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。

关键词： 指针式仪表   识别   深度学习  

摘要： 目前指针式仪表数据仍然基于模板匹配等传统算法,在信噪比低的情况下识别精度低,因此采用深度学习进行指针的分级定位与识别。一级识别采用SSD算法进行仪表区域定位,计算仪表倾斜角度并修正。二级指针定位使用多方位SSD算法识别指针转动角度并转换量程。使用自建的仪表数据集进行网络训练,指针式仪表检测精度达到87%;作为拓展方向,数字式仪表检测精度达88%。实验结果表明,该算法稳定性及准确度均高于传统的指针式仪表识别算法。

关键词： 指针式仪表   读数识别   目标检测   图像配准   YOLO   SuperPoint  

摘要： 指针式仪表在各个行业领域具有广泛应用,相较于数字通信仪表,其不受高电压和强电磁场环境的影响,更多应用在变电站中。指针式仪表是监测变电站各种参数的工具,其读数反映着变电站运行的状态,因此需要人员定时巡视并记录示数。人工巡查有着强度大、成本高、实时性差等缺点,且准确度易受值班人员视觉和责任心因素的影响,不符合现代工业智能化发展的需求。本文利用深度学习方法结合数字图像处理技术,实现对变电站、配电室场景中的指针式仪表的定位分类、表盘图像校正、智能读数及监测系统构建。本文的主要研究内容有: (1)针对表盘图像存在视角变化、光照不均、背景复杂等问题,建立了适用于表盘识别定位的改进YOLOv5的目标检测模型。首先,加入CBAM到原主干网络中,相较于原模型更关注目标特征信息;然后,使用Bi FPN增强特征的表示能力,对各个尺度特征进行权值融合;最后,将原YOLOv5损失CIOU函数改进为EIOU损失函数,加速了预测框的收敛,并在构建的仪表目标检测数据集上训练验证。 (2)针对表盘图像存在单应性变换,提出基于特征检测与配准方法对表盘进行校正,以获取正视仪表图像。采用SIFT特征检测方法和SuperPoint特征检测方法,对Super Point特征点检测网络使用三次样条插值替换原像素点插值方式,以更精准求解特征点。在Hpatches数据集和构建的仪表配准数据集上实验。 (3)使用k-means算法对配准后的图像二值化,再对指针进行拟合,计算指针转动角度,使用角度法求解仪表示数。与仪表人工读数进行比对,验证不同因素对读数精度的影响,同时还对系统整体误差进行分析。依据现场设备层、通信传输层、数据监测管理层结构设计了仪表智能读数与监测系统,实现了一个基于YOLOv5模型和Super Point模型的仪表智能读数与监测系统。 实验结果表明,本文所提的指针式仪表读数方法在表盘定位识别分类上获得了平均检测准确度97.1%,mAP高达98.9%的性能表现;在表盘图像配准上MMA在8像素阈值及更精准的阈值下相较于SIFT、ORB、D2-Net方法表现更好;各类仪表最终读数的平均引用误差均小于其允许误差,满足读数要求。

关键词： 深度学习   图像去噪   图像去雾   仪表识别   自动读数  

摘要： 油田的数字化转型、智能化发展是油田高效管理、节能增产、安全运营的保障。无人化巡检作为智能油田的一项任务,主要是利用无人机、机器人等设备,通过可视化管理,替代人力进行日常巡检工作,保障了油气田的安全生产。目前油田参数监测普遍采用的是指针式仪表,通过人力巡检记录方式进行检查,存在人为读数误差、数据无法实时记录上传、在偏远地区存在巡检盲区等问题。通过机器视觉的方式对指针式仪表示数进行自动识别,可有助于实现油田的无人化智能巡检技术。研究表明,指针式仪表示数的自动识别方法是基于数字图像处理,通过对工业相机采集到的仪表图像进行分析、特征提取、读数计算等步骤实现。但是,常用方法没有考虑现场环境对图片质量的影响,对存在噪声与雾气的环境因素没有很好的鲁棒性。因此,本文针对现如今指针式仪表读数自动识别方法存在的问题,运用深度学习理论对仪表图像的预处理方法和指针式仪表的表盘识别、分割与读数计算进行研究。在此研究中,图像采集或者传输过程中的噪声与环境中的雾气对识别的精度带来了一定的影响。本文通过研究,提出了一种基于小波函数的图像去噪算法和一种基于循环生成对抗网络的图像去雾的算法,对图像进行预处理,增强图像清晰度,保证了仪表图像识别的有效性。接着利用YOLOv5s网络检测速度快、部署方便的优点对仪表表盘进行检测,检测表盘信息与指针信息,再采用训练好的DeepLabv3+网络对图像进行分割,提取指针区域,实现对仪表指针的特征提取,最后采用主成分分析拟合方法对指针区域进行直线拟合,使用角度法计算其与零刻线的夹角得到精确刻度。通过实验发现,本文得到的指针夹角平均绝对误差为0.33°,示数识别平均绝对误差为0.1℃,平均相对误差为0.12%,证明了该方法在处于噪声与雾气的环境的仪表读数自动识别更准确、适用性更强。

