基于卷积神经网络的渐进式指针表自动读数方法

为了提高指针表自动读数方法的准确度和便捷性,提出了一种基于卷积神经网络的渐进式指针表自动读数方法.首先利用Faster-RCNN(Faster-Region Convolutional Neural Networks)模型检测当前视野下指针表目标的包围框位置,得到目标图像,简化读数前设备安装与标定过程;然后利用SIFT(Scale-Invariant Feature Transform)、RANSAC(Random Sample Consensus)算法和透视变换得到无倾斜、无旋转的图像,克服指针表倾斜或旋转对自动读数的影响;再利用八邻域法检测指针表表盘,大津算法(Otsu算法)提取分割阈值,区域生长法提取指针;最后利用卷积神经网络识别指针表的大刻度示值得到指针表的粗读数,利用角度法得到指针表的细读数,完成高精度自动读数.实验结果表明,文中所提出的方法具有较好的准确性与抗干扰能力,读数最大误差低于0.7％.     

基于计算机视觉技术的电力指针表自动读数识别研究

本文详细介绍了电力指针表自动读数识别的有关算法,通过计算机视觉技术与查表法相结合的方式实现高精度的读数判别,在不需要调整相机位置的情况下大幅提高了读数识别效率,研究结果可广泛应用于电力、机械、医疗等行业.     

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％．     

一种适用于变电站巡检机器人的仪表识别算法

该文提出一种改进的适合智能变电站巡检机器人室外工作环境的变电站仪表设备的读数识别算法.首先针对各个不同种类的仪表设备图像,进行设备模板化处理,并在模板库中建立各仪表的min刻度和max刻度的位置信息.对于机器人实时采集的仪表设备图像,在后台服务中调取相应设备的模板图,利用尺度不变特征变换(SIFT)算法,在输入图像中匹配提取仪表表盘区域子图像.而后对表盘子图像进行二值化、仪表指针骨干化处理,利用快速霍夫变换(fast Hough transform)检测指针直线去除噪音干扰,定位指针精确位置和指向角度,完成指针读数.此算法经过国内某500 kV智能变电站巡检机器人实地测试,各种仪表综合识别率超过99.2％,对仪表的读数具有高精度高鲁棒性,完全满足该智能变电站推进无人值守的仪表设备读数自动检测识别的要求.     

多指针水表读数识别算法研究与实现

为解决水务公司多指针水表识别问题,文中提出一种多指针水表读数识别算法。首先,通过Hough圆检测提取出水表表盘区域,定位透视变换关键点,校正水表表盘区域。然后,分割子表盘,并进行二值化、形态学黑帽运算、加运算,分割指针。最后,计算指针偏移角度,获取子表盘示数,并对各子表盘示数按规定计算,得到多指针水表读数结果。实验结果表明,该算法对子表盘读数识别准确率达到91.75%,可用于识别多指针水表,为水务公司多指针水表读数工作提供一定的技术支撑。     

基于视觉显著性的指针式仪表读数识别算法

针对指针式仪表读数算法对光照变化影响较大、识别精度不高的问题,提出一种基于视觉显著性区域检测的指针式仪表读数方法.首先利用区域对比度、空间关系、中心先验性等视觉显著性区域检测先验知识,提取仪表图像指针区域;然后用无向图排序算法进行优化,抑制非指针区域的干扰,突出指针区域;再通过依次旋转仪表指针图像统计旋转不同角度时仪表指针图像在纵轴上的投影最大值,计算指针至平行于横轴需要旋转的角度,并判断指针旋转至平行于横轴时指针顶部区域与底部区域在横轴上的投影最大值在仪表图像中位置,获取指针与横轴的夹角;最后采用最小二乘法拟合指针夹角与指针刻度之间的线性函数参数,计算仪表读数.实验结果表明,该方法在不同光照下能较好地提取指针区域,得到的仪表读数与人工读数误差较小,算法稳定可靠.     

基于LabVIEW的指针式仪表实时读数系统

提出了一种基于虚拟仪器（LabVIEW）技术的指针式仪表读数系统.对采集到的指针式仪表图像进行实时滤波处理.运用不变矩法分割表盘图像,提取感兴趣的指针目标.使用LabVIEW中的指针识别读数模块处理分割后的图像,得到指针读数.实验中采用百分表作为识别目标,结果表明,本方法识别读数迅速,准确度高,可以运用于实时要求较高的条件下.     

基于卷积神经网络的指针式仪表识别

目前大部分研究指针式仪表识别的方法中提取指针是完全基于传统的图像处理技术,提取过程较为复杂且步骤繁多.为了有效解决指针式仪表读数识别中指针中轴线所在直线提取困难及识别精度不高等问题,本文提出了一种基于深度学习的指针式仪表的识别方法.首先用Faster R-CNN算法检测仪表圆盘,再采用基于深度学习的方法Faster R-CNN算法检测指针,根据得到的指针目标框的位置信息裁剪得到指针图像,在指针图像的基础上进行二值化、细化、霍夫变换检测直线、最小二乘法拟合直线等步骤识别仪表最终读数.和直接在仪表表盘目标框图像或原始图像上进行传统图像处理相比很大程度上减少了定位指针中轴线所在直线过程中的干扰.实验结果表明本文所提出的基于深度学习的指针检测的平均准确率高达96.55％.对于复杂背景下指针式仪表的指针区域的检测具有良好的准确性与稳定性.     

