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.     

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.     

变电站指针式仪表自动读数系统设计

针对变电站指针式仪表人工抄表存在易受工作人员主观因素影响,常发生漏检、误检,存在工作环境辐射危害大等问题,设计一种由巡检机器人和图像处理技术组成的变电站指针式仪表自动读数系统。该系统以STM32芯片为核心,由工字电磁传感器、双自由度云台、高清变倍相机以及ESP8266等组成的巡检机器人,能精确定位在仪表前对仪表图像进行采集并传回计算机终端。由计算机终端通过改进的区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）目标检测算法提取出仪表盘高清图像,去除冗余信息后经霍夫变换检测出指针中心线位置,得出仪表读数。     

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...     

基于轻量化深度学习的指针式仪表读数方法

为了降低神经网络模型对工业现场边缘计算设备计算资源的过度依赖,提出了一种轻量级MobileNetV3-YOLOv5s模型的指针式仪表读数方法。以YOLOv5s网络模型为基础,使用MobileNetV3作为主干特征提取网络,完成模型的轻量化改进。随后,利用该网络模型进行仪表区域检测、分类和分割,在使用Sift算法定位仪表区域和仪表指针后,利用得到的仪表倾斜角度信息与仪表指针旋转角度信息实现仪表的倾斜矫正和数据读取。在树莓派上进行测试,实验结果表明,提出的轻量化仪表检测算法虽然准确率较YOLOv5s和SSD模型略有降低,但是其推理耗时和模型占用内存具有显著优势。且测试表明提出算法读数相对误差控制在1%以内。因此,该方法一定程度上可以为在低成本边缘计算设备上运行复杂大型神经网络模型进行工业现场指针式仪表数据读取提供技术支持。     

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。     

基于计算机视觉技术的电力指针表自动读数识别研究

本文详细介绍了电力指针表自动读数识别的有关算法,通过计算机视觉技术与查表法相结合的方式实现高精度的读数判别,在不需要调整相机位置的情况下大幅提高了读数识别效率,研究结果可广泛应用于电力、机械、医疗等行业.     

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。     

基于阅读姿态视觉识别与自适应调整的智能阅读架

设计了一种能够自适应调整的智能阅读架,该智能阅读架采用ARM Cortex-A53树莓派微处理器架构,整机系统由阅读架终端、云端服务器和应用端用户平台3部分构成.阅读架终端配置单目摄像头,能实时识别读者前倾、后仰、左偏、右偏、抬头、低头以及正确的坐姿,并能通过步进电机控制阅读架实现上下、左右角度调节,自适应跟踪读者的阅读姿态.此外,智能阅读架能够将用户使用时间、阅读姿态等信息上传云端服务器,组建用户档案库,供用户访问.该设计产品可以广泛推广到幼儿园及中小学、图书馆阅览室、普通家庭等场合,帮助阅读者端正坐姿,养成良好的阅读习惯,社会和经济效益显著.     

基于视觉注意力模型的显著性提取

对现有基于注意力机制的静态显著计算和动态显著计算技术进行综述.它主要包括两部分:静态图像的显著性提取和动态图像的显著性提取.静态显著计算首先介绍了Itti和Stentiford静态显著性提取模型,然后分析了基础分割的注意力模型技术.动态显著性提取中的两个动静结合的注意力模型、强注意力偏向融合和基于运动优先的注意力模型.介绍了一些视觉注意力模型,并对其进行了讨论.探讨了各种模型的优缺点及应用.为视觉注意力模型在图像检索、人机交互、视频监控等领域提供了一定的基础.     

基于轻量级卷积神经网络的水表读数自动识别系统

本文基于ESP32微控制器设计了一种轻量化的卷积神经网络用于自动识别水表的数字读数,该神经网络通过Tensorflow Lite深度学习开源框架部署到微控制器上,通过OV2640摄像头采集图像并传输给ESP32微控制器调用神经网络模型执行数字分类推理,实现读数识别.实验结果表明,该网络模型可以部署在硬件资源有限的ESP32微控制器上运行,对于清晰数字样本的预测准确率可达96％以上.     

基于视觉显著性的目标分割算法

传统的图像分割算法在分割前需要输入目标的先验信息,因此不适应盲图像的分割。为此,提出了一种基于显著性的图像分割算法,主要借鉴人的注意力机制将图像中具有视觉显著性的区域分割出来。首先,利用Gist全局特征获取目标图像的相似图像集;然后,结合尺度不变特征SURF(speeded up robust features)和Lab颜色模型空间特征对目标图像内以及相似图像集提取显著性特征,并根据显著性块频率低的原理进行显著性分割;最后,结合图分割获得最终的显著性区域分割结果。实验结果表明该方法适用于具有显著性视觉语义的盲图像。     

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Ho...     

基于图像显著性识别的自动抠图系统

RC算法引入区域级别的对比度,对颜色模型进行重新量化,能大幅提高处理速度、突出显著目标,然而其基于图的分割算法易出现分割区域不能较好地贴合物体边缘的问题。引入优化的SLIC算法代替基于图的分割算法,对RC算法进行改进,并实现一个基于图像显著性识别的自动抠图系统,克服传统抠图系统必须人工标记的缺点。实验结果表明,相比IT、MZ、GB、RC等经典算法,改进的RC算法抠取的显著目标更精确,其查准率、查全率、F值分别为0.82、0.85和0.83,系统能自动抠取显著目标并提供图片合成应用。