基于模板匹配与Hough圆检测的仪表识别

随着自动化技术的不断发展,国内电力系统的自动化程度不断提高,无人变电站、无人配电房也逐渐普及。针对变电站中指针式圆形仪表的识别,提出了一种基于模板匹配与Hough圆检测的仪表识别方法。首先对图像进行预处理,将摄像头获取到的RGB彩色图像进行灰度化以及图像的局部直方图均衡化,将预先采集的仪表模板与待测图片进行两次模板匹配,获取仪表大致位置并对图像进行定位裁剪,通过Hough圆检测获取圆形表盘位置及其圆心坐标,将图像通过K-means方法二值化,再通过旋转虚拟直线法对指针进行拟合识别,通过角度与刻度的对应关系计算读数。利用Python和OpenCV视觉库实现算法,实验结果表明,该算法对于指针式圆形仪表识别效果显著,定位表盘位置准确,指针识别和角度计算有较高的精度。     

基于改进YOLOv3算法在垃圾检测上的应用

现阶段我国主要靠人工对垃圾进行分拣,存在安全 系数低、效率低下等问题。传统目标检测方法针 对种类繁多,形态各异的垃圾目标不易设计特征,鲁棒性较差,为实现自然环境下垃圾的快 速精准识别, 本文提出一种基于深度学习的轻量级垃圾分类检测方法。该方法通过引入CIOU边框回归损 失函数来提高 回归框准确率;针对低功耗移动设备终端的部署,提出一种以YOLOv3目标检测算法为基础 ,结合 MobileNetV3的特征提取网络,对算法进行轻量化;在YOLO层加入GRU结构,利用多门控 循环神经网 络结构对YOLO层中不同大小的特征图建立记忆链接,对深层语义特征的向前融合过程进行 过滤和筛选, 使得特征融合效果更佳;使用迁移学习预训练的方式来提高模型的特征提取能力和泛化能力 。文本采用自 制的Garbage数据集对改进后的网络进行训练和测试,结果表明,本文提出的算法识别效果 显著,平均准 确率为90.50%,高于原YOLOv3网络的平均准确率86.30%,检测速度达到18帧/秒,满足实时检测的 需求。实验表明,改进后的网络模型能在保证检测准确率和速度的同时,有效降低模型参数 量,具有一定应用价值。