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...     

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.     

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。     

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。     

基于图像处理的断路器压力表计识别技术的研究

变电站中断路器大多采用指针式仪表监控其压力值,依靠人工巡视的方法记录压力值是日常变电站运行维护的重要内容,但其存在效率低、结果不准确等缺点,因此有必要展开基于图像处理的断路器压力表计自动识别算法的研究。本文采用预处理手段对采集到的图像进行处理,获得容易提取图像特征的图像,提出一种改进的Hough变换方法和指针式仪表示值的判读方法,最后建立Matlab仿真对所提出改进方法进行验证。结果表明:本文提出的改进的Hough变换方法可避免检测到的直线与实际指针中心线存在一定的偏差或者检测到非指针,快速确定指针位置,算法识别的仪表读数与实际示数较接近,本文提出的断路器压力表识别算法是有效的。     

基于Faster R-CNN和U-Net的变电站指针式仪表读数自动识别方法

随着人工智能和自动化水平的提高,机器人被越来越广泛地应用于变电站巡检,为图像采集带来了便利,但是指针式仪表图像的读数识别准确性问题尚未很好解决,成为了瓶颈。基于Faster R-CNN目标检测和U-Net图像分割技术,提出了指针式仪表读数自动识别方法。首先引入Faster R-CNN检测仪表图像中的表盘、指针所在区域,并对仪表进行分类;然后以图像分割技术取代图形检测算法,结合仪表图像特点,改进了U-Net网络,有效提取了区域中的刻度线和指针。针对分割类别不平衡问题,构造了U-Net的Dice损失函数;针对仪表旋转问题,提出了基于图像分割信息的透视变换方法对图像进行校准。最后通过算例对比了文中方法和传统机器学习算法、霍夫变换在指针式仪表图像读数识别上的效果。结果表明,文中方法在检测识别复杂图像中小目标的准确性和实用性上提升明显。     

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。     

基于关键点检测的指针仪表读数算法

通过摄像头实现指针式仪表自动读数时易受复杂环境、摄像头不同角度等因素影响,而且在实际的应用中难以均衡检测速度和检测精度,为此,文章提出一种基于关键点检测的指针仪表读数算法。以ResNet18为主干网络,摒弃了最后两个阶段的残差块以及之后的全连接层,并针对指针仪表表盘的特点设计了一个轻量级特征融合网络,同时引入提高模型性能的姿态修正机(pose refine machine, PRM)。最后利用得到的表盘圆心、零刻度线、当前指针刻度3个关键点信息,通过角度法完成读数计算。实验结果表明,本文算法读数误差仅为0.506%,速度可达53 fps,相比于传统算法具有较高的精确度;相比于其他同类算法,在拥有更少参数量与运算复杂度的情况下,仍能实现对指针关键点的高准确度预测,充分证明所提算法的有效性。     

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。     

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。     

基于改进SSD算法的交通标识检测方法研究

针对目前SSD算法对小目标检测精确度低,泛化能力弱,且存在误检、漏检等问题,提出一种基于SSD网络的交通标识检测方法。为增加对目标的检测精度,使用ResNet-50网络作为SSD算法的骨干网络,在额外添加层中加入BN层,提高训练速度;使用sub-pixel来代替上采样,提高识别目标分辨率,并加入MFPN模型融合低层与高层特征信息,避免出现漏检问题。实验结果表明与现有的SSD算法相比,改进的SSD算法在公开数据集CCTSDB和GTSDB数据集上mAP值分别提高4.2%和3.1%,FPS保持在87.2 f/s,检测精度显著提升。满足对交通标识实时检测的要求,在无人驾驶领域具有广泛的应用前景。     

基于安卓平台的电力仪表远程读取系统

针对当前电力系统中的部分传统指针仪表人工读取不便且改造费用较高的情形,设计并实现了一种基于安卓平台的电力仪表远程读取系统。首先,使用数字图像处理算法对电力仪表的指针进行识别;其次,根据仪表的形状特征,设置角度阈值,检测仪表指针偏转角度;进一步地,根据偏转角度与表盘量程计算仪表的指针读数;最后,利用手机的短信服务功能发送仪表读数。实验结果表明,所设计系统能够有效实现电力仪表的远程读取,具备现场应用潜力。     

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,...     

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     

发电机特性试验仪器研究与应用

传统的发电机特性试验采用指针式仪表,通过人工读数,用坐标纸手工绘制曲线的方法进行。试验时需要几个人在不同的地点分别对不同的指针表进行读数,由其中一人通过对讲机指挥其他人同时读数,很难保证这些数据的实时性及精度。试验所需时间长,实验方法落后。     

基于彩色区域识别快速报警指针识别算法

针对电力监测系统中使用的彩色仪表,提出了一种基于彩色区域识别的快速报警指针识别算法。传统直线检测采用Hough变换,具有存储空间大,计算时间长等缺点。创新性地将图像彩色信息和Hough变换相结合,通过识别指针所在的区域颜色,判断是否需要报警输出,并为下一步精确识别指针示数确定Hough变换的搜索范围,通过减小搜索范围来减少Hough算法需要的内存空间和计算时间。实验结果表明,改进算法比传统算法具有明显更高的效率。