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。     

基于 YOLOv4-tiny 和 Hourglass 的 指针式仪表读数识别

为了降低电力巡检机器人识别变电站指针式仪表的误检率,提高仪表读数识别的精度,设计了一种基于深度学习的指 针式仪表检测方法。 通过在 YOLOv4-tiny 网络结构基础上添加残差模块来提高模型的鲁棒性,并对 Hourglass 网络结构改进,达 到精准识别指针式仪表读数的目的。 为了验证所提出方法的有效性,以变电站现场仪表图像数据对方法进行测试,并将检测结 果与其他方法进行对比。 实验结果表明,仪表定位漏检率仅 1. 25%,指针定位精度在 1. 125%以内,整体检测时间小于 0. 5 s。 相较于常用的 Hough 直线检测与 ORB 结合或基于 U-net 模型的方法,读数识别的平均误差分别降低了 70. 8%和 58. 8%,为变电 站指针式仪表的读数识别提供新的思路。     

基于深度学习的指针式仪表自动读数方法

指针式仪表广泛应用于石油化工、工业制造和烟草行业动力部门等领域。鉴于人工巡检频率较低、部份仪表安装环境恶劣等因素,致使工厂生产过程存在安全隐患,巡检人员人身安全难以保障。本文基于现有的工业生产过程的监控摄像系统提出了一种基于YOLO V3目标检测与DeepLab V3+图像分割技术的指针式仪表读数自动识别方法。通过引入YOLO V3目标检测模型检测并切割出仪表表盘子图像。结合图像特点与实际需求,改进了DeepLab V3+模型,加入腐蚀操作,有效提取了子图像中的刻度线与指针信息。通过OCR技术提取子图像仪表量程,根据刻度线与指针的相对位置关系,计算得到仪表读数。实验结果表明该方法平均相对误差为2.17%,算法稳定可靠且处理速度快。     

基于深度学习的模糊指针式仪表矫正读数方法

变电站户外巡检任务中,由于大风,大雾,路面不平等复杂环境影响,巡检机器人容易出现抖动和视角偏差,导致所获取的仪表图片出现模糊,倾斜等问题,难以保证指针式仪表识别读数的准确性。为解决此问题,结合YOLOX目标检测,DeblurGAN-v2图像增强,DeepLabV3+语义分割神经网络算法,研究了模糊指针式仪表矫正读数识别方法。首先改进YOLOX网络实现仪表表盘、指针区域和仪表文字信息提取,并获取仪表参数,其次增强DeblurGAN-v2网络的特征提取能力,去除图像模糊影响,然后使用DeepLabV3+网络分割表盘和指针。仪表图像矫正过程采用透视变换和文本矩形轮廓矫正实现仪表高精度矫正。实验证明,该方法在检测任务中更能适应复杂环境影响,检测准确率高达97.55%,满足工业上自动化检测要求。     

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。     

指针式仪表表头参数测量方法

介绍了用电压源法和电流源法测表头参数(灵敏度和内阻)的方法、步骤和应用实例。并介绍了几种常用的电压源和电流源。测量精度一般可达1.5%以上。     

电厂指针式仪表的自动识别

为实现电厂中指针式仪表的自动识别,开发了一个基于Hough变换的指针式仪表读数自动识别系统。系统首先由数码相机获取仪表表盘图像并传送到PC机,再对图像进行真彩色转化为256色灰度图、二值化、细化等预处理,然后利用Hough变换识别出指针的偏转角度,再根据仪表刻度与偏转角度的关系确定仪表的读数。试验结果表明,该系统操作简单、精度高     

智能变电站中指针式仪表图像自动识别方法

针对智能变电站中的指针式仪表的自动识别,本文提出了一种新的基于传统角度法和距离法的更精确的识别方法,既保证了距离法的精度,又将距离法中的参数换成了角度,提高了自动读数的精度。本文首先对图像进行预处理,包括利用中值滤波的方法对图像进行去噪声,滤波;然后利用投影法对图像进行倾斜检测和校正;符合要求的图像进一步利用差影法提取出指针信息,利用表盘指针的角度关系得到指针读数,并对结果进行了误差分析。实验结果表明:该方法对指针式仪表读数的识别十分有效,且具有较高的精度和实用性。     

基于人工-真实样本度量学习的指针式仪表检测方法

为缓解指针式仪表检测精度对样本数量的严重依赖,有效提升少样本情况下指针式仪表的检测精度,提出了基于人工-真实样本度量学习的指针式仪表检测方法。首先通过对指针式仪表结构进行统计分析,提取出其显著特征进行建模,用以生成所需要的人工基准样本,弥补真实场景下指针式仪表数据缺乏的问题;然后结合度量学习的特性,以Faster R-CNN为基线模型,引入特征相似性度量模块,从低维特征向量空间降低或消除人工基准样本和真实样本之间的分布差异,并加强特征提取网络对指针式仪表显著特征的学习。实验证明,较基线模型,基于人工-真实样本度量学习的指针式仪表检测方法AP75提升了22.14%,有效提高了少样本情况下指针式仪表检测的精度。     

