基于视觉显著性的指针式仪表读数识别算法

针对指针式仪表读数算法对光照变化影响较大、识别精度不高的问题,提出一种基于视觉显著性区域检测的指针式仪表读数方法.首先利用区域对比度、空间关系、中心先验性等视觉显著性区域检测先验知识,提取仪表图像指针区域;然后用无向图排序算法进行优化,抑制非指针区域的干扰,突出指针区域;再通过依次旋转仪表指针图像统计旋转不同角度时仪表指针图像在纵轴上的投影最大值,计算指针至平行于横轴需要旋转的角度,并判断指针旋转至平行于横轴时指针顶部区域与底部区域在横轴上的投影最大值在仪表图像中位置,获取指针与横轴的夹角;最后采用最小二乘法拟合指针夹角与指针刻度之间的线性函数参数,计算仪表读数.实验结果表明,该方法在不同光照下能较好地提取指针区域,得到的仪表读数与人工读数误差较小,算法稳定可靠.     

基于纹理分析的仪表读数区域定位新方法

仪表读数自动识别的关键是准确检测出指针在刻度区域的位置,因此仪表盘上刻度区域的准确定位是仪表自动读数识别的重要步骤。提出一种基于形态学和纹理分析的仪表读数区域定位新方法。用图像重构技术清除图像边界及与边界相连接的结构,即仪表盘边框和指针,然后利用形态学算法来分割仪表盘的各个区域,最后用纹理统计分析方法和频谱度量方法定位出刻度区域,排除非刻度区域,这样进行指针读数时就可以只对指针和刻度进行处理,排除其它干扰。实验结果表明,对方形指针式仪表而言,上述方法能有效定位仪表刻度区域,且具有较强的鲁棒性和抗干扰性。     

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。     

高精度指针仪表自动读数识别方法

实现一个高精度指针仪表读数自动识别系统．用数码摄像头采集仪表的图像,然后利用数字图像处理技术识别刻度和指针,根据指针和刻度的相对位置计算指针读数值．使用条件霍夫变换（Constrained HOUGH Transfer）和中心投影分析法实现刻度的全自动识别,采用快速中心投影法进行指针检测与识别,识别速度达到68ms．实验结果表明该方法比传统方法速度快、精度高,系统读数平均误差仅为0．016％．     

结合 Faster RCNN 和相似性度量的行人目标检测

行人检测是计算机视觉领域的一个研究热点,针对目前算法中常采用非极大值抑 制和硬阈值筛选的方法作为后处理,容易造成误检和漏检的问题,提出一种基于相似性度量的 行人目标检测方法。首先,采用 Faster RCNN 生成一系列的目标候选集,应用非极大值抑制对 候选集进行初步筛选,然后由较高置信度的目标区域建立特征模板,再根据特征相似性对较低 置信度的目标区域做进一步判别,最后将筛选后的目标候选集和模板区域作为检测结果。在 VOC、INRIA、Caltech 数据集的实验结果证明,基于相似性度量的算法提高了行人检测的准确率。       

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。     

机器视觉仪表识别方法的研究进展

介绍了机器视觉仪表识别方法的研究进展,具体给出了仪表刻度线、指针的定位、读数识别的原理和方法,并将这些图像处理算法的优劣进行对比,提出要结合仪表特征(多指针多颜色、均匀刻度、非均匀刻度)选择算法进行识别;同时,分析了采集设备中摄像头、光源对后续图像处理过程造成的影响;最后总结仪表识别的研究状况及存在的问题,为实现实验室型高准确度仪表的机器视觉自动化校表给出了一些参考建议.     

基于卷积神经网络的渐进式指针表自动读数方法

为了提高指针表自动读数方法的准确度和便捷性,提出了一种基于卷积神经网络的渐进式指针表自动读数方法.首先利用Faster-RCNN(Faster-Region Convolutional Neural Networks)模型检测当前视野下指针表目标的包围框位置,得到目标图像,简化读数前设备安装与标定过程;然后利用SIFT(Scale-Invariant Feature Transform)、RANSAC(Random Sample Consensus)算法和透视变换得到无倾斜、无旋转的图像,克服指针表倾斜或旋转对自动读数的影响;再利用八邻域法检测指针表表盘,大津算法(Otsu算法)提取分割阈值,区域生长法提取指针;最后利用卷积神经网络识别指针表的大刻度示值得到指针表的粗读数,利用角度法得到指针表的细读数,完成高精度自动读数.实验结果表明,文中所提出的方法具有较好的准确性与抗干扰能力,读数最大误差低于0.7％.