工业仪表读数自动识别系统

基于深度学习的工业仪表读数自动识别系统，能够从监控画面中自动提取压力表、温度计等圆形指针式仪表的读数。

🚀 主要特性

• 完整AI流水线：检测 → 分割 → 读数提取
• ONNX推理加速：支持ONNX Runtime，避免PyTorch依赖
• 智能后处理：自动去除分割噪声，优化指针和刻度边界
• Web界面：基于Gradio的友好用户界面
• 批量处理：支持批量检测和裁剪仪表区域

技术架构

处理流程

原始图像 → 仪表检测(YOLO) → 区域裁剪 → 语义分割(ONNX) → 后处理优化 → 读数计算 → 最终结果

核心组件

1. 仪表检测（YOLOv10）：从完整画面中定位仪表区域
2. 语义分割（DeepLabV3+）：像素级分割指针和刻度
3. 读数提取：基于几何算法计算指针角度并转换为读数

环境要求

• Python 3.11+
• 推荐：Apple Silicon (M1/M2) 或 CUDA兼容GPU
• 最低：4GB内存，现代CPU

主要依赖

torch>=2.0.0
torchvision>=0.15.0
ultralytics>=8.0.0
onnxruntime>=1.22.0
opencv-python>=4.6.0
gradio>=4.0.0
numpy>=1.21.0
PyYAML>=6.0

快速开始

1. 安装依赖

# 使用uv（推荐）
uv sync

# 或使用pip
pip install -r requirements.txt

2. 启动Web应用

python main.py

访问 http://localhost:7860 使用Web界面。

📖 脚本使用指南

0. 检测模型训练

python scripts/train_detection.py --config config/detection_config.yaml

1. 分割模型训练流水线 (segmentation_pipeline.py)

端到端训练流水线，从COCO数据到ONNX模型的完整流程。

功能说明

该脚本执行以下步骤：

1. 数据转换：将COCO格式数据转换为Pascal VOC分割格式
2. 配置更新：根据参数更新训练配置
3. 模型训练：训练DeepLabV3+分割模型
4. 模型导出：导出ONNX模型用于推理

使用方法

完整流水线（从COCO数据开始）：

python scripts/segmentation_pipeline.py \
    --coco-json data/coco_data/result_coco.json \
    --coco-images data/coco_data/images \
    --config config/segmentation_config.yaml \
    --output-onnx models/segmentation/segmentation_model.onnx \
    --epochs 50 \
    --batch-size 8 \
    --learning-rate 0.001

跳过数据转换（使用已有分割数据）：

python scripts/segmentation_pipeline.py \
    --skip-conversion \
    --segmentation-dir data/segmentation_new \
    --config config/segmentation_config.yaml \
    --output-onnx models/segmentation/segmentation_model.onnx

只导出ONNX模型（跳过训练）：

python scripts/segmentation_pipeline.py \
    --skip-conversion \
    --skip-training \
    --model-checkpoint outputs/segmentation/best_model.pth \
    --config config/segmentation_config.yaml \
    --output-onnx models/segmentation/segmentation_model.onnx

使用默认参数：

python scripts/segmentation_pipeline.py

参数说明

参数	说明	默认值
--coco-json	COCO格式标注文件路径	data/coco_data/result_coco.json
--coco-images	COCO图像目录路径	data/coco_data/images
--config	训练配置文件路径	config/segmentation_config.yaml
--output-onnx	输出ONNX模型路径	models/segmentation/segmentation_model.onnx
--train-ratio	训练集比例	0.8
--epochs	训练轮数（覆盖配置文件）	配置文件中的值
--batch-size	批次大小（覆盖配置文件）	配置文件中的值
--learning-rate	学习率（覆盖配置文件）	配置文件中的值
--skip-conversion	跳过数据转换步骤	False
--skip-training	跳过训练步骤	False
--model-checkpoint	已训练模型路径（跳过训练时使用）	None
--segmentation-dir	分割数据目录（跳过转换时使用）	None
--temp-dir	临时文件目录	temp/pipeline
--keep-temp	保留临时文件	False
--verify-onnx	验证导出的ONNX模型	True
--debug	启用调试模式	False

示例

完整示例脚本见 examples/segmentation_pipeline_example.sh。

2. 指针仪表批量检测 (pointer_meter_detection.py)

批量检测图像中的仪表并裁剪仪表区域。

功能说明

• 加载YOLO检测模型
• 批量处理指定目录下的图像
• 检测图像中的指针仪表
• 裁剪仪表区域并保存
• 生成可视化结果和统计报告

使用方法

基本使用：

python scripts/pointer_meter_detection.py \
    --data-dir data/test_images/pointer \
    --target-dir outputs/detection_results

指定模型和参数：

python scripts/pointer_meter_detection.py \
    --data-dir data/test_images/pointer \
    --target-dir outputs/detection_results \
    --model models/detection/detection_model.pt \
    --conf 0.6 \
    --padding 30

不保存可视化结果：

python scripts/pointer_meter_detection.py \
    --data-dir data/test_images/pointer \
    --target-dir outputs/detection_results \
    --no-visualization

参数说明

参数	说明	默认值
--data-dir	输入图像目录（必需）	-
--target-dir	输出目录（必需）	-
--model	YOLO检测模型路径	models/detection/detection_model.pt
--conf	检测置信度阈值	0.5
--padding	裁剪时的边界扩展像素	20
--no-visualization	不保存可视化结果	False

输出结构

target-dir/
├── cropped/              # 裁剪的仪表图像
│   ├── image1.jpg
│   └── image2_meter_01.jpg
├── visualizations/       # 检测可视化结果
│   ├── image1_detection.jpg
│   └── image2_detection.jpg
└── detection_results.json  # 检测结果统计

示例

完整示例脚本见 examples/pointer_meter_detection_example.sh。

项目结构

pointMeterDetection/
├── README.md
├── app.py                    # Gradio Web应用
├── main.py                   # 应用入口
├── config/                   # 配置文件
│   ├── detection_config.yaml
│   └── segmentation_config.yaml
├── scripts/                  # 脚本目录
│   ├── segmentation_pipeline.py    # 分割训练流水线
│   ├── pointer_meter_detection.py    # 批量检测脚本
│   ├── train_detection.py            # 检测模型训练
│   ├── train_segmentation.py         # 分割模型训练
│   └── extract_meter_reading.py      # 读数提取算法
├── examples/                 # 示例脚本
│   ├── segmentation_pipeline_example.sh
│   └── pointer_meter_detection_example.sh
├── models/                   # 模型文件
│   ├── detection/
│   └── segmentation/
├── data/                     # 数据集目录
└── outputs/                  # 输出结果

📄 许可证

MIT License