关键词： 机器视觉   指针式仪表   目标检测   仪表校正   中心圆  

摘要： 在“智改数转”的背景下,工业系统的自动化程度要求越来越高。指针式仪表作为监控工业设备的一种工具,对于监控设备的正常运行和防止事故发生具有重要意义。同时,实现指针式仪表自动检测识别有助于进一步提高工业系统的智能化水平。本文采用深度学习结合图像处理方法实现对复杂工业环境下指针式仪表自动识别,主要研究内容包括: (1)研究了对复杂工业环境下指针仪表图像预处理方法。分析仪表图像存在亮度不足和噪声干扰的问题,会降低仪表读数精度,针对光照不足的图像采用改进Retinex-Net神经网络进行增强;针对仪表图像存在噪声,采用自适应中值滤波降低其影响; (2)研究了指针式仪表自动检测识别方法。针对复杂工业环境下仪表定位准确率低的问题,构建工业指针式仪表数据集,改进YOLOx-s算法模型实现对工业指针式仪表的准确定位,提高检测识别精度; (3)提出一种仪表指针提取方法。该方法包括对目标检测算法识别到的仪表区域进行一系列预处理,首先对存在倾斜或变形的仪表区域进行校正,提出创建中心圆方式确定指针中心部分,然后根据中心圆内部最大区域的面积确定指针部分,再根据区域生长算法得到指针全部区域,最后经过细化指针操作,准确提取出指针中心线以及定位仪表中心; (4)在对指针仪表精确定位、指针准确提取基础之上自动获取仪表读数以及整体实现。采用角度分析法获取仪表读数,并通过选取不同量程的指针式仪表进行实验验证,实验结果表明所采用算法有较高的检测精度。整合整体方案所涉及的理论知识及其实验结果并设计仪表读数识别的用户界面,提供直观的检测识别效果。

关键词： 指针式仪表   多类型识别   YOLOv5   模板匹配   K-means二值化  

摘要： 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。

关键词： 指针式仪表   注意力机制   仪表检测   仪表分割   畸变矫正   示数识别  

摘要： 目前,智能机器人广泛地应用于变电站巡检工作,对指针式仪表示数的识别是机器人的一项重要任务。传统图像识别技术在指针式仪表示数识别中存在检测精度低、读数误差大的问题。近年来,深度学习算法与注意力机制在图像识别领域取得了重要突破。因此,本论文根据指针式仪表的特点,在深度学习基础上融合注意力机制,重点对变电站指针式仪表示数识别方法进行研究。主要内容与进展如下:(1)采用基于注意力机制的CenterNet目标检测算法完成仪表表盘定位。该方法首先将原CenterNet模型中的ResNet18替换为轻量级特征提取网络MobileNetV3,并在此基础上,将SE注意力机制替换成不降维的轻量级ECA注意力机制;然后借鉴FPN特征融合思想,将高维特征图上采样后与相同大小的低维特征图进行融合;最后在检测头模块引入CA空间注意力机制,让模型在学习分类特征时也关注对空间特征的学习。(2)采用基于注意力机制的DeepLabV3+语义分割算法将指针从背景中分离出来。首先在DeepLabV3+的ASPP模块并联DAMM双注意力机制,DAMM既能加强模型对指针区域重要空间特征的学习,也能加强对指针重要通道特征的学习,提升指针区域像素的分类精度,达到平滑指针边缘的效果;然后将交叉熵损失函数替换成Focal Loss损失函数,解决刻度盘像素多与指针像素少的分类样本不均衡问题,通过设置不同的超参数引导模型对细指针难例样本的挖掘学习。(3)在仪表示数识别环节,首先根据刻度盘分割结果来矫正椭圆畸变仪表表盘,获取正立的圆形仪表表盘;然后根据指针轮廓最小外包矩形的旋转角来得到指针的倾斜角;最后根据仪表的类别、量程以及角度法来计算仪表示数值。根据上述方法做了大量的仿真与现场测试,实验结果表明,在仪表检测阶段,本文模型的mAP比原始模型提高了 7.51%,FPS提高了 15f/s,模型大小减小了 56MB。在仪表示数识别阶段,矫正前仪表示数预测值和仪表真实值之间的最大误差为6.7%,平均误差为4.2%,矫正后仪表示数预测值和仪表真实值之间的最大误差为2.2%,平均误差为1.3%,从而验证了所提方法的有效性。

