基于深度学习的指针式仪表识别算法研究

目前指针式仪表数据仍然基于模板匹配等传统算法,在信噪比低的情况下识别精度低,因此采用深度学习进行指针的分级定位与识别。一级识别采用SSD算法进行仪表区域定位,计算仪表倾斜角度并修正。二级指针定位使用多方位SSD算法识别指针转动角度并转换量程。使用自建的仪表数据集进行网络训练,指针式仪表检测精度达到87%;作为拓展方向,数字式仪表检测精度达88%。实验结果表明,该算法稳定性及准确度均高于传统的指针式仪表识别算法。     

基于传统图像处理算法和深度学习的轨道区域识别研究

异物侵入是造成铁路安全事故的重要原因,检测异物入侵的前提是准确的轨道区域识别。传统图像处理算法基于轨道图像的边缘特征和直线特征,综合运用Sobel算子和Hough变换识别图像中的铁轨,然后确定轨道区域。深度学习技术快速发展,在图像处理等方面展现了巨大的潜力。利用深度学习的目标检测算法,基于MaskR-CNN模型,训练轨道区域识别系统,通过在实际图片上验证效果,证明了系统识别的有效性。     

一种适用于智能变电站巡检机器人的双针仪表读数的识别算法

提出一种适合智能变电站巡检机器人室外工作环境的对变电站双指针式仪表设备读数的识别算法。首先针对双针仪表设备图像,进行设备模板化处理,并在模板库中建立仪表的min刻度和max刻度的位置信息。对于机器人实时采集的仪表图像,先要在后台服务中调取相应采集位置设备的模板图,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。而后除去上方指针在表盘中的阴影降低指针误识别率,再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)检测两条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95%,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。     

输电线路螺栓紧固带电作业机器人的视觉搜索、识别与定位方法

在输电线路采用机器人进行螺栓的全自动带电紧固作业是一项非常有挑战性的工作,螺栓的自动紧固首先必须解决螺栓的自动搜索、识别与定位,由于线路环境复杂,这些工作变得十分困难,为此,提出一种新的螺栓视觉搜索识别定位方法,该方法分为两部分,基于参考物的螺栓追踪,通过设定引流线为参考物,先对引流线进行定位,然后沿着引流线方向来搜索螺栓,从而简化螺栓搜索过程,降低螺栓识别难度;基于改进Hough变换的螺栓识别算法,通过对经典Hough变换的峰值选择策略进行改进来实现螺栓的精确识别,然后利用螺栓头部圆形特征来完成螺栓中心的验证,并通过HOG和SVM技术来实现目标物体的识别分类,消除外界不相关物体对目标图像的影响,进一步提高识别精度。根据该方法,设计了机器人原理样机并进行了模拟测试和现场测试,测试结果表明,该方法能够高效地实现输电线路上螺栓的搜索、识别与定位,极大程度地提高了机器人的带电作业效率。     

基于图像处理技术的表盘指针角度识别研究

论文论述了变电站设备表盘指针角度识别的数字图像处理和图像识别的实现过程。给出了远程数字视频监控与识别系统的组成。分析并研究了可用于指针图像处理的图像分割、图像滤波及图像的膨胀细化等运算方法。提出了一种新的适合实际运行设备的指针角度识别方法一同心圆环搜索法，该算法的计算简单，实时性好，识别误差小。经过大量不同条件的实验，证明这种算法对于指针角度的识别是十分有效的。     

电力变压器温度表指针位置识别研究

电力变压器温度表是监测变压器运行状态的关键设备，利用图像识别技术是准确获取温度表读数的有效途径之一。阐述了对变压器温度指针位置进行数字图像处理和图像识别的实现过程，设计识别流程，分析比较了不同类型的表盘指针位置识别过程中的图像处理算法。针对在光照条件较好的情况下分割指针图像所用的直接色调匹配法存在的缺陷，以及变压器温度表具有红色和黑色表针的图像特点，提出一种新的适合较差光照条件的指针区域判定法--主色提取法。实验证明，该算法计算简单、适应性强、处理效果好，为准确判定指针位置和计算指针读数奠定了基础。     

