基于BSRGAN的集气站仪表读数识别.pdf

第 44 卷 第 8 期2023 年 8 月自 动 化 仪 表PROCESS AUTOMATION INSTRUMENTATIONVol.44 No.8Aug.2023收稿日期:2022-05-30基金项目:国家自然科学基金资助项目(61973083)作者简介:刘金海(1979),男,学士,高级工程师,主要从事非常规油气开发、开采方向的研究,E-mail:liujh32 ;祝忠钲(通信作者),男,在读硕士研究生,主要从事图像处理与深度学习方向的研究,E-mail:zzzhu 基于 BSRGAN 的集气站仪表读数识别刘金海1,祝忠钲2,范 旭1,邱瑞宸2,葛 笑2,韦 涛1,常雅晴2,肖华旗1(1.中海油能源发展股份有限公司采油服务分公司,天津 300452;2.东南大学自动化学院,江苏 南京 210096)摘 要:为解决集气站的巡检机器人采集到的仪表图像分辨率低、常伴有噪点和仪表图像畸变、不便于读数算法直接应用等问题,提出了一种基于盲超分辨率生成对抗网络(BSRGAN)的仪表读数算法。首先,利用 BSRGAN 提高输入仪表图像的分辨率,较传统方法能够显著增强仪表图像的视觉感知水平。自然图像质量评估(NIQE)在测试集中表现较好,结构相似性指数(SSIM)值均大于 0.85。利用尺度不变特征变换(SIFT)算法对重建图像进行特征提取。特征点数量在重建后显著增加,有助于表盘图像的校正。然后,采用连通域划分和指针细化等形态学操作提取指针中心线。最后,利用角度法识别表盘读数。试验读数结果与真实值的平均相对误差为 0.625%。试验结果表明,所提算法可行、有效、精准,能够提高仪表图像清晰度和视觉感知,适用于集气站及其他复杂环境的仪表读数。关键词:集气站;巡检机器人;指针式仪表;超分辨率重建;深度学习;图像校正;仪表识别中图分类号:TH701 文献标志码:A DOI:10.16086/ki.issn1000-0380.2022050294BSRGAN-Based Meter Reading Recognition at Gas Gathering StationsLIU Jinhai1,ZHU Zhongzheng2,FAN Xu1,QIU Ruichen2,GE Xiao2,WEI Tao1,CHANG Yaqing2,XIAO Huaqi1(1.Oil Production Service Branch,CNOOC Energy Development Co.,Ltd.,Tianjin 300452,China;2.School of Automation,Southeast University,Nanjing 210096,China)Abstract:In order to solve the problems of low resolution,often accompanied by noise and instrument image distortion,and not convenient for the direct application of reading algorithms of the instrument image collested by inspection robot of the gas gathering stations,the instrument reading algorithm based on blind super-resolution generative adversarial network(BSRGAN)is proposed.Firstly,the resolution of the input meter image is improved using the BSRGAN,which can significantly enhance the visual perception level of the meter image compared with the traditional method.The natural image quality evaluator(NIQE)performs better in the test set,and the structural similarity index measure(SSIM)values are all greater than 0.85.The reconstructed images are feature extracted using scale invariant feature transform(SIFT)algorithm.The number of feature points is significantly increased after reconstruction,which helps in the calibration of the meter dial images.Then,morphological