基于Mask-RCNN海上升压站数字式仪表读数的自动识别算法

海上升压站采用挂轨机器人开展巡检作业,利用机器视觉手段自动识别数字式仪表读数,替代人工记录.提出了一种基于Mask-RCNN深度学习方法的数字仪表读数自动识别算法.将不同类型的数字仪表原始图像制作成数据集,利用深度学习算法进行训练,根据损失函数变化曲线对算法进行参数优化得到训练后的模型,再进行数字仪表图像的识别分析.采用灰度世界算法和霍夫变换等算法进行图像预处理,可有效改善数字识别的准确度.最后,实验对比了YOLOv3和Mask-RCNN深度学习算法的识别性能,结果表明前者具有较高的检测速度,后者具有更高的准确率.后者的识别率为99.52％,满足海上升压站远程监控对数字仪表读数正确率高的要求.     

基于YOLOv5与改进VGG-CTC的数字仪表自动读数方法

随着数字电网的发展，数字仪表在电网中的应用越来越广泛。为进一步提高数字仪表自动读数算法的准确率和识别效率，推动数字电网建设，文中提出一种基于YOLOv5和改进VGG-CTC模型的数字仪表自动读数方法。该方法包括数字区域定位和仪表字符识别两部分。首先，采用YOLOv5模型检测输入图像的仪表数字区域，输出预测的数字区域边界框；然后，对VGG网络的卷积层和全连接层参数进行改进，提出一种改进VGG网络，将预测的数字区域输入该网络，即可提取数字区域图像特征，通过长卷积层输出字符概率分布信息；最后，经过CTC转录模块将概率分布序列映射为预测的数字仪表示数。实验结果表明，所提自动读数方法的准确率为89.63%，识别时间为439 ms，相比其他读数方法具有较好的读数准确率和识别速度，能够提高智能电网对设备状态监测的准确性和高效性，对推进能源物联网和数字化电网的建设具有重要意义。     

基于机器视觉的机械指针式仪表的读数识别方法

机械式指针仪表在工业生产实践中应用广泛,及时、准确地识别指针仪表指示信息是实现设备运行状态监测的重要手段之一。应用数字图像处理技术,本文提出了一种新的指针式仪表信息的自动识别方法。主要的步骤包括,使用轮廓跟踪法实现表盘与指针的区域分割,并进行了图像的预处理;利用图像变换算法进行指针方位的检测,获得指针的直线位置参数;最后,在已有信息的基础上,确定刻度线距关系及仪表最大量程,实现指针式仪表信息的自动读数识别。实验表明,本文所提出的自动读数识别方法准确、可靠且读数效率高。     

基于卷积神经网络VGG的猫狗识别

随着大数据时代的到来,数据挖掘、图像处理等已经成为了一个热门研究方向.本文的研究目的是自动识别猫狗类型,采用的是基于数据挖掘的猫狗自动识别技术.本文将位于全方位下拍摄的具有外貌复杂的猫狗图像运用卷积神经网络训练.本实验挑选前沿的深度学习框架pytorch以及计算能力强大的GPU,使用深度神经网络VGG16,分别对猫狗图像进行网络训练与测试.实验显示使用VGG16网络模型进行识别的准确率非常高,在猫狗类型识别问题上具有突出优势.     

基于种子填充的指针式仪表自动识别算法

针对指针式仪表自动识别中的指针提取,提出了一种基于种子填充的指针式仪表自动识别方法。算法主要由基于种子填充的指针提取算法和基于改进Hough变换的指针识别算法组成。算法首先运用差影法获取种子点,然后采用行扫描法提取指针,最后通过改进的Hough变换对指针式仪表进行读数识别。实验表明,种子填充法有效提取了指针特征,为后续获取较好的识别效果奠定了基础,整个算法高效快速,获得了较好的识别效果。     

基于自适应特征提取的数显仪表识别系统

为了适应数显仪表各种不同的室外环境,建立了自适应于不同光照条件下的仪表自动识别系统。针对数显仪表图像的点亮区域多为红色,不亮部分偏灰白的特征,设计基于RGB彩色空间滤波方法,较好地保留了点亮区域的亮度信息;并提出改进的最大类间方差法,实现了数显仪表图像字符的自适应提取。根据数显仪表数字特征信息,采用穿线识别法,实现了数显仪表的自动识别。通过大量实测实验表明,提出的自适应特征提取算法对不同角度、不同光照环境拍摄的仪表图像都有良好的适应性,应用于数显仪表自动识别系统可得到95%的识别准确率,平均运行时间为1.136 s。     

数码管数字仪表自动识别方法的研究

对计算机实现七段数码管显示的数字字符的自动识别方法进行了研究。利用开放计算机视觉库(OpenCV)和VisualC++6.0组建实验平台,对数码管数字仪表的预处理过程和数字字符的正确分割与识别进行了研究。预处理过程主要包括灰度转换、中值滤波平滑、二值化以及去除噪声等几个方面。分别利用穿线法和模板匹配法对七段数码管式数字仪表进行识别。采用七段数码管式出租车计价器作为原始图像,研究结果表明,这两种方法都能获得比较好的识别效果。     

基于神经网络的手写体数字识别

本文重点解决以图像方式存在的手写体数字识别问题,首先对图像进行预处理,其次对结构特征进行提取,最后利用神经网络模型对前面两步得到的样本数据进行学习和训练.通过MATLAB进行仿真,神经稀疏编码算法应用在手写体数字识别中能够得到比较好的识别率.     

指针式仪表读数识别系统研究

介绍了一个指针式仪表自动读数识别系统.首先对仪表图像进行预处理操作;然后利用减影法提取指针图像;最后根据仪表指针变化趋势特点,提出应用于仪表指针读数识别的快速Hough法对指针进行识别,通过限制搜索范围降低Hough计算量.实验结果证明,该方法能在很大程度上提高系统实时性,比传统标准Hough方法时间快2～3倍.     

证据理论和改进神经网络相融合的图像识别算法

针对单一特征图像自动识别算法存在识别结果不稳定和识别正确率低等缺陷,提出一种基于证据理论和改进神经网络相融合的图像自动识别算法.首先提取能反映图像类别信息的颜色和纹理特征,然后采用RBF神经网络对单一特征进行初步识别,识别结果作作为证据,最后采用证据理论对初步识别结果进行决策融合处理,得到图像最终识别结果.仿真测试结果表明,该算法的平均识别正确率达到92.29％,相对于单一特征识别算法,图像识别结果的可靠性和正确率得到了大幅提高,具有较好的应用前景.