关键词： 图像去雾   Yolov5   仪表检测   仪表识别  

摘要： 针对雾天油田巡检机器人对指针式仪表漏检及读数识别准确率低的问题,提出一种结合FFA-Net去雾算法和Yolov5检测网络的方法。首先,对于雾天图像,改进了FFA-Net算法,通过多尺度结构、特征融合残差块和优化模块,有效地提升了算法在去雾任务中的性能表现。其次,对于仪表检测与读数识别,采用较小的检测头来提升Yolov5对小目标的检测能力,并引入空间转换模块将检测到的表盘图像转换为更符合人眼观感的正视图像。最后,创建了一个端到端的框架,紧密耦合仪表成分检索和仪表读数识别,提高了仪表读数的准确性。实验结果表明,所提方法在油田雾天环境下展现出了良好的鲁棒性,提升了雾天环境下指针式仪表检测与读数识别的准确性。

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： 深度学习   关键点检测   语言分割   指针式仪表   注意力机制  

摘要： 在工业自动化进程中,指针式仪表以其抗干扰能力强、成本低廉和方便部署的特性在工业制造、航空航天、变电站和水电站等领域应用广泛。指针式仪表的准确读数对于生产过程的监控和优化至关重要。但是传统方法面临着读数效率低、误差大等诸多痛点。随着工业自动化进程的加速,指针式仪表的自动化识别读数需求日益迫切。本文聚焦于基于深度学习的指针式仪表的自动化识别读数技术,探讨实际工业场景下指针式仪表自动化精准读数的问题,主要研究工作如下: (1)针对复杂环境及仪表图像倾斜旋转问题,本文提出基于识别指针式仪表四个关键点(量程起始点、量程结束点、仪表中心点和指针端点)的读数法,构建关键点结构增强的KSE-Center Net网络模型,借助关键点相对位置信息构建透视矩阵矫正图像从而实现精准读数,该方法在复杂光线、天气、仪表倾斜及图像模糊场景下表现优异。与其他指针式仪表自动化读数方法相比,读数误差更小。在正常数据集上的读数平均相对误差为1.36%,在异常数据集上的读数平均误差为1.92%。 (2)针对关键点识别中指针端点关键点的识别不佳问题,本文将指针的语义分割作为辅助任务,通过设定损失函数的惩罚项来确保指针端点的识别准确度,m AP50指标从95.3%上升到97.7%,证明所设计的辅助任务是有效的。此外,为了增强网络对关键点的识别效果,还设计了关键点结构注意力模块(KSA)和注意力融合模块(AFM)。KSA模块通过自适应学习局部区域的空间关系,在特征提取过程中增强关键点的空间结构。AFM模块在特征融合过程中增强来自更深层的语义信息,自适应调整关键特征的权重。消融实验结果表明,KSA和AFM模块能让大大提高关键点检测的准确率。相比于基准方法,关键点识别指标mAP50从92.6%提高到97.7%,指针语义分割指标mIoU从92.56%提高到98.35%。 (3)针对传统视觉方法对高质量图像的依赖,本文提出基于特征增强的HRNet网络分割指针与刻度盘掩码,引入目标上下文模块与坐标注意力机制用于强化边缘信息,同时基于刻度面积比例划分读取指针读数,该方法在图像轻度模糊、损坏等复杂环境下仍精准读数,其平均相对误差为1.78%,达先进水平。 (4)本文将上述算法应用于实际系统构建,基于PyQt5设计一套指针式仪表自动化读数系统,并在本文所提出数据集上进行测试,验证了系统能够有效满足实际生产应用需求,为工业自动化生产中的仪表读数提供了较好的解决方案。

关键词： 机器视觉   指针式仪表   图像处理   深度学习  

摘要： 随着工业领域智能化和自动化的发展，指针式仪表检测与读数识别成为了一个备受关注的研究领域，该文综述了近些年指针式仪表检测与读数识别方面的研究进展。首先，介绍了指针式仪表读数的作用及计算机视觉应用于指针式仪表读数识别方向。随后，总结了指针式仪表读数识别方法，详细地阐述了国外和国内学者的主要研究。进一步介绍了图像处理与深度学习相结合的5个步骤，即图像预处理、仪表盘检测、仪表指针与刻度检测、仪表盘数字检测与识别和仪表数值识别的研究现状与方法对比。绍了指针式仪表的检测与识别框架内容及技术；然后对指针式仪表的检测与识别框架内容及技术进行阐述与比较；最后对基于机器视觉的指针式仪表检测与识别进行了总结与展望。

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： 指针式仪表   注意力机制   深度学习   自动识别  

摘要： 针对现有仪表识别方法存在的诸如对表盘差异敏感、环境干扰严重以及图像质量依赖性强导致识别准确率不高的问题,提出了一种基于改进DeepLabV3+的指针式仪表智能识别算法。通过引入GhostNetV2作为主干网络进行特征提取,并添加注意力模块CBAM,有效提升了模型在仪表语义分割任务的精度;同时设计了多类仪表的示值识别算法,实现了对多类仪表的指针读数。通过在构建的指针式仪表识别数据集上对算法进行评估,结果表明,仪表智能识别算法能够适应多种仪表类型和复杂环境,识别准确率最高达99.67%,且改进的DeepLabV3+模型平均IoU达79.8%,性能优于原始模型,能够满足实际工业应用需求。

关键词： 仪表读数识别   YOLOv8   UNet   极化注意力   图像分割  

摘要： 针对变电站仪表背景复杂、多旋转角度图像导致读数识别准确率低的问题,提出一种基于YOLOv8和改进UNet++的指针式仪表读数识别方法.采用YOLOv8模型检测仪表区域,并利用透视变换进行旋转校正;采用极化自注意力模块改进的UNet++算法分割表盘图像提取刻度、指针区域;经过提取指针直线后,采用角度法计算仪表读数.实验结果表明:提出方法识别仪表读数的平均引用误差为1.82%,具有较高的识别准确性,将其应用于变电站指针式仪表智能化巡检中具有一定的可行性.

关键词： 指针式仪表   读数   识别   数字检测   刻度线  

摘要： 针对传统图像处理技术实现指针式仪表读数识别中漏检率和误检率高的问题,文章提出一种基于数字检测的仪表读数识别方法。首先,基于霍夫变换检测仪表图像中的刻度线区域;然后,在刻度线检测的基础上,进一步检测和识别刻度线上的数字;最后,利用霍夫变换检测仪表指针,并基于识别出的数字得到仪表刻度量程,通过计算实现仪表指针读数识别。仪表刻度线检测相较于圆形表盘检测,增加了仪表目标识别的可靠性,而且与刻度线上的数字识别互相验证,进一步降低了误检率。针对变电站实际场景中的指针式仪表进行自动读数识别,实验结果表明,基于数字检测的仪表读数识别方法误检率低、识别精度高。

关键词： CLBP特征提取算法   SVM   树莓派   指针式仪表读数自动识别  

摘要： 本文针对指针式仪表读数识别过程中表盘定位精度不高、量程手动输入、自动化程度低等问题,提出了基于改进的完全局部二值模式(CLBP)的表盘特征提取算法,结合支持向量机(SVM)和图像下采样方法,实现表盘精准定位,设计仪表量程自动获取方法,实现量程的自动获取,减少工作量。以树莓派为硬件平台,设计指针式仪表读数自动识别系统。测试表明,读数识别相对误差在2%以内,识别平均时间为534ms/次。