operations such as connectivity domain division and pointer refinement are used to extract the pointer centerline.Finally,the dial readings are identified using the angular method.The average relative error between the test reading results and the true value is 0.625%.The experimental results show that the proposed algorithms is feasible,effective and accurate,can improve the instrument image clarity and visual perception,and is suitable for instrument readings in gas gathering stations and other complex environments.Keywords:Gas gathering station;Inspection robot;Pointer meter;Super-resolution reconstruction;Deep learning;Image correction;Meter recognition0 引言集气站作为收集和生产天然气的站场,许多工作时的状态数据都以仪表的方式显示。集气站环境恶劣,导致人工统计仪表数据工作繁琐、效率低下,且有安全隐患。因此,研究集气站巡检机器人自动进行表盘读数尤为重要1。然而,在集气站的实际环境中,巡检机器人的运动范围受限,且受网络传输介质与带宽自 动 化 仪 表第 44 卷等诸多因素的约束2,其得到的往往是伴有模糊核未知以及其他噪声的图像(称之为“盲图像”),不便于直接进行仪表读数。为此,本文以集气站巡检机器人为载体、集气站中的指针式仪表为对象,研究可用于集气站环境下的基于超分辨率(super-resolution,SR)3重建的仪表读数识别算法。SR 技术指将观测到的低分辨率(low-resolution,LR)图像通过软件算法重建出相应的高分辨率(high-resolution,HR)图像。随着深度学习的发展,目前的SR 主要是基于单张 LR 的重建方法,较传统方法在重建质量上有了很大提升。2016 年,Dong 等4设计了超分辨率卷积神经网络(super-resolution convolutional neural network,SRCNN)模型,将深度学习技术应用到图像 SR 重建。Kim 等5提出 SR 残差网络。该网络共有 20 层结构,每层都有 1 个小型滤波器,通过跳跃连接使卷积层不断学习估计与真实图像之间的残差。2017 年,Ledig 等6使用对抗网络对图片进行 SR 重建,提出了超分辨率生成对抗网络(super-resolution generative adversarial network,SRGAN)算法。SRGAN算法的主要创新点在于改变了损失函数,利用基于感知损失的替代均方误差(mean square error,MSE)、生成网络和判别网络之间相互对抗的方法来提高图像的分辨率,将结果引入生成网络的损失函数中,使重建后的图像更清晰、细节更丰富,进而更加符合人眼的主观感受。该算法取得了更好的效果和更高的效率,是目前 SR 重建的主流算法。2018 年,Wang 等7基于 SRGAN 提 出 了 增 强 型 超 分 辨 率 生 成 对 抗 网 络(enhanced super-resorntion generative adversarial network,ESRGAN)算法,通过改进 SRGAN 结构,消除了细节图像的伪影,进一步提高了图像质量,使图像更逼真、更自然。2021 年,Zhang 等8训练了 1 个深度盲 ESRGAN 模型,称为盲超分辨率生成对抗网络(blind super-resolution generative adversarial network,BSRGAN)。BSRGAN 能够实现盲图像的 SR 重建,取得了极佳的视觉效果,适用于集气站巡检机器人拍摄的图像。基于以上问题和研究基础,本文提出了基于 BSRGAN 的集气站仪表读数识别算法。本文主要研究成果为:建立了退化模型,实现了 HR 仪表图像的退化;使用 BSRGAN 进行集气站仪表的 SR 重建,并进行不同重建方法的对比试验;结合特征匹配和透视变换结果,验证了重建方法的实际可行性;通过指针中心线提取和角度法,实现了仪表读数的精确识别。1 基于 BSRGAN 的仪表读数识别1.1 集气站仪表数据特征分析巡检机器人在拍摄集气站仪表图像时,出于防爆要求的安全考虑,常需离目标仪表 10 m 及以上距离拍摄图像。这导致拍摄的仪表图像分辨率较低。