基于轻量级YOLO-v4模型的变电站数字仪表检测识别

为了在变电站实际场景中准确获取数字仪表读数,智能管控变电站的安全风险,同时推动变电站智能化发展,以实际场景中变电站数字仪表作为研究对象,综合考虑实时性及准确度等,提出一种基于轻量级YOLOv4模型的变电站数字仪表检测识别方法.首先,通过从鄂尔多斯变电站实际拍摄变电站数字仪表图像数据,使用Albumentations框架对数字仪表图像进行数据扩充,构建变电站数字仪表目标检测数据集;然后,以YOLO-v4网络为基础,结合注意力机制构建一个有效通道注意(efficient channel attention,ECA)改进的深度可分离卷积模块(ECA-bneck-m);最后,提出一个轻量级YOLO-v4模型,进行模型大小与性能的对比实验.实验结果表明:本文方法可以在几乎不损失检测准确度的情况下,将整个模型存储大小压缩为原先的1/5,同时将模型推理速度从24.0帧/s提升至36.9帧/s,其实时性能够满足实际变电站检测识别的工程需要.

基于ID-YOLO的数字仪表检测方法

当前针对数字式仪表检测算法在边缘设备具有实时性差、泛化性差的问题,对此提出一种采用ID-YOLO(instrument detection-you only look once)模型的变电站数字仪表检测识别方法。所提算法以YOLOv5模型为基础,首先设计轻量骨干网络(light weight-YOLO, LW-YOLO)提取图像特征,降低网络参数,提高检测实时性;然后设计了一种双级路由注意力模块(bi-level routing attention moudle, BRAM),提高网络对小数点的检测精度以及网络的鲁棒性和泛化性;最后,引入损失函数α-IoU,通过设定不同的可调节参数α数值得到更准确的真实框与预测框的交并比计算,可以提高模型的检测精度。结果表明:相比于其他基于深度学习的数字仪表检测识别方法,所提方法在不同显示方式的数字仪表识别任务上具有更好的准确性和泛化性,而且可以在检测准确率领先的情况下,将模型在边缘设备上的检测速度从6.87帧/s提升至8.77帧/s,其实时性和检测精度均能够满足实际变电站智能数据采集、检测识别的工程需要。

基于巡检机器人的数字仪表自动识别方法

随着信息化技术的蓬勃发展和,改革了传统的巡检方式。基于巡检机器人,具有信赖性高和适合各种仪表盘的特性,加强了数字仪表的自我识别能力。通过、数码仪表盘和开关等要素的影像,经过智能分析后进行异常警报。巡检机器人代替了人工的工作,具有广阔的应用前景。在数字教程的数字识别阶段,使用多尺度探测算法,提供了数字元数据的模拟方法。巡检机器人对数据拍摄效果明显,有效地提高了的数字仪表自动识别速度和准确度。

基于YOLOv5与改进VGG-CTC的数字仪表自动读数方法

随着数字电网的发展,数字仪表在电网中的应用越来越广泛。为进一步提高数字仪表自动读数算法的准确率和识别效率,推动数字电网建设,文中提出一种基于YOLOv5和改进VGG-CTC模型的数字仪表自动读数方法。该方法包括数字区域定位和仪表字符识别两部分。首先,采用YOLOv5模型检测输入图像的仪表数字区域,输出预测的数字区域边界框;然后,对VGG网络的卷积层和全连接层参数进行改进,提出一种改进VGG网络,将预测的数字区域输入该网络,即可提取数字区域图像特征,通过长卷积层输出字符概率分布信息;最后,经过CTC转录模块将概率分布序列映射为预测的数字仪表示数。实验结果表明,所提自动读数方法的准确率为89.63%,识别时间为439 ms,相比其他读数方法具有较好的读数准确率和识别速度,能够提高智能电网对设备状态监测的准确性和高效性,对推进能源物联网和数字化电网的建设具有重要意义。

基于轻量化深度学习网络的数字仪表识别

数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器。然而当前数字式仪表的读取方式还依赖于人工巡检、手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率。为了实现传统行业的数字化转型,提出了基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5(you only look once version5)的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出了对于感兴趣区域(region of interest,ROI)的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的。为提升多尺度检测性能,采用Res2Net模块主干网络中的的残差模块。采用GIoU(generalized intersection over union)取代通用的IoU(intersection over union)作为位置损失函数加速模型训练效果的收敛。实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%。通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行。

