关键词： 图像识别   偏转仪表图像   椭圆拟合   Hough直线检测   读数矫正  

摘要： 针对变电站巡检过程中拍摄的圆形仪表图像偏转问题,提出了基于图像识别的圆形指针式仪表读数矫正方法。将机器人在巡检过程中采集的圆形指针式仪表图像使用数字图像处理技术进行预处理,包括滤波去噪、形态学处理等;在表盘区域内,选择相应关键点并使用五点法拟合椭圆,定位出待处理的表盘区域和表盘中心;计算表盘中心和指针中心之间的距离并根据所获得的距离矫正指针的读数,输出指针的最终正确读数。实验结果表明,与直接用Hough变换算法相比,该算法能够实现读数的自动矫正,算法复杂度低、速度快、正确率达到95.4%,满足实际需求,为实现站内设备全覆盖检测提供了技术支撑。

关键词： 变电站   巡检机器人   指针式仪表   注意力机制   仪表检测   表盘分割   仪表读数   CenterNet   DeepLabv3  

摘要： 针对变电站巡检机器人在室外进行指针式仪表读数识别时存在检测精度低和读数误差大等问题,提出了一种基于CenterNet和DeepLabv3+的指针式仪表读数识别方法。ECA-Net是一种不降维的局部跨信道交互策略和自适应选择一维卷积核大小的方法,在CenterNet的主干网络引入ECA-Net轻量级注意力机制模块,加强了不同通道之间的特征联系;在DeepLabv3+的ASPP模块并行连接DAMM双注意力机制模块,DAMM模块中的位置注意力模块能够有效模拟出图像位置间的长期上下文依赖信息,将不同局部特征信息连贯起来,提高了语义分割能力;DAMM模块中的通道注意力模块利用不同通道的相关类别特征间的关联性进行不同类别特征强化,提升像素分类精度;利用基于线性变换理论的椭圆透视变换和仿射变换来矫正畸变仪表图像,获取仪表正立图像,提高指针直线拟合角度的精确度,从而减小读数误差。使用该方法进行了大量的仿真与现场测试,结果表明,在仪表检测阶段,所设计模型的mAP比原始模型提高了7.51%;在仪表读数识别阶段,矫正前仪表读数预测值和仪表真实值之间的标称误差为6.0%,平均误差为4.2%,矫正后仪表读数预测值和仪表真实值之间的标称误差为2.0%,平均误差为1.3%,从而验证了所提方法的有效性。

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   读数识别   卷积神经网络   注意力机制   分级回归   软区间  

摘要： 目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低。并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值。因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高。首先构建了融合卷积注意力模块的双路异构卷积神经网络,强化了对仪表图像特征的提取,改善了特征的类型和分布,提高了仪表读数识别的准确率;然后采取了软区间分级回归的策略,极大地简化了模型的体积,使得模型易于部署;最后通过算例对比了所提方法和基于指针线段检测的深度学习、机器学习模型识别仪表读数的准确率和效率。算例表明,所提方法在仪表图像读数识别准确率和效率之间取得了较好的平衡。

关键词： 计算机视觉   指针式仪表   智能识别  

摘要： 本文针对指针式仪表识别过程复杂,智能读取普适性低、实时性差等问题,提出了一种基于计算机视觉技术的指针式仪表快速读取示数的方法。首先对输入图像进行均值偏移滤波,平滑色彩细节、降低后续计算量;再通过双边滤波保边去噪,最大类间方差法(Otsu)选取阈值,进而二值化图像,然后应用基于Hough梯度法的Hough圆检测定位仪表盘质心;其次通过CTPN+CRNN网络读取开始刻度和最大量程的数值与位置,并且基于区域选择的概率Hough直线检测算法提取指针;最后利用角度法得到仪表示数。实验表明,读数的最大相对误差低于0.6%,平均识别时间为0.385秒,证明了该方法的有效性。

关键词： 指针式仪表   仪表检测   图像分割   仪表读数识别   极坐标转换  

摘要： 针对巡检机器人拍摄图像的特点及传统指针式仪表读数识别方法的不足,本文基于YOLOv5目标检测和Deeplabv3+图像分割技术,提出了一种指针式仪表读数的自动识别方法。首先利用YOLOv5检测复杂背景图像中的仪表表盘的位置,并得到仪表的类型;其次,通过透视变换算法对表盘图像进行校准;然后针对仪表刻度和指针的特点,改进了Deeplabv3+网络的Encoder端和Decoder端,可以对表盘中的刻度和指针进行精准分割;最后,利用图像极坐标转换等方法得到仪表的读数信息。实验表明,本文提出的方法可以有效地识别巡检机器人拍摄的指针仪表的读数。

