霧天環(huán)境下的指針式儀表檢測與讀數(shù)識(shí)別

摘 要 針對霧天油田巡檢機(jī)器人對指針式儀表漏檢及讀數(shù)識(shí)別準(zhǔn)確率低的問題，提出一種結(jié)合FFA Net去霧算法和Yolov5檢測網(wǎng)絡(luò)的方法。首先，對于霧天圖像，改進(jìn)了FFA Net算法，通過多尺度結(jié)構(gòu)、特征融合殘差塊和優(yōu)化模塊，有效地提升了算法在去霧任務(wù)中的性能表現(xiàn)。其次，對于儀表檢測與讀數(shù)識(shí)別，采用較小的檢測頭來提升Yolov5對小目標(biāo)的檢測能力，并引入空間轉(zhuǎn)換模塊將檢測到的表盤圖像轉(zhuǎn)換為更符合人眼觀感的正視圖像。最后，創(chuàng)建了一個(gè)端到端的框架，緊密耦合儀表成分檢索和儀表讀數(shù)識(shí)別，提高了儀表讀數(shù)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，所提方法在油田霧天環(huán)境下展現(xiàn)出了良好的魯棒性，提升了霧天環(huán)境下指針式儀表檢測與讀數(shù)識(shí)別的準(zhǔn)確性。

關(guān)鍵詞 圖像去霧 Yolov5 儀表檢測 儀表識(shí)別

中圖分類號(hào) TP391"" 文獻(xiàn)標(biāo)志碼 A"" 文章編號(hào) 1000 3932（2025）01 0101 10

近年來，隨著人工智能在各個(gè)領(lǐng)域的快速發(fā)展，油田逐漸引入巡檢機(jī)器人來進(jìn)行巡檢工作，以此提高識(shí)別準(zhǔn)確率，減少設(shè)備漏檢和誤檢所帶來的經(jīng)濟(jì)損失［1］。一些機(jī)器人通過拍攝室外的指針式儀表圖像，再利用圖像處理技術(shù)來進(jìn)行讀數(shù)識(shí)別。然而，在霧霾天氣環(huán)境下，會(huì)導(dǎo)致采集到的指針式儀表圖像質(zhì)量降低，出現(xiàn)無法識(shí)別儀表、指針讀數(shù)，識(shí)別準(zhǔn)確率低等問題。

目前，研究人員對指針式儀表的檢測與讀數(shù)識(shí)別進(jìn)行了大量研究。LIU Y等首先采用Faster R CNN技術(shù)準(zhǔn)確定位儀表位置，隨后利用特征對應(yīng)算法和透視變換獲取高質(zhì)量圖像，最終通過Hough變換確定指針位置并讀取讀數(shù)［2］。WU X等提出一種基于二值掩模和改進(jìn)Mask RCNN的儀表圖像偏斜校正算法，實(shí)現(xiàn)了高精度橢圓擬合［3］。LIU Z等利用高斯尺度空間增強(qiáng)ORB算法的尺度不變性，并利用RANSAC對匹配點(diǎn)進(jìn)行濾波，以提高特征指針匹配的精度，最后，通過霍夫變換擬合指針，獲得讀數(shù)［4］。WANG L等采用Faster R CNN目標(biāo)檢測方法定位儀表區(qū)域，并利用泊松融合方法和K fold驗(yàn)證算法擴(kuò)展數(shù)據(jù)集，優(yōu)化數(shù)據(jù)集質(zhì)量［5］。

雖然以上方法都取得了不錯(cuò)的識(shí)別結(jié)果，但是在霧霾天氣下，地面附近的空氣中含有大量微粒會(huì)導(dǎo)致圖像質(zhì)量降低，出現(xiàn)色彩暗淡、對比度降低等問題，無法精確定位指針式儀表并且降低讀數(shù)識(shí)別的準(zhǔn)確率。針對此問題，筆者利用圖像增強(qiáng)和深度學(xué)習(xí)方法來去除霧霾對表盤的干擾，并結(jié)合改進(jìn)的Yolov5目標(biāo)檢測算法，對去霧后的指針式儀表圖像進(jìn)行檢測與讀數(shù)識(shí)別。