基于巡检机器人的数字仪表自动识别方法

针对巡检机器人所拍摄的数字仪表图像中示数区域存在透视畸变的问题,提出一种基于八点回归的凸四边形示数区域拟合算法。通过增加多个控制点辅助示数区域顶点的回归,得到较准确的示数区域;提出一种结合控制点信息的双线性插值策略,将示数区域图像进行矫正;针对仪表数字间缺乏上下文信息的特点,在数码管数字识别阶段采用单阶段多尺度目标检测算法;提供一种数字仪表数据模拟生成的方法,解决固定场景下训练样本多样性差的问题。实验结果表明,所提方法在巡检机器人拍摄数据集上效果显著,有效提升了巡检机器人数字仪表识别的速度与精度。

基于OpenCV的数字仪表字符提取及快速识别研究

为了实现工业仪表的自动化识别检验、降低人力消耗,应用机器视觉和图像处理技术对数字仪表自动读数识别进行研究。对采集的字符图像进行一系列预处理,包括灰度化以及采用双边滤波算法对含有背景的图像进行图像降噪预处理。提出了1种针对数字仪表字符区提取及快速识别的算法。基于透视变换以及轮廓提取函数实现仪表字符区的倾斜校正及快速提取,并对提取的字符进行形态学处理。提出了1种改进的穿线法对未进行字符分割处理的图片进行识别,并针对字符1的特征提出了快速识别方法。该算法省去了字符分割的时间,提高了字符识别效率。试验证明,算法对数码管的识别正确率达到99.3%、单幅图片识别时间为6.95 ms,可有效应用于计量、检验等数显仪表识别场合,提高检验效率。

基于投影阈值分割和数字序列校正的高噪声数字仪表图像识别方法

针对数字仪表图像噪声大、图像特征信息不足导致图像识别准确率低的问题,提出了一种基于卷积递归神经网络结合投影阈值分割和数字序列校正的高噪数字仪表图像识别方法。首先,用投影阈值分割二值化算法对图像进行预处理:使用垂直投影法将图像划分为不同区域,根据不同区域的噪声强度自适应设定二值化阈值,对图像进行二值化处理,降低噪声;其次,根据图像之间数字规律变化特点,利用数字序列校正算法将单个数字识别转换为数字序列识别,通过对比不同数字序列的识别概率得出识别结果,解决单张图像特征信息不足导致识别准确率低等问题。实验结果表明,在高噪声数据集上,相较于卷积递归神经网络模型,提出的高噪声数字仪表识别模型在准确率方面提高了约61.95%,达到93.58%。

数字仪表误差来源分析与非线性误差的改进措施

数字仪表内部电路和结构比较复杂,在测量中会产生系统误差和随机误差,此外,测量方法、操作人员也会使仪表产生误差。仪表自身因素产生的误差来源有分压系数误差、输入放大器引起的误差、数/模转化误差、环境影响引起的误差、噪声和抗干扰能力引起的误差以及非线性误差等。文中重点研究非线性误差的改进措施,给出同相补偿法、反相补偿法、衰减同相补偿法三种电路补偿法来改进非线性误差。此外,创新性地提出一种数据修正法的理论模型,并给出数据修正法的适用范围。最后得出结论:高精度要求的数字仪表,应该使用电路补偿和数据修正相结合的方法,以更有效地消除非线性误差。

基于SSDMoblieNet-Alexnet双阶段数字仪表读取方法研究

针对在工业巡检行业巡检时识别数字仪表的数字实时性问题,本文提出基于SSDMoblieNet-Alexnet双阶段数字仪表读取,将多目标识别问题转换成单目标和图像分类问题。首先采用SSD-MobileNet模型从图像中识别数字区域,再采用自适应阈值分割数字区域,将数字分割出来,然后使用改进的Alexnet模型对数字进行分类,最后将识别的结果进行组合,即可得到数字仪表上显示的数字。根据实验结果显示,在数字区域在图像中的比例达到5.7‰以上时,识别正确率在98.9%以上,漏检率在2%以内。该方法采用的模型均为简单模型,可在低算力的设备上运行。

基于图像分类的多类型数字仪表自动读取方法

为解决现有数字式仪表自动读取方法依赖于大样本训练且精度不高的问题,提出了两级识别机制,即先对仪表图像进行分类获取先验知识,然后基于先验知识获取表盘中感兴趣的区域并进行字符识别。该方法联合使用级联小波变换模块以及ELU激活函数改进了ResNet34网络模型,提高了仪表盘分类的准确性,并采用先验知识获取感兴趣区域,进一步避免了无关信息的干扰,减少了样本量。实验数据表明,文中方法是可行有效的,300张数字式仪表图像读取准确率为95.67%,相比于传统识别方法,该方法识别的数字式仪表的类型更多,效果更好。

