基于Mask-RCNN海上升压站数字式仪表读数的自动识别算法

海上升压站采用挂轨机器人开展巡检作业,利用机器视觉手段自动识别数字式仪表读数,替代人工记录.提出了一种基于Mask-RCNN深度学习方法的数字仪表读数自动识别算法.将不同类型的数字仪表原始图像制作成数据集,利用深度学习算法进行训练,根据损失函数变化曲线对算法进行参数优化得到训练后的模型,再进行数字仪表图像的识别分析.采用灰度世界算法和霍夫变换等算法进行图像预处理,可有效改善数字识别的准确度.最后,实验对比了YOLOv3和Mask-RCNN深度学习算法的识别性能,结果表明前者具有较高的检测速度,后者具有更高的准确率.后者的识别率为99.52％,满足海上升压站远程监控对数字仪表读数正确率高的要求.     

基于Mask-RCNN海上升压站数字式仪表读数的自动识别算法

海上升压站采用挂轨机器人开展巡检作业,利用机器视觉手段自动识别数字式仪表读数,替代人工记录.提出了一种基于Mask-RCNN深度学习方法的数字仪表读数自动识别算法.将不同类型的数字仪表原始图像制作成数据集,利用深度学习算法进行训练,根据损失函数变化曲线对算法进行参数优化得到训练后的模型,再进行数字仪表图像的识别分析.采用灰度世界算法和霍夫变换等算法进行图像预处理,可有效改善数字识别的准确度.最后,实验对比了YOLOv3和Mask-RCNN深度学习算法的识别性能,结果表明前者具有较高的检测速度,后者具有更高的准确率.后者的识别率为99.52％,满足海上升压站远程监控对数字仪表读数正确率高的要求.     

基于YOLOv5与改进VGG-CTC的数字仪表自动读数方法

随着数字电网的发展，数字仪表在电网中的应用越来越广泛。为进一步提高数字仪表自动读数算法的准确率和识别效率，推动数字电网建设，文中提出一种基于YOLOv5和改进VGG-CTC模型的数字仪表自动读数方法。该方法包括数字区域定位和仪表字符识别两部分。首先，采用YOLOv5模型检测输入图像的仪表数字区域，输出预测的数字区域边界框；然后，对VGG网络的卷积层和全连接层参数进行改进，提出一种改进VGG网络，将预测的数字区域输入该网络，即可提取数字区域图像特征，通过长卷积层输出字符概率分布信息；最后，经过CTC转录模块将概率分布序列映射为预测的数字仪表示数。实验结果表明，所提自动读数方法的准确率为89.63%，识别时间为439 ms，相比其他读数方法具有较好的读数准确率和识别速度，能够提高智能电网对设备状态监测的准确性和高效性，对推进能源物联网和数字化电网的建设具有重要意义。     

指针式仪表读数识别系统研究

介绍了一个指针式仪表自动读数识别系统.首先对仪表图像进行预处理操作;然后利用减影法提取指针图像;最后根据仪表指针变化趋势特点,提出应用于仪表指针读数识别的快速Hough法对指针进行识别,通过限制搜索范围降低Hough计算量.实验结果证明,该方法能在很大程度上提高系统实时性,比传统标准Hough方法时间快2～3倍.     

基于机器视觉的机械指针式仪表的读数识别方法

机械式指针仪表在工业生产实践中应用广泛,及时、准确地识别指针仪表指示信息是实现设备运行状态监测的重要手段之一。应用数字图像处理技术,本文提出了一种新的指针式仪表信息的自动识别方法。主要的步骤包括,使用轮廓跟踪法实现表盘与指针的区域分割,并进行了图像的预处理;利用图像变换算法进行指针方位的检测,获得指针的直线位置参数;最后,在已有信息的基础上,确定刻度线距关系及仪表最大量程,实现指针式仪表信息的自动读数识别。实验表明,本文所提出的自动读数识别方法准确、可靠且读数效率高。     

基于图像识别的仪表读数全自动检测技术

随着指针式仪表在电网应用范围的不断扩大,应用自动检测技术实现仪表数据的自动读取对提升工作效率有重要意义。为此,建立了基于图像识别的仪表读数全自动检测系统基本架构,详细分析了系统的硬件组成结构及设备选型要求,基于图像预处理以及读数识别两个部分对全自动检测系统软件技术实现过程进行解析计算。最后,对实验检测值和实际值进行比对分析,实验结果表明：所提方法可用于实现仪表数据全自动检测,其读数识别的精准度符合性能要求,具有高效化、智能化的运行特性。     