1 儀表檢測與讀數(shù)識(shí)別模型

針對霧天環(huán)境下對指針式儀表定位不準(zhǔn)與讀數(shù)識(shí)別準(zhǔn)確率低的問題，筆者提出了基于特征融合注意力網(wǎng)絡(luò)（FFA Net）和Yolov5的霧天環(huán)境下指針式儀表檢測與讀數(shù)識(shí)別方法。首先判斷采集到的圖像是否為霧天圖像，采用基于FFA Net的圖像去霧算法降低霧霾對儀表圖像的干擾，然后對去霧后的儀表圖像采用目標(biāo)檢測技術(shù)進(jìn)行定位，排除圖像中其他物體的干擾，識(shí)別正確的目標(biāo)區(qū)域。根據(jù)目標(biāo)區(qū)域的位置信息提取儀表表盤區(qū)域，縮小圖像范圍。對于傾斜、畸變的表盤圖像，使用空間轉(zhuǎn)換方法進(jìn)行校正，從而得到高質(zhì)量的表盤正視圖像。筆者創(chuàng)建了一個(gè)讀數(shù)識(shí)別模塊，包括基于語義分割的儀表組件檢索分支和基于文本識(shí)別器的儀表讀數(shù)識(shí)別分支。通過儀表組件檢索分支得到指針圖和關(guān)鍵刻度圖，通過儀表讀數(shù)識(shí)別分支得到最終的識(shí)別結(jié)果。整體流程如圖1所示。

2 基于FFA Net的圖像去霧算法

QIN X等提出了FFA Net，該網(wǎng)絡(luò)結(jié)合了像素注意力、通道注意力以及局部殘差模塊來進(jìn)行去霧，取得了顯著的效果［6］。但由于FFA Net的特征提取部分相對簡單，去霧效果受到了限制，在霧濃度大的情況下經(jīng)過處理的圖片不僅出現(xiàn)了嚴(yán)重的色彩偏差，而且有大量的霧氣殘留，不利于后續(xù)的儀表識(shí)別。

2.1 改進(jìn)的FFA Net圖像去霧網(wǎng)絡(luò)模型

針對上述問題，筆者在FFA Net的基礎(chǔ)上，使用多尺度結(jié)構(gòu)，改善了特征注意力模塊，讓網(wǎng)絡(luò)能夠更好地學(xué)習(xí)到所需的特征，提高了網(wǎng)絡(luò)的泛化能力，并加入一個(gè)優(yōu)化模塊，進(jìn)一步恢復(fù)圖像的細(xì)節(jié)信息，提升網(wǎng)絡(luò)的去霧效果。

改進(jìn)的FFA Net整體結(jié)構(gòu)如圖2所示。首先將有霧圖像輸入到網(wǎng)絡(luò)中，經(jīng)過兩次卷積來提取淺層特征，然后將提取到的淺層特征輸入到由特征融合殘差塊組成的多流殘差結(jié)構(gòu)中來提取不同尺度的特征，最后通過優(yōu)化模塊保證生成圖像的細(xì)節(jié)信息，從而輸出無霧圖像。

2.2 多流殘差結(jié)構(gòu)

