关键词： 变电站   指针式仪表识别   轻量化   协调注意力机制   嵌入式设备  

摘要： 针对变电站嵌入式设备在识别指针式仪表时常面临实时性差以及小目标和密集目标场景漏检的问题,提出了一种基于YOLOv5s-BCGS的变电站指针式仪表识别模型。该模型以YOLOv5s为基础网络,首先在其网络颈部引入协调注意力机制,并将路径聚合网络替换为加权双向特征金字塔网络,以更好地融合特征图中的位置和细节信息,从而增强模型对目标位置和尺寸的敏感性。其次,原网络中的传统卷积被轻量化的幽灵卷积替代,既加快了推理速度,又减小了模型体积。最后,将原网络中的CIoU损失函数替换为SIoU损失函数,提高了模型训练速度并改善了远距离小目标的推理精度。实验结果表明,改进后的模型在自制变电站指针仪表数据集上的表现优于YOLOv5s,mAP0.5提高了2.2%,mAP0.75提高了3.8%,mAP0.5~0.95提高了6.7%,同时模型体积减少了34.07%。与常用的Faster R-CNN、YOLOv4-tiny、YOLOv7-tiny和YOLOv8n等模型相比,本模型在精度和速度上均具有明显优势,展现了良好的泛化能力和鲁棒性,且模型体积仅为18.0 MB,实现了轻量化部署。在PC和Jetson Xavier NX开发板上的推理速度分别为154.7 FPS和18.7 FPS,能够满足嵌入式设备在变电站指针仪表巡检中的实际工程需求。

关键词： 指针式仪表   巡检机器人   机器视觉   霍夫变换   四足机器人   人工方式   模型提取   分割速度  

摘要： 目前,工业领域主要依靠人工方式获取仪表示数,但该方式存在耗时长、效率低、危险性高及准确性较差等问题。为弥补这些不足,本文提出一种基于四足巡检机器人与机器视觉的指针式仪表识别与读数算法。通过Apriltag视觉算法定位仪表位置与类型,并利用霍夫变换精确获取仪表的圆心与半径,采用改进后的YOLOv8语义分割模型提取表盘指针和刻度的相对位置,模型引入深度可分离卷积以提高分割速度与精度。将优化后的模型部署至四足机器人算力板卡,利用坐标转换法计算指针位置并推算最终读数。实验结果表明,该方法对指针式仪表的识别与读数平均引用误差为2.42%,具有较高的识别准确性,可实现高效可靠的自动化巡检。

关键词： 煤矿   模板匹配   仪表定位   示数识别  

摘要： 针对煤矿复杂环境恶劣下指针式仪表仍需人工抄表作业以及现有仪表图像识别算法无法直接应用等难题，本文提出了一种基于多模板匹配的圆形仪表示数识别方法，首先采用ORB和SIFT特征匹配算法分别实现模板选取和仪表检测，其次利用Hough直线检测定位指针位置，进行微调以提高定位精度;最后通过仪表指针刻度坐标，计算当前仪表显示数值。实验结果表明，该算法能精确定位表盘位置，准确识别仪表示数，准确率100%，检出率达97%以上，可以满足巡检机器人仪表视觉检测要求。

关键词： 仪表自动读数   两阶段目标检测算法   图像处理库   随机采样圆检测   环向模板匹配法  

摘要： 针对变电站仪表读数准确性差和效率低的问题,提出了一种基于Faster R-CNN的目标检测算法和EmguCV图像处理库结合的方法。首先引入了Faster R-CNN两阶段目标检测算法,对仪表盘进行检测识别和提取。其次,采用随机采样圆检测进行圆形表盘定位,使用Laplace算子处理图像提取主刻度线并结合环向模板匹配法进行仪表指针定位。最后,通过指针偏移角度来计算最终示数。通过仿真实验表明:提出的方法对仪表的识别率达到了99.38%,自动读数系统平均误差小于0.2%,对每张图片的处理时间约为35 ms。

关键词： 指针式仪表   YOLOv5   识别定位   图像校正   直线拟合   仪表读数  

摘要： 文章针对指针式仪表自动读数存在的读数精度低、鲁棒性差及实时性不足等问题,提出了一种基于改进YOLOv5轻量化模型的指针式仪表识别与读数的方法。首先,采用改进的YOLOv5识别并定位复杂场景中待检测仪表的位置,提取仪表区域;然后,通过特征点匹配与透视变换对仪表图像进行校正;最后,利用M-LSD算法提取指针并通过直线拟合计算出指针所指向的刻度读数。试验结果表明:文章提出的方法最大误差为0.05mA,在最小刻度范围内,该方法具备良好的鲁棒性、精确性和实时性,可满足不同复杂场景下的实际应用。