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.     

基于机器视觉的指针式仪表示数识别方法研究

基于机器视觉技术实现指针式仪表数据的自动读取具有重要意义,针对现有方法中存在的识别精度不高等不足,提出一种基于标定的指针式仪表数据视觉读取方法。首先,基于标定模板完成仪表表盘最大、最小刻度线识别与斜率计算;其次,通过仪表表盘图像预处理及连通区域筛选得到指针大致区域;然后,融合Hough和边缘聚类与拟合方法实现仪表指针边缘的精确定位,进而实现指针数据的识别与读取;最后,以某品牌避雷器监测器为例,对上述方法进行实验验证。结果表明,该方法能够准确、稳定的识别出指针式仪表读数。     

基于文本特征及二次矫正的指针式仪表自动读数算法

现有的指针式仪表读数算法常通过检测仪表的刻度进行示数识别,但仪表图像中的刻度包含的特征较少,从而容易出现误检测。针对此问题,提出了一种新的指针式仪表自动读数算法,该算法通过选取较大区域的图像特征大幅度地提高了仪表读数识别的鲁棒性。由于指针刻度值文本是各类仪表具有的共同部分且具有远多于刻度图像的特征,因此所提算法以刻度值文本作为识别依据,首先通过卷积神经网络检测仪表图像中的刻度值文本,并使用其位置坐标来拟合仪表的圆心,在得到圆心的基础上通过极坐标变换及图像二次矫正将圆弧形的刻度区域转换为水平直线型的区域,同时被识别的文本值也用于改进距离判读法。该方法与其他读数算法的比较结果表明,该算法具有较高的读数准确率,引用误差在0.5%以下,且在复杂拍摄条件下具有更高的鲁棒性。     

改进ORB和Hough变换的指针式仪表识读方法

为了实现指针式仪表的自动识读,提出一种基于改进ORB（Oriented FAST and Rotated BRIEF）和Hough变换算法的指针式仪表识读算法。利用角点强化方法加强ORB算法检测的特征点,通过特征点匹配对计算模板图像与待检测图像之间的透视变换矩阵。利用数学形态学处理、阈值分割等图像预处理提取指针,并提出一种用于确定指针旋转圆心的基于ORB特征匹配对的相似特征三角形方法,结合投影法定位指针方向。利用指针细化算法和添加圆心约束的Hough变换算法检测指针角度。最后根据仪表的先验信息得到读数结果。实验结果表明该算法在识读速度和精度等方面都能够满足指针式仪表识读的要求,具有较高的可靠性和工程应用价值。     

基于图像处理的细指针表盘识别方法研究

为了解决在细指针表盘识别中难适应光照变化、细指针难分割和表盘读数准确识别率低的问题,结合细指针表盘区域的图像特点,采用图像处理对细指针表盘读数进行了研究。首先,对表盘进行标定,获得表盘量程等先验数据,制作模板,并提出了基于SURF算法改进的多任务模板特征匹配算法;其次,根据指针活动区域,提出了基于分割扇形区域的指针定位法(Pointer positioning method based on Segmented Sector, PSS),进行图像预处理和二值化,使用最小二乘法拟合求得角度;最后,由指针角度得到读数。实验结果表明,该方法对细指针表盘识别率高,能够准确、稳定地识别细指针表盘示数。     

基于深度学习的集气站指针式仪表读数研究

为了提高集气站仪表读数的信息化程度、减少人力资源成本,应用机器视觉和深度学习算法对指针式仪表的自动读数进行了研究.首先,对图像进行预处理,对白天采集的图像使用双边滤波进行降噪处理,对晚间采集的图像使用单尺度Retinex进行增强处理;接着,使用Mask基于区域的卷积神经网络(RCNN)获取采集图像中仪表的具体位置;然后...     

指针式仪表自动读数识别技术的研究现状与发展

指针式仪表自动判读技术是当前机器视觉研究的热点,也是模式识别领域一项重要的研究内容和前沿技术。在对指针式仪表识别技术进行了一般性概述之后,详细介绍了基于机器视觉的指针式仪表自动读数识别技术的基本概念、基本原理和主要研究内容,介绍了该技术在国内外的研究现状,同时重点介绍了图像校正、圆形表盘轮廓检测、指针线检测和角度计算等主要研究内容的最新进展,最后给出了指针式仪表自动读数识别涉及的关键技术和发展方向。     

指针式压力表自动检定系统的设计与实现

设计并开发了一种指针式压力表自动检定系统。该系统包括压力表检定／校准管理系统和仪表示值自动判读系统两部分。系统的可视化界面使得操作非常简单,操作人员只需输入量程、精度等必要参数,压力表的指针读数即可自动读出。给出的自动判读方法可用于各种指针式仪表精度的自动检测、判读,其精度取决于图像的分辨率和限定的处理时间。本系统可较大地改善压力表人工检定工作的落后状况,在一定程度上提高了检定工作的自动化水平和检定结果的稳定性。