FFA Net的特征提取部分僅通過單一的卷積神經(jīng)網(wǎng)絡(luò)來提取特征，這種情況只能捕獲局部信息，忽略了全局和上下文信息，導(dǎo)致網(wǎng)絡(luò)的處理能力受到限制。改進(jìn)的FFA Net去霧網(wǎng)絡(luò)建立在圖像去霧任務(wù)中廣泛采用的編碼器-解碼器架構(gòu)之上，編碼器可以有效地提取輸入圖像中的特征信息，解碼器則可以將這些特征信息映射回原始圖像空間，并幫助恢復(fù)清晰的圖像。由編碼器-解碼器網(wǎng)絡(luò)引發(fā)的大感受野能夠獲取更廣泛的上下文信息，但隨著網(wǎng)絡(luò)層的逐漸加深，淺層特征信息往往難以保留。為了識(shí)別和融合不同層次的特征，筆者使用多流殘差網(wǎng)絡(luò)來提取不同尺度的特征，將淺層和深層信息集成在一起，得到更全面、更準(zhǔn)確的圖像表示。

多流殘差結(jié)構(gòu)如圖3所示，首先將提取到的淺層特征送入不同尺度的編碼器中，編碼器對輸入特征圖進(jìn)行下采樣操作，編碼器中的每一層都由卷積和特征融合殘差塊組成，在逐步降低分辨率的同時(shí)，不斷地提取圖像特征，并擴(kuò)展特征圖的維度。然后再經(jīng)過解碼器來重構(gòu)圖像，對經(jīng)過編碼器的特征圖做上采樣操作逐步恢復(fù)到輸入圖像的尺寸。在編碼器和解碼器的對應(yīng)層之間使用跳躍連接將特征圖在通道維度上進(jìn)行拼接，有利于實(shí)現(xiàn)淺層特征和深層特征之間的直接傳遞，使得不同層次的特征可以更好地相互融合，降低網(wǎng)絡(luò)訓(xùn)練的難度。該結(jié)構(gòu)可以描述為：

M（x）=［F3×3（x），F(xiàn)5×5（x），F(xiàn)7×7（x）］""" （1）

其中，M（x）表示多流殘差結(jié)構(gòu)，F(xiàn)（·）表示內(nèi)核大小為i的特征提取模塊，［·］表示級(jí)聯(lián)操作。

2.3 特征融合殘差塊

以往的深度學(xué)習(xí)去霧模型通常對通道特征和像素特征的處理是一視同仁的，忽略了實(shí)際有霧圖像中霧霾分布的不均勻性，導(dǎo)致去霧效果不佳且限制了網(wǎng)絡(luò)的表示能力。

FFA Net特征注意力模塊通過結(jié)合通道注意力和像素注意力，能夠不平等地處理不同像素區(qū)域的特征。但隨著模型復(fù)雜度的提升，特征注意力模塊的計(jì)算量也隨之增加，且通道注意力中的降維操作會(huì)對通道注意力的預(yù)測產(chǎn)生負(fù)面影響。

WANG Q等通過研究表明避免降維對學(xué)習(xí)通道注意力非常重要，提出一種高效通道注意力模塊（ECA），可在只增加少量參數(shù)的情況下顯著提升其性能［7］。因此引入ECA模塊來避免降維操作并有效促進(jìn)跨通道交互，降低模型復(fù)雜度并增強(qiáng)泛化能力。此外，將殘差塊和特征注意力模塊相結(jié)合，在減少網(wǎng)絡(luò)深度的同時(shí)實(shí)現(xiàn)特征的融合，從而加快網(wǎng)絡(luò)的收斂，進(jìn)一步增強(qiáng)了網(wǎng)絡(luò)的學(xué)習(xí)能力。

所提的特征融合殘差塊結(jié)構(gòu)如圖4所示，它可以讓網(wǎng)絡(luò)更加關(guān)注有用的通道信息和像素信息，給予不同濃度的區(qū)域不同的權(quán)重，讓網(wǎng)絡(luò)更加關(guān)注高頻信息且不會(huì)忽略低頻信息，從而達(dá)到更好的去霧效果。其整體結(jié)構(gòu)如下：

F（x）=FA（ReLU（GN（Conv（Res（x）））））" （2）

其中，x為輸入特征圖，Res（·）為殘差塊，GN為組歸一化，Conv為卷積模塊，ReLU為激活函數(shù)，F(xiàn)A為改進(jìn)后的特征注意力模塊，F(xiàn)（x）為特征融合殘差塊。