同时,由于仪表长时间暴露在灰尘环境,所拍摄的图像噪点明显、获取到的图像比较模糊,不便于读数算法的应用。通过图像的 SR 重建,能够在一定程度上提高图像分辨率、突出图像纹理特征、增强图像视觉感知,以便读数算法的应用。1.2 BSRGAN 模型基于深度学习的 SR 技术有很多,但处理后的图像往往过于平滑且缺乏高频信息。生成对抗网络 9(generative adversarial network,GAN)凭借出色的拟合能力弥补了这一不足。GAN 能获得更加丰富的图像细节,在计算机视觉领域发挥着非常重要的作用。BSRGAN 模型 的 训 练 主 要 基 于 ESRGAN 的 网 络 结 构。与ESRGAN 不同的是,BSRGAN 采用了不同的训练集,引入了图像的 Laplace 方差去除模糊图像,并使用更大的批大小帮助捕获退化严重图像的更多信息,以便更好地实现图像恢复。BSRGAN 将 SR 的放大因子增大。当放大倍数达到 4 倍时,BSRGAN 能得到较好的效果。模型基于感知损失、对抗损失的损失函数来实现图像的 SR重建,从而增强图像的清晰度和视觉感知。1.2.1 网络结构生成器网络结构如图 1 所示。图 1 生成器网络结构Fig.1 Generator network structure BSRGAN 在基于残差网络的图像 SR 重建方法基础上加入了判别器网络,并对生成器的网络结构作了改进。主要改进有:将均方损失函数替换为对抗损8第 8 期基于 BSRGAN 的集气站仪表读数识别 刘金海,等失和内容损失;引入 GAN,把传统像素空间的内容损失替换为对抗性质的相似性;在 SRGAN 生成器网络结构中去除所有批量归一化(batch normalization,BN)层,并采用结合了多层残差网络和密集连接的残差密集块中的残差(residual in residual dense block,RRDB)替代残差块;使用相对判别器替代 SRGAN 标准判别器。生成器去除了基础块中的 BN 层,可以提高网络性能并降低计算复杂度。BN 层会根据均值和方差对特征进行归一化并降低估计均值和方差,导致测试集和训练集数据差异很大从而产生不利于泛化的伪 影,进 而 影 响 网 络 稳 定 性 的 提 升。RRDB 比 SRGAN 中的残差块更深、更复杂,适用于多层残差网络,能够提高网络容量。判别器网络结构如图 2 所示。图 2 中:n 为卷积核数量;s 为卷积核步长;卷积核大小均为 33。图 2 判别器网络结构Fig.2 Discriminator network structure 判别器实质上是 1 个分类模型。Leaky ReLU 作为激活函数,能够避免整个网络的最大池化。判别器网络包含 8 个卷积层。随着滤波器内核数量的不断增加,每个卷积层的漏波器的核从 64 个不断增加到512 个。得到512 个特征图后,判别器通过2 个全连接层和 Sigmoid 激活函数获得样本分类的概率。相对判别器用于判断图片的真假性概率。其输出结果是 1 个 1 维的张量,值介于 0 和 1 之间。根据输出结果预测真实图像比虚假图像更真实的概率越接近1,则超可判断为真图片;反之为假图片。判别式为:DRa(xr,xf)=C(xr)-EC(xf)DRa(xf,xr)=C(xf)-EC(xr)(1)式中:DRa为相对判别器;xr为真实图像;xf为虚假图像;为 Sigmoid 激活函数;E 为小批量中的虚假数据的平均结果。1.2.2 损失函数常规的深度学习模型训练网络往往只用均方差作为损失函数。其中,内容损失是基于 MSE 损失的损失函数。损失函数虽然能够获得较高的峰值信噪比,但是恢复出来的图像通常会丢失高频细节。最小化MSE 得到的是像素平均值,所得的图像质量较差。为了防止重建图像过度平滑,BSRGAN 重新定义了损失函数,通过最小化 L1 损失、感知损失和基于谱范数的最小二乘 PatchGAN 损失的加权组合来进行训练。加权系数分别为 1、1 和 0.1。fLoss=fLossL1+LSRVGG+0.1fPatchGAN(2)式中:fLoss为损失函数;fLossL1为加权 L1 损失;LSRVGG为视觉几 何 组(visual geometry group,VGG)感 知 损 失;fPatchGAN为基于谱范数的最小二乘 PatchGAN 损失。L1 损失用于最小化误差:fLossL1=ni=1ytrue-ypredicted(3)式中:ytrue为真实值;ypredicted为预测值。VGG 感知损失由内容损失和对抗损失两部分构成,采用参考图像之间的欧氏距离表示。本文以 ReLU为激活函数,对每层特征映射计算欧式距离:LSRVGG=1 cjhjWjj(y)-j(y)2(4)式中:为损失网络;j 为网络的第 j 层;cj、hj、Wj分别为对应 VGG 网络第 j 层的特征图通道数、高度和宽度。1.3 仪表读数识别算法巡检机器人拍摄的图像在 SR 重建之后,还伴有视角畸变等问题,不能直接用于算法读数。