基于轻量级图像语义分割模型的指针式仪表读数全自动识别

针对指针式仪表图像特点及现有读数识别方法存在的局限,提出了一种基于轻量级图像语义分割模型的读数全自动识别方法。首先,以轻量级语义分割网络CGNet为基础进行改进,通过增加通道注意力模块SENet进行特征增强和融合,同时适当加深分类层,从而预测更准确的刻度线、指针、量程数字等语义信息;接着,根据刻度线语义分割结果拟合椭圆,建立与标准圆的透视变换关系校正倾斜畸变的图像;然后,在校正图像中通过极坐标变换、图像细化、垂直投影等后处理操作精确提取刻度线、指针,并通过optical character recognition技术识别量程数字;最后,根据刻度线与指针相对位置关系及量程信息确定仪表读数。为验证该方法的有效性,构建了指针式仪表图像数据集。实验结果表明,该方法在图像语义分割精度上与现有轻量化方法相比有较大提升,对测试集图像读数识别的平均相对误差约为0.63%,可满足实际应用需求。     

基于语义分割和卷积神经网络的数显表识别算法研究

针对传统数显表读数识别算法适用性差、抗噪能力弱等问题,提出了一种适用于小数据集的基于语义分割和卷积神经网络（CNN）的数显表读数识别算法。该算法通过融合残差网络的U-net实现数字区域定位,利用卷积神经网络实现数字识别。采用mnist数据集预训练模型,使用真实表盘数字图片进行微调,建立适用于多种类、有背景噪声条件下的数显表识别模型。利用家用水表图片构建的测试数据集对算法进行验证。实验结果表明,数字区域定位分割结果的平均IoU为99.76%,160张水表读数识别准确率为100%,单张图片识别用时350.59 ms,满足工程应用需求。     

数码管数字仪表自动识别方法的研究

对计算机实现七段数码管显示的数字字符的自动识别方法进行了研究。利用开放计算机视觉库(OpenCV)和VisualC++6.0组建实验平台,对数码管数字仪表的预处理过程和数字字符的正确分割与识别进行了研究。预处理过程主要包括灰度转换、中值滤波平滑、二值化以及去除噪声等几个方面。分别利用穿线法和模板匹配法对七段数码管式数字仪表进行识别。采用七段数码管式出租车计价器作为原始图像,研究结果表明,这两种方法都能获得比较好的识别效果。     

基于图像处理的数字仪表字符自动识别研究

为提高数字仪表图像识别率,结合机器视觉技术,在图像预处理的基础上,提出一种PSO的LSSVM参数优化方案。在图像预处理阶段,采用Hough变换校正,并通过形态学处理和二值化,以提高图像采集的效率;然后采用连通域的方式实现对图像区域的定位分割,并通过七段码实现图像特征提取;针对数字仪表识别是多分类的问题,采用OAO分类法将LSSVM算法拓展到多分类,并引入PSO算法对LSSVM参数进行优化;最后以OpenCV开源库、MATLAB作为工具,对上述算法进行验证。结果表明,0~9数字字符识别率为99.2%,整体图像样本测试识别率为99.6392%,高于其他算法,体现了较好的识别效果。     

基于神经网络的手写体数字识别

本文重点解决以图像方式存在的手写体数字识别问题,首先对图像进行预处理,其次对结构特征进行提取,最后利用神经网络模型对前面两步得到的样本数据进行学习和训练.通过MATLAB进行仿真,神经稀疏编码算法应用在手写体数字识别中能够得到比较好的识别率.     

指针式仪表数据智能采集系统设计

该系统采用ADSP-BF533+FPGA EP1C6T144C8的架构,可实现图像采集、指针仪表识别与读数、数据传输等功能.DSP通过对采集到的图像进行灰度变换、边沿检测以及Hough变换等处理后,实现对指针式仪表表盘的识别、指针定位和读数计算,并实现指针读数存储和传输.系统可通过串口实现组网测量与数据传榆.FPGA接...     

