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。     

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.     

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.     

多尺度边缘检测在仪表读数识别中的应用

提出一种基于小波变换的多尺度边缘检测算法,并将其应用到仪表指针图像的边缘检测中.结合电力系统中指针式仪表智能读数的需求,完成了智能仪表读数识别系统的软硬件设计.实验结果表明,该系统识别精度较高,具有一定的应用价值.     

基于MobileNetV2的圆形指针式仪表识别系统

针对目前指针式仪表识别任务在使用深度学习算法时存在模型参数量大、计算量大、准确率较低的问题,提出一种基于改进预训练MobileNetV2网络模型与圆形Hough变换相结合的圆形指针式仪表智能检测和识别系统。首先,采用Hough变换解决复杂场景内非圆形区域的干扰问题;然后,提取圆形区域以构建数据集;最后,使用基于改进预训练MobileNetV2网络模型对圆形指针式仪表进行识别。为客观反映所提模型的性能优劣,采用平均混淆矩阵来衡量模型性能。实验结果表明,该系统在圆形指针式仪表识别任务中的识别率达到99.76%。同时,将所提模型与其他5种不同的网络模型进行对比的结果表明,该模型与ResNet50的准确率最高,但在模型参数量和模型计算量方面,所提网络模型相较于ResNet50分别降低了90.51%和92.40%,可见该模型有助于进一步在移动端或嵌入式设备中部署和实现工业级的实时圆形指针式仪表检测和识别。     

指针式仪表通用读数识别方法及系统

变电站指针式仪表外观样式繁多,现有的方法只能对一个或两个指针的仪表或某种功能的仪表进行常规读数,无法同时支持两个以上表盘、两个以上指针、多种功能仪表的读数。基于以上问题,提出一种基于深度学习的通用指针式仪表读数识别方法。首先使用YOLOv5目标检测方法构建指针式仪表表盘检测模型,定位表盘位置。然后进一步在表盘中使用Mask R-CNN实例分割方法构建指针分割模型,识别指针mask区域。构建标定工具对表盘信息进行标定,将参数传递给读数识别模块。同时构建预置位纠偏算法,当预置位存在偏移时进行矫正,保证标定的信息与表盘位置保持对应。开发了指针式仪表通用读数识别模块,可对多指针、多表盘的情况进行遍历,实现任意类型指针仪表的读数识别。     

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.     

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。     

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...     

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。     

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。     

基于机器视觉的高精度指针式仪表自动检定系统研制

针对现有仪表自动检定系统对高精度指针式仪表采用的检定方法效率较低的问题,提出了一种基于机器视觉的仪表自动检定系统,采用一种新型的基于查表法的指针式仪表读数判别方法,结合机器视觉与数字图像处理技术实现对仪表读数的自动识别、存储.测试结果表明,检定系统能够准确地实现仪表读数的自动判别,显著提高了检定效率.     

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DQN和K-means聚类算法的天然气站场仪表智能识别研究

天然气站场中的仪表是工人和设备交互的窗口,可以反映工厂的运行状况;但是站场很多老式仪表不能远程读取示数,采用人工方法读取则浪费人力,需要对其进行智能化的读数研究;针对上述问题,采用了一种基于四足机器人作为载体运动控制,并通过深度强化学习(DQN)进行目标追踪任务和图像处理来读取仪表示数的新方法;首先通过改进的DQN算法的深度网络模型,根据仿真的环境中机器人学习效果,设计并调整动作奖励函数,设计机器人顶层决策控制系统;实现一维与二维状态参数输入下的仪表目标追踪任务;其次在仪表定位和仪表配准的基础上,通过K-means聚类二值化处理得到刻度分明的表盘;将图像进行内切圆处理,再在图像中间添加一根指针进行旋转,旋转过程中精确计算指针与表盘重合度最高的角度来得到对应刻度;经过实验表明,此算法可实现运动过程中仪表目标的精准追踪和降低计算时间,并大大提高了仪表追踪与识别的精度和效率,为天然气站场的仪表安全监控提供了有效保障。     

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。