背景介绍
本篇文章分享笔者经历的一个计算机视觉方向的项目的经历与经验。
项目客户为大型国企，内部有很多设备在监控管道是否在正常运行，其中最常见的是压力表。
客户希望为压力表做一层保护，用另一个设备监控压力表的读数，达到一定阈值报警处理。
压力表有很多种类型，本次项目只针对上述图片的一种特定类型，但为了考虑后期项目的兼容，最好能兼顾多种表型，等后期想把算法扩展更多地方的时候，就不用重头在来，只需要针对某种表型进行训练，而不用更改业务逻辑。
项目要求
项目要求：
- 通过固定摄像机按一定频率拍摄图片，发送给算法端，算法返回结果(内网)
- 通过手持特定平板，拍摄图片，直接识别结果(算法也需要部署在平板中，园区网络貌似受干扰，无法直接传输)
- 精度要求(误差范围不偏离压力表设备正确读数: 0.1%)
项目分析
场景难点:
- 固定摄像机的拍摄时间不确定，从早上到傍晚，受天气影响等，结果会受光线的影响
- 手持设备拍摄的时候，会有角度问题，需要考虑
- 手持设备拍摄，会有反光问题，会把人像照射进图片，需要考虑
算法实现
- 提取仪表盘
无论是手持摄像机，还是固定摄像机，拍照的范围都会大于仪表盘本身，此时可以通过 yolo算法进行检测，yolo 算法很成熟，训练起来无费力
- 圆检测：对仪表盘进行分割处理拟合圆
仪表盘读数其实不仅可以直接读数获取，另一种方法是通过两端终点，以及指针的位置,圆心位置，算出偏转度数，即可得出结果
因为单纯去读取数字以及小段的刻度非常复杂，而两端终点以及指针相对来说更明显，也更容易读取
常规的圆检测可以利用霍夫圆检测
但我们场景更加复杂，无法简单拟合
思考一下，如果能让图片更加简单，只包含两种类型，一种是圆盘刻度区域，一种是圆盘内部“无意义"区域，这样划分岂不美哉，
上网搜索下，发现其实是有这块的工作的,是视觉分割领域，其中做的比较好的模型叫 deeplab 语义分割
我们去网上搜索了下，甚至有人已经用 deeplab 对表盘做语义分割，我们使用之后效果还不错：
然后配合适当的 opencv 膨胀等图像处理算法，减少噪音，最终通过 opencv 里自带的圆拟合算法在最外层拟合圆以及两端的端点
圆检测出后即可得出圆心位置
- 指针检测以及方向判断
第一步的仪表盘识别的时候，同时也做指针的标记，即可得到指针的位置
但是一般利用 yolo 检测的矩形框是水平的，如果需要做 transfer，需要特定配置，并且也没有那么准确，
此时我们利用直线检测算法检测出指针的方向
- 计算角度