2.4 優(yōu)化模塊

多流殘差結(jié)構(gòu)會(huì)導(dǎo)致生成的圖像缺乏細(xì)節(jié)信息，優(yōu)化模塊的主要目的就是對聚在一起的特征映射進(jìn)行精細(xì)調(diào)整。

優(yōu)化模塊的結(jié)構(gòu)如圖5所示，首先將輸入特征圖經(jīng)過兩個(gè)3×3的卷積和全局平均池化后，對特征圖分別采用4、8、16、32的系數(shù)進(jìn)行下采樣來構(gòu)造特征金字塔，接著對于不同尺寸的特征圖，采用逐點(diǎn)卷積（卷積核大小為1×1）來降維，再接著采用最近鄰插值對不同尺度的特征圖進(jìn)行上采樣操作，將其恢復(fù)到原始尺寸。將輸出的4個(gè)特征圖在通道方向上做拼接后送入由5個(gè)殘差塊組成的殘差結(jié)構(gòu)中去，最后再經(jīng)過3個(gè)3×3的卷積得到最終輸出。其結(jié)構(gòu)如下：

R（x）=3Conv（Res（D（GAP（2Conv（x）））））" （3）

D（x）=［（Conv（x↓））↑，（Conv（x↓））↑，

（Conv（x↓））↑，（Conv（x↓））↑，x］"" （4）

其中，iConv（·）表示經(jīng)過i次卷積，Res（·）表示由5個(gè)殘差塊組成的殘差結(jié)構(gòu)，D（·）表示特征金字塔結(jié)構(gòu)，↓代表下采樣i倍，↑代表上采樣i倍，GAP表示全局平均池化，R（x）表示優(yōu)化模塊。

殘差塊的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，其主要包括特征映射和恒等映射。在特征映射路徑中，將輸入特征圖一次經(jīng)過一個(gè)由卷積和組歸一化構(gòu)成的序列。而在恒等映射路徑中，輸入與輸出通過一個(gè)跳躍連接直接相連。最后，將特征映射和恒等映射融合后經(jīng)過SeLU激活函數(shù)得到輸出。

2.5 損失函數(shù)

根據(jù)文獻(xiàn)［8］的研究，廣泛使用的L2損失函數(shù)在處理圖像時(shí)由于平方懲罰可能會(huì)導(dǎo)致局部斑點(diǎn)偽影的產(chǎn)生。而LSSIM和L1損失函數(shù)在去霧任務(wù)中對保留圖像結(jié)構(gòu)和邊緣信息具有良好的效果。因此，采用以下?lián)p失函數(shù)來優(yōu)化網(wǎng)絡(luò)模型：

L=L（Y，Y）+［1-L（Y，Y）］""""""""""""""" （5）

L（y，）=｜y-｜"""""" """"" （6）

L（x，y）=""" （7）

其中，L為總損失，L為平均絕對誤差損失，y為樣本i的真實(shí)標(biāo)簽，為模型對于樣本i的預(yù)測標(biāo)簽，N為樣本總數(shù)，L為結(jié)構(gòu)相似性損失，μ和μ分別為x和y的方差，σ和σ分別為x和y的標(biāo)準(zhǔn)差，σ為x和y的協(xié)方差，c和c是用來維持穩(wěn)定的常數(shù)，Y為去霧圖像，Y為真實(shí)無霧圖像。