基于OpenVINO的变电站指针式仪表自动读数研究

为提高变电站巡检机器人进行指针式仪表自动读数的准确性和实时性,提出一种基于OpenVINO的变电站指针式仪表读数方法。通过关键算法的改进及OpenVINO工具的加速,样机系统对同质量图片的检测和识别速度达到78 ms,相对于TensorFlow框架提升了约40倍。通过对比改进前后Mask R-CNN的表盘分割效果、表盘矫正前后的表盘分割效果对仪表读数精确度的影响,可知在仪表自动读数阶段,仪表读数的准确度得到有效提升。     

基于机器视觉的指针式仪表读表方法研究

针对指针式仪表读数方法受限于仪表类型多样、环境复杂、表盘及指针检测困难、读表精度不高的问题, 提出一种基于机器视觉的指针式仪表读表方法.首先,由数据采集设备获取高质量的图像,并且通过图像预处理减少 干扰.其次,利用Hough直线检测及Hough圆检测方法,检测指针所在直线和旋转中心,此外,对不同类型的指针 采用交点法与距离法确定仪表指针指向,并通过几何关系计算指针偏转角度.最后,根据比例法得到仪表读数.实验 结果表明,该方法具有算法简单、精度高、速度快的特点,具备实际部署应用的条件.     

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。     

基于注意力机制的卷积神经网络指针式仪表图像读数识别方法

目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低.并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值.因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高.首先构建了融合卷积注意力模块的双路异构卷积神经网络,...     

多类指针式仪表识别读数算法研究

针对多类指针式仪表,文中研究可以进行统一自动识别读数的算法框架。基于指针式仪表的结构特性,结合特征点的不可替代性提出,根据尺度不变特征点(Scale-Invariant Feature Transform,SIFT)匹配程度自动检测仪表类别。采用快速直线检测(Line Segment Detector,LSD)提取待定直线区域,创新地利用直线边缘的方向性约束得到指针两侧边缘,完成指针识别。研究中设计快速生成模板工具,保存仪表刻度角度-读数映射表,促成多类仪表自动读数。在此基础上,添加万用表评估算法优劣综合评估检测识别率、提取指针、读数精确度,满足设计要求,最终算法运行在Android系统的手持仪设备上。     

复杂光照下变电站指针式仪表图像自动识别研究

在无人巡检变电站中光照环境复杂,巡检机器人拍摄的照片总会出现光照不均匀现象,为消除复杂光照对图像识别的影响,首先使用基于 Retinex理论的自适应 Gamma增强算法去掉仪表图像不均匀光照的影响,使图像亮度均衡,然后使用双阈值算法对图像二值化,再进行骨架化处理,用 Hough变换对指针提取,最后用查表法读取仪表示数.试验表明,使用该算法能有效克服不均匀光照的影响,二值化效果良好,指针仪表示数读取准确率提高。     

基于LabVIEW软件和ActiveX技术的指针式仪表监测系统

利用LabVIEW软件的NI Vision Builder图像处理功能对摄像头采集到的仪表图像进行处理,得到指示值。同时在虚拟仪器编程软件LabVIEW中调用ActiveX控件,输出得到对应的计算值,实现了对指针式仪表的自动监控,提高了整个系统的稳定性和可靠性。     

基于三次样条插值的指针式仪表识别方法研究

针对变电站巡检机器人指针式仪表自动识别中易受指针阴影影响的问题,提出了一种基于三次样条插值的指针式仪表图像分割方法。提取包含指针的圆形区域作为信息图,对信息图进行中值滤波、灰度拉伸;使用16个固定的阈值对信息图进行分割,并统计指针的长度和面积;使用三次样条插值法对面积序列插值并计算其一阶差分,以指针长度大于信息图半径的最小阈值作为起点,求得一阶差分的第一个波谷点,以该点对应的灰度值作为分割阈值对信息图进行图像分割。图像分割实验表明,文中算法对含有指针阴影的仪表图片分割成功率由10%提高到94%,识别成功率由82%提高到98%,提取的指针中仅包含少量的无效信息,减少了后续算法的运算浪费;鲁棒性实验表明,该算法对各种环境干扰具有较好的鲁棒性。     

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。     

基于变电站巡检机器人数字仪表识别算法

当前巡检机器人使用传统的图像识别算法,传统图像识别算法需要进行字符切割以及大量人工建模操作,受环境变化影响大。文章采用深度学习CRNN模型,对数字区域进行整行识别,简化了人工建模步骤,识别正确率高,数字表计识别率达到99%以上。针对部分场景识别错误率高的问题,结合attention机制,对模型进行扩展,实验结果表明,该扩展模型获得了良好的提升效果。     

基于无人机影像深度学习算法的植被识别与DEM生成方法研究

无人机搭载光学相机进行地形图生产已广泛应用于电力工程的勘察阶段。然而,采用此方式生成的DSM包含植被高度信息,难以直接进行地形图生产,需要大量的内业修图工作以去除植被影响。利用无人机搭载光学相机生成DOM和DSM,引入U-Net语义分割算法,通过算法改进,实现植被的快速识别。进而,利用识别得到的植被区域对DSM进行掩膜,生成带空洞的DEM,采用局部构建不规则三角网的方法进行DEM生成,最终得到去除植被影响的DEM产品。经验证,植被识别精度达到95.96%,交并比达到91.55%。该方法不改变非植被区的高程,植被区高程数据填补仅依赖于周边高程值,减少内业修图工作量,提高地形图生产效率。