基于BSRGAN的集气站仪表读数识别

为解决集气站的巡检机器人采集到的仪表图像分辨率低、常伴有噪点和仪表图像畸变、不便于读数算法直接应用等问题,提出了一种基于盲超分辨率生成对抗网络(BSRGAN)的仪表读数算法。首先,利用BSRGAN提高输入仪表图像的分辨率,较传统方法能够显著增强仪表图像的视觉感知水平。自然图像质量评估(NIQE)在测试集中表现较好,结构相似性指数(SSIM)值均大于0.85。利用尺度不变特征变换(SIFT)算法对重建图像进行特征提取。特征点数量在重建后显著增加,有助于表盘图像的校正。然后,采用连通域划分和指针细化等形态学操作提取指针中心线。最后,利用角度法识别表盘读数。试验读数结果与真实值的平均相对误差为0.625%。试验结果表明,所提算法可行、有效、精准,能够提高仪表图像清晰度和视觉感知,适用于集气站及其他复杂环境的仪表读数。     

基于模板匹配与Hough圆检测的仪表识别

随着自动化技术的不断发展,国内电力系统的自动化程度不断提高,无人变电站、无人配电房也逐渐普及。针对变电站中指针式圆形仪表的识别,提出了一种基于模板匹配与Hough圆检测的仪表识别方法。首先对图像进行预处理,将摄像头获取到的RGB彩色图像进行灰度化以及图像的局部直方图均衡化,将预先采集的仪表模板与待测图片进行两次模板匹配,获取仪表大致位置并对图像进行定位裁剪,通过Hough圆检测获取圆形表盘位置及其圆心坐标,将图像通过K-means方法二值化,再通过旋转虚拟直线法对指针进行拟合识别,通过角度与刻度的对应关系计算读数。利用Python和OpenCV视觉库实现算法,实验结果表明,该算法对于指针式圆形仪表识别效果显著,定位表盘位置准确,指针识别和角度计算有较高的精度。     

电力机房巡检机器人的指针式仪表识别算法

针对目前电力机房巡检机器人仪表识别精度不高的问题,提出了一种新的仪表检测识别方法。该方法分为两个部分,第一部分为仪表检测过程:提出了一种基于相似性度量的目标检测方法。首先,采用Faster RCNN网络生成一系列候选集,然后由高置信度的目标区域建立特征模板,再根据特征相似性对低置信度的目标区域进行判别,最后将筛选结果和特征模板作为检测结果,从而实现对仪表类型的识别与定位。第二部分为指针式仪表读数识别过程:采用自适应Canny算法进行边缘检测,然后采用八领域轮廓跟踪算法串联边缘点获取轮廓,并通过分析轮廓形态,提取指针和刻度线段。最后通过改进的刻度修复算法解决光照下刻度缺省问题,从而建立完备的刻度坐标系,再根据坐标系中的指针与刻度之间的相对位置得到仪表读数。实验结果表明,本算法对于光照条件、拍摄角度、电力机房环境干扰具有较好的鲁棒性,提高了仪表识别的准确性和实时性。     

基于旋转投射校准的配电室指针仪表读取方法

为了解决配电室指针仪表监测中存在准确率差、采集频度低的问题，基于旋转投射校准，提出配电室指针仪表自动读取方法。为了消除巡检机器人多次拍摄配电室指针仪表图片存在拍摄角度差的影响，采用区域卷积神经网络对配电室指针仪表图片进行图像旋转投射校准；采用固定标准特征变换算法对指针仪表图像进行分割，并采用颜色变换特征提取指针仪表的刻度特征。在此基础上，通过霍夫变换提取指针仪表的指针读数；在某区域配电室进行实例应用，并将所提方法与应用支持向量机方法进行比较，其结果验证了所提方法的有效性和可行性。     

指针式仪表识别算法及在电力巡检中的应用

针对不同形状的指针式仪表人工读数成本高、精度低、容易受仪表形状和环境干扰的问题,运用轨道巡检机器人搭载云台摄像头采集指针式仪表的图像,经过灰度化、中值滤波、二值化、提取感兴趣区域、开运算、指针细化、Hough变换和示值读数等步骤,实现指针式仪表的自动读数.该算法具有较好的鲁棒性,读数精度高达99％,且计算量小,在电力巡检中具有一定的推广价值.实验结果验证了算法的良好性能.     

高精度指针仪表自动读数识别方法

实现一个高精度指针仪表读数自动识别系统．用数码摄像头采集仪表的图像，然后利用数字图像处理技术识别刻度和指针，根据指针和刻度的相对位置计算指针读数值．使用条件霍夫变换（Constrained HOUGH Transfer）和中心投影分析法实现刻度的全自动识别，采用快速中心投影法进行指针检测与识别，识别速度达到68ms．实验结果表明该方法比传统方法速度快、精度高，系统读数平均误差仅为0．016％．     

基于纹理分析的仪表读数区域定位新方法

仪表读数自动识别的关键是准确检测出指针在刻度区域的位置,因此仪表盘上刻度区域的准确定位是仪表自动读数识别的重要步骤。提出一种基于形态学和纹理分析的仪表读数区域定位新方法。用图像重构技术清除图像边界及与边界相连接的结构,即仪表盘边框和指针,然后利用形态学算法来分割仪表盘的各个区域,最后用纹理统计分析方法和频谱度量方法定位出刻度区域,排除非刻度区域,这样进行指针读数时就可以只对指针和刻度进行处理,排除其它干扰。实验结果表明,对方形指针式仪表而言,上述方法能有效定位仪表刻度区域,且具有较强的鲁棒性和抗干扰性。     

指针式仪表读数的机器视觉智能识别方法

为快速准确地自动识别指针式仪表读数,采用机器视觉技术,结合减影法和Hough变换法对仪表读数进行智能识别.对指针式仪表图像进行图像二值化、形态学处理和边缘检测预处理;利用Hough变换检测仪表中的指针,计算得到指针方向和定位圆形,实现指针式仪表的智能识别.实验结果表明:读数识别的平均相对误差为0.91%,精度较高,能较好地识别指针式仪表读数.     

基于图像处理的指针式仪表智能识别方法研究

针对仪表的智能识别方法在电力系统的工程应用,利用图像处理的方法对指针式仪表的智能读数进行研究;首先,针对摄像头多视角、多距离的安装问题,利用定向二进制描述符ORB (oriented FAST and rotated BRIEF)算法求解仪表模板图像与待测图像的透视变换矩阵,用于定位指针旋转区域;然后根据表盘灰度特征信息,提出基于圆周区域的累积直方图法(circle-based regional cumu-lative histogram,CRH)对指针进行定位,由指针偏转角度得到读数;实验结果表明,该方法对指针读数识别十分有效,达到了实用化要求,且具有实时性好和精度高的特点.     

机器视觉仪表识别方法的研究进展

介绍了机器视觉仪表识别方法的研究进展,具体给出了仪表刻度线、指针的定位、读数识别的原理和方法,并将这些图像处理算法的优劣进行对比,提出要结合仪表特征(多指针多颜色、均匀刻度、非均匀刻度)选择算法进行识别;同时,分析了采集设备中摄像头、光源对后续图像处理过程造成的影响;最后总结仪表识别的研究状况及存在的问题,为实现实验室型高准确度仪表的机器视觉自动化校表给出了一些参考建议.