关键词： 指针式仪表   仪表读数识别   目标检测   表盘信息提取   深度学习  

摘要： 指针式仪表由于具有成本低、抗电磁干扰性能好等优点,在电力、石油、化工等领域得到了广泛应用。目前,获取指针式仪表读数主要依赖人工巡检,效率低且工作枯燥。因此,应用机器人替代人工巡检相关课题备受研究者关注,然而相关方法存在依赖先验信息、泛化能力不足等问题,成为限制其推广的主要制约条件。鉴于此,本文旨在研究一种仪表全过程自动读数识别算法,面向未知仪表也能得到可靠读数结果。 为实现上述目标,本文提出了一种仪表读数识别框架,首先从巡检图像中提取表盘图像并对其进行图像增强,然后基于表盘图像分别提取仪表的标度信息和指针信息,最后基于标度和指针信息使用仪表读数计算公式得到仪表读数识别结果。 在表盘图像提取环节,针对现有表盘检测方法计算量大,占用计算资源多等问题,本文基于Fully Convolutional One-Stage Object Detection(FCOS)模型改进提出一种轻量级目标检测模型Lite-FCOS,应用了本文提出的Fast Global Context Network(FGCNet)轻量级主干网络,并对FCOS模型的特征融合和检测头网络进行了轻量化改进。同时,针对检测得到的表盘图像可能存在的模糊和分辨率低等问题,本文提出了一种应用图像超分辨率重建技术提高表盘清晰度的方法,提升了算法泛化能力。 标度信息为表盘中所有标度数字的坐标及对应标度数值,针对当前同类算法普遍依赖仪表先验信息难以自主获取标度信息的问题,本文提出两种直接从表盘图像获取标度信息的方法。方法1基于光学字符识别Optical Character Recognition(OCR)技术,使用OCR模型识别表盘全部字符,然后提出一种字符筛选方法从全部字符中筛选得到各个标度数字信息;方法2基于目标检测技术,由目标检测模型提取表盘中单个数字字符,然后提出跨类别非极大值抑制Non-Maximum Suppression(NMS),待融合字符组合和数字融合等算法,从单个数字字符中还原各个标度数字信息。 指针信息为指针中心点和尖端点坐标,针对当前同类算法对参数敏感导致鲁棒性差和抗干扰能力差等问题,本文提出两种方法以解决上述问题。首先两种方法都使用目标检测模型提取指针图像,然后方法1提出基于关键点检测模型从指针图像直接预测两点坐标,从而得到指针信息;方法2提出一种能够依据标度信息进行计算的指针中心点拟合算法,改进了Hough直线检测算法用于指针中心线提取,然后从指针中心线和指针图像边界框的两个交点中选取距指针中心点较远的作为指针尖端点并求其坐标。 针对传统角度法读数计算公式有效读数范围小,高度依赖仪表先验信息等问题,本文提出了一种基于读数基准标度区间的仪表读数计算公式,大幅拓展了公式的有效范围,并且基于少量标度数字就可以实现可靠读数,同时提出了一种标度区间匹配方法以减少错误匹配标度区间带来的错误读数结果。 基于测试数据集对本文提出的仪表读数识别算法及各项改进实施了充分的消融实验和对比实验,验证了本文各项改进的有效性,实验结果表明本文算法相对同类算法具备更好的泛化能力。最后,基于已实现的算法设计和实现了一种智能巡检系统界面。

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： 机器视觉   卷积神经网络   图像处理   仪表读数识别  

摘要： 传统指针式仪表因其具有结构简单,生产成本低等优势,在工业生产过程中有着广泛的应用。然而,目前指针式仪表读数方式多为人工判读,效率低下。为解决人工判读的低效问题,仪表自动读数方法不断被提出,此类方法多基于机器视觉,效率和准确率相对于人工判读均有所提高,为指针式仪表出厂精度校准以及性能定期检测提供了可行的方案,有效推动了工厂的现代化改造。为进一步优化指针式仪表读数识别方法,论文提出了基于机器视觉的指针式仪表自动读数方案,其中包括仪表目标检测、倾斜校正、量程识别、示数读取、分度值检测以及在此基础上的读数识别系统软硬件实现。课题的研究内容主要分为以下几个部分:(1)针对指针式仪表目标检测方法易受环境干扰的问题,提出一种基于旋转目标检测网络的目标检测方法。该方法在水平目标检测网络YOLOv5s的基础上做出改进,将网络改建为更适合指针式仪表的旋转目标检测网络,同时分别从角度回归、小目标检测、损失函数三个方面入手,提升网络性能。经测试分析,相较于传统目标检测方法以及水平目标检测网络,该方法在检测效果和检测速度上均有一定优势。(2)针对目前指针式仪表倾斜校正方法泛化能力不强的问题,对倾斜校正方法做出改进。充分利用旋转目标检测网络输出信息,对存在倾斜的仪表进行旋转校正和形变校正。同时,针对目前指针式仪表读数识别方法中,往往需要将量程作为先验知识,手动输入的问题,提出了基于改进Res Net18分类网络的指针式仪表量程识别方法。真正做到指针式仪表读数的自动识别,进一步减少人工的参与。(3)针对读数识别系统的实际需求,规划识别流程、分析系统架构。从硬件和软件两个方面,设计系统相应的硬件结构和软件框架,实现了不同功能模块的软件设计。最后将指针式仪表读数识别方法应用到硬件系统中,实现了指针式仪表的图片检测与视频检测。