3 指針式儀表檢測與讀數(shù)識(shí)別

針對現(xiàn)有的指針式儀表檢測算法不能精準(zhǔn)識(shí)別小目標(biāo)，以及讀數(shù)識(shí)別模塊效率不高且準(zhǔn)確率低的問題，筆者對目標(biāo)檢測算法Yolov5進(jìn)行改進(jìn)，用較小的檢測頭替代原始檢測頭，提高檢測小目標(biāo)的能力。并引入一個(gè)空間轉(zhuǎn)換模塊，將檢測到的儀表圖像校準(zhǔn)到人類視覺范圍內(nèi)正常的圖片。此外，創(chuàng)建了一個(gè)統(tǒng)一的框架，將儀表成分檢索和儀表讀數(shù)識(shí)別結(jié)合在一起，模擬端到端的文本檢測器。

3.1 儀表檢測模型

在應(yīng)用Yolov5算法進(jìn)行指針式儀表檢測時(shí)，可能會(huì)面臨從巡檢機(jī)器人視角檢測小目標(biāo)的挑戰(zhàn)，例如漏檢或檢測性能不佳的問題。盡管Yolov5的默認(rèn)檢測頭能夠勝任多尺度目標(biāo)檢測任務(wù)，但在小目標(biāo)檢測方面可能表現(xiàn)不佳。直接添加專門用于小目標(biāo)檢測的檢測頭可能會(huì)增加模型參數(shù)數(shù)量、降低推理速度，并且可能對整體檢測性能造成負(fù)面影響。因此，通過改變Yolov5中的3個(gè)檢測頭大小，并設(shè)置相應(yīng)的先驗(yàn)框尺寸，以解決上述問題。

為了匹配檢測頭大小的更改，先驗(yàn)框的錨框尺寸必須進(jìn)行調(diào)整，以提高對小目標(biāo)的檢測性能。先驗(yàn)框的錨框尺寸設(shè)置見表1。經(jīng)過修改的小目標(biāo)檢測頭能夠更好地聚焦于特征圖中的小目標(biāo)特征，并對小目標(biāo)更敏感。改進(jìn)后的Yolov5網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

3.2 空間轉(zhuǎn)換模塊

因?yàn)槭艿蕉ㄎ荒K的限制以及拍攝視角的影響，將檢測到的儀表圖像直接傳遞給讀數(shù)識(shí)別模塊進(jìn)行讀數(shù)識(shí)別通常效果不佳。傳統(tǒng)的方法是采用透視變換來校準(zhǔn)相機(jī)角度，以獲取正視圖圖像。然而，這種方法的計(jì)算時(shí)間較長且不夠穩(wěn)健。為了克服此問題，筆者引入了一個(gè)更高效、更強(qiáng)大的空間轉(zhuǎn)換模塊［9］，它可以更高效地對齊儀表，將裁剪的儀表圖像轉(zhuǎn)為更符合人類視覺的正視圖圖像。

3.3 讀數(shù)識(shí)別

先前的讀取儀表的方法通常是讀取儀表的指針、刻度和數(shù)字，但這些方法往往會(huì)創(chuàng)建獨(dú)立的模塊來處理不同的組件和數(shù)字，導(dǎo)致讀數(shù)識(shí)別效果不佳。為此，筆者創(chuàng)建了一個(gè)數(shù)值獲取模塊，它由一個(gè)儀表組件檢索分支和一個(gè)儀表數(shù)字識(shí)別分支組成，以探索它們之間的深層關(guān)系，整體結(jié)構(gòu)如圖8所示。

受Mask R CNN［10］的啟發(fā)，筆者使用語義分割方法來檢索儀表指針和關(guān)鍵刻度。該分支通過對主干特征執(zhí)行兩個(gè)不同的1×1卷積操作，生成1通道的指針圖和關(guān)鍵刻度圖，如圖9所示。指針圖用于指示儀表指針的位置，而關(guān)鍵刻度圖則指示儀表指針的角度。

3.4 損失函數(shù)