一种数字仪表显示值快速识别方法

提出了一种数字仪表显示值的快速识别方法。该方法首先由计算机自动定位分割图像中的数字区域并实现单个数字的切分,然后对每个数字图像提取了一组具有较高区分度且计算简单的典型特征,最后,基于模糊识别的最大隶属原则,构造了一种数字识别器,实现了仪表显示值的实时识别。试验表明:该方法的识别率高达99%,对7位数字的识别时间不超过20毫秒,并且具有较强的抗干扰能力,达到了仪表显示值识别的速度和准确率要求。

乘用车CAN总线数字仪表测试系统设计

设计开发了一种通用的乘用车CAN总线数字仪表测试系统,它可以产生并控制CAN总线数字仪表和普通数字仪表工作时所需要的各种驱动信号,适用于不同车型仪表性能的离线测试与调校,具有广泛的通用性。

汽车智能数字仪表的开发

针对汽车组合仪表存在的问题,本文基于Windows CE和嵌入式系统为JEEP2500汽车开发了数字仪表．该智能数字仪表由高性能单片机和触摸屏取代原有的模拟仪表,显示所有汽车运行参数并具有故障报警功能,嵌入之中的黑匣子纪录的数据给交通事故处理提供证据．该仪表除具有原仪表的所有功能外,还能显示汽车运行状态参数的变化曲线,给出车辆3滤更换时间、保养维修提示及行驶状态记录等．初步装车试验表明,该系统达到初步设计要求,为进一步的产品开发奠定了基础．

混合动力汽车真彩液晶数字仪表软件设计

设计了混合动力汽车真彩液晶(LCD)数字仪表的软件流程.该仪表系统具有仪表显示、故障诊断显示、车辆行驶参数记录与分析、数据保存与回放等功能,实现了汽车仪表的数字化与智能化.该数字仪表经扩充后兼具整车管理系统、行驶记录仪、信息媒体播放器等功能.

彩色数字仪表表盘读数的自动识别系统

介绍了一个数码管显示数字仪表表盘读数的自动识别系统,在字符提取阶段,采用颜色提取的方法,使得尽管图片的字体颜色与背景颜色相同,但只要亮度不同．也能很好的提取出字符部分。在字符分割过程中,采用增益方法识别边界,准确分割出单个字符。并采用统计法和扫描法相结合的方法来识别数字。实验结果表明提出的方案可行,具有较强的鲁棒性。

数字仪表显示值的快速识别方法

在很多工业应用中需要对仪表显示值进行自动识别。根据数字仪表字符的特点,提出一种新的特征提取方法。在单个数字图像中定义7个子区域分别对应7个数码管,以没有点亮的数码管作为特征,并针对此特征设计了相应的识别算法。实验表明,数字仪表显示值的快速识别方法的识别率达99%,对16位数字的识别时间不超过0.5毫秒,并具有较强的抗干扰能力,完全满足仪表显示值实时自动识别对准确率和速度的要求,具有较高的应用价值。

基于数学形态学的数字仪表数码识别快速算法

结合水信息数字仪表检测系统的开发,对数字仪表数码的识别算法进行了研究,为满足仪表数字识别刷新速率快、数码位数多的特点,提出了一种基于数学形态学的识别方法;利用击中击不中原理,根据数码的特征,重新设计结构元素对,克服了HTM中一字一模的缺点,通过关键点的比较,利用结构元素对一次侦测得出数码的编码,然后通过编码确定数字值;由于每个数码只对应一个相应的编码,所以这种方法不会造成误判,在保证系统要求的识别的准确性的同时,提高了识别速度;同时本算法能够更加方便地提取结构元素对;实验表明能完全适应大型水信息数码识别的实时采集。

基于特征检测的数字仪表数码快速识别算法

为对数显类仪表的显示数据进行自动识别与监测,提高该类仪表的自动化水平,需要研究仪表数码快速识别算法。该文提出一种基于特征提取的数字仪表数码快速直接识别算法。将图像进行预处理后,对数显屏幕进行定位。通过列切实现单个数码字符切割,对单个数码字符进行七段特征检测和五线相交检测,实现对正体数码和斜体数码的快速直接识别。实验表明,算法基本可以满足各种仪表数码的识别需求,识别速度快、准度高。

基于Luminary LM3S8962的汽车数字仪表系统设计

以基于ARM CortexTM-M3处理器内核的高性能微控制器LM3S8962为硬件核心,应用CAN2.0B规范以及SAE J1939协议设计了汽车数字仪表系统方案。利用CAN收发器CTM1060T和LM3S8962内部集成的CAN控制器模块,使数字仪表成为车身的一个CAN节点,实现CAN总线信号的接收和发送功能;利用步进电机驱动芯片STI6606驱动MR1107永磁步进电机实现数字仪表的指针显示功能。最后给出了CAN数据接收处理流程图,设计了CAN报文发送和接收软件。