关键词： YOLOv5   指针式仪表   读数识别   智能算法  

摘要： 大坝廊道在运行和维护期间,为了监测廊道结构内部的裂缝和渗水情况,在廊道内部会安装各种监测仪表.为了监测大坝廊道指针式仪表状态和读取仪表示数,提出一种适应于巡检机器人的指针式仪表检测和读数识别算法,并设计了系统总体方案.通过训练好的YOLOv5模型进行仪表检测,对不同仪表分类并截取仪表图像,然后采用数字图像处理技术进行仪表读数识别,测试结果表明读数识别相对误差均小于2.1%.此算法的提出向建设全生命周期的“智能大坝”以及无人监测大坝廊道的目的又前进了一步.

关键词： 指针式仪表   YOLOv3   注意力机制   特征融合   Coarse-to-fine  

摘要： 为了解决变电站指针式仪表读数识别过程中所涉及到待检测目标尺度分布范围广泛,而导致特征金字塔在不同尺度上不一致性的问题,提出一种基于注意力机制的特征融合的改进的YOLOv3算法。通过利用注意力机制自动调整各尺度特征映射融合的空间权重,该模块包括两步:同比例放缩和基于注意力机制的特征融合。采用改进后的YOLOv3算法检测图片中仪表的表盘位置,然后根据Coarse-to-fine的思想,使用Mask R-CNN对表盘指针采取实例分割操作,并使用简单线性回归对仪表中的指针进行线性拟合,计算出指针斜率,最终计算仪表读数。实验结果表明,改进后的YOLOv3算法对指针式仪表的识别精度达到了91.85%,对小目标检测效果有较高的提升,使模型具有更好的鲁棒性。同时,实例分割算法与线性回归模型的结合也为指针式仪表读数的自动识别提供了新思路。

关键词： 图像处理   指针式仪表   语义分割   注意力机制   高斯热力图   透视变换  

摘要： 针对指针式仪表图像特点及现有读数识别方法存在的局限,提出了一种基于轻量级图像语义分割模型的读数全自动识别方法。首先,以轻量级语义分割网络CGNet为基础进行改进,通过增加通道注意力模块SENet进行特征增强和融合,同时适当加深分类层,从而预测更准确的刻度线、指针、量程数字等语义信息;接着,根据刻度线语义分割结果拟合椭圆,建立与标准圆的透视变换关系校正倾斜畸变的图像;然后,在校正图像中通过极坐标变换、图像细化、垂直投影等后处理操作精确提取刻度线、指针,并通过optical character recognition技术识别量程数字;最后,根据刻度线与指针相对位置关系及量程信息确定仪表读数。为验证该方法的有效性,构建了指针式仪表图像数据集。实验结果表明,该方法在图像语义分割精度上与现有轻量化方法相比有较大提升,对测试集图像读数识别的平均相对误差约为0.63%,可满足实际应用需求。

关键词： 指针式仪表   YOLOv5   U-net   Hough梯度圆检测   加权最小二乘法   读数识别  

摘要： 针对不同背景、距离条件下指针式仪表读数识别准确性低的问题,提出了一种结合YOLOv5和U-net的仪表读数识别方法。首先引入了YOLOv5算法检测并提取仪表区域;其次采用Hough梯度圆检测提取纯仪表盘和U-net分割算法准确分割出指针轮廓,并通过指针细化,加权最小二乘法拟合指针所在直线,根据定位坐标系获取指针方向和偏转角度,最后利用指针的偏转角度计算仪表读数。结果表明:提出的方法检测每张图像的平均耗时为64.511 ms,读数识别的成功率达97%,平均引用误差为0.577%,能快速并准确地识别出指针式仪表示数。

关键词： 仪表智能识别   YOLO   目标检测  

摘要： 针对指针式仪表自动检测读数时,受复杂背景环境等因素影响造成仪表图像检测难、提取速度慢、仪表盘定位扭曲、倾斜等问题,提出基于YOLO算法的指针式仪表智能识别系统。首先,利用YOLO算法对工业指针式表盘进行精确定位,并使用透视变换算法进一步校正,克服表盘扭曲或倾斜带来的误差;然后,对得到的二值化图像使用几何矩算法遍历得到仪表表盘的圆心和半径,提取仪表的刻度区域和指针;最后,采用角度法计算仪表读数。实验结果表明,该系统的仪表读数识别准确率不低于95%,可满足工业应用的精确度要求。

关键词： 指针式仪表   轮廓提取   椭圆拟合   刻度点定位   直线检测   示数判读  

摘要： 为实现仪表的自动识别,提出基于轮廓的表盘区域检测与基于最小二乘法和刻度点定位的仪表示数识别方法。该算法通过二值化、滤波等预处理方法减少干扰,结合轮廓间的内嵌关系,提取出包含指针和刻度的表盘区域,得到仪表盘刻度轮廓集,并采用随机最小二乘法拟合表盘椭圆。通过分析指针的特性,提出基于EDLines直线检测算法的指针检测方法,完成对表盘内指针的提取与定位。最后根据指针直线方程、刻度编号和量程范围自动完成读数。实验表明,该算法具备较强的抗干扰能力,读数与人工读数误差较小,满足实际精度需求。