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。     

基于机器学习和模板匹配的变电站仪表自动读数方法

针对变电站固定摄像头拍摄的各种类型的指针式仪表,提出一种自动读数方法。该方法包括模板制作、模板匹配、图像处理、表针识别和几何读数五个阶段。通过模板制作确定刻度值和角度的几何关系,使用模板匹配算法定位待读数的仪表盘位置,提取仪表盘部分的图像,并通过高斯滤波和伽马变换降低光照和阴影对表针识别的干扰。为提升复杂环境下图像二值化的效果,使用K均值聚类算法获取仪表盘图像的动态二值化阈值。为适应圆形和椭圆形变形的表盘,使用可变长度的线段拟合仪表盘二值化图像中的表针,获取表针的旋转角度,再结合主要刻度的角度和刻度值的对应关系,计算出表针角度对应的读数。实际应用结果表明,针对自然场景下变电站中的指针式仪表,该方法对光照、阴影、遮挡、倾斜、变形等干扰因素具有良好的鲁棒性,误差均小于最小刻度间隔,满足工程应用要求。     

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 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。     

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     

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。     

基于模版匹配和查表法的高精度指针式仪表自动检定系统研制

基于查表法的高精度指针式仪表读数识别方法的关键在于相机与仪表表盘位置相对固定,之前研究采用机械夹具将仪表位置固定,但不同批次的仪表外壳尺寸会有差异,造成系统鲁棒性差,读数识别不准确。针对这一问题,文中采用模版匹配的方法实现相机与仪表表盘的准确对中。实验表明,所采用的方法显著提高系统鲁棒性及通用性。     

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。     

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.     

基于计算机视觉技术的指针式仪表示值的自动判读方法研究

介绍一种可用于指针式仪表的自动检定系统,应用计算机视觉技术实现仪表读数的自动判读,提高了判读精度,所得结果的最大不确定度远小于人眼视觉所得结果的最大不确定度。     

基于计算机视觉技术的指针式仪表示值的自动判读方法研究

介绍一种可用于指针式仪表的自动检定系统 ,应用计算机视觉技术实现仪表读数的自动判读 ,提高了判读精度 ,所得结果的最大不确定度远小于人眼视觉所得结果的最大不确定度。     

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。     

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色彩空间中的图像进行图像增强,采用最大类间方差进行二值化操作,采用改进的Canny边缘检测进行指针边缘的提取;最后采用改进的霍夫变换法——概率霍夫变换对指针所在的直线进行检测,计算出指针的倾斜角度从而利用角度法得出指针的准确示数。实验结果表明该研究可以较为准确的自动读出指针仪表的示数,误差较小,稳定性高。     

改进的 DeepLabV3+指针式仪表图像分割算法

针对现有的仪表自动化读数算法占用空间大、推理速度较慢以及不能有效分割图像中密集细小目标的问题,提出改进的DeepLabV3+指针式仪表分割算法。首先以轻量化的MobileNetV2来构建网络主干达到降低参数量和推理权重、提高检测速度的目的。其次通过分块并归策略设计CSP-ASPP结构,在保证网络性能的同时降低参数量。之后使用改进后的SKFF模块通过自注意力机制以非线性方式融合多尺度特征,将原网络解码器中的二尺度特征融合变为四尺度特征融合。最后使用交叉熵损失联合加权的Dice损失作为网络的总损失函数,解决仪表分割中各类别像素分布不均的问题。最后通过实验证明,改进后的DeepLabV3+算法在仪表分割数据集上的平均交并比(mIoU)和平均像素准确率(mPA)达到了89.3%和94.8%,相对原网络分别提高了0.7%、0.6%,参数量和推理权重却仅有原网络的约7%,同时在GPU和CPU上的推理速度分别达到91和16 fps,解决了嵌入式设备部署困难的问题,达到了实时检测的要求,提高了仪表自动化读数的效率。     

基于图像的换流站用避雷器仪表识别

针对电力系统中的换流站用避雷器仪表的特点,提出了一种基于图像的站用避雷器动作次数和泄露电流的识别方法。首先,采用基于透视变换的方法对采集到的避雷器泄漏电流仪表图像进行畸变矫正。其次,通过图像预处理进行图像增强获得相对比较清晰的表盘信息。再次,利用垂直投影法和基于运动项的改进BP神经网络完成避雷器动作次数数字式仪表的识别,采用减影法和改进的Hough(霍夫)变换完成换流站用避雷器泄漏电流指针式仪表的识别。最后,采用现场拍摄的型号为3EX5 050的西门子避雷器仪表对本文所提算法进行了验证。结果表明该算法能够快速、自动、准确的识别出避雷器仪表读数。该方法避免了人工读取效率低和精度差的问题,而且只需要很少的改动便可应用于换流站中其他仪表的智能识别。     

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。     

指针式压力表自动读数系统设计

为了降低人工读数带来的误差,设计了一个用于指针式压力表自动检定的自动读数系统,该系统主要由CMOS彩色摄像机、DOME光源和计算机三部分构成。DOME光源主要用来降低外界对摄像机拍摄的指针式压力表图像的影响。摄像机获得压力表图像后经USB数据线传输到计算机,计算机首先对图像进行二值化处理,其次,利用Hough变换提取表盘的中心点,再次,利用连通区域标记提取指针和刻度线,最后根据指针和相邻的两条刻度线位置关系并根据刻度线所对应的示值计算出表盘指针对应的刻度值,从而完成自动读数。经实际压力表测试,该系统能够在较短时间内准确读出压力表的示值,极大地解放了劳动力,同时提高了压力表的检定效率。