指针式仪表读数识别的研究现状与发展

在高温高压强磁场等恶劣环境下,指针式仪表有着优于数显式仪表的良好性能表现,对指针式仪表读数识别进行研究具有重要的现实意义。近年来,深度学习与计算机视觉紧密结合,基于深度学习的指针式仪表读数识别技术是前沿研究的重点方向。文中首先概述指针式仪表读数识别的过程,然后从3个方面论述指针式仪表读数识别技术的研究现状与进展:仪表图像的预处理、仪表表盘区域的检测和仪表的读数识别,论述过程中分别阐述基于传统机器学习的方法和基于深度学习的方法。最后介绍公开的仪表数据集和应用场景,并从深度学习算法、巡检机器人工作特点和公共数据集的建立3个方面对未来的研究进行展望与建议。

基于RGB模型的汽车指针仪表示数的识别

本文对汽车指针仪表示数的识别,提出了一种基于RGB彩色空间图像处理的识别方案。首先,根据仪表盘图像的R、G、B分量的直方图,利用该分量的欧几里德距离法分割仪表盘的圆心和指针;然后,提取圆心的骨架和圆心的坐标,建立新的坐标系;最后,将指针的质心和仪表盘的圆心连成一条直线,通过直线位置识别指针读数。实验证明:该方法可用于指针式汽车仪表的自动化测试。

基于VCA-UNet的全自动指针式仪表读数方法

针对现有仪表读数方法易受光照不均等因素影响,而导致读数误差大的问题,提出一种基于深度学习的全自动指针式仪表读数方法。首先,引入YOLOv7网络提取表盘区域;其次,采用文中提出的VCA-UNet(VGG16Net,improved skip connections and ASPP based U-Net)网络用于分割刻度线和指针;最后,引入PP-OCRv3网络自动获取仪表量程,并利用角度法确定仪表示数。实验结果表明:VCA-UNet网络的MIoU和MPA值较U-Net网络分别提升18.48%和9.36%,且普遍高于其他经典分割网络,仪表读数的平均相对误差为0.614%,且泛化实验的读数绝对误差相对较小,验证了读数方法的准确性和泛化性。

基于改进YOLOv5s的指针式水表读数检测

针对光照不均匀和水表表盘雾化的指针式水表在读数检测时出现漏检、误检等问题,提出一种基于改进YOLOv5s的指针式水表读数检测方法。首先,采用Mosaic、Mixup等数据增强方法,提高模型的泛化能力;其次,引入加权双向特征金字塔网络(bilateral feature pyramid network, BiFPN)实现更高层次的特征融合使得水表图像的深层特征图和浅层特征图充分融合,提高网络的表达能力;然后,嵌入卷积注意力机制(convolutional block attention module, CBAM),在通道和空间双重维度上强化指针式水表子表盘示数特征;最后将完全交并比损失函数(complete intersection over union loss, CIoU-Loss)替换为SIoU_Loss(scylla intersection over union loss),提升边界框的回归精度。改进算法的mAP@0.5达到97.8%,比YOLOv5s原始网络提升了3.2%。实验结果表明:该算法能有效提高指针式水表的读数检测精度。

基于对抗学习的指针仪表自适应读数识别算法

针对指针仪表采用人工读数方式存在的成本较高、读数不准确、时效性较差的问题,提出一种基于对抗学习的指针仪表位姿自适应读数识别算法。该算法通过目标检测模型识别图像中的指针仪表的位置和姿态,将指针仪表进行校准后并利用数字图像处理技术进行读数识别。为了提升目标检测模型对位姿不同的指针仪表图像的识别效果,本文提出了基于对抗学习的数据增强技术,通过优化搜索模型识别不准的图像旋转角度、平移距离以及缩放比例构造训练数据,提高目标检测模型在指针仪表位姿发生变化时的准确率。以工矿企业中常用的SF6压力仪表为实验对象,实验结果表明读数识别的误差在1%以内,证明了所提算法的有效性。

基于机器阅读理解的行车故障诊断知识抽取

行车故障调查单是对行车故障诊断过程的文本记录,基于这些历史记录构建知识图谱可以更好地支持行车故障诊断智能化。由于该语料具有实体嵌套、实体跨度大、关系重叠等特点,传统的命名实体识别和关系抽取模型难以对其进行有效的知识抽取。针对语料中存在的实体嵌套和长实体识别问题,本文提出了一种融合强化学习的机器阅读理解模型,以问答形式进行实体识别,以指针网络进行解码;对于语料中存在的关系重叠问题,将关系抽取分为先识别主体再识别客体的两阶段,将不同实体对的关系抽取进行隔离。实验结果表明,基于机器阅读理解的方法在行车故障诊断领域的知识抽取上具有较好的性能,可以有效支持领域知识图谱构建。