總體損失函數(shù)可以計(jì)算如下：

L=L+L+L"""" （8）

其中，L表示儀表組件檢索分支損失，L表示關(guān)鍵字檢測損失，L表示關(guān)鍵字識(shí)別損失。

儀表組件檢索分支主要生成指針圖和關(guān)鍵刻度圖，這兩個(gè)分割圖均通過最小化Dice損失來進(jìn)行訓(xùn)練，具體如下：

L=1-"" （9）

L=1- （10）

其中，下標(biāo)PointerMap表示指針圖，下標(biāo)KeyScaleMap表示關(guān)鍵刻度圖，P（i）表示預(yù)測結(jié)果中第i個(gè)像素的值，G（i）表示真實(shí)標(biāo)簽區(qū)域中第i個(gè)像素的值。

儀表組件檢索分支的最終損失是指針圖和關(guān)鍵刻度圖的權(quán)重組合，由（0，1）范圍內(nèi)的λ進(jìn)行平衡：

L=λL+（1-λ）L（11）

將λ設(shè)置為0.4。因?yàn)樵谟?xùn)練過程中，關(guān)鍵刻度圖空間占用較小，相對較難學(xué)習(xí)，因此將更多的重要性分配給關(guān)鍵刻度圖。

儀表數(shù)字識(shí)別分支的損失包括關(guān)鍵字檢測損失和關(guān)鍵字識(shí)別損失。其中，關(guān)鍵字檢測損失可以表述為：

L=（-pln p-（1-p）ln（1-p）） （12）

其中，‖·‖表示集合中的元素?cái)?shù)量，p是預(yù)測像素，p是實(shí)際標(biāo)簽，Ω為正樣本數(shù)量。

關(guān)鍵字識(shí)別損失可以表示為：

L=-ln p（y｜x）""" （13）

其中，N′是輸入圖像中數(shù)字區(qū)域的數(shù)量，y是識(shí)別標(biāo)簽，p（y｜x）是條件概率。

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)設(shè)置

本研究的實(shí)驗(yàn)環(huán)境為Python 3.8、PyTorch 1.11和CUDA 11.3。所有網(wǎng)絡(luò)在NVIDIA GeForce RTX4090 GPU上訓(xùn)練，周期設(shè)置為300。在訓(xùn)練之前，對所有圖片進(jìn)行尺寸調(diào)整，使其大小統(tǒng)一為640×480。使用Adam優(yōu)化器，并將動(dòng)量設(shè)置為0.9，批次大小設(shè)為16。初始學(xué)習(xí)率設(shè)置為10-4，在訓(xùn)練過程中將學(xué)習(xí)率逐步降低到10-6。

4.2 圖像去霧實(shí)驗(yàn)

使用峰值信噪比（PSNR）和結(jié)構(gòu)相似性指數(shù)（SSIM）來評(píng)估去霧網(wǎng)絡(luò)的性能。這兩個(gè)指標(biāo)通常用于量化去霧圖像恢復(fù)的質(zhì)量。PSNR值越高，代表重建性能越好；SSIM值越大，代表失真越少。

在指針式儀表圖像中添加不同濃度的霧霾，對筆者提出的基于FFA Net的圖像去霧算法與DCP［11］、AOD Net［12］、FFA Net、SGID PFF［13］進(jìn)行比較。表2為不同去霧算法在霧天合成數(shù)據(jù)集上的定量比較結(jié)果，圖10展示了不同算法的去霧結(jié)果。從圖中可以看出，經(jīng)DCP和AOD Net去霧后的圖片出現(xiàn)了嚴(yán)重的色彩失真。FFA Net和SGID PFF在霧濃度越來越高的情況下，依然有大量霧殘留。相比之下，筆者提出的去霧算法在不降低圖像亮度的情況下能夠有效地將霧去除，去霧效果最好，與真實(shí)圖像最為接近。

4.3 指針式儀表檢測與讀數(shù)識(shí)別實(shí)驗(yàn)

采用了一些目標(biāo)檢測中常用的性能指標(biāo)來評(píng)價(jià)改進(jìn)后的模型性能，這些指標(biāo)包括精確度P、召回率R、平均精度mAP和每秒幀數(shù)FPS。不同目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行儀表檢測的定量結(jié)果見表3。

