关键词： 指针式仪表   连通域   最小二乘法   透视校正   Hough变换  

摘要： 针对在倾斜拍摄条件下如何正确获取指针式仪表读数的问题,提出了一种基于透视校正的识别方法。采用色值叠加法进行图像增强;采用Otsu算法对图像进行二值化,并通过最大连通域获取仪表表盘区域;采用Hough变换法和最小二乘法进行表盘区域的边界直线的提取;通过透视变换法对表盘区域图像进行校正;利用兴趣区模板提取指针特征,并通过最小二乘法确定指针的偏转角度,用以计算仪表的读数。实验结果表明,所提方法具有较高的准确度和较好的实时性,对在倾斜条件下拍摄的仪表图像进行读数识别具有一定的实用价值。

关键词： 户外巡检   指针仪表   指针检测   读数识别   目标检测   语义分割  

摘要： 在户外巡检环境下,巡检机器人捕捉到的图像容易受到环境因素的影响,导致仪表识别读数精度低、鲁棒性差。针对这一问题,提出了一种基于改进PSPNet的指针式仪表识别读数方法。首先使用YOLOv5识别出仪表区域,然后通过改进PSPNet提取出指针和刻度线区域,随后经过透视变换和提取指针直线,最后根据角度法计算出仪表读数。实验结果表明:在各种户外复杂环境下,指针式仪表读数平均相对误差为1.28%,平均引用误差为0.68%,每张图片平均处理时间为1.28 s,准确性和稳定性较高,为户外巡检机器人指针式仪表识别提供了有效手段。

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： 指针仪表   卷积神经网络   通道注意力   SIFT   霍夫变换  

摘要： 基于深度学习的指针式仪表读数识别需要针对每个项目专门进行模型训练,不具有普遍适应性,工程实施成本高。为此,采用一种混合策略来降低基于深度学习的指针式仪表刻度识别的实施和部署成本。该策略仅在对指针式仪表表盘进行定位检测时采用基于深度学习的目标检测算法,而在进行指针读数识别时则采用尺度不变特征转换算法;与标准指针仪表图形模板库中的指针仪表进行匹配并正视校准,利用霍夫变换算法识别出指针直线并计算出其倾角,根据预配置刻度信息识别出指针仪表的读数。结果表明:该方法的识别精度可以达到93%,每张图片的推理时间可以节省251.3 ms,使用预训练模型能适应不同的项目需求,具有普遍通用性,降低了大规模工程实施的模型训练和部署成本。

关键词： 指针式仪表   YOLOv3   注意力机制   霍夫变换   模板匹配  

摘要： 针对指针式仪表自动检测和读取示数时背景环境复杂、目标检测性能不足和读取示数误差大等问题,提出了一种基于CBAM-YOLOv3的指针式仪表自动检测和读数的方法。在YOLOv3(You Only Look Once-v3)基础上,引入注意力机制模块CBAM(Convolutional block attention module),通过检测提取表盘区域,根据边界框位置信息剔除绝大部分背景。利用霍夫变换确定指针和表盘位置,采用模板匹配法寻找刻度起始点。以表盘中心为原点建立直角坐标系,根据指针和刻度间的角度关系读取示数。实验结果表明:仪表自动检测精度达到了99.72%,读数平均相对误差为0.44%。该算法具有较高的检测精度和较低的读数误差。

关键词： 仪表识别   图橡处理   深度学习  

摘要： 指针式仪表目前广泛存在于电力、工业制造等领域。指针式仪表的正确识读,对于保障系统的安全生产运行具有重要意义。传统指针式仪表识别采用人工读取的方式,较为费时费力,容易出现错检、漏检的问题。与之相比,采用机器视觉技术来进行指针式仪表识别,可以有效降低人工成本,提升检测效率,具有较为明显的优势。为了降低人工读取指针式仪表的工作量,提升指针式仪表的智能化识别水平,该研究提出一种指针式仪表识智能识别方法。该方法首先通过图像处理中的灰度化、高斯滤波、自适应阈值、细化处理、边缘检测、霍夫直线检测等方法得到指针的指向角度。之后基于深度学习的文字识别方法得到指针式仪表的关键字的坐标,将关键字的坐标转化为关键字的角度。最后通过角度法,计算指针的指向角度与关键字的角度关系得到检测结果。从实验结果来看,该识别方法读取的数据与人工读取相比,相对误差均在5%以内,可行且实用。在具有一定程度遮挡、角度偏移、光照影响下,也能够有效识别,具有较强的鲁棒性。

关键词： 仪表识别   目标检测   Retinex算法   图像去抖   Hough变换  

摘要： 钻井数据采集过程中,由于现场安装、拉线等限制,传输稳定性不高,采集效果并不理想。引入了SSD+MoblieNet目标检测算法快速检测表盘位置并将表盘从复杂环境分离。使用Retinex特征增强算法并改进自适应Gamma增强使得复杂光在仪表上表现得更加自然,并在原有的图像去模糊技术上加入了模板匹配技术对表盘图像进行去抖动恢复,稳定有效地获取圆盘信息,进一步获取表盘指针角度信息。实验表明,改进后的方案能够在光照不均以及小幅度抖动下将误差控制在3%内,基本满足钻井现场指针仪表的测量要求,相对于传统方案,有着更强的实用性。

关键词： 指针式仪表   YOLOv5s   GhostNetV2   DeepLabV3   读数识别  

摘要： 针对巡检机器人执行巡检任务时,传统指针式仪表识别方法计算量大、精度低的问题,提出一种深度学习与图像处理相结合的检测与识别方法。为减少计算量,在YOLOv5s网络中引入GhostNetV2作为主干网络,利用双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)进行特征提取,在头部结构中使用深度可分离卷积减少网络参数量,并使用SIoU损失函数提高准确性。利用改进的YOLOv5s算法检测并提取表盘区域后,采用DeepLabV3+语义分割模型分割出指针轮廓,并利用图像腐蚀技术降低噪声干扰,再把环形的指针轮廓展开为矩形图像,最后定位指针相对刻度的位置,再根据表盘刻度线的数量判断表盘类型以获取表盘量程,从而计算仪表读数。实验结果表明,改进的检测和识别方法平均精度达到了95.26%,检测速度提高到83.18帧/s,读数识别的平均误差为0.3%,使巡检机器人能够快速准确地检测到指针式仪表表盘并识别读数。

关键词： 仪表识别   智能系统   指针式仪表  

摘要： 系统设计使用PHP、Python进行开发,采用B/S架构,应用ThinkPHP、Flask、Vue框架开发Web服务器,使用MySQL和Redis作为数据库存储数据。系统通过Web服务器与算法服务器配合,利用视频流对仪表进行识别,产生告警信息,可定时读数,并通过平台进行展示,以此替代了目前繁重且高成本的人工抄表,实现了智能化工作与管理。