向AI转型的程序员都关注公众号 机器学习AI算法工程
整体流程：
- 基于YOLOV8的表盘指针和刻度数标的目标检测和关键点检测
2.1 指标数据集的制作
我使用labelme进行yolov8数据集的制作。首先使用矩形框选指针的整体结构，然后使用控制点依次点选指标的尾部和头部。值得注意的是控制点的点选顺序应该保持一致。后续需要将labelme格式的标注文件转化成yolo格式。
2.2 刻度数标数据集的制作
2.3 模型训练
3. 基于Paddleocr的刻度OCR识别
3.1 使用Paddleocr的预训练模型
将上一步检测出的刻度数标进行OCR识别，这里我使用 Paddleocr，具体安装参考官方说明
3.2 剔除错误的OCR结果，以及选定最符合的表盘刻度
在需要检测的图片中，压力表的种类有很多，有的刻度范围在0-1.6，有的刻度范围在0-1。我们需要明确具体检测的压力表的正确刻度属于是哪一种。下面是我例举的在我的数据集中出现的4种情况。
以上是4种标准的压力表表盘的刻度分布。"1.6": 45 表示该表盘最大的刻度为1.6，极坐标的角度为45（以指针尾部关键点为原点，顺时针建立极坐标系）。可以看到，每种表盘的最大刻度都在图片的右下角45°，每种表盘的最小刻度0，都在图片的左下角45°。
将OCR检测的结果与标准刻度中的字符进行比较，只保留出现在标准刻度中的结果，并累计哪个表盘符合的刻度的数据最多，从而确定该表盘为最符合的表盘。
上图中错误检测出了MC这个框，需要去除。且正确检测出了0、0.8、1.2和1.6等4个刻度，与表盘一最为符合，从而确定该表盘为表盘一。
4. 图片透视变换
以指标尾部关键点为原点建立极坐标系，这里我假设每个仪表盘的最后一个刻度的角度为45°。
1、确定最后一个点的坐标：已知最后一个点在透视变换后的极坐标角度为45°，假设所有刻度点距离圆心距离为R，则最后一个点的坐标可以表示为（45°,R）可以根据该极坐标得出笛卡尔坐标系下的坐标。
2、确定其他三个点的坐标：这里一共有4个间隔平分整个270°量程，所以每个刻度夹角为270/4=67.5°，据此可以依次计算出其他三个点在变换后的坐标。
通过这种方式，可以确定四个刻度点在透视变换后图像中的坐标，并用这些坐标来进行透视变换。
使用opencv进行透视变换，具体使用了cv2.getPerspectiveTransform 函数，scr_point 是原始图片上的4点坐标，dst_point是变换后4点的坐标。
5. 读数计算
6. 算法优化
6.1 会有无法识别出刻度
如上图所示，只识别出了0.4这个刻度，而按照上面的读数算法需要要求指针位于两个刻度之间，然后根据夹角之间的比例进行计算。所以这种情况下，需要补全0刻度，让指针位于0-0.4之间。这里我默认指定0位于表盘中心右下方45°的位置。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx