基于OpenVINO的变电站指针式仪表自动读数研究

为提高变电站巡检机器人进行指针式仪表自动读数的准确性和实时性,提出一种基于OpenVINO的变电站指针式仪表读数方法。通过关键算法的改进及OpenVINO工具的加速,样机系统对同质量图片的检测和识别速度达到78 ms,相对于TensorFlow框架提升了约40倍。通过对比改进前后Mask R-CNN的表盘分割效果、表盘矫正前后的表盘分割效果对仪表读数精确度的影响,可知在仪表自动读数阶段,仪表读数的准确度得到有效提升。     

基于Faster R-CNN和U-Net的变电站指针式仪表读数自动识别方法

随着人工智能和自动化水平的提高,机器人被越来越广泛地应用于变电站巡检,为图像采集带来了便利,但是指针式仪表图像的读数识别准确性问题尚未很好解决,成为了瓶颈。基于Faster R-CNN目标检测和U-Net图像分割技术,提出了指针式仪表读数自动识别方法。首先引入Faster R-CNN检测仪表图像中的表盘、指针所在区域,并对仪表进行分类;然后以图像分割技术取代图形检测算法,结合仪表图像特点,改进了U-Net网络,有效提取了区域中的刻度线和指针。针对分割类别不平衡问题,构造了U-Net的Dice损失函数;针对仪表旋转问题,提出了基于图像分割信息的透视变换方法对图像进行校准。最后通过算例对比了文中方法和传统机器学习算法、霍夫变换在指针式仪表图像读数识别上的效果。结果表明,文中方法在检测识别复杂图像中小目标的准确性和实用性上提升明显。     

基于人工-真实样本度量学习的指针式仪表检测方法

为缓解指针式仪表检测精度对样本数量的严重依赖,有效提升少样本情况下指针式仪表的检测精度,提出了基于人工-真实样本度量学习的指针式仪表检测方法。首先通过对指针式仪表结构进行统计分析,提取出其显著特征进行建模,用以生成所需要的人工基准样本,弥补真实场景下指针式仪表数据缺乏的问题;然后结合度量学习的特性,以Faster R-CNN为基线模型,引入特征相似性度量模块,从低维特征向量空间降低或消除人工基准样本和真实样本之间的分布差异,并加强特征提取网络对指针式仪表显著特征的学习。实验证明,较基线模型,基于人工-真实样本度量学习的指针式仪表检测方法AP75提升了22.14%,有效提高了少样本情况下指针式仪表检测的精度。     

基于注意力机制的卷积神经网络指针式仪表图像读数识别方法

目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低.并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值.因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高.首先构建了融合卷积注意力模块的双路异构卷积神经网络,...     

基于图像处理的断路器压力表计识别技术的研究

变电站中断路器大多采用指针式仪表监控其压力值,依靠人工巡视的方法记录压力值是日常变电站运行维护的重要内容,但其存在效率低、结果不准确等缺点,因此有必要展开基于图像处理的断路器压力表计自动识别算法的研究。本文采用预处理手段对采集到的图像进行处理,获得容易提取图像特征的图像,提出一种改进的Hough变换方法和指针式仪表示值的判读方法,最后建立Matlab仿真对所提出改进方法进行验证。结果表明:本文提出的改进的Hough变换方法可避免检测到的直线与实际指针中心线存在一定的偏差或者检测到非指针,快速确定指针位置,算法识别的仪表读数与实际示数较接近,本文提出的断路器压力表识别算法是有效的。     

基于深度学习的指针式仪表自动读数方法

指针式仪表广泛应用于石油化工、工业制造和烟草行业动力部门等领域。鉴于人工巡检频率较低、部份仪表安装环境恶劣等因素,致使工厂生产过程存在安全隐患,巡检人员人身安全难以保障。本文基于现有的工业生产过程的监控摄像系统提出了一种基于YOLO V3目标检测与DeepLab V3+图像分割技术的指针式仪表读数自动识别方法。通过引入YOLO V3目标检测模型检测并切割出仪表表盘子图像。结合图像特点与实际需求,改进了DeepLab V3+模型,加入腐蚀操作,有效提取了子图像中的刻度线与指针信息。通过OCR技术提取子图像仪表量程,根据刻度线与指针的相对位置关系,计算得到仪表读数。实验结果表明该方法平均相对误差为2.17%,算法稳定可靠且处理速度快。     

基于深度学习的指针式仪表识别算法研究

目前指针式仪表数据仍然基于模板匹配等传统算法,在信噪比低的情况下识别精度低,因此采用深度学习进行指针的分级定位与识别。一级识别采用SSD算法进行仪表区域定位,计算仪表倾斜角度并修正。二级指针定位使用多方位SSD算法识别指针转动角度并转换量程。使用自建的仪表数据集进行网络训练,指针式仪表检测精度达到87%;作为拓展方向,数字式仪表检测精度达88%。实验结果表明,该算法稳定性及准确度均高于传统的指针式仪表识别算法。     

电厂指针式仪表的自动识别

为实现电厂中指针式仪表的自动识别,开发了一个基于Hough变换的指针式仪表读数自动识别系统。系统首先由数码相机获取仪表表盘图像并传送到PC机,再对图像进行真彩色转化为256色灰度图、二值化、细化等预处理,然后利用Hough变换识别出指针的偏转角度,再根据仪表刻度与偏转角度的关系确定仪表的读数。试验结果表明,该系统操作简单、精度高     

基于深度学习的模糊指针式仪表矫正读数方法

变电站户外巡检任务中,由于大风,大雾,路面不平等复杂环境影响,巡检机器人容易出现抖动和视角偏差,导致所获取的仪表图片出现模糊,倾斜等问题,难以保证指针式仪表识别读数的准确性。为解决此问题,结合YOLOX目标检测,DeblurGAN-v2图像增强,DeepLabV3+语义分割神经网络算法,研究了模糊指针式仪表矫正读数识别方法。首先改进YOLOX网络实现仪表表盘、指针区域和仪表文字信息提取,并获取仪表参数,其次增强DeblurGAN-v2网络的特征提取能力,去除图像模糊影响,然后使用DeepLabV3+网络分割表盘和指针。仪表图像矫正过程采用透视变换和文本矩形轮廓矫正实现仪表高精度矫正。实验证明,该方法在检测任务中更能适应复杂环境影响,检测准确率高达97.55%,满足工业上自动化检测要求。     

智能变电站中指针式仪表图像自动识别方法

针对智能变电站中的指针式仪表的自动识别,本文提出了一种新的基于传统角度法和距离法的更精确的识别方法,既保证了距离法的精度,又将距离法中的参数换成了角度,提高了自动读数的精度。本文首先对图像进行预处理,包括利用中值滤波的方法对图像进行去噪声,滤波;然后利用投影法对图像进行倾斜检测和校正;符合要求的图像进一步利用差影法提取出指针信息,利用表盘指针的角度关系得到指针读数,并对结果进行了误差分析。实验结果表明:该方法对指针式仪表读数的识别十分有效,且具有较高的精度和实用性。     

基于扩展扫描区域的现场表计指针识别方法

为了满足变电站巡检机器人对现场表计指针的智能识读要求,文中提出一种基于扩展扫描区域的现场表计指针识别方法。通过改进的SIFT算法进行图像匹配并求出单应矩阵,利用单应矩阵将在模板图像上标定的刻度弧线映射到待测图像上,通过扩展扫描区域,依据检测曲线路径上像素点的灰度值和确定指针位置并计算读数。文中对变电站现场的五种仪表,共计500张图片进行了测试。实验结果表明,文中所提算法简单实用、稳定且识别精度高,可以对多种不同的仪表进行识别,适用性强,在变电站多类指针表计识别中具有较好的应用前景。     

基于空间变换的指针式仪表读数识别算法研究

针对目前指针式仪表图像自动读数识别普遍存在受光照变化影响大,表盘内部阻尼液干扰引起识别精度低的问题,本研究提出了一种基于空间变换的指针式仪表读数识别算法。首先选取指针所在区域的圆心和半径,获得边缘提取的仪表内圈圆弧轮廓,以此确定图像空间变换需要的参数从而将圆弧形的表盘转换成矩形;其次通过图像拼接处理构建无指针图像,在此基础上对刻度线进行校正处理得到刻度线坐标;最后通过减影法提取指针区域中心直线坐标,判断指针与刻度线的相对位置来获取指针读数。光照实验表明,本算法对指针和刻度线识别受光照影响小,经校表实验表明,本研究提出的算法识别速度快、精度高。     

基于关键点检测的指针仪表读数算法

通过摄像头实现指针式仪表自动读数时易受复杂环境、摄像头不同角度等因素影响,而且在实际的应用中难以均衡检测速度和检测精度,为此,文章提出一种基于关键点检测的指针仪表读数算法。以ResNet18为主干网络,摒弃了最后两个阶段的残差块以及之后的全连接层,并针对指针仪表表盘的特点设计了一个轻量级特征融合网络,同时引入提高模型性能的姿态修正机(pose refine machine, PRM)。最后利用得到的表盘圆心、零刻度线、当前指针刻度3个关键点信息,通过角度法完成读数计算。实验结果表明,本文算法读数误差仅为0.506%,速度可达53 fps,相比于传统算法具有较高的精确度;相比于其他同类算法,在拥有更少参数量与运算复杂度的情况下,仍能实现对指针关键点的高准确度预测,充分证明所提算法的有效性。     

基于RetinaNet的变压器图像小部件智能识别方法

变电站巡检图像中变压器小部件的自动识别是利用变压器图像进行变压器外观异常缺陷识别的基础。为了提高变压器小部件的识别准确性,提出了一种基于RetinaNet的变压器小部件识别方法。首先,对图像目标检测网络Retina Net进行改进,加入分辨率更高的融合特征图,以解决变压器小部件包含的像素信息过少的问题。然后,提出一种基于位置关联性的变压器小部件概率修正方法,利用识别难度相对较小的大部件位置与相应的小部件之间的位置关联信息,对小部件检测框的预测概率进行修正,以避免其他外形相似部件对目标部件识别的干扰。最后,通过实际变电站巡检图像对变压器小部件识别方法进行实验验证。结果表明,所提出的变压器小部件识别方法在变压器三类小部件的识别准确率以及整体识别准确率上,都具有比较显著的优势。     

电力变压器温度表指针位置识别研究

电力变压器温度表是监测变压器运行状态的关键设备，利用图像识别技术是准确获取温度表读数的有效途径之一。阐述了对变压器温度指针位置进行数字图像处理和图像识别的实现过程，设计识别流程，分析比较了不同类型的表盘指针位置识别过程中的图像处理算法。针对在光照条件较好的情况下分割指针图像所用的直接色调匹配法存在的缺陷，以及变压器温度表具有红色和黑色表针的图像特点，提出一种新的适合较差光照条件的指针区域判定法--主色提取法。实验证明，该算法计算简单、适应性强、处理效果好，为准确判定指针位置和计算指针读数奠定了基础。     

基于深度学习的无人机巡检图像质量问题识别与实践

无人机在巡检时受到电噪声和振动噪声干扰,产生图像非线性畸变和振动偏移,造成巡检过程中电力仪表指针数值识别失败。为了解决上述问题,研究基于深度学习的无人机巡检图像质量问题识别与实践。引入深度学习训练提取噪声畸变点信息,利用最小二乘法计算噪声畸变点检测数据,分析检测距离,根据无人机自动读数机制的角度数据计算圆弧数值,解析仪表读数,完成深入分析。根据三维直方图像内部的灰度信息得到维轴距概率,按照深度学习模式提取相应的噪点影响参数,通过计算权值参数求得非局部均值。实践结果表明,所提方法能有效提高电力仪表指针图像识别的清晰度,有效滤除噪声,加强图像识别效果。     

基于数据关联分析的低压配电网拓扑识别方法

文中介绍了一种基于数据关联分析的低压配电网拓扑识别方法。基于低压配电网停电事件、恢复上电事件及地理位置信息将待识别低压配电网划分为单一配电变压器停电台区、由于10kV配电线路停电引起的多个配变停电台区和未停过电台区,在每类台区内筛选特征电压序列,并利用Tanimoto相似度系数计算各分组内配电变压器、分支箱、表箱、用户智能电表之间相关性和非相关性,从而实现低压配电网拓扑识别;结合同一配电变压器台区内停电与带电状态、停电时长、地理位置、供电半径等台区拓扑校验规则对识别出的拓扑进行校验。通过实际案例证明文章提出的方法能够解决现有基于大数据挖掘方法计算量大、计算结果不准确、无法校验等问题,实现了配电变压器台区拓扑的高效、准确识别,提升了配电网的信息化水平和数据质量。     

基于改进Canny边缘检测的指针式仪表自动读数算法研究

指针式仪表自动读数是工业巡检机器人系统的核心技术之一,以机器视觉为基础,提出了一种新的指针式仪表的自动读数算法研究,研究分为3个模块。首先采用基于深度学习的目标检测SSD算法,对指针式仪表位置进行准确定位,该算法可以准确的从复杂背景中检测出指针式仪表的位置,并将其提取出来;接着采用多尺度Retinex对HSL色彩空间中的图像进行图像增强,采用最大类间方差进行二值化操作,采用改进的Canny边缘检测进行指针边缘的提取;最后采用改进的霍夫变换法——概率霍夫变换对指针所在的直线进行检测,计算出指针的倾斜角度从而利用角度法得出指针的准确示数。实验结果表明该研究可以较为准确的自动读出指针仪表的示数,误差较小,稳定性高。