基于智能巡检机器人的变电站双针仪表读数识别及其算法

随着变电站智能化发展,很多变电站巡检机器人投用,目前巡检机器人对仪表巡检读数工作效率低.巡检机器人拍摄位置出现偏差导致仪表图像质量下降,影响仪表自动读数.研究变电站指针仪表检测,自动读数算法,实现巡检机器人智能读表方法.采用深度学习CRNN模型,简化人工建模步骤,数字表计识别率达99％以上,算法经某500kv变电站巡检...     

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.     

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LoRa的变电站巡检监控系统的设计

针对变电站巡检技术的发展需求,设计了一种基于巡检机器人的巡检监控系统,该系统结合LoRa物联网技术和计算机嵌入式技术,与电网设施环境结合,能够进行无线视频监测,对机器人位姿、环境温度、前向障碍进行实时采集,将采集图像和数据发送至终端,并能够通过终端操作,对机器人进行运动控制,使其巡检变电站的各个监测环节。测试结果表明,该系统能够实现机器人的远程监测和运动控制,能够有效减少变电站人员工作量,改良变电站巡检方式。     

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.     

基于图像处理的高精度仪表判读方法

提出了用图像技术对高精度指针式仪表自动判读的方法,关键问题是视差的检测和仪表图像坐标系统与仪表读数跟踪系统之间坐标的转换。采用脊波提取仪表图像中的直线,利用图像信息控制数控系统动作。实验表明:该读数方法绝对误差为零,非常适合于高精度指针式仪表自动跟踪判读。     

面向变电站机器人的仪表检测与场景理解技术

为提升变电站巡检机器人巡检效率和环境适应能力,将深度学习算法应用于变电站巡检机器人仪表检测和道路场景理解中,提出一种多视觉任务交替实现的轻量级卷积神经网络.该网络由骨干结构、控制模块、任务分支3部分串联组成,通过改进的Inception结构结合注意力模型提取图像特征信息,引入基于分类思想的控制模块实现仪表检测和场景理解支路交替运行,使网络充分利用平台计算资源,避免对无效信息的处理.实验结果表明,所提网络与传统网络相比,其精度与效率都有较大的提升,同时,在实际变电站场景中,该网络也体现出更高的适应性,可以更好辅助机器人完成巡检任务.     

LabVIEW和IMAQ在指针式仪表自动读数中的应用

应用IMAQVision图像处理软件包在LabVIEW虚拟仪器开发平台上,开发了一种指针式仪表自动读数系统。该系统以计算机视觉技术为基础,在软件上主要包括图像采集模块、图像预处理模块、图像分析模块。实验结果表明,该系统具有读数精度较高、操作简单可靠、效率高等优点,对指针式仪表的自动检测有一定的实用意义。     

基于深度学习的指针仪表识别系统

指针仪表识别并读数是机房巡检的重要任务，该文基于图像处理和深度学习算法，设计了一种指针仪表识别系统。首先，通过巡检机器人采集机房巡检的数据集；其次，对Faster R-CNN模型进行池化策略改进，并使用更深的ResNet152残差网络，实现仪表区域的识别和定位；最后，使用边缘检测结合霍夫变换对仪表进行矫正和读数。实验结果表明，改进后的Faster R-CNN模型准确率较高，平均精确度提高了6.2%，也优于当前主流的网络模型。该模型测试的读数误差在2%以内，企业测试人员实际运行后的误差在4%内，可以满足企业巡检需求，具有较好的应用价值。     

基于模板卷积匹配的电气指针式仪表快速检测方法

在电力系统智能运维中,特别是在基于数字孪生的变电站智能机器人巡检中,由于受周围复杂环境以及网络信号屏蔽的影响,机器人存在检测精度不高和实时性差等问题,导致不能准确检测出设备目标。利用变电站有关先验信息,如仪器仪表已知位置信息,在机器人巡检过程中,通过对已知目标的图像特征分析,利用图像几何特征信息的约束,完成智能巡检机器人在巡检过程中实现设备的准确检测。利用变电站中电气设备柜上的仪表进行识别和检测,是完成智能巡检机器人实现目标快速检测的一个关键环节。提出一种基于模板卷积匹配的电气指针仪表检测方法,通过对仪表盘进行卷积模板匹配,实现电气柜上仪表盘的精确检测,为下一步智能巡检器人的位置自校准提供必要的先验信息。实验结果表明,提出的算法具有较高的目标识别和检测精度,由于不涉及复杂的图像抽象特征计算,具有较高的计算效率。     

机器人在变电站设备巡检中的应用

本文在介绍变电站设备巡检现状的基础上,详细介绍了变电站设备巡检机器人系统的总体结构,并给出了基于(红外)摄像机、高性能定向MIC等传感器的变电站设备的图像巡检、仪表识别、温度检测以及移动物体侦测等功能模块的实现方法.该系统可以根据操作人员在基站的任务操作或预先设定的任务,自动进行变电站内的全局路径规划,自主完成变电站设备的巡检工作,通过携带的可见光摄像机、远程红外热成像摄像机、高性能定向MIC等传感器,完成变电站设备的图像巡检、设备仪表的自动识别、一次设备的红外检测以及移动物体侦测等,并记录相关信息,提供异常报警.     

一种基于图像识别的快速指针读数方法

指针式仪表广泛应用于现代生产、生活中,在仪表检测、表刻度数值记录等诸多领域,对指针式仪表自动读数需求愈来愈强。本文提出一种改进型的图像减影法快速读数方法。     

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.     

变电站关键图像识别技术研究

随着变电站巡检机器人的不断普及,针对巡检图片的识别逐渐成为研究的重点与难点。该文采用基于两次模版匹配与霍夫直线变换的方法对变电站巡检机器人图像中沉降、油温、液位、红外温度读数等场景下的关键信息进行提取识别,以提高变电站巡检效率,对实现变电站的智能巡检具有重要意义。     

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。     

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。     

一种用于海上平台缆控注水井的多类型指针式仪表识别方法

通过摄像头对海上平台缆控注水井现场巡检时,需要能够自动读取仪表数据。为了实现不同类型指针式仪表的识别,提出了一种用于海上平台缆控注水井的多类型指针式仪表识别方法。首先,构建模板图像数据库,对每个模板图像进行预处理并绑定其参数信息,使用改进的YOLOv5模型检测待测仪表图像的模板类型,读取模板图像和其对应的参数信息。然后,进行模板匹配定位仪表位置,获取指针角度并计算仪表数值。实验结果表明,本文所提出的方法能够识别不同类型的指针式仪表,识别效果显著,定位表盘位置准确,指针角度和读数精度更高。     

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。     

基于机器视觉技术的变电站巡检机器人自动导航系统

该文设计基于机器视觉技术的变电站巡检机器人自动导航系统,有效规划巡检机器人巡检路径,实现巡检机器人自动导航。该系统利用以PIC16F73为单片机的核心控制器,通过机器视觉采集模块采集变电站巡检设备和路线图像,经过图像处理模块分割、去噪处理后,由无线传输模块传输至巡检导航模块,结合栅格法和蚁群算法得出变电站巡检机器人路线规划最优路线;利用PID控制器控制巡检机器人按照规划路线行驶,实现变电站巡检机器人自动导航。实验结果表明,该系统无线通信性能好、覆盖范围广,可准确采集变电站巡检设备和路线图像并精准实现巡检机器人定位,能够有效规划巡检路线,实现巡检机器人自动导航。     

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.