关键词： 目标检测算法   区域分割   指针式仪表   仪表检测  

摘要： 为了解决巡检机器人仪表识别精度不高,场景适应实用性低,无法实时处理等问题,对比分析了国内外几种不同的仪表指针识别方法,综合各类方法的优劣性,提出一种区域分割的图像处理算法与深度学习目标检测算法相结合的方法,使得指针式仪表自动识别算法趋于稳定,对环境的适应性变强。使用YOLOv5目标检测算法进行表盘定位,通过图像平滑、颜色校正、彩色增强处理,减弱现场光线对目标区域定位的影响,然后利用区域分割的图像处理算法对指针区域和刻度线区域进行图像分割,获得指针的矩形旋转中心和刻度线的最大、最小角度,根据指针角度和量程计算仪表示数,通过图像预处理和HSV颜色空间变换等算法提升指针提取能力。现实场景测试解决了指针仪表因受到遮挡、模糊、红线警示条等影响而难以准确进行表盘定位和指针提取的问题。实验结果表明,该方法不仅检测精度高、速度快,而且实用性强,满足机器人巡检要求。

关键词： 指针式仪表识别   模板标注   模板匹配   邻域加权   局部圆弧插值  

摘要： 提出一种新的指针式仪表精确识别体系。首先使用基于轮廓特征的标注方法,建立刻度-位置映射表,其次进行模板匹配,然后使用基于邻域加权的指针检测方法确定指针位置,最后在该类标注体系下完成基于局部圆弧定位的插值读数。实际应用结果表明:该体系标注简单、读数精确、误差较小,适用于复杂环境的指针式仪表识别。

关键词： 户外巡检   指针仪表   指针检测   读数识别   目标检测   语义分割  

摘要： 在户外巡检环境下,巡检机器人捕捉到的图像容易受到环境因素的影响,导致仪表识别读数精度低、鲁棒性差。针对这一问题,提出了一种基于改进PSPNet的指针式仪表识别读数方法。首先使用YOLOv5识别出仪表区域,然后通过改进PSPNet提取出指针和刻度线区域,随后经过透视变换和提取指针直线,最后根据角度法计算出仪表读数。实验结果表明:在各种户外复杂环境下,指针式仪表读数平均相对误差为1.28%,平均引用误差为0.68%,每张图片平均处理时间为1.28 s,准确性和稳定性较高,为户外巡检机器人指针式仪表识别提供了有效手段。

关键词： 深度学习   指针式仪表识别   YOLOv7   深度可分离卷积   U2-Net  

摘要： 针对复杂环境下指针式仪表检测与识别过程中存在定位仪表困难和推理精度低等问题,本文提出一种基于YOLOv7+U2-Net的多量程仪表识别方法.为了提高U2-Net模型的输入图像质量,选择推理精度和速度快的YOLOv7检测器,将检测、裁剪好的图像作为模型的输入图像数据集,同时对输入图像进行了旋转矫正,使模型适用于多角度仪表识别.针对仪表读数推理精度差和速度慢等问题,将U2-Net解码阶段的RSU4-RSU7的普通卷积更换成了深度可分离卷积,在此基础上引入了Attention机制,加快整体推理速度和精度.此外,为了提高该方法的普遍适用性,提出了多阈值范围内的识别准确率判别方法来适配多种应用场景.通过对比实验表明,在收集到的数据集上进行评估,相较于模板匹配、SegNet、PSPNet、Deeplabv3+及U-Net方法,本文方法识别准确率达到96.5%,在多个阈值区间内都具有良好性能表现.

关键词： 指针式仪表   YOLOv5   区域分割   巡检机器人  

摘要： 随着技术的进步,巡检机器人已在天然气站场中有了较为广泛的应用,代替人工进行设备巡查工作。但巡检机器人存在仪表识别精度不高,场景适应实用性低,无法实时处理等问题。为此,设计了一种区域分割的图像处理算法与深度学习目标检测算法相结合的方法,使得指针式仪表自动识别算法趋于稳定,对环境的适应性变强。实验结果表明,该方法不仅检测精度高、速度快,而且实用性强,满足机器人巡检要求。