关键词： 变电站巡检机器人   仪表位置检测   CenterNet算法   不均匀光照校正   指针检测  

摘要： 近些年来随着对智能电网投资力度的加大以及人工智能技术的不断成熟,变电站作为电力网的枢纽,正在逐步朝着智能化的方向蓬勃发展,大量的巡检机器人被投放到变电站中以保障其稳定运作。变电站内部环境错综复杂,巡检机器人采集到的仪表图像质量容易受到干扰,导致仪表示数自动识别精度较差,这是目前变电站巡检机器人在对仪表自动巡检过程中面临的最大问题。为此,本文以变电站环境下指针式仪表为研究对象,系统地研究分析仪表的位置检测、仪表图像的不均匀光照校正和仪表的示数识别,最终实现一种速度快、精度高的巡检机器人智能读表方法。本文的主要研究工作如下:首先,提出一种基于改进CenterNet的变电站指针式仪表位置检测算法。该算法选择ResNet-50作为特征提取网络,用深度可分离卷积替代ResNet-50中的普通卷积,大幅度压缩模型的运算参数量。将实例标准化IN与批量标准化BN结合形成实例批量标准化IBN,并应用到ResNet-50的瓶颈模块中,增强网络对于表征样式信息和深层内容特征的学习效率,从而提高算法对指针式仪表的检测速率和精度。然后,针对带有噪声干扰和不均匀光照问题的指针式仪表图像进行预处理。先采用高斯滤波对仪表图像进行平滑去噪,然后对仪表图像不均匀光照的改善展开重点研究,通过对比几种常用的不均匀光照校正算法,本文最终确定采用基于二维伽马函数的校正算法来降低光照不均匀对仪表图像产生的影响。最后,本文设计了一种指针式仪表示数识别算法。提前对不同类型的待检测仪表先验信息进行采集,降低识别难度。为了减少表盘区域外的背景对指针检测造成的干扰,紧接着采用Hough圆检测方法对仪表表盘区域进行提取。在提取到的表盘区域内,通过Zhang细化算法与累积概率Hough变换相结合完成指针检测,并使用角度法得到最终仪表示数,最后通过实验验证了该算法的有效性。图[49]表[5]参[86]

关键词： 指针式仪表   自动读数识别   深度回归   端到端模型  

摘要： 变电站存在大量机械式的指针型仪表,在日常运维中主要依靠人工手动抄表。人工读数精度低、人力成本较大且易受到外界因素的干扰,因此,实现指针式仪表的自动读数对变电站智能运维具有重要意义。本文针对指针式仪表的检测与读数识别进行了深入研究,主要研究内容及成果包括以下几个方面:1、采用YOLOX网络模型对多种类型的指针式仪表进行检测定位,以获取单个的仪表表盘图像。该模型具有检测准确率高、模型推理速度快、泛化能力强等优点。实验结果表明,该模型对多种类型的指针式仪表的检测精度AP50可以达到99.6%,在NVIDIA Ge Force RTX 3090上的平均推理时间仅为7.12ms,该模型具有良好的实时性与精准性。2、设计了一种单仪表表盘图像自动读数识别的算法,自行设计了单仪表读数回归深度网络,直接对检测得到的单仪表图像进行读数回归。该算法对仪表读数标签进行归一化处理,使得整体数据的分布具有一致性,主干网络借鉴了残差网络的设计,输出模块则采用卷积层代替了全连接层,减少了网络参数量,提升前向推理速度。实验表明,该算法在读数误差为±5%的情况下,准确率为93.39%,在读数误差为±10%的情况下,准确率可达到99.17%,同时对多种类型、图像质量不佳的仪表均具备较强的适应性。3、提出了一种端到端一步多仪表读数识别算法,通过单网络一次推理即可同时得到仪表图像中多个仪表的检测与读数识别结果。算法的网络架构为多任务输出的卷积神经网络,在一个用于提取特征的主干网络后,设计了三个不同的输出模块,同时完成仪表检测、读数识别与超量程分类判断的任务。该算法的网络结构为全卷积神经网络,利用掩码和索引的设置完成了网络输出结果的后处理,以提高模型的前向推理速度;额外添加了超量程分类输出模块,为网络的学习过程增添了约束,以提高读数回归的准确率;采用随机概率数据增强,以平衡检测与读数识别任务对数据的不同要求;使用了可变形卷积模块,以增强网络对特征的提取能力;对损失函数进行了变换,以提升网络读数识别的精度。实验表明,该算法对现场不同类型、多种样式的仪表均具有良好的检测识别效果,其中指针关键点检测在召回率为99.26%的情况下准确率达到99%以上,读数识别准确率在读数误差为±5%的情况下达到了92%以上,而分类任务的准确率达到了99%以上,同时在NVIDIA GTX 1080上算法的平均推理时间仅为40ms。