对此,本文先对 BSRGAN 经 SR 重建后的 HR 图像进行预处理增强;然后通过模板匹配校正表盘;接着采用连通域划分、形态学处理提取指针区域并细化指针,获得指针中心线;最后采用角度法完成表盘读数识别。1.3.1 图像预处理 图像经过 SR 重建之后,其分辨率得以提高。但由于仪表盘受到自身的噪点影响,在读数前需要对图像进行滤波处理。由于所拍摄的图像受到椒盐噪声和随机噪声的影响较大,因此滤波处理方式为高斯滤波。通过二值化将图像的感兴趣区域与背景分割,可以突9自 动 化 仪 表第 44 卷出仪表图像的表盘刻度、指针等特征。本文选取大津(Otsu)法10对仪表图像进行二值化。1.3.2 图像校正巡检机器人在拍摄仪表时不能保证摄像头正对仪表,导致拍摄图像存在一定的形状畸变。为了读取表盘指针示数,需要校正表盘并提取指针和仪表盘刻度。透视变换通过特征点匹配实现图像倾转,适用于本文的读数要求。在进行变换前,需要提前获取表盘的正面模板,再通过尺度不变特征变换(scale invariant feature transform,SIFT)对图像作特征提取,并通过与模板特征匹配实现校正。实际拍摄图像像素点坐标记为(x,y),校正后坐标记为(x,y)。通过匹配和筛选k(k4)对特征点,可以计算出变换矩阵 H。变换前后像素点的对应关系为:xyz=H xy1=h11h12h13h21h22h23h31h32h33xy1(5)式中:(x,y,1)为原图坐标;(x,y,z)为变换后的坐标;(h11,h12,h21,h22,h31,h32)为旋转量;(h13,h23,h33)为平移量。1.3.3 连通域划分为了识别提取出指针的特征形状,需要对校正后图像进行连通域划分并作形态学处理,以获取目标指针区域。本文采用八邻接法划分连通域,并进行连通域筛选。由于不同仪表指针形状规格类似,本文根据中海油集气站仪表指针的特点,采用对面积、长度和宽度进行筛选的方法。0.1S s 0.6Sw 0.5Wh 0.8H(6)式中:s、w、h 分别为连通域的面积、宽度和长度;S、W、H 分别为仪表盘的面积、宽度和长度。1.3.4 指针中心线提取指针图像常具有一定的宽度,难以直接得到指针的斜率。因此,需要对指针进行一系列形态学操作,通过渐进概率 Hough11线检测提取中心线。渐进概率 Hough 线检测流程如图3 所示。该检测在保持图像连通性的前提下,将指针细化为像素宽度为 1 的拓扑股骨架,以便用角度法计算示数。本文采用基于改进索引表的细化算法,并在细化后采用渐进概率 Hough 检测图中的直线,从而筛选得到指针中心线。图 4 中:T1为累加阈值,T1值越大则检测的线段长度越长;T2为线段长度阈值,用于保证线段长度满足最低要求。图 3 渐进概率 Hough 线检测流程图Fig.3 Progressive probability Hough line detection flowchart 1.3.5 角度法读数目前,指针角度法和刻度识别法是识别指针式仪表读数的 2 种主要方法。机器人远距离拍摄的仪表盘刻度非常细小,且容易受到异物遮挡,使用刻度识别法容易导致读数失败。而角度法只需知道部分先验信息,即可简单、可靠地读数。角度法读数原理如图 4所示。图 4 角度法读数原理Fig.4 Reading principle of angle method 根据最大量程、0 刻度的位置和圆心,可以得到表盘张角、指针的角度。R=(Vmax-Vmin)(7)式中:R 为读数结果;Vmax为最大测量值;Vmin为最小测量值。2 试验与结果2.1 SR 重建试验结果2.1.1 图像退化在 LR 图像成像过程中,移动、高斯模糊、下采样和高斯噪声通常都被考虑在内。Y=E B D F+N(8)01第 8 期基于 BSRGAN 的集气站仪表读数识别 刘金海,等式中:Y 为 LR 图像;F 为 HR 图像;E 为运动;B 为模糊函数;D 为下采样过程;N 为其他噪音。巡检机器人在拍摄图像时,摄像机与仪表相对静止,因而可以忽略运动模糊。由于缺少机器人所拍摄仪表的真实图像,为验证 BSRGAN 重建效果,本文设计了退化模型对图像进行退化处理,得到 LR 图像作为验证集并重建。退化模型包括高斯模糊、下采样以及高斯噪声。图像退化模型如图 5 所示。图 5 图像退化模型Fig.5 Image degradation model 试验所使用的图像是在山西省某市的中海油集气站拍摄得到的仪表图像。本文将图像尺寸统一为1 6001 600,并输入退化模型。为增强图像退化的普遍性和随机性,本文在高斯模糊处理时取高斯核为 77 至 1515 的随机大小。高斯噪声 的取值为 820,从而得到 LR 图像作为重建的验证集。2.1.2 评价指标本文采用峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性指数(structural similarity index measure,SSIM)作为图像 SR 重建质量的评价指标,并以自然图像质量评估(natural image quality evaluator,NIQE)算法作为盲图像重建的评价指标。