### 使用 YOLOv8 和 OpenCV-Python 实现指针式仪表盘检测与数值读取 #### 1. 数据准备 为了训练YOLOv8模型来检测指针式仪表盘的关键部分（如表盘区域、零刻度线、结束刻度线以及指针），需要收集大量带有标注的数据集。可以按照以下方式构建数据集： - 收集包含各种场景下的指针式仪表图片。 - 对每张图片中的表盘区域进行裁剪，并手动标注出零刻度线、结束刻度线和指针位置。 通过这种方式，能够获得高质量的训练样本[^3]。 #### 2. 表盘区域检测 使用YOLOv8的目标检测功能定位表盘的具体位置。以下是具体操作方法： ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # 加载预训练权重或者自定义训练后的权重文件 results = model.predict(source='path_to_image', save=True, conf=0.5) # 预测并保存结果 ``` 上述代码加载了一个YOLOv8模型实例，并对指定路径下的图像执行预测任务。`conf=0.5`表示置信度阈值设置为0.5，低于此值的结果会被过滤掉。 #### 3. 圆形表盘提取 对于圆形表盘的情况，可以通过霍夫圆变换进一步精确定位其边界。这一步骤有助于后续更精确地计算角度关系。 ```python import cv2 import numpy as np def detect_circles(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (9, 9), 2) circles = cv2.HoughCircles(blurred, cv2.HOUGH_GRADIENT, dp=1, minDist=blurred.shape[0]/8, param1=200, param2=30, minRadius=50, maxRadius=200) if circles is not None: circles = np.uint16(np.around(circles)) for i in circles[0,:]: center = (i[0], i[1]) radius = i[2] return center, radius return None, None ``` 该函数实现了基于霍夫变换的方法寻找图像内的最大可能圆圈作为表盘中心及其半径长度[^4]。 #### 4. 刻度线与指针提取 采用边缘检测技术和形态学运算分离出清晰可见的刻度标记及指向它们的细长物体——即所谓的“指针”。 ```python def extract_needle_and_scales(circle_center, circle_radius, image): mask = np.zeros_like(image) cv2.circle(mask, circle_center, int(circle_radius*1.2), color=(255,255,255), thickness=-1) masked_img = cv2.bitwise_and(image, mask) edges = cv2.Canny(cv2.GaussianBlur(masked_img,(7,7),sigmaX=1.5,sigmaY=1.5), threshold1=50,threshold2=150) kernel = cv2.getStructuringElement(shape=cv2.MORPH_RECT,ksize=(3,3)) dilated_edges = cv2.dilate(edges,kernel,iterations=1) linesP = cv2.HoughLinesP(dilated_edges,rho=1,theta=np.pi / 180,minLineLength=int(circle_radius*.1), maxLineGap=circle_radius//10,line=None) needles = [] scales = [] if linesP is not None: for line in linesP: x1,y1,x2,y2 = line.flatten() mid_point = ((x1+x2)//2 , (y1+y2)//2 ) distance_from_center = np.sqrt((mid_point[0]-circle_center[0])**2+(mid_point[1]-circle_center[1])**2 ) angle_radians = np.arctan2(mid_point[1]-circle_center[1], mid_point[0]-circle_center[0]) if abs(distance_from_center-circle_radius)<int(circle_radius*.2): scales.append([angle_radians,distance_from_center]) elif abs(angle_radians-np.mean([s[0]for s in scales]))>.1 and \ abs(distance_from_center-circle_radius)>int(circle_radius*.3): needles.append([[x1,y1],[x2,y2]]) return needles, scales ``` 这段脚本先创建一个掩模覆盖整个表盘范围之外的部分；接着应用高斯模糊减少噪声干扰后再运行坎尼边沿探测器获取初步轮廓线条集合；最后再借助霍夫直线概率转换筛选符合条件的候选对象分别归属到刻度组或指针组当中去。 #### 5. 数字读取逻辑 一旦获得了所有必要的几何要素之后就可以着手解决核心问题了—如何依据这些测量值得到最终显示出来的物理量呢？这里介绍一种简单易懂的角度比例映射方案: 假设已知起点A对应于最小值amin而终点B则代表最大值amax，则任意一点P所指示的实际读数可通过下面公式求得： \[ value(P)=a_{min}+\frac{\text{angle}(PA)}{\text{total\_angle}}*(a_{max}-a_{min}) \] 其中 total_angle 是由 A 至 B 的总旋转弧度差值。 ---