像生 5 CN 111598094 A 说　明　书 3/10 页 成新的训练图像，所述新的训练图像与旋转角度对应； 根据所述新的训练图像，对角度回归网络进行训练； 获取待测图像中仪表图像所在的锚框； 通过所述角度回归网络，识别出所述锚框内仪表指针的角度； 对所述仪表指针的角度和仪表进行映射，获取仪表读数。 可选的，所述处理器执行所述存储器所存储的程序代码具体用于执行以下操作： 获取所述训练图像中的仪表指针图像； 按照不同旋转角度，对所述仪表指针图像进行旋转，获取与多个所述旋转角度分别对 应的仪表指针图像； 将所述多个旋转角度分别对应的仪表指针图像分别与所述背景图像，生成多个新的训 练图像。 可选的，所述处理器执行所述存储器所存储的程序代码具体用于执行以下操作： 对所述新的训练图像进行增强，获取多个增强后的训练图像； 根据所述多个增强后的训练图像，对所述角度回归网络进行训练。 可选的，所述处理器执行所述存储器所存储的程序代码具体用于执行以下操作： 将所述待检测图像输入目标检测算法，输出仪表图像所在的锚框以及所述仪表图像所 指示的仪表类型。 可选的，所述处理器执行所述存储器所存储的程序代码具体用于执行以下操作： 所述仪表读数与指针角度为均匀分布，则根据第一映射公式，以及所述仪表类型，获取 所述仪表读数； 所述仪表读数与指针角度为非均匀分布，则根据第二映射公式，以及所述仪表类型，获 取所述仪表读数。 另一方面，提供了一种基于深度学习的角度回归仪表读数识别系统，所述系统包 括： 处理设备，用于对训练图像中的仪表指针图像进行旋转，并与除仪表指针图像之外的 背景图像生成新的训练图像，所述新的训练图像与旋转角度对应； 训练设备，用于根据所述新的训练图像，对角度回归网络进行训练； 识别设备，用于获取待测图像中仪表图像所在的锚框； 所述识别设备还用于通过所述角度回归网络，识别出所述锚框内仪表指针的角度； 所述处理设备还用于对所述仪表指针的角度和仪表进行映射，获取仪表读数。 可选的，所述处理设备具体用于： 获取所述训练图像中的仪表指针图像； 按照不同旋转角度，对所述仪表指针图像进行旋转，获取与多个所述旋转角度分别对 应的仪表指针图像； 将所述多个旋转角度分别对应的仪表指针图像分别与所述背景图像，生成多个新的训 练图像。 可选的，所述训练设备具体用于： 对所述新的训练图像进行增强，获取多个增强后的训练图像； 根据所述多个增强后的训练图像，对所述角度回归网络进行训练。 6 CN 111598094 A 说　明　书 4/10 页 可选的，所述识别设备具体用于： 将所述待检测图像输入目标检测算法，输出仪表图像所在的锚框以及所述仪表图像所 指示的仪表类型。 可选的，所述处理设备具体用于： 所述仪表读数与指针角度为均匀分布，则根据第一映射公式，以及所述仪表类型，获取 所述仪表读数； 所述仪表读数与指针角度为非均匀分布，则根据第二映射公式，以及所述仪表类型，获 取所述仪表读数。 本发明提供了一种基于深度学习的角度回归仪表读数识别方法、设备和系统，包 括：对训练图像中的仪表指针图像进行旋转，并与除仪表指针图像之外的背景图像生成新 的训练图像，新的训练图像与旋转角度对应；根据新的训练图像，对角度回归网络进行训 练；获取待测图像中仪表图像所在的锚框；通过角度回归网络，识别出锚框内仪表指针的角 度；对仪表指针的角度和仪表进行映射，获取仪表读数。 本发明提供的技术方案所达到的有益效果是： 通过对训练图像中的仪表指针图像进行旋转，并与除仪表指针图像之外的背景图像生 成新的训练图像，新的训练图像与旋转角度对应；根据新的训练图像，对角度回归网络进行 训练，相较于传统的基于视觉的识别方法，该方法不仅避免了对相机的位置和光线的依赖， 还通过深度学习来实现仪表读数的识别，提高了适用性以及识别精度。 附图说明 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他 的附图。 图1是本发明实施例提供的一种基于深度学习的角度回归仪表读数识别方法流程 图； 图2是本发明实施例提供的一种基于深度学习的角度回归仪表读数识别方法流程图； 图3是本发明实施例提供的一种基于深度学习的角度回归仪表读数识别设备结构示意 图； 图4是本发明实施例提供的一种基于深度学习的角度回归仪表读数识别设备结构示意 图； 图5是本发明实施例提供的一种基于深度学习的角度回归仪表读数识别系统示意图。