与 PSNR 和SSIM 相比,NIQE 更符合人眼感官。PSNR 是衡量图像重建质量效果的客观评价指标,与生成图像 MSE 的对数成反比,能够反映图像的噪声水平、表征重建图像失真的大小。PSNR 的值越大,表示重构图像的效果越好。RPSNR=10 log10(2N-1)2RMSERMSE=1mnm-1i=0n-1j=0I(i,j)-K(i,j)2(9)式中:N 为图片每个采样值的比特数;m、n 为图像长、宽;I 为原始图像;K 为 I 的噪声近似图像。SSIM 是衡量图像之间结构相似度的客观度量,可以表示为亮度、对比度和结构的加权乘积,取值结果介于 0 和 1 之间。2 张图像相似性越高,则 SSIM 值越接近 1,说明图像重建效果越好。SSIM 的定义为:RSSIM(x,y)=(2xy+c1)(2xy+c2)(2x+2y+c1)(2x+2y+c2)(10)式中:x、y为 x、y 的均值;2x、2y 为 x、y 的方差;xy为x 和 y 的协方差;c1、c2为常数。2.1.3 重建结果模型使用公开 HR 图像训练集进行训练。HR 图像训练集包括 DIV2K、Flick2K、WED 训练集以及 FFHQ 训练集的 2 000 张图像。训练过程可以分为生成器训练和判别器训练。每次训练均先训练判别器,再训练生成器。训练时采用 Adams 算法,并设固定学习率为 110-5、批大小为 48。本文采用的是 Zhang11等的预训练模型。重建试验使用预处理得到的 700 张仪表图像,并根据不同指标划分测试集。对于 PSNR 和 SSIM,选取初始数据集中表盘占比高于 20%及以上的 84 张图片作为 HR 图片,通过退化模型得到 LR 图像集进行试验。而 NIQE 指标用于衡量剩余的 616 张 LR 图像集的重建试验效果。本文分别针对 2 类测试集进行BSRGAN 的 SR 重建,并采用 SRGAN 和 ESRGAN 重建结果作为对比,对相关指标的测试结果取平均值。图像 SR 重建测试结果如表 1 所示。表 1 图像 SR 重建测试结果Tab.1 Test results of image SR reconstruction重建方法退化得到的 LR 图像集RPSNRRSSIM原 LR 图像集RNIQESRGAN24.980.8212.67ESRGAN24.650.8110.20BSRGAN25.340.899.03 由表 1 可知,BSRGAN 的重建效果在 3 个指标上的表现都领先于 SRGAN 和 ESRGAN。由于原 HR 图像分辨率不够高,导致 BSRGAN 的重建图像与原图之间的均方差较大,在 PSNR 指标上的优势并不明显。而 SSIM 基于图像结构计算、NIQE 只基于重建结果图像计算,因此 BSRGAN 重建展示出了良好的效果。为进一步加强重建结果对比,本文从退化得到的 LR 图像集中随机抽取 7 张视角不同的仪表图像进行重建后放大部分区域具体分析。SRGAN、ESRGAN、BSRGAN 的重建结果及 PSNR/SSIM/NIQE 值如图 6所示。图 6 中:自上到下依次是 LR 图像、SRGAN 的重建结果、ESRGAN 的重建结果、BSRGAN 的重建结果以及 HR 图像;自左到右的仪表编号从 1 至 7;每张图片下方的数值自左到右分别为 PSNR、SSIM 和 NIQE 值,加双下划线的数值表示不同方法下相对应指标的最佳值。11自 动 化 仪 表第 44 卷图 6 SRGAN、ESRGAN、BSRGAN 的重建结果及 PSNR/SSIM/NIQE 值Fig.6 Reconstruction results of SRGAN,ESRGAN,and BSRGAN and their PSNR/SSIM/NIQE values 分析图 6 可得以下评价结果。BSRGAN 展示了良好的重建效果,在 SSIM 指标上取得了较好的表现(其值均高于 0.85),表明重建图像与 HR 图像具有良好的相似性。BSRGAN 在 PSNR 指标上整体值更大,但是与 SRGAN 和 ESRGAN 差异不明显,甚至在仪表 3和仪表 4 中表现略差于 SRGAN 的重建结果。这主要是由于 PSNR 是基于 MSE 计算得出的。而 HR 图像质量不够高,缺少细腻纹理。这点从 HR 的 NIQE 值可以更好地反映出来。在 NIQE 指标中,BSRGAN 全面领先,重建的图像符合人眼感官。在放大区域,可以由视觉明显感知到,BSRGAN 的重建图像中指针轮廓和表盘刻度清晰可见,不存在伪影、锯齿和大部分噪点。2.2 仪表读数识别试验结果2.2.1 特征匹配结果为了更好地展现 SR 重建图像在读数识别过程中的实际作用,本文在集气站现场选取 5 组仪表。每组分别采集不同清晰度的 100 张图像。试验将 SR 重建前后的图像分别与表盘模板进行特征匹配,统计并对比每组图像在 SR 重建前后的平均特征点数和匹配成功率。LR 图像 SR 重建前后特征点数如表 2 所示。