关键词： 指针式仪表   读数识别   图像分割   Transformer   TF-UNet   巡检机器人  

摘要： 随着科技的进步,电力系统中的巡检机器人逐渐取代了传统的人工巡检方式。然而,指针式仪表作为变电站、电厂等场所常见的仪表,对于巡检机器人的识别准确率提出了挑战。光照不足、异物遮挡、角度偏差大等问题导致巡检机器人在识别精度和场景适用性等方面存在不足。针对上述问题提出了一种基于深度学习的巡检机器人指针式仪表检测与识别方法。首先,采用YOLOv8目标检测模型从复杂场景中提取指针式仪表;针对生产现场仪表不清晰、数据获取难度高等问题进行图像预处理;然后,应用基于Transformer和CNN的TF-UNet网络进行图像分割,提取指针和刻度线信息;最后,根据指针角度信息获取仪表读数。实验结果显示,相比于其他方法,TF-UNet具有更高的准确率,MIoU和MPA值提升较为明显,仪表读数平均相对误差为0.62%,最大读数误差在2%以内,能够满足变电站、电厂等场景中巡检机器人的需求。

关键词： 深度学习   指针式仪表   自动识别与读数  

摘要： 本文围绕深度学习技术在指针式仪表自动识别与读数中的应用展开分析探讨,明确其对提高监控系统效率的作用。文章先介绍指针式仪表的基本功能及其在各行业的地位,接着深入探讨深度学习的基本原理,在此基础上阐述深度学习在指针式仪表自动识别与读数中的实践应用,强调其在推动自动化技术进步方面的潜在价值。

关键词： 指针式仪表   深度学习   RT-DETR   特征融合   U   Net  

摘要： 针对复杂环境下指针式仪表识别精度不足和读数准确率低等问题，提出一种改进RTDETR的高精度实时检测方法。首先，结合CSP思想以及改进的卷积加法门控模块（AG Block），构建了新型主干网络（CACNet），有效提升了模型的特征表达能力与计算效率。其次，提出了高效多尺度特征融合模块（EMAFPN），结合多尺度特征加权融合与全局异构核选择机制，进一步增强了模型的特征融合能力，并减少了参数量和计算成本。此外，结合改进U2-Net的关键组件分割与仪表光照和倾斜校正，并利用加权角度法实现了指针式仪表的读数识别。最后，通过实验结果表明，改进后的模型在指针式仪表数据中检测精度分别为99.5%和93.4%，检测速度为88.8帧/s，参数量与浮点运算量分别为12.1M和38.5G，优于其他改进算法，且仪表读数平均相对误差仅为3.4%，各项指标验证了改进方法的综合优势，为工业自动化检测提供了高效可靠的解决方案。

关键词： 深度学习   模糊识别   仪表读数   注意力机制   Ghost模块  

摘要： 实际生产环境中拍摄的仪表图像,其背景复杂、光照不均匀以及仪表尺度不一致等问题容易导致图像模糊,进而影响读数精度。因此,提出一种融合Ghost和注意力机制的指针式仪表识别方法。首先,通过Ghost模块有效促进特征重用,以减少网络中的冗余计算;其次,采用CBAM(Convolutional Block Attention Module)自适应地学习不同通道之间的相关性,并在空间维度上自适应地调整特征图的权重,从而更好地捕获目标区域的信息;然后,通过主成分分析(PCA)提取出一组指针,每个指针对应一个主成分,代表数据的主要特征;最后,将指针与原始数据进行点积运算,从而把指针位置转换为旋转角度,进而求出表盘读数。实验结果表明,在去模糊方面,所提方法的峰值信噪比(PSNR)值达到了33.48 dB,结构相似性指数(SSIM)值达到了0.949,平均修复时间最短为33 ms;在关键点检测方面,所提方法的精确率达到了98.6%,召回率达到了95.9%;所提方法的仪表读数结果的平均引用误差为0.9%。

关键词： 指针式仪表   读数识别   图片去雨   多尺度平滑扩张卷积   空间注意力网络   门控网络   空间和通道注意力网络  

摘要： 针对雨天环境下指针式仪表图像识别精度差的问题,提出一种基于SCANet(spatial and channel attention network)的雨天环境下指针式仪表示数读取算法。SCANet在SPANet(spatial attentive network, SPANet)网络的基础上引入多尺度平滑扩张卷积模块,提取图像中不同形状和方向的雨纹特征;采用卷积块注意模块替换SPANet中的空间注意力机制,实现空间和通道的双维度特征提取;整合各阶段输出结果,利用门控网络进行通道调整得到无雨图像。去雨后的仪表图像送入仪表识别网络获取仪表示数。实验结果表明,指针式仪表识别的精确率、召回率、平均精度均值分别增加了5.5%、11.5%、12.8%。