关键词： 颜色特征   机器视觉   指针边缘   初始量程   多线程   动态环境  

摘要： 指针式仪表广泛应用于计量和生产等场合,仪表指示的信息是实现设备运行状态监测自动化的基础。利用仪表的颜色特征对处于复杂环境中的仪表进行定位,通过指针边缘检测实现指针定位,并根据指针和初始量程的相对位置来完成读数。应用结果表明,采用多线程方法提升了动态环境中仪表识别的准确度,算法最终的识别精度可以达到最小刻度的十分之一。

关键词： 指针式仪表   目标检测   语义分割   字符识别  

摘要： 为对处于复杂环境中的变电站指针式仪表进行示数识别,提出一种基于深度学习的指针式仪表示数识别方法。首先使用目标检测算法YOLOv3检测图片中仪表和仪表刻度值的位置,并使用基于LeNet-5网络的字符识别算法识别刻度数值;然后使用语义分割算法DeepLabv3+分割出仪表指针区域;最后使用角度法读取仪表示数。实验结果表明,该算法在不同光照、天气、背景环境中均可高效准确地读取指针式仪表示数,平均读数误差率小于3.5%,可满足变电站巡检机器人的日常巡检需求。

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   卷积神经网络   端到端   指针式仪表   CenterNet  

摘要： 随着信息技术的不断发展,智能建筑、智慧城市已经成为如今一个重要的发展目标,指针式仪表由机械结构构成,其结构简单,不受各种温度、压力、电磁干扰等因素的影响,造价便宜且相比于电子仪表更加稳定可靠,目前仍大量应用于存储运输、化工、燃油煤矿、电气、水利等领域的设备测量监控中,由于这些仪表工作场景条件复杂,使用人工进行巡检看护效率低成本高,难以适应如今信息化的现代生活需求。近些年来设备性能的改善及深度学习技术的不断发展,使得图像识别读表已逐渐成为解决这些无人值守环境读表问题的一种有效方案。本文旨在研究基于深度学习目标检测算法的指针式仪表读数识别方法,在现有指针仪表读数方法的基础上,针对对于实际复杂工作环境现有方法难以适应的问题,本文提出了一种基于中心点检测网络CenterNet的指针式仪表自动读数识别方法,提升了算法的准确性与鲁棒性。主要工作内容包括:(1)针对现有指针式仪表检测算法中多尺度特征利用不充分导致小目标检测效果差的问题,本文设计了一种基于改进CenterNet的CenterNet-F-EResNet50目标检测算法,通过使用跳层连接的方法,加强网络对于多尺度特征层信息的利用能力,并在主干网络中引入注意力机制,进一步加强网络的特征提取能力,使网络能够自适应地关注不同尺度特征,提升网络对于小目标检测的效果,然后标注并建立了仪表检测数据集,AP指标是一种综合考虑了准确率与召回率的评价指标,AP50与AP75表示预测框与实际目标交并比达到50或75时视为预测成功的AP值,在数据集上的实验结果表明,改进后的网络相比原始CenterNet网络,其准确率提升了 4.87%,AP50指标提升了 4.23,AP75指标提升了 6.35,对比其他仪表检测常用算法,其识别精度更高,速度更快。(2)针对使用传统图像识别方法检测指针角度鲁棒性差,且对不同类型的仪表无法通用的问题,本文通过将指针角度检测转化为深度学习目标检测算法中的回归问题,设计了一种CenterNet-F-EResNet50+θ旋转目标检测算法,使网络模型能够端到端的同时检测出指针的位置坐标与旋转角度,然后根据该改进由于直接预测角度产生的角度周期性边界问题而导致检测精度下降的情况,进一步提出了一种使用目标方向向量来代替角度进行预测的方法,提高算法对于角度边界处旋转角度预测的准确性,然后标注并建立了仪表指针旋转检测数据集,在数据集上的实验结果表明,相比直接预测角度,最终改进的算法使指针的AP50指标提升了 1.03,AP75指标提升了 9.57,相比传统识别方法,本文方法准确度及适应性更好。(3)基于以上两种目标检测算法提出了一种应用于工业场景的指针式仪表自动读数方法,通过先识别仪表表盘,再端到端地识别出指针旋转角度的方式完成读数的计算,解决了现有仪表识别算法难以应用于复杂工业场景的问题。经实验,本文所提出的自动读数方法能够对不同类型的指针式仪表准确完成读数,使用本文方法进行读数计算的平均引用误差为0.962%。