一种指针式仪表非接触测量方法

提出了一种基于图像处理技术的指针式仪表非接触测量方法.研究了指针式仪表的圆心、半径、指针角度以及零刻度自动检测与校准的计算,在基于点Hough变换拟合其圆心与半径以及中心投影法确定指针大概位置的基础上,提出了一种基于亚像素定位的拟合指针直线的方法,具有指针式仪表高精度的自动检测与定位,从而实现了指针式仪表非接触测量.实验表明,该方法具有快速、准确等特点且切实可行.     

基于扫描线处理的指针式仪表快速读数算法

针对光照不均匀、指针检测速度过慢等因素造成指针式仪表读数算法无法快速、准确读取示数的问题,提出一种基于扫描线处理的快速准确读数新算法。新算法首先利用单尺度Retinex提取光照鲁棒性特征图像,然后应用提出的扫描线处理算法快速抽取进行Hough变换的特征像素点,最后用双阈值Hough变换检测直线。实验表明,所提算法创新性地将指针图像细化与双阈值Hough变换等相结合,不仅解决了光照变化的影响以及检测速度慢等问题,而且具有读数精度高、读取速度可调节等特点。     

一种指针式仪表的识别方法

当前指针式仪表识别技术日益成熟,其中指针形状和位置的识别大多采用Hough变换算法,传统的Hough变换算法运算时间长、储存空间大,使得识别过程效率低下。针对以上缺点,提出一种改进型Hough变换。通过限定指针式仪表表盘环形区域、运用差影法确定指针的大致区域、指针通过表盘圆心这三个限制条件来缩减Hough变换扫描的范围,以此缩减Hough变换算法的存储空间和计算量。将改进型Hough变换算法与传统的Hough变换算法相比较,实验结果表明:改进型Hough变换可有效地减少算法运行时间,提高指针仪表识别的实时性。     

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。     

基于MSER-Otsu与直线矫正的仪表指针定位算法

针对配电站无人值守作业机器人执行巡检任务时对指针式仪表的识读需求,提出一种结合MSER-Otsu阈值分割与Hough变换直线矫正的仪表指针定位算法。利用最大稳定极值区域算法从表盘图像中粗提取出指针区域,引入迭代Otsu算法进一步对该区域进行阈值分割,将指针、阴影和背景区域像素点分离后仅保留指针的二值化图像,对其采用Hough变换进行指针中心线预定位,再以Huber loss为最优化函数对预定位直线进行矫正,最终完成指针中心线的定位。实验结果表明,该算法能在复杂环境中对仪表指针进行精确定位并计算指针偏转角度,与Hough变换算法和Huber loss拟合算法等相比,其处理速度更快且鲁棒性更高,能满足配电站巡检机器人的实际需求。     

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.     

基于区域生长的指针式仪表自动识别方法

针对复杂多指针式仪表的读数自动识别难度大精度低的问题,提出了一种基于区域生长的指针式仪表自动识别方法。算法主要由基于区域生长的指针提取算法和基于 Hit-Miss 变换法击中直线或基于最小二乘法拟合直线的指针识别算法所组成。其中,区域生长所需的种子点通过基于差影法的模糊聚类自动选取。实验表明,基于区域生长的指针提取算法有效提取了指针特征,为 Hit-Miss 变换法和最小二乘法获得良好的指针识别精度奠定了重要基础。整个算法高效快速,能满足实时识别的应用需求。本文首次提出将基于区域生长的图像分割算法运用于指针式仪表识别领域中,丰富了指针式仪表识别的应用方法,获得了良好的识别效果。     

非均匀光照下指针式仪表自动判读算法设计

拟合人眼视觉机制提出了非均匀光照下指针仪表图像的预处理算法,在此基础上进一步设计了座舱指针式仪表自动判读算法。首先对仪表盘图像进行亮度均衡、二值化变换,再将指针细化,然后根据改进的Hough变换提取目标信息,确定座舱指针式仪表的读数。实验结果表明,该算法有效地解决了在非均匀光照情况下的飞机座舱指针式仪表自动判读,降低了判读误差。     

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.     

基于机器视觉的汽车仪表盘指针检测

基于机器视觉构建汽车仪表自动检测系统已成为实现仪表生产测试的主要途径;基于图像空间到参数空间的收敛映射,提出了改进CM-Hough变换检测算法对汽车仪表盘的指针位置实施检测;首先,介绍了基于机器视觉对汽车仪表的符号及指针进行自动检测的系统组成;接着,针对经典Hough变换发散映射运算量大的缺点,提出了基于收敛映射CM-Hough变换进行指针检测的算法,给出了利用Hough变换的检测结果直接解算指针位置的方法;最后,将算法由软件编程实现,通过测试实验验证了算法的实时性和有效性,测试数据分析显示了指针位置误差小于1％.     

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。     

基于深度学习的配电柜指针仪表示值识读研究

为准确读取配电柜指针式仪表的示值,保证巡检机器人作出相应决策,提出一种结合改进YOLOv5和PSPNet模型的指针仪表检测及示值识读方法。首先利用主干网络替换为轻量化网络MobileNetv3的YOLOv5算法检测定位表盘区域;然后采用特征提取网络替换为MobileNetv2的PSPNet算法对表盘的刻度线区域和指针进行分割,并通过最小二乘法圆拟合和霍夫直线检测法得到指针回转中心及指针的偏转角度;最后结合指针偏转角度和相邻主刻度线与回转中心连线的偏转角度,通过公式法求取仪表示值。实验结果表明,该算法能够准确提取配电柜上的指针仪表表盘,并对表盘中的刻度和指针进行精准分割,在误差允许的范围内指针仪表示值识读相对误差最大为6.5%,满足实际工程应用的需求。     

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...     

指针表刻度中心直线拟合方法研究

重点研究直线图像的直线方程拟合方法,提出了一种基于最小距离直线拟合新方法,用于拟合指针表刻度直线.对采集的仪表图像做预处理后,获得仪表各刻度直线的二值图像.使用最小距离直线拟合方法拟合各刻度中心直线,使用刻度拟合直线相交点对拟合直线进行最小二乘修正,提高刻度中心直线的拟合精度.仿真结果表明,该直线拟合方法能快速确定高精度指针表刻度线图像的精确直线方程,有利于提高指针表读数的精度.     

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。     

基于二维码匹配的指针式仪表读数识别方法

提出了一种基于二维码匹配的指针式仪表读数识别方法.该方法先实时采集高质量的仪表状态图像,同时获取二维码定位点信息以及与二维码相连接的数据库中存储的仪表类型信息,再根据二维码定位点信息对仪表图像进行快速倾斜校正,并利用二维码与仪表之间先验的几何位置关系快速提取图像中表盘所在的区域,最后根据获取的仪表类型信息,选择对应的仪表读数识别算法,以实现快速准确地识别仪表读数.实验结果表明：该方法能有效提高指针式仪表读数识别的准确率,尤其是对于复杂背景的仪表图像,该方法可用于电力系统中刻度均匀的指针仪表识别.