电能表贴标机异常贴标图像识别方法研究

针对电能表自动化生产线上贴标机工作过程中出现的贴标异常问题,开展了有关异常贴标图像的识别方法研究。通过综合采用图像增强技术、梯度直方图(HOG)算法、支持向量机(SVM)、卷积神经网络(CNN)模型以及残差网络(ResNet)模型等理论、技术和方法,提出了一种有效的异常贴标图像的识别方法。使用HOG+SVM、VGG-16和ResNet模型,在平衡后的数据集中进行了模型训练和样本识别的试验。试验结果表明,深度神经网络模型在训练与测试集中的识别效果具有明显提升。其中,ResNet模型的识别精度更高(训练集识别精度为100%,测试集识别精度为89%)。该研究为适用于电能表问题贴标的识别筛选提供了有效方法,为实际应用打下了基础。

提高检定流水线接驳率的电能表辅助端子设计

为了提高电能表自动化检定流水线接驳率(即接线成功率),保证流水线检定合格率,缓解人工检定装置不合格表计复检压力,提出了一种电能表辅助端子尺寸规格的改造设计。流水线检定装置与传统检定装置最大区别在于流水线具有自动接驳机构,不适合逐一检查、调整表针接驳情况,必然存在因线体抖动或硬件偏移等影响电能表接线端子准确接驳的问题,尤其针对口径不到3.5 mm的电能表辅助端子,更是要求接驳机构应具有较高的定位精度。从改进电能表辅助端子规格尺寸出发,提出了在辅助端子U型槽设计半径为R1的圆倒角并严格规范金属孔等尺寸要求,有效增强辅助端子的容错能力,提高了线体的接驳率。