智慧巡检-基于深度学习的指针式压力表读数识别【YOLO+OpenCv+TensorRT+ROS+Python】

智慧巡检-基于深度学习的指针式压力表读数识别【YOLOOpenCvTensorRTROSPython】1指针式压力表读数识别系统YOLOOpenCVTensorRTROS一、系统整体架构┌───────────────────────────────────────────────────────────┐ │ 摄像头/图像输入 → YOLOv8检测 → OpenCV指针角度计算 → 读数解析 → ROS话题发布 └───────────────────────────────────────────────────────────┘ 核心技术栈 - 目标检测YOLOv8可转TensorRT加速 - 图像处理OpenCV指针提取、角度计算 - 部署加速TensorRT模型推理加速 - 通信交互ROS话题发布/订阅 - 开发语言Python二、系统核心代码实现1. YOLOv8 压力表部件检测代码fromultralyticsimportYOLOimportcv2importnumpyasnp# 加载YOLO模型已训练好压力表表盘、指针、中心区域检测modelYOLO(pressure_gauge_det.pt)defdetect_gauge_components(image_path): 检测压力表的三个关键部件表盘panel、指针needle、中心区域center 返回各部件的 bounding box 和置信度 imgcv2.imread(image_path)resultsmodel(img,conf0.25)components{}forboxinresults[0].boxes:clsint(box.cls[0])labelresults[0].names[cls]conffloat(box.conf[0])xyxybox.xyxy[0].cpu().numpy()components[label]{bbox:xyxy,conf:conf}returnimg,components2. OpenCV 指针角度计算与读数解析defcalculate_gauge_reading(img,components,scale_min0,scale_max1.6): 1. 提取表盘ROI 2. 提取指针边缘 3. 计算指针与刻度线的夹角 4. 根据角度映射到实际读数 # 1. 获取表盘ROIpanel_bboxcomponents[panel][bbox]x1,y1,x2,y2panel_bbox.astype(int)panel_roiimg[y1:y2,x1:x2]# 2. 获取中心区域坐标center_bboxcomponents[center][bbox]cxint((center_bbox[0]center_bbox[2])/2)cyint((center_bbox[1]center_bbox[3])/2)# 3. 提取指针ROI并做边缘检测needle_bboxcomponents[needle][bbox]nx1,ny1,nx2,ny2needle_bbox.astype(int)needle_roiimg[ny1:ny2,nx1:nx2]graycv2.cvtColor(needle_roi,cv2.COLOR_BGR2GRAY)edgescv2.Canny(gray,50,150)# 4. 霍夫直线检测提取指针方向linescv2.HoughLinesP(edges,1,np.pi/180,50,minLineLength30,maxLineGap5)iflinesisNone:returnNone# 取最长的直线作为指针方向longest_linemax(lines,keylambdal:np.linalg.norm(l[0][:2]-l[0][2:]))x1,y1,x2,y2longest_line[0]# 5. 计算指针与水平轴的夹角angle_radnp.arctan2(y2-y1,x2-x1)angle_degnp.degrees(angle_rad)# 6. 将角度映射到刻度值假设表盘0°对应刻度最小值270°对应刻度最大值# 修正压力表通常是顺时针转动角度范围需要根据实际表盘调整ifangle_deg0:angle_deg360# 假设有效刻度范围为0°~270°ifangle_deg270:angle_deg270ifangle_deg0:angle_deg0# 线性映射到实际读数readingscale_min(angle_deg/270)*(scale_max-scale_min)returnround(reading,2),angle_deg3. TensorRT 模型推理加速代码importtensorrtastrtimportpycuda.driverascudaimportpycuda.autoinitimportnumpyasnpclassYOLOv8TRT:def__init__(self,engine_path):self.loggertrt.Logger(trt.Logger.WARNING)self.runtimetrt.Runtime(self.logger)self.engineself.runtime.deserialize_cuda_engine(open(engine_path,rb).read())self.contextself.engine.create_execution_context()# 分配显存self.inputs,self.outputs,self.bindings[],[],[]self.streamcuda.Stream()foriinrange(self.engine.num_bindings):bindingself.engine.get_binding_shape(i)sizetrt.volume(binding)*self.engine.max_batch_size dtypetrt.nptype(self.engine.get_binding_dtype(i))host_memcuda.pagelocked_empty(size,dtype)device_memcuda.mem_alloc(host_mem.nbytes)self.bindings.append(int(device_mem))ifself.engine.binding_is_input(i):self.inputs.append({host:host_mem,device:device_mem})else:self.outputs.append({host:host_mem,device:device_mem})definfer(self,img):# 预处理imgcv2.resize(img,(640,640))imgimg.transpose((2,0,1))/255.0imgnp.expand_dims(img,axis0).astype(np.float32)# 拷贝数据到显存np.copyto(self.inputs[0][host],img.ravel())cuda.memcpy_htod_async(self.inputs[0][device],self.inputs[0][host],self.stream)# 执行推理self.context.execute_async_v2(self.bindings,self.stream.handle,None)cuda.memcpy_dtoh_async(self.outputs[0][host],self.outputs[0][device],self.stream)self.stream.synchronize()# 后处理此处省略YOLO输出解析与普通PyTorch版本逻辑一致returnself.outputs[0][host].reshape(1,-1,84)4. ROS 话题发布代码Python#!/usr/bin/env python3importrospyfromstd_msgs.msgimportFloat32importcv2classPressureGaugeROSNode:def__init__(self):rospy.init_node(pressure_gauge_reader)self.pubrospy.Publisher(/pressure_gauge/reading,Float32,queue_size10)self.raterospy.Rate(10)# 10Hz发布频率# 初始化YOLO模型或TensorRT模型self.modelYOLO(pressure_gauge_det.pt)self.capcv2.VideoCapture(0)# 摄像头输入defrun(self):whilenotrospy.is_shutdown():ret,frameself.cap.read()ifnotret:break# 1. 检测部件img,componentsdetect_gauge_components(frame)ifpanelnotincomponentsorneedlenotincomponentsorcenternotincomponents:continue# 2. 计算读数reading,anglecalculate_gauge_reading(frame,components)ifreadingisnotNone:# 3. 发布到ROS话题self.pub.publish(Float32(reading))rospy.loginfo(f当前压力读数:{reading}MPa)self.rate.sleep()if__name____main__:try:nodePressureGaugeROSNode()node.run()exceptrospy.ROSInterruptException:pass三、系统运行流程输入阶段摄像头/图片流输入支持实时视频流检测阶段YOLOv8检测表盘、指针、中心区域TensorRT加速版可提升推理速度处理阶段OpenCV提取指针边缘计算角度并映射为实际读数输出阶段通过ROS话题发布读数或本地保存结果四、关键优化点模型轻量化使用YOLOv8n模型配合TensorRT FP16/INT8量化推理速度提升3~5倍角度计算鲁棒性使用霍夫直线检测结合最小二乘法拟合指针方向减少噪声影响ROS通信适配支持话题订阅/发布可直接接入机器人系统刻度映射校准支持自定义刻度范围适配不同型号压力表五、使用说明模型训练使用标注好的压力表部件数据训练YOLOv8模型保存为.pt格式可转换为TensorRT引擎文件环境配置安装依赖pipinstallultralytics opencv-python numpy pycuda tensorrt rospy运行ROS节点roscorepython pressure_gauge_ros_node.py