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： 指针式仪表   不规则目标检测   透视变换   倾斜校准   读数识别  

摘要： 针对目前指针式仪表读数识别方法流程多、累计误差大、对倾斜图像识别效果差的问题,提出一种基于不规则目标检测网络的指针式仪表读数识别方法。首先构建校准网络结构,提取不规则目标顶点坐标,实现对图像自动进行透视变换,强化整体网络对倾斜样本的学习性能;随后利用卷积神经网络直接提取图像特征,实现读数信息的回归任务,减少方法步骤;最后整合模型,使倾斜校准与读数识别任务通过同一个可反向传播的神经网络学习并实现。实验表明,该方法提高了对倾斜仪表图像的读数识别精度,读数流程短、识别效率高。

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： 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、自动化程度低的问题,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534 ms/次。

关键词： 指针式仪表   读数识别   深度学习   图像处理   视觉技术  

摘要： 在高温高压强磁场等恶劣环境下,指针式仪表有着优于数显式仪表的良好性能表现,对指针式仪表读数识别进行研究具有重要的现实意义。近年来,深度学习与计算机视觉紧密结合,基于深度学习的指针式仪表读数识别技术是前沿研究的重点方向。文中首先概述指针式仪表读数识别的过程,然后从3个方面论述指针式仪表读数识别技术的研究现状与进展:仪表图像的预处理、仪表表盘区域的检测和仪表的读数识别,论述过程中分别阐述基于传统机器学习的方法和基于深度学习的方法。最后介绍公开的仪表数据集和应用场景,并从深度学习算法、巡检机器人工作特点和公共数据集的建立3个方面对未来的研究进行展望与建议。

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   深度学习   目标检测   实例分割   读数识别  

摘要： 变电站指针式仪表外观样式繁多,现有的方法只能对一个或两个指针的仪表或某种功能的仪表进行常规读数,无法同时支持两个以上表盘、两个以上指针、多种功能仪表的读数。基于以上问题,提出一种基于深度学习的通用指针式仪表读数识别方法。首先使用YOLOv5目标检测方法构建指针式仪表表盘检测模型,定位表盘位置。然后进一步在表盘中使用Mask R-CNN实例分割方法构建指针分割模型,识别指针mask区域。构建标定工具对表盘信息进行标定,将参数传递给读数识别模块。同时构建预置位纠偏算法,当预置位存在偏移时进行矫正,保证标定的信息与表盘位置保持对应。开发了指针式仪表通用读数识别模块,可对多指针、多表盘的情况进行遍历,实现任意类型指针仪表的读数识别。

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： 指针式仪表检测   深度学习   YOLOv8   U2-Net   PyQt5  

摘要： 石油化工企业因其存储和操作大量易燃易爆的化学物质,以及涉及高温高压的作业环境,故其安全风险极高。为了保证生产过程的稳定性,企业的设备必须保持持续平稳运行。这就凸显了对石化园区设备进行定期巡查的重要性,其中,检查设备仪表是巡查的核心任务。近年来,随着机器视觉和深度学习技术的发展,人们已能实现对目标进行像素级别的识别和分割。此外,机器人技术被广泛应用在巡检工作中,巡检机器人能够代替人员进入高危区域,执行精密操作,以提升安全性和效率。本文的研究目标是采用深度学习技术,设计并实现基于巡检机器人的指针式仪表读数智能识别系统。 为提升识别精度,本文针对巡检过程中的实际问题,设计了一种基于YOLOv8的改进指针仪表检测方法。首先,从开源数据库和网络资源中收集并建立原始的指针仪表数据集,运用多种数据增强技术进行扩展和注解,以生成丰富的训练数据。其次,为了兼顾检测的精确度和实时性能,深入研究了现有目标检测算法,通过实验验证了YOLOv8算法对本文任务的高适应性,因此选择其作为基础模型。考虑到石化园区图像背景可能的复杂性,在YOLOv8的基本结构上创新地整合了Bi Former注意力机制模块,以此增强模型对指针仪表的检测效能。 针对指针仪表读数的自动识别,提出一种基于YOLOv8+U2-Net的指针仪表识别方法。为了提高U2-Net模型的输入图像质量,将经过YOLOv8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透视矫正,使模型适用于多角度仪表识别。 将上述算法与Py Qt5相融合,构建了一个智能的指针式仪表数字显示人机交互系统,其设计着重于易用性和安全性。系统分为登录模块和主界面两大部分。为了确保安全,在登录界面利用数据库来验证用户信息的准确性。最后,系统依赖预先训练好的模型自动定位仪表,从而有效地执行本地或定制图像中的指针仪表检测任务。