基于空间变换的指针式仪表读数识别算法研究

针对目前指针式仪表图像自动读数识别普遍存在受光照变化影响大,表盘内部阻尼液干扰引起识别精度低的问题,本研究提出了一种基于空间变换的指针式仪表读数识别算法。首先选取指针所在区域的圆心和半径,获得边缘提取的仪表内圈圆弧轮廓,以此确定图像空间变换需要的参数从而将圆弧形的表盘转换成矩形;其次通过图像拼接处理构建无指针图像,在此基础上对刻度线进行校正处理得到刻度线坐标;最后通过减影法提取指针区域中心直线坐标,判断指针与刻度线的相对位置来获取指针读数。光照实验表明,本算法对指针和刻度线识别受光照影响小,经校表实验表明,本研究提出的算法识别速度快、精度高。     

基于改进Hough变换和BP网络的指针仪表识别

指针仪表示数的视觉识别,对于提高电气、机械、汽车等工业领域的生产效率具有重要意义。采用Hough变换方法完成指针直线特征的识别,进而在表盘圆形特征的识别过程中对Hough变换方法进行了改进,通过减少累加像素数目结合灰度中心法来提高原性特征定位的效率和精度。在字符识别阶段,构建了一个三层次的BP神经网络。实验结果表明,该方法对于Hough变换的改进措施达到了预期效果,BP神经网络也实现了字符特征的准确识别。     

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。     

基于图像处理技术的指针式仪表自动检定装置

针对指针式电表自动检定中的指针信号提取,提出了一种改进的Hough变换算法,利用双阈值大大提高了Hough变换直线提取的运算速度,降低了内存占用,同时减少了直线误匹配的机会,并且用VC 语言实现了该算法。通过实验证明了双阈值的范围,结果表明了该方法在指针信号提取中的有效性。     

基于Snake算法的圆盘仪表示数识别技术研究

仪表示数的自动识别对于自动检测和自动控制具有重要意义,文章以圆盘仪表示数的自动识别为研究内容展开研究。提出了一种基于Snake算法的自动识别方法,整个算法分为Hough变换粗定位圆形特征、Snake算法精定位圆形特征、Hough变换检测直线特征三个环节。此方法以Hough变换检测的圆形特征为初始条件,进而根据Snake模型的内力和外力,引导Snake曲线向更加精确的圆形特征逼近。针对压力表图像展开相应的实验研究,实验结果证实了基于Snake算法的自动识别方法的有效性。     

仪表动态参数的自动获取及其优化算法

计算机视觉识别是一种获取仪表动态参数的通用新方法,可以显著提高工业生产的自动化程度。系统地介绍了指针式仪表识别中的优化方法,提取图像粒子目标的长度比、紧密性和简单度三个特征不变量作为分类表盘的基本元素;基于差分图像确定投影原点的点弧线投影极值新算法,可快速获取仪表指针和分度线参数,且能区分分度线长短。与传统的Hough变换检测仪表示数的方法相比,提出的算法大大优化了仪表的计算机自动判读过程。     

基于改进Canny边缘检测的指针式仪表自动读数算法研究

指针式仪表自动读数是工业巡检机器人系统的核心技术之一,以机器视觉为基础,提出了一种新的指针式仪表的自动读数算法研究,研究分为3个模块.首先采用基于深度学习的目标检测SSD算法,对指针式仪表位置进行准确定位,该算法可以准确的从复杂背景中检测出指针式仪表的位置,并将其提取出来;接着采用多尺度Retinex对HSL色彩空间中...     