由表3可知，與原始幾種Yolov5相比，筆者提出的目標(biāo)檢測網(wǎng)絡(luò)獲得了更好的檢測精度。例如，與Yolov5 M相比，筆者所提網(wǎng)絡(luò)的mAP提高了4.3%，R提升了2.4%。圖11展示了Yolov5 S與筆者所提的檢測網(wǎng)絡(luò)的定性比較結(jié)果，其中邊界框表示指針式儀表?？梢钥闯?，Yolov5 S對于小目標(biāo)的檢測不盡如人意，如圖11a第2行右圖，Yolov5 S未能將小的指針式儀表檢測出來。相比之下，筆者提出的網(wǎng)絡(luò)能夠檢測出不同形狀和大小的儀表。

如圖12所示，無論相機(jī)角度如何，空間轉(zhuǎn)換模塊都能夠輕松自動(dòng)地將圖像轉(zhuǎn)換為正視圖圖像。但是，在一些極大相機(jī)角度下，將儀表圖像轉(zhuǎn)換為正視圖圖像仍然存在挑戰(zhàn)。

在指針式儀表讀數(shù)識(shí)別中，選擇了平均相對誤差Rel和平均參考誤差Ref作為評(píng)估指標(biāo)［2］，其值越小代表效果越好。不同方法進(jìn)行儀表讀數(shù)識(shí)別的定量結(jié)果見表4，可以看出筆者所提方法要優(yōu)于其他方法。圖13展示了筆者所提方法的可視化結(jié)果。

4.4 霧天指針式儀表檢測與讀數(shù)識(shí)別實(shí)驗(yàn)

表5為經(jīng)過不同去霧算法去霧后對霧天環(huán)境下捕獲的指針式儀表進(jìn)行檢測與讀數(shù)識(shí)別的結(jié)果，可以看出，經(jīng)筆者提出的去霧算法去霧后讀數(shù)識(shí)別準(zhǔn)確率最高，表明所提的去霧算法對提升霧天環(huán)境下的指針式儀表檢測與讀數(shù)識(shí)別的準(zhǔn)確率有顯著的效果。圖14展示了經(jīng)過筆者所提方法進(jìn)行檢測與讀數(shù)識(shí)別的結(jié)果。

5 結(jié)束語

筆者所提方法有效地解決了油田現(xiàn)場巡檢機(jī)器人在霧天環(huán)境下對指針式儀表的漏檢和讀數(shù)識(shí)別準(zhǔn)確率低的問題。然而，除了霧天環(huán)境外，雨雪、低光照等復(fù)雜環(huán)境也會(huì)對儀表檢測與讀數(shù)識(shí)別的準(zhǔn)確率造成影響。未來的研究方向?qū)⒅貎?yōu)化指針式儀表在雨雪、低光照等復(fù)雜環(huán)境下的檢測與讀數(shù)識(shí)別算法，以提升算法在復(fù)雜環(huán)境下的泛化能力。

參 考 文 獻(xiàn)

［1］ 朱斌濱.雨霧環(huán)境下變電站指針式儀表識(shí)別方法［D］.長沙：長沙理工大學(xué)，2021.

［2］ LIU Y，LIU J，KE Y C.A detection and recognition system of pointer meters in substations based on computer vision［J］.Measurement，2020，152：107333.

［3］ WU X，SHI X B，JIANG Y C，et al.A High Precision A "utomatic Pointer Meter Reading System in Low Light Environment［J］.Sensors，2021，21（14）：4891.

［4］ LIU Z，HUANG H，WANG N，et al.A pointer meter re "ading recognition method based on improved ORB algorithm for substation inspection robot［J］.Journal of Physics：Conference Series，2022，2189（1）.DOI：10.1088/1742 6596/2189/1/012027.