表 2 LR 图像 SR 重建前后特征点数Tab.2 Feature points before and after LR image SR reconstruction组别特征点数LRSR匹配成功率/%LRSR111812781892123203859538416272914679668825931177786 由表 2 可知,SR 图像相较于 LR 图像提取到了更多的特征点(在第 3 组仪表上几乎提高了一倍),总体特征匹配成功率也得到了明显提升。该结果表明,BSRGAN 的 SR 重建,不仅能明显提高 LR 图像的质量,还能较好地提升特征匹配的成功率和增强表盘校正效果。LR 和 BSRGAN 重建图的特征匹配结果如图 7所示。21第 8 期基于 BSRGAN 的集气站仪表读数识别 刘金海,等图 7 LR 和 BSRGAN 重建图的特征匹配结果Fig.7 Feature matching results of LR and BSRGAN reconstructed images 在极端情况下,对于分辨率过低的图像,由于在特征上与模板差异过大,在进行特征点匹配时出现了错误,导致透视变化以及后续结果都极其不理想。将 LR 图像经 BSRGAN 进行 SR 重建之后,在特征 点匹配时表现出良好的效果,并通过特征匹配和透视变换校正了表盘的位置,改善了 SIFT 算法在原图过于模糊平滑时匹配效果差的问题。由此可见,LR 图像在经过 BSRGAN 的 SR 重建之后,不仅能够明显提高图像质量、突出图像的纹理特征,还能较好地提升特征匹配的成功率和表盘校正效果,大大提高了识别算法的鲁棒性和准确性。2.2.2 读数识别结果以上试验结果充分证实了本文所述算法在集气站仪表识别场景下的可行性。该算法能很大程度提高图像分辨率、增强图像视觉感知和特征信息。为进一步验证读数方法的准确性,本文随机选取了测试集中的6 组仪表的读数情况进行测试。每组仪表进行 3 次读数测试,并取平均值作为该表最终读数。试验记录下表盘的实际值与测试值,并计算读数相对误差。仪表读数真实值与识别结果对比如表 3 所示。表 3 仪表读数真实值与识别结果对比Tab.3 Comparison of meter reads true value and recognizes results组别检测值/MPa实际值/MPa相对误差/%10.4670.4690.4220.4550.4590.8730.4580.4610.6540.4090.4100.2450.3940.3981.0060.6940.6980.57 由表 3 可知,试验识别结果与真实值基本保持一致,检测均值的相对误差均不超过 1%,平均相对误差仅为 0.625%,能够达到集气站仪表识别的检测精度,展现出了良好的仪表读数识别效果。LR 和 BSRGAN 重建图的读数结果如图 8 所示。图 8 LR 和 BSRGAN 重建图的读数结果Fig.8 Reading results of LR and BSRGAN reconstructed images 31自 动 化 仪 表第 44 卷3 结论本文提出了一种基于 BSRGAN 的图像 SR 重建在仪表读数上的应用。首先,BSRGAN 网络结构通过改进 SRGAN 生成器、判别器网络结构和损失函数,提高了网络稳定性和网络容量,防止了图像过度平滑,提升了图像清晰度和真实性。BSRGAN 重建图像后使分辨率得到明显提高,使 SIFT 算法提取到了更多的特征点,保证了透视变换的顺利进行。然后,本文对图像进行形态学操作得到纯净的指针框架,并结合指针细化算法和 Hough 线检测提取出指针中心线。最后,本文依据角度法读取示数。试验结果表明,本文算法可行、准确,识别结果与真实值的相对误差只有0.625%。该算法能够提高仪表图像的清晰度、增强图像视觉感知,适用于集气站仪表的远距离识别场景。参考文献:1 江涛,陶健成,范旭.基于深度学习的集气站指针式仪表读数研究J.自动化仪表,2022,43(2):18-22.2 YUE Z,ZHAO Q,XIE J,et al.Blind image super-resolution with elaborate degradation modeling on noise and kernelC/CVPR,2022.3 宁志刚,杨恒,杨玲,等.彩色序列车牌图像超分辨率复原技术研究J.