关键词： 指针式仪表   雨雾环境   目标检测   图像去雾   图像去雨   读数识别  

摘要： 指针式仪表是变电站监视变电设备运行状态的重要工具,巡检机器人在室外巡检时对仪表读数识别是一项重要任务。然而,受室外复杂环境如光照、雾霾、下雨等因素的影响,巡检机器人对指针式仪表的读数识别存在误检率高、准确率较低的问题。现有的指针式仪表读数识别方法大多适用于变电站简单的环境,对仪表复杂光照也有一定研究成果,而对雨雾环境下的读数识别研究较少。为解决这个问题,本文以雨雾环境为研究背景,对指针式仪表识别算法进行了相关研究,主要研究如下:(1)采用基于Faster R-CNN的检测定位方法实现仪表图像中的表盘定位。由于巡检过程中相机平面与仪表平面的偏差,采集到的仪表图像存在倾斜、畸变的现象,通过特征点相似性度量将最终预测框中的表盘区域与模板图像进行特征匹配,对倾斜、畸变的表盘进行校正,得到正立、无变形的表盘图像。(2)研究了雾天环境下仪表图像处理方法。针对雾天环境下仪表图像较模糊、整体亮度偏低的情况,通过经典的同态滤波、暗通道先验去雾方法、Retinex去雾算法比较分析,提出改进的基于灰度级动态调整的Retinex图像去雾方法,对不同光照影响下雾霾仪表图像进行实验,本文改进方法与其他去雾方法相比信息熵提升1.1-3dB,均方误差(MSE)降低700-800,提高图像对比度、清晰度。(3)研究了基于ResNet的仪表图像去雨方法。在ResNet网络去雨模型中引入快速引导滤波层对含雨仪表图像进行高低频分解,从而提取图像的细节雨纹;改进残差网络的残差单元,引入密集连接块充分提取图像局部特征,得到更高分辨率的高频层,将低频层与重构后的高频层相叠加得到最终去雨图像。(4)在仪表读数识别环节,基于大津算法提出局部迭代的Blackhat-Otsu指针分离法。通过底帽算法分离阴影等与指针像素值接近的像素点集,迭代Otsu阈值分割,排除指针阴影及表盘刻度的干扰,从而准确分离指针二值化区域;然后根据二值化区域拟合指针中心线并计算指针偏转角度,提高指针读数的准确度。实验结果表明,此方法对于变电站雨雾环境具有良好的鲁棒性,提升了仪表检测与读数识别的准确性。

关键词： 多类仪表   SIFT   LSD   自动读数   万用表  

摘要： 针对多类指针式仪表,文中研究可以进行统一自动识别读数的算法框架。基于指针式仪表的结构特性,结合特征点的不可替代性提出,根据尺度不变特征点(Scale-Invariant Feature Transform,SIFT)匹配程度自动检测仪表类别。采用快速直线检测(Line Segment Detector,LSD)提取待定直线区域,创新地利用直线边缘的方向性约束得到指针两侧边缘,完成指针识别。研究中设计快速生成模板工具,保存仪表刻度角度-读数映射表,促成多类仪表自动读数。在此基础上,添加万用表评估算法优劣综合评估检测识别率、提取指针、读数精确度,满足设计要求,最终算法运行在Android系统的手持仪设备上。

关键词： 图像处理   视觉技术   智能化   指针式仪表  

摘要： 重点从四个方面介绍了视觉在指针式仪表检测与识别中的国内外研究现状:主要包括图像的预处理,表盘区域的提取,指针的提取和读数的识别。对基于视觉的指针式仪表检测与识别技术进行了总结,并提出了未来发展方向。

关键词： 油位计   指针式仪表   示数识别   拍摄角度   刻度定位  

摘要： 为解决工业生产中指针式油位计仪表示数识别易受拍摄角度和光照条件影响的问题,结合工业生产场景下指针区域的图像特点,提出一种基于刻度准确定位的仪表示数识别方法,仅使用刻度与指针这两个必要特征来实现表盘读数。该方法先对巡检机器人拍摄的仪表表盘图像进行预处理,然后粗识别出表盘中可能是刻度的区域,再通过细识别精确定位出刻度。针对传统仪表示数识别方法难以解决的拍摄角度较大时刻度拟合的圆心和指针中心线的关系并非一定成立的问题,文中采取了一种改进的圆心选取方法,更加适应不同拍摄角度下的计算,提高了读数的精度。实验结果表明,文中方法获得的仪表读数精度平均达到99.08%,算法可靠稳定。

关键词： 目标检测   图像分割   faster R-CNN   U-Net   指针式仪表  

摘要： 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。

关键词： 巡检机器人   仪表自动识别   Mask-RCNN  

摘要： 仪表作为工业生产中的"眼睛",可以对设备的各项参数进行测量和显示,实时反映工厂运行状况,在维持工业安全稳定运行中发挥着不可替代的作用。然而,当前仍然存在的很多传统的指针仪表没有通信接口,无法远程获取仪表数据,需要人工进行采集和录入。针对这个问题本文介绍了一种基于Mask-RCNN深度学习网络的指针式仪表的自动识别和数据采集的方法,经过实验表明,此算法提高了仪表识别的效率和数据检测的精度。

关键词： 指针式仪表   形状模板匹配   仿射变换   极坐标变换  

摘要： 基于Halcon模板匹配优化的指针式仪表识别是能够解决仪表表盘在复杂场景中定位问题的重要手段。传统识别方法是通过对表盘最极坐标变换来进行识别,会受到不同场景和拍摄角度对于表盘定位的影响,进而使极坐标变换对结果带来误差。本方法通过模板匹配和仿射变换准确定位仪表表盘,提高了精度,仿真实验表明,本方法相较于传统方法更精确。

关键词： 单指针仪表   图像形态学处理   连通域   骨架提取   霍夫变换  

摘要： 以飞机迎角表为例,结合图形形态学处理、霍夫变换等图像处理方法,实现仪表读数的智能识别。利用灰度处理和二值化对图像进行预处理,利用图像形态学处理去除指针周围黏连像素,采用连通域法实现指针提取,利用骨架细化和霍夫变换确定指针位置,最后利用仪表示数与角度的关系完成飞机单指针仪表图像识别。