一种用于海上平台缆控注水井的多类型指针式仪表识别方法

通过摄像头对海上平台缆控注水井现场巡检时,需要能够自动读取仪表数据。为了实现不同类型指针式仪表的识别,提出了一种用于海上平台缆控注水井的多类型指针式仪表识别方法。首先,构建模板图像数据库,对每个模板图像进行预处理并绑定其参数信息,使用改进的YOLOv5模型检测待测仪表图像的模板类型,读取模板图像和其对应的参数信息。然后,进行模板匹配定位仪表位置,获取指针角度并计算仪表数值。实验结果表明,本文所提出的方法能够识别不同类型的指针式仪表,识别效果显著,定位表盘位置准确,指针角度和读数精度更高。     

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.     

一种圆形指针式仪表倾斜检测方法

圆形指针式仪表的倾斜,不利于仪表数字参数区域字符图像的定位和识别。提出一种基于检测仪表名称倾斜的方法来获得圆形指针式仪表的倾斜角度。该方法将仪表表盘上的仪表名称看成一个整体,结合Canny算子、形态学与Hough变换算子来检测其倾斜角度,然后根据该倾斜角度绕仪表表盘中心点对表盘进行旋转校正,使仪表参数区域字符回到固定位置,方便仪表数字参数区域字符的定位与提高数字字符识别的正确率。实验结果表明：该算法能快速准确地检测出圆形指针式仪表图像的倾斜角度,有一定的实用价值。     

一种指针式仪表的识别方法

当前指针式仪表识别技术日益成熟,其中指针形状和位置的识别大多采用Hough变换算法,传统的Hough变换算法运算时间长、储存空间大,使得识别过程效率低下。针对以上缺点,提出一种改进型Hough变换。通过限定指针式仪表表盘环形区域、运用差影法确定指针的大致区域、指针通过表盘圆心这三个限制条件来缩减Hough变换扫描的范围,以此缩减Hough变换算法的存储空间和计算量。将改进型Hough变换算法与传统的Hough变换算法相比较,实验结果表明:改进型Hough变换可有效地减少算法运行时间,提高指针仪表识别的实时性。     

基于MSER-Otsu与直线矫正的仪表指针定位算法

针对配电站无人值守作业机器人执行巡检任务时对指针式仪表的识读需求,提出一种结合MSER-Otsu阈值分割与Hough变换直线矫正的仪表指针定位算法。利用最大稳定极值区域算法从表盘图像中粗提取出指针区域,引入迭代Otsu算法进一步对该区域进行阈值分割,将指针、阴影和背景区域像素点分离后仅保留指针的二值化图像,对其采用Hough变换进行指针中心线预定位,再以Huber loss为最优化函数对预定位直线进行矫正,最终完成指针中心线的定位。实验结果表明,该算法能在复杂环境中对仪表指针进行精确定位并计算指针偏转角度,与Hough变换算法和Huber loss拟合算法等相比,其处理速度更快且鲁棒性更高,能满足配电站巡检机器人的实际需求。     

指针式仪表读数的机器视觉智能识别方法

为快速准确地自动识别指针式仪表读数,采用机器视觉技术,结合减影法和Hough变换法对仪表读数进行智能识别.对指针式仪表图像进行图像二值化、形态学处理和边缘检测预处理;利用Hough变换检测仪表中的指针,计算得到指针方向和定位圆形,实现指针式仪表的智能识别.实验结果表明:读数识别的平均相对误差为0.91%,精度较高,能较好地识别指针式仪表读数.     

指针式仪表通用读数识别方法及系统

变电站指针式仪表外观样式繁多,现有的方法只能对一个或两个指针的仪表或某种功能的仪表进行常规读数,无法同时支持两个以上表盘、两个以上指针、多种功能仪表的读数。基于以上问题,提出一种基于深度学习的通用指针式仪表读数识别方法。首先使用YOLOv5目标检测方法构建指针式仪表表盘检测模型,定位表盘位置。然后进一步在表盘中使用Mask R-CNN实例分割方法构建指针分割模型,识别指针mask区域。构建标定工具对表盘信息进行标定,将参数传递给读数识别模块。同时构建预置位纠偏算法,当预置位存在偏移时进行矫正,保证标定的信息与表盘位置保持对应。开发了指针式仪表通用读数识别模块,可对多指针、多表盘的情况进行遍历,实现任意类型指针仪表的读数识别。     

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。     

改进ORB和Hough变换的指针式仪表识读方法

为了实现指针式仪表的自动识读,提出一种基于改进ORB（Oriented FAST and Rotated BRIEF）和Hough变换算法的指针式仪表识读算法。利用角点强化方法加强ORB算法检测的特征点,通过特征点匹配对计算模板图像与待检测图像之间的透视变换矩阵。利用数学形态学处理、阈值分割等图像预处理提取指针,并提出一种用于确定指针旋转圆心的基于ORB特征匹配对的相似特征三角形方法,结合投影法定位指针方向。利用指针细化算法和添加圆心约束的Hough变换算法检测指针角度。最后根据仪表的先验信息得到读数结果。实验结果表明该算法在识读速度和精度等方面都能够满足指针式仪表识读的要求,具有较高的可靠性和工程应用价值。     

多指针水表读数识别算法研究与实现

为解决水务公司多指针水表识别问题,文中提出一种多指针水表读数识别算法。首先,通过Hough圆检测提取出水表表盘区域,定位透视变换关键点,校正水表表盘区域。然后,分割子表盘,并进行二值化、形态学黑帽运算、加运算,分割指针。最后,计算指针偏移角度,获取子表盘示数,并对各子表盘示数按规定计算,得到多指针水表读数结果。实验结果表明,该算法对子表盘读数识别准确率达到91.75%,可用于识别多指针水表,为水务公司多指针水表读数工作提供一定的技术支撑。     