自动化仪表,2013,34(11):6-8,12.4 DONG C,LOY C C,HE K,et al.Image super-resolution using deep convolutional networksJ.IEEE Transactions on Pattern Analysis and Machine Intelligence,2015,38(2):295-307.5 KIM J,LEE J K,LEE K M.Accurate image super-resolution using very deep convolutional networks C/Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016:1 646-1 654.6 LEDIG C,THEIS L,HUSZR F,et al.Photorealistic single image super-resolution using a generative adversarial network C /Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017,4 681-4 690.7 WANG X,YU K,WU S,et al.Esrgan:enhanced super-resolution generative adversarial networksC/Proceedings of the European Conference on Computer Vision(ECCV)Workshops,2018.8 ZHANG K,LIANG J,GOOL L V,et al.Designing a practical degradation model for deep blind image super-resolution C/Proceedings of the IEEE/CVF International Conference on Computer Vision,2021:4 791-4 800.9 GOODFELLOW I,POUGET-ABADIE J,MIRZA M,et al.Generative adversarial networks J.Communications of the ACM,2020,63(11):139-144.10彭刚,杜兵.变电站二次设备的数显仪表定位方法J.自动化仪表,2018,39(7):56-60.11高建龙,郭亮,吕耀宇,等.改进 ORB 和 Hough 变换的指针式仪表识读方法J.计算机工程与应用,2018,54(23):252-258.(上接第 6 页)2 CONSTANTIN K,LUISE K.Tensor interpolation in virtual manufacturing chains for fiber reinforced compositesJ.International Journal of Mechanical Sciences,2022(226):107-378.3 SHANG Z D,GAO D,JIANG Z D,et al.A multi-perspective analysis of sustainability of machining processes based on a new extended virtual manufacturing frameworkJ.Energy,2021(225):120-257.4 王滔,费敏锐.虚拟现实技术在企业自动化流程界面中的初步研究J.系统仿真学报,2001(6):707-710.5 袁春妹.北自科技:释放数字孪生效能J.纺织机械,2022(3):48-49.6 王若澜,王良文,谢贵重.提升机械设计制造专业毕业设计质量浅探 以郑州轻工业大学为例J.河南教育(高等教育),2022(7):55-56.7 CHEN L J,HU F N,WANG S L,et al.Cyber-physical system fusion modeling and robustness evaluation J.Electric Power Systems Research,2022(213):108654.8 王文珍,张成利.基于 Web 面向产品全生命周期的 PDM 系统的研究J.制造业自动化,2008(3):23-25,32.9 VCTOR A H T,SCAR H U,LEONOR A C R,et al.Effectiveness of virtual reality in discrete event simulation models for manufacturing systemsJ.Computers&Industrial Engineering,2022,168.10王鹏,毛哲涵.元宇宙发展视域下国家治理体系的适应性变革J.社会治理,2023(1):52-60.11TUEGEL E.The airframe digital twin:some challenges to realizationC/53rd AIAA/ASME/ASCE/AHS/ASC Structures,Structural Dynamics and Materials Conference,2012.12郭飞燕,刘检华,邹方,等.数字孪生驱动的装配工艺设计现状及关键实现技术研究 J.机械工程学报,2019,55(17):110-132.13田建忠.数字孪生数据驱动的直线电机进给系统动态性能预测D.天津:河北工业大学,2021.14高志华.基于数字孪生的智慧城市建设发展研究J.