［5］ WANG L，WANG P，WU L H，et al.Computer Vision B "ased Automatic Recognition of Pointer Instruments：Data Set Optimization and Reading［J］.Entropy，2021，23（3）：272.

［6］ QIN X，WANG Z L，BAI Y C，et al.FFA Net：Feature Fusion Attention Network for Single Image Dehazing［J］.Proceedings of the AAAI Conference on Artificial Intelligence，2020，34（7）：11908-11915.

［7］ WANG Q，WU B，ZHU P，et al.ECA Net：Efficient cha "nnel attention for deep convolutional neural networks［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE，2020：11534-11542.

［8］ ZHAO H，GALLO O，F(xiàn)ROSIO I，et al.Loss Functions for Image Restoration with Neural Networks［J］.IEEE Transactions on Computational Imaging，2017，3（1）：47-57.

［9］ SHU Y，LIU S，XU H，et al.Read Pointer Meters Based on a Human Like Alignment and Recognition Algorithm［C］//CCF National Conference of Computer Applications.Singapore：Springer Nature Singapore，2023.

［10］ HE K，GKIOXARI G，DOLLR P，et al.Mask R CNN［C］//Proceedings of the IEEE International Conference on Computer Vision.Piscataway，NJ：IEEE，2017：2961-2969.

［11］ HE K M，SUN J，TANG X O.Single Image Haze Removal Using Dark Channel Prior［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（12）：2341-2353.

［12］ LI B Y，PENG X L，WANG Z Y，et al.Aod net：All in one dehazing network［C］//Proceedings of the IEEE International Conference on Computer Vision.Piscataway，NJ：IEEE，2017：4770-4778.

［13］ BAI H R，PAN J S，XIANG X G，et al.Self Guided Image Dehazing Using Progressive Feature Fusion［J］.IEEE Transactions on Image Processing：A Publication of the IEEE Signal Processing Society，2022，31：1217-1229.

［14］ ZHENG C，WANG S R，ZHANG Y H，et al.A robust a nd automatic recognition system of analog instruments in power system by using computer vision［J］.Measurement，2016，92：413-420.

［15］ GAO J W，XIE H T，ZUO L，et al.A robust pointer m eter reading recognition method for substation inspection robot［C］//2017 International Conference on Robotics and Automation Sciences（ICRAS）.Piscataway，NJ：IEEE，2017：43-47.

［16］ HE P L，ZUO L，ZHANG C H，et al.A value recognit "ion algorithm for pointer meter based on improved Mask RCNN［C］//2019 9th International Conference on Information Science and Technology（ICIST）.Piscataway，NJ：IEEE，2019：108-113.

（收稿日期：2024-05-15，修回日期：2024-10-25）

The Method for Pointer Instrument Detection and Reading Recognition in Foggy Conditions

WU Pan chao， YANG Peng， SUN Dian yang， YANG Ming hao

（School of Electrical and Information Engineering，Northeast Petroleum University）

Abstract"" Aiming at the oilfield inspection robots’ missed detection and low recognition accuracy of the pointer instrument in foggy weather， a method which combining FFA Net dehazing network and Yolov5 detection algorithm was proposed. Firstly， it has a FFA Net algorithm improved for the foggy images and has the multi scale structure and the feature fusion residual block and optimization module based to effectively enhance the algorithm′s performance in dehazing operation; and then， as for the instrument detection and reading recognition， it has a smaller detector head adopted to improve Yolov5’s ability in detecting small targets， and has a spatial transformation module introduced to convert the dial’s images detected into a front elevation in line with human perception; finally， it has an end to end framework created to tightly couple the meter component retrieval and meter reading recognition so as to improve the accuracy of meter readings. The experimental results show that， the proposed method boasts good robustness in the oilfield foggy environment， and it improves both accuracy of detection and reading recognition of the pointer meter in foggy environment.

Key words"" image dehazing， Yolov5， instrument detection， instrument recognition