基于图像处理的细指针表盘识别方法研究

为了解决在细指针表盘识别中难适应光照变化、细指针难分割和表盘读数准确识别率低的问题,结合细指针表盘区域的图像特点,采用图像处理对细指针表盘读数进行了研究。首先,对表盘进行标定,获得表盘量程等先验数据,制作模板,并提出了基于SURF算法改进的多任务模板特征匹配算法;其次,根据指针活动区域,提出了基于分割扇形区域的指针定位法(Pointer positioning method based on Segmented Sector, PSS),进行图像预处理和二值化,使用最小二乘法拟合求得角度;最后,由指针角度得到读数。实验结果表明,该方法对细指针表盘识别率高,能够准确、稳定地识别细指针表盘示数。     

基于卷积神经网络的指针式仪表识别

目前大部分研究指针式仪表识别的方法中提取指针是完全基于传统的图像处理技术,提取过程较为复杂且步骤繁多.为了有效解决指针式仪表读数识别中指针中轴线所在直线提取困难及识别精度不高等问题,本文提出了一种基于深度学习的指针式仪表的识别方法.首先用Faster R-CNN算法检测仪表圆盘,再采用基于深度学习的方法Faster R-CNN算法检测指针,根据得到的指针目标框的位置信息裁剪得到指针图像,在指针图像的基础上进行二值化、细化、霍夫变换检测直线、最小二乘法拟合直线等步骤识别仪表最终读数.和直接在仪表表盘目标框图像或原始图像上进行传统图像处理相比很大程度上减少了定位指针中轴线所在直线过程中的干扰.实验结果表明本文所提出的基于深度学习的指针检测的平均准确率高达96.55％.对于复杂背景下指针式仪表的指针区域的检测具有良好的准确性与稳定性.     

基于二维码匹配的指针式仪表读数识别方法

提出了一种基于二维码匹配的指针式仪表读数识别方法.该方法先实时采集高质量的仪表状态图像,同时获取二维码定位点信息以及与二维码相连接的数据库中存储的仪表类型信息,再根据二维码定位点信息对仪表图像进行快速倾斜校正,并利用二维码与仪表之间先验的几何位置关系快速提取图像中表盘所在的区域,最后根据获取的仪表类型信息,选择对应的仪表读数识别算法,以实现快速准确地识别仪表读数.实验结果表明：该方法能有效提高指针式仪表读数识别的准确率,尤其是对于复杂背景的仪表图像,该方法可用于电力系统中刻度均匀的指针仪表识别.     

基于深度学习的配电柜指针仪表示值识读研究

为准确读取配电柜指针式仪表的示值,保证巡检机器人作出相应决策,提出一种结合改进YOLOv5和PSPNet模型的指针仪表检测及示值识读方法;首先利用主干网络替换为轻量化网络MobileNetv3的YOLOv5算法检测定位表盘区域;然后采用特征提取网络替换为MobileNetv2的PSPNet算法对表盘的刻度线区域和指针进行分割,并通过最小二乘法圆拟合和霍夫直线检测法得到指针回转中心及指针的偏转角度;最后结合指针偏转角度和相邻主刻度线与回转中心连线的偏转角度,通过公式法求取仪表示值;实验结果表明,该算法能够准确提取配电柜上的指针仪表表盘,并对表盘中的刻度和指针进行精准分割,在误差允许的范围内指针仪表示值识读相对误差最大为6.5%,满足实际工程应用的需求。     

基于MobileNetV2的圆形指针式仪表识别系统

针对目前指针式仪表识别任务在使用深度学习算法时存在模型参数量大、计算量大、准确率较低的问题,提出一种基于改进预训练MobileNetV2网络模型与圆形Hough变换相结合的圆形指针式仪表智能检测和识别系统。首先,采用Hough变换解决复杂场景内非圆形区域的干扰问题;然后,提取圆形区域以构建数据集;最后,使用基于改进预训练MobileNetV2网络模型对圆形指针式仪表进行识别。为客观反映所提模型的性能优劣,采用平均混淆矩阵来衡量模型性能。实验结果表明,该系统在圆形指针式仪表识别任务中的识别率达到99.76%。同时,将所提模型与其他5种不同的网络模型进行对比的结果表明,该模型与ResNet50的准确率最高,但在模型参数量和模型计算量方面,所提网络模型相较于ResNet50分别降低了90.51%和92.40%,可见该模型有助于进一步在移动端或嵌入式设备中部署和实现工业级的实时圆形指针式仪表检测和识别。     

面向自动校验系统的指针式压力表读数识别

针对基于机器视觉的指针式压力表校验系统,给出了一种采用帧差分法和角度法自动识别指针仪表读数的方案,并且为了解决残缺指针区域的质心偏移问题提出了一种利用区域极值点确定指针质心的方法。首先基于霍夫圆检测进行表盘中心定位和表盘分割;然后采用三帧差分法检测指针区域,并从其八方向极值点中选择最接近指针区域最小外接矩形对角顶点的两点来定位指针质心;最后连接指针质心和表盘中心以计算指针偏转角度和识别读数。实验结果表明基于区域极值点的指针质心定位可以简单有效地修正残缺指针区域质心偏移,整体方案能够较准确地识别指针式压力表读数。