基于双目视觉的指针仪表读数识别

变电站中指针式仪表使用广泛,随着工业的快速发展,图像处理以及机器视觉等技术在仪表读数中的应用越来越广泛,但传统单目视觉仪表读数识别仍存在一定的弊端,在没有正视仪表的情况下,读数仍然存在误差.针对以上问题,构建了一种基于双目视觉的指针式仪表读数识别方案,来实现指针式仪表的准确读数.使用标定过的双目相机拍摄左、右视图,通过...     

基于卷积神经网络的藏文手写数字识别

藏文字处理和藏文数字自动识别等对藏文信息处理技术的潜在需求越来越高,目前已经成为藏区重要的研究课题之一。文中首先采集并构建藏文手写数字数据共15 000个样本,其中13 000个样本为训练数据,2 000个样本为测试数据,并对其进行预处理,后采用卷积神经网络(CNN)模型对藏文手写数字样本进行训练。经实验验证在测试集上的识别正确率达97.85%。     

基于图像处理的变电站指针式仪表读数研究

为解决变电站人工巡检指针式仪表工作强度大和读数误差高的问题,提出了一种基于图像处理技术的变电站指针式仪表自动检测系统。针对读入的图片实现图像灰度化、图像二值化;采用改进的Hough变换提取图像中的直线、计算指针角度和显示指针读数;并利用OpenCV函数库建立了指针式仪表图像的模型库,导入新的图片可选择不同的模型库。实验结果表明,该指针式仪表自动判读系统可以准确识别出指针的读数,且读数精度远大于人工读数。     

基于中英文数字语音登陆系统的仿真研究

为了方便学生使用中文或英文说出学号与名字登录注册系统,设计了中英文数字语音登录系统。采用MFCC(Mel频率倒谱系数)作为语音特征参数,在隐马尔可夫模型HMM(HiddenMarkovModel)框架下建立了基于语音识别开发工具包HTK的中英文连续数字语音识别系统,包括对语音信号的预处理、特征参数的提取,识别模版的训练,最后送到识别器进行识别。通过建立中文、英文和中英文混合训练集和测试集声学模型,并得到了较高的识别率,从而加强多媒体注册系统的稳定性和鲁棒性。     

基于BP网络的手写体数字识别方法

手写体数字识别是一个难度很大,但却具有广阔的应用前景的研究课题.本文主要研究了一种基于BP网络的手写体数字识别方法.这种方法先对数字字符进行分割、细化等预处理,生成数字样本.然后,使用大量数字样本对BP网络进行训练.最后,使用训练好的BP网络识别数字样本.经过测试,在对600个未经训练的字符样本的识别中,数字识别率可以达到95%以上.     

基于改进的Le Net-5手写数字识别研究

针对手写数字图像的特点,改进了传统LeNet-5卷积神经网络模型。首先使用双线性插值方法对MNIST数据集图像进行预处理,使用预处理后的图像数据训练改进的LeNet-5模型,在MNIST测试集正确率达到99.21%。此外,还将MNIST测试集与部分训练集互换,对模型进行交叉检验,交叉检验正确率达到99.17%。实验证明,改进的LeNet-5在手写数字识别上有较好的准确性能。     

指针式仪表自动检定系统图像识别技术

将机器视觉技术应用到指针式仪表的检定系统中,可以改变传统的靠人工读数进行检定的方法,提高了指针式仪表检定的效率与精度。指针式仪表的识别与检定,关键就是通过指针示值的动态识别,来实现仪器仪表的读数和自动检定。针对指针式仪表示值的自动判读,提出了一种新的图像识别方法。该方法适合实际应用,检定精度高,准确性好。经实验数据证明,该识别方法简单、稳定且识别误差小。     

指针式仪表数据智能采集系统设计

系统采用ADSP-BF533+FPGA EP1C6T144C8架构,可实现图像采集、指针仪表识别与读数、数据传输等功能。DSP通过对采集到的图像进行灰度变换、边沿检测以及Hough变换等处理后,实现对指针式仪表表盘的识别、指针定位和读数计算,以及指针读数的存储和传输。系统可通过串口实现组网测量与数据传输。FPGA接收DSP的指令,实现对COMS摄像头采集控制、键盘扫描以及各器件的片选信号产生等功能。利用计算机SQL Server数据库技术编写上位机程序,可对测量数据进行管理和备份。