关键词： 深度学习   目标检测   图像处理   旋转检测  

摘要： 工业仪表在石油钻井现场中被广泛应用,为了实现石油钻井现场的数字化转型以及智能化发展,需要对仪表的数据进行实时的采集,但由于环境条件的限制当前现场仍存在大量的指针式仪表难以自动传输数据,因此提出了基于深度学习的方案对指针式仪表图像进行自动识别,获取仪表数据,实现井场的数字化管理、控制。本论文的主要工作内容如下:(1)提出了基于MobileNet+SSD的三步式仪表图识别方案。首先提出了MobileNet改进的SSD目标检测框架对仪表图像进行背景去除。然后根据现场采集图像存在的光照不均、图像抖动、仪表旋转等问题,分别提出了基于Gamma增强的改进Retinex算法、模板匹配与缓存帧改进的维纳滤波以及基于改进HOUGH检测的旋转校正算法进行解决。提出了圆心判断法以及按角度比例计算法获取最后指针位置。最后通过实验证明了该方案准确率高,鲁棒性高等优点。(2)为满足井场监控实时性的要求,深度刨析了YOLOv5s的内部框架,架构了基于CSL算法的YOLOv5s的旋转目标检测仪表识别框架。针对CSL算法嵌入YOLOv5s后存在的分类局限导致的编码计算量过大问题,采用二进制编码代替原有编码降低模型参数计算量;针对CSL算法检测指向性不明确导致的角度检测局限的问题,提出了预缓存算法拓宽角度检测范围实现全角度检测。最后通过实验对比验证了该方案在实际工程应用中,不仅可以保证准确率,还可以实现检测数据的实时监控。论文算法为现场指针式仪表实现仪表数据获取和井场数字化奠定理论基础,具有一定的工业推广价值,为指针式仪表识别提供了新的发展思路。

关键词： 指针式仪表识别   表盘分割   深度学习   Mask R-CNN  

摘要： 指针式仪表由于造价低廉且读数不易受到环境等因素的影响,被广泛的应用于石油、化工、航天等领域。然而,由于指针式仪表没有数字化接口,使用人工读取数据会存在效率低下的问题。因此,对指针式仪表的示数进行智能化读取具有重大意义。目前,传统的指针式仪表读数识别算法只能在特定的环境或固定的位置运行,没有较高的可靠性。随着深度学习的发展,本文将数字图像处理技术和深度学习相关技术相结合,对指针式仪表示数的智能识别进行深入研究,主要包括以下三个方面:(1)表盘的定位与分割。本文提出了基于改进的Mask R-CNN算法的指针式仪表表盘的自动识别方法,对包含自然环境的仪表图片进行表盘的定位和分割,减少后续图像处理过程中的计算量。实验表明,改进后的Mask R-CNN算法的目标检测精度提升了2.1%,实例分割精度提升了1.9%。相对于传统的表盘定位算法,本算法具有准确度高、鲁棒性强的特点。(2)表盘的预处理。本文对采集到的仪表图像的特点进行深入研究,发现在进行图像采集时很难保证摄像机与仪表盘始终保持在同一个水平面,仪表盘区域会产生不同程度的倾斜。因此,使用透视变换对仪表盘进行倾斜矫正。在此基础上,对图像进行灰度化、二值化和连通域标记等预处理,以实现表盘图像特征的强化。(3)指针的定位与拟合以及仪表示数读取。首先使用最小二乘法对指针进行提取和细化。随后采用投影法对表盘中的数字和刻度线进行分割,在此基础上,利用改进后的Le Net-5卷积神经网络对表盘中的数字进行识别。实验结果表明,经过改进的Let Net-5对数字的识别准确度达到了98.94%。最后,结合角度法对仪表示数进行计算。与人工读数进行对比,发现该算法读数更加精确且高效。本文提出的基于深度学习的指针式仪表检测与识别方法,实现了仪表的精确检测、图像校正和示数识别。并且本文所提出的改进的Mask R-CNN算法相比于传统的Mask R-CNN算法,读数识别精度更高,鲁棒性更强,并且适用于各种复杂环境,为指针式仪表的目标检测和自动读数提供了一种可行的思路。