基于OpenCV和 YOLOv5的车道线检测与识别

为更加快速、准确识别汽车行驶区域并区分车道,实现无人驾驶,提出一种结合视觉OpenCV 算法和改进 YOLOv5算 法的目标检测跟踪模型进行车道线检测的方法。在图像预处理阶段,首先读取视频图像,把每一帧RGB图像转为灰度图,通 过Canny 算子对图像的边缘轮廓进行提取,然后绘制车道线的掩码区域,并与边缘检测结合,采用ROI 技术提取感兴趣区域, 最后进行概率霍夫变换和最小二乘拟合,将得到的直线绘制到原图像中,最终对每一帧处理后的图像进行输出。目标识别模 块采用卷积神经网络(convolutional neural network,CNN)深度学习方法及 YOLOv5算法进行目标识别处理。实验结果表 明,所提检测算法能够实现准确的车道线检测,实时性和准确性比传统算法高很多,且该方法具有良好的鲁棒性。     

基于扩展扫描区域的现场表计指针识别方法

为了满足变电站巡检机器人对现场表计指针的智能识读要求,文中提出一种基于扩展扫描区域的现场表计指针识别方法。通过改进的SIFT算法进行图像匹配并求出单应矩阵,利用单应矩阵将在模板图像上标定的刻度弧线映射到待测图像上,通过扩展扫描区域,依据检测曲线路径上像素点的灰度值和确定指针位置并计算读数。文中对变电站现场的五种仪表,共计500张图片进行了测试。实验结果表明,文中所提算法简单实用、稳定且识别精度高,可以对多种不同的仪表进行识别,适用性强,在变电站多类指针表计识别中具有较好的应用前景。     

基于提升小波变换的指针式仪表图像边缘检测

为解决工业中对指针式仪表的自动检定,针对自动检定系统中所涉及的图像边缘检测技术难点,分析了现有传统算法的不足之处,提出一种有效的基于提升小波变换的边缘检测算法。该算法利用提升小波变换尺度的低通作用,避免受高频噪声影响,在传统边缘检测算法的基础上,提取低频轮廓。利用小波系数的方向性,结合方向性边缘检测算子,获得高频边缘信息,最后利用小波重构获得准确清晰的图像边缘,为后续Hough变换准确的提取指针提供了有利保障。实验结果表明,该算法得到的图像边缘较传统Canny算法更清晰准确,无虚假边缘,应用于仪表自动检测系统中是可行的。     

基于改进Hough变换的雾中绝缘子裂纹检测与研究

鉴于航拍雾中绝缘子图像出现颜色失真与裂纹检测效果不理想的问题，采用了一种改进Hough变换对雾中绝缘子定位与裂纹检测方法。针对颜色失真的弊端，通过大气光强度与暗通道之差的绝对值改进透视率计算公式，使之改善蓝天、白云等光亮区域去雾后颜色失真的情况。对于绝缘子定位与裂纹检测的障碍，提出了椭圆圆心是此椭圆内外所有点中到边缘最大长度最小的点这一特征，快速计算出圆心以此降低Hough参数维度与计算量,实现绝缘子在图像中的定位。最后采用Hough空间中峰值检测与置零法相结合，解决传统Hough变换检测直线算法耗时久与准确率低的短板。通过设定阈值减少伪裂纹与过连接的产生，快速并准确的检测出裂纹。通过仿真实验验证，文中所提的改进Hough变换相比传统Hough变换对雾中绝缘子裂纹检测速率提升了1.4倍，准确率提高了5.5%。     

指针式仪表读数识别的研究现状与发展

在高温高压强磁场等恶劣环境下,指针式仪表有着优于数显式仪表的良好性能表现,对指针式仪表读数识别进行研究具有重要的现实意义。近年来,深度学习与计算机视觉紧密结合,基于深度学习的指针式仪表读数识别技术是前沿研究的重点方向。文中首先概述指针式仪表读数识别的过程,然后从3个方面论述指针式仪表读数识别技术的研究现状与进展：仪表图像的预处理、仪表表盘区域的检测和仪表的读数识别,论述过程中分别阐述基于传统机器学习的方法和基于深度学习的方法。最后介绍公开的仪表数据集和应用场景,并从深度学习算法、巡检机器人工作特点和公共数据集的建立3个方面对未来的研究进行展望与建议。