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。     

基于一维测量线映射的变电站指针仪表智能识读方法

为了满足对变电站巡检机器人识读指针仪表的实时性和准确性要求,提出了一种基于一维测量线映射的指针仪表图像智能识读方法。该方法使用加速稳健特征(speeded up robust features,SURF)算法进行图像匹配,利用单应矩阵确定表盘位置并将模板图像的一维测量线映射到待测图像,通过遍历待测图像上一维测量线路径上的像素点检测指针位置计算读数,最后对机器人在某500kV变电站巡检拍摄的指针仪表图像进行了算法有效性测试。结果表明,该方法简单实用,具有很好的鲁棒性和高精度,并且能达到实时性要求,适用于巡检机器人对变电站环境下各类指针仪表的自动识读。     

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。     

一种变电站智能巡检机器人的仪表图像空间变换算法

针对变电站智能巡检机器人的仪表识别问题,提出了一种基于SURF的图像空间变换算法。首先,对建模图像仪表区域和待识别图像进行SURF特征提取;其次,采用KNN算法和双向匹配对所提取的特征进行筛选,提取优质匹配点对;最后,利用随机采样一致性算法(RANSAC)计算得到投影矩阵,从而能将待识别图像转换到建模图像空间,为后续识别提供便利。变电站实际测试结果表明了该算法的有效性。     

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。     

嵌入式视频监控系统中变电站设备的仪表指针图像识别

在电力系统中应用嵌入式视频监控系统与图像识别技术有利于及时进行设备维护和故障排除。论文主要论述了变电站设备的仪表指针识别的数字图像处理和图像识别的实现过程,给出了嵌入式视频监控与识别系统的组成。研究了指针图像处理的算法和指针图像识别的三种方案:区域法、指针查找法和告警区域查找法。最后指出了视频监控与图像识别技术在变电站中的重要意义和应用前景。     

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。     

嵌入式视频监控系统中变电站设备的仪表指针图像识别

在电力系统中应用嵌入式视频监控系统与图像识别技术有利于及时进行设备维护和故障排除.论文主要论述了变电站设备的仪表指针识别的数字图像处理和图像识别的实现过程,给出了嵌入式视频监控与识别系统的组成.研究了指针图像处理的算法和指针图像识别的三种方案:区域法、指针查找法和告警区域查找法.最后指出了视频监控与图像识别技术在变电站中的重要意义和应用前景.     

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,...     

基于机器视觉的拆回旧电表参数信息检测技术研究

针对拆回旧智能电能表的回收分类存在人工检定准确率不高、效率低下的问题,提出了一种基于机器视觉的参数信息检测方法,通过检测智能电能表的额定参数信息,完成电能表的分类回收工作。在以C#与Halcon为软件平台建立智能电能表图像检测系统的基础上,采用Blob分析算法,对图像进行ROI(感兴趣区域)提取,采用直方图均衡化对提取后的图像进行处理,以增强背景与目标区域之间的对比度,获取质量较高的电能表图片,通过OTSU算法对Canny边缘检测算法进行改进,提高图像阈值范围的自适应性,获取更完整的图像外观轮廓,最后对图像进行字符分割处理,得到电能表的额定参数信息。经过实验验证,该方法能够准确检测识别电能表铭牌的额定参数信息,实验数据显示检测准确率达99.5%,平均每台电能表检测耗时0.62 s,很大程度上节省了电能表分类工作的检定时间,提升了工作的效率与准确性。     

基于轮廓的圆形仪表自动透视校正

针对利用机器视觉对圆形仪表进行读数识别的过程中,由于镜头平面与仪表平面不一定平行导致采集图像发生几何畸变的问题,提出一种基于轮廓的圆形仪表自动透视校正算法。该算法分为校正矩阵估计与图像校正两个部分,首先通过圆形仪表的轮廓来计算校正矩阵,再利用双线性插值校正畸变图像,该算法只需要获得圆形仪表轮廓的坐标集合就可以校正畸变图像。仿真实验结果表明,基于轮廓的校正算法与传统四点投影变换算法相比,校正精确度提高了2%～6%,同时实际仪表校正实验也表明轮廓校正算法有着更高的精确度以及稳定性,对圆形仪表的自动读数的预处理有实际应用价值。     

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。     

电力变压器温度表指针位置识别研究

电力变压器温度表是监测变压器运行状态的关键设备，利用图像识别技术是准确获取温度表读数的有效途径之一。阐述了对变压器温度指针位置进行数字图像处理和图像识别的实现过程，设计识别流程，分析比较了不同类型的表盘指针位置识别过程中的图像处理算法。针对在光照条件较好的情况下分割指针图像所用的直接色调匹配法存在的缺陷，以及变压器温度表具有红色和黑色表针的图像特点，提出一种新的适合较差光照条件的指针区域判定法--主色提取法。实验证明，该算法计算简单、适应性强、处理效果好，为准确判定指针位置和计算指针读数奠定了基础。     

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。     

基于深度学习的无人机巡检图像质量问题识别与实践

无人机在巡检时受到电噪声和振动噪声干扰,产生图像非线性畸变和振动偏移,造成巡检过程中电力仪表指针数值识别失败。为了解决上述问题,研究基于深度学习的无人机巡检图像质量问题识别与实践。引入深度学习训练提取噪声畸变点信息,利用最小二乘法计算噪声畸变点检测数据,分析检测距离,根据无人机自动读数机制的角度数据计算圆弧数值,解析仪表读数,完成深入分析。根据三维直方图像内部的灰度信息得到维轴距概率,按照深度学习模式提取相应的噪点影响参数,通过计算权值参数求得非局部均值。实践结果表明,所提方法能有效提高电力仪表指针图像识别的清晰度,有效滤除噪声,加强图像识别效果。     

自动抄表系统的Web实现

本文提出了基于Web的自动抄表方案。采用"图像抄表",抄回的是表计读数的图像,这种抄表方式安装简单,对目前的计量表计不需任何改动,就可以实现电表、水表、气表的多表集抄。本文还提出了一种从"电表图像"中识别读数的实用方案。