关键词： 牵引变电所   指针式仪表   深度学习   目标检测   语义分割   自动读数  

摘要： 在牵引变电所的复杂环境下,现有的计量识别方法难以准确捕获仪表表盘刻度和指针位置。为解决这一问题,结合计算机视觉技术,提出一种基于YOLOv5深度学习语义分割网络模型的目标检测方法。采用YOLOv5深度学习网络检测目标仪表区域,利用特征对应算法和角度透视变换算法解决了图像的镜面反射和失真问题,通过语义分割网络模型Deeplabv3+对图像中仪表盘及刻度和指针进行像素级别分割。该研究方法在牵引变电所环境中实现了指针式仪表的高效自动读数,为指针式仪表目标检测和自动读数提供了新的技术思路。

关键词： 机器视觉   指针式仪表   Hough变换法  

摘要： 为提升压力容器指针式仪表自动化读数水平,本文研究了一种基于图像识别的读数方法。首先,对表盘图像进行图像分割和边缘检测。其次,采用Hough变换法提取出仪表盘的指针和刻度线,并通过三次样条插值拟合表盘刻度曲线。然后,结合角度法实现仪表盘读数的最终识别。测试结果显示,识别相对误差平均值为1.22%,平均识别时间为5.09 s。满足实际应用需求,为无人值守压力容器指针式仪表的自动化数据采集提供了技术基础。

关键词： 指针式仪表   光照校正   失真校正   U2-Net   仪表读数   MSRCR  

摘要： 针对仪表表盘光照不均和几何失真影响仪表关键区域提取、读数识别准确率的问题,提出一种基于改进U2-Net的仪表校正与读数识别方法。首先通过加入坐标注意力机制的U2-Net模型识别并分割出仪表表盘区域,随后采用改进透视变换技术对表盘区域进行几何校正,实现不同形状的仪表几何校正;再引入自适应MSRCR算法对表盘光照不均区域进行光照校正;最后,通过U2-Net对校正后的图像进行指针分割和关键刻度点分割,采用PCA拟合指针所在的直线,得到指针偏转角度并通过角度法计算准确读数。实验结果表明,该方法能够在光照不足或光照过强的情况下有效恢复仪表关键信息区域,并能够有效校正不同形状的倾斜仪表,提升了指针和刻度信息提取的准确度,且读数误差率低于0.89%。

关键词： SIFT   单应矩阵   目标检测   RANSAC  

摘要： 针对现有的指针式仪表识别算法通用性不强、识别条件苛刻的问题,提出一种基于SIFT特征点匹配的指针式仪表矫正与识别方法。该方法使用YOLOv5在图像中检测出仪表的准确位置以去除背景区域;采用SIFT特征匹配矫正对齐待识别仪表图像与参考仪表图像,获得刻度点和圆心的位置;利用二值图像进行直线拟合确定仪表指针位置;根据刻度点和指针的距离计算仪表读数。实验结果表明,在轨道式巡检场景下仪表的检测精度达98.9%,读数精度在一个刻度间隔内,且能处理刻度不均匀的指针式仪表。

关键词： SF_(6)压力指针式仪表   表盘定位   BRISK   FREAK   LSD  

摘要： 针对表盘复杂、内部含有机械组件且仪表指针较短的SF_(6)压力指针式仪表,仍缺乏一种计算量小、适用于较差环境且兼具鲁棒性和准确性的仪表定位识别方法。为解决这一问题,基于二进制鲁棒不变尺度特征(binary robust invariant scalable keypoints,BRISK)、FREAK(fast retina keypoint)特征检测技术与快速直线检测(line segment detector,LSD)算法,文中提出了一种SF_(6)压力指针式仪表的定位及指针读数识别方法。引入BRISK算法特征检测子与FREAK算法特征描述符,结合K最近邻算法(K-nearest neighbor,KNN)检测仪表表盘区域,并对表盘进行自动矫正;在运用图像滤波去噪、二值化、边缘检测等图像预处理方法的基础上,利用霍夫变换法确定仪表圆心,采用LSD直线检测算法结合简单约束完成指针线检测;最后利用角度法进行读数。通过大量SF_(6)压力指针式仪表图像的定位识别结果表明,文中定位识别方法在光线强度较强、表盘倾斜程度较大、表盘图像模糊等恶劣条件下仍具有很好的适应性,对SF_(6)压力指针式仪表的识别具有较高的准确性与实用性。