基于机器视觉的指针式仪表自动读数方法研究

为了实现指针式仪表的精确自动读数,提出了一种基于机器视觉的指针式仪表自动读数方法。针对仪表展开图像中可能存在的部分刻度不可见和刻度间隔非等距的问题,构建了刻度线缺失下的插补方法和非等距情况下的指针读数计算模型。插补方法利用刻度间距的统计信息,实现了位置的自动插补。指针读数计算模型采用二次样条函数提高计算的精度。实验结果表明:该方法能够有效地减小读数误差,更好地满足指针式仪表的自动读数要求。

基于改进YOLOv4-Tiny的指针仪表自动读取方法

为了提高对指针仪表识别的准确率与泛化能力,提出一种基于改进YOLOv4-Tiny的指针仪表自动读取方法。该方法一级模型基于YOLOv4-Tiny算法,提取指针仪表表盘区域以及仪表分类,并通过加深主干特征提取网络、增加FPN(Feature Pyramid Networks)结构与检测头、使用PreLU(Parametric Rectified Linear Unit)激活函数,提高原YOLOv4-Tiny模型的检测精度。二级读数算法通过(PPHT)累计概率霍夫变换和最小二乘法拟合指针,通过斜率推导仪表读数。实验结果表明,改进方法能够有效、准确地完成对指针仪表的读取,改进的YOLOv4-Tiny模型相比于原模型F1分数提升了10.65百分点,达到了93.31%,FPS达到了192,整体识别准确率达到了99.36%。

基于霍夫减影的变电站指针仪表读数识别

随着变电站智能化的不断提高,仪表自动读数成为未来的发展趋势。针对仪表图像受光照影响大、表盘背景复杂、对比度低和变电站自身的特点,提出一种基于霍夫减影的变电站指针式仪表读数。利用基于梯度的霍夫圆检测算法提取表盘圆心;利用减影法定位指针;利用模板匹配算法提取表盘特征刻度值;通过判断指针与刻度的相对位置计算读数。实验结果表明,算法受环境背景干扰小,识别精度高。

基于不规则目标检测的指针式仪表读数识别方法

针对目前指针式仪表读数识别方法流程多、累计误差大、对倾斜图像识别效果差的问题,提出一种基于不规则目标检测网络的指针式仪表读数识别方法。首先构建校准网络结构,提取不规则目标顶点坐标,实现对图像自动进行透视变换,强化整体网络对倾斜样本的学习性能;随后利用卷积神经网络直接提取图像特征,实现读数信息的回归任务,减少方法步骤;最后整合模型,使倾斜校准与读数识别任务通过同一个可反向传播的神经网络学习并实现。实验表明,该方法提高了对倾斜仪表图像的读数识别精度,读数流程短、识别效率高。

指针式仪表通用读数识别方法及系统

变电站指针式仪表外观样式繁多,现有的方法只能对一个或两个指针的仪表或某种功能的仪表进行常规读数,无法同时支持两个以上表盘、两个以上指针、多种功能仪表的读数。基于以上问题,提出一种基于深度学习的通用指针式仪表读数识别方法。首先使用YOLOv5目标检测方法构建指针式仪表表盘检测模型,定位表盘位置。然后进一步在表盘中使用Mask R-CNN实例分割方法构建指针分割模型,识别指针mask区域。构建标定工具对表盘信息进行标定,将参数传递给读数识别模块。同时构建预置位纠偏算法,当预置位存在偏移时进行矫正,保证标定的信息与表盘位置保持对应。开发了指针式仪表通用读数识别模块,可对多指针、多表盘的情况进行遍历,实现任意类型指针仪表的读数识别。

基于智能摄像头的指针式仪表读数自动获取

指针式仪表在传统行业中应用广泛,如何自动获取其读数是目前工业生产领域中急需解决的问题。设计了一种基于智能摄像头的指针式仪表读数自动获取算法,采集仪表表盘图像后进行二值化预处理,采用数学形态学分析和霍夫变换提取指针位置,计算指针在表盘刻度上的角度,最后获取指针的准确读数。实验结果表明,该算法可以稳定可靠地自动获取仪表读数,识别精度符合工业要求。

基于YOLOv8和DeepLabv3+的指针仪表读数识别

指针仪表作为一种重要的检测工具在核电领域中被广泛使用,针对不同类型、不同距离条件下指针仪表读数识别准确性低和检测速率低下的问题,提出了一种基于YOLOv8和DeepLabv3+的仪表读数识别方法。为了提高DeepLabv3+模型的图像输入质量,选择了推理速度快且准确的YOLOv8检测器定位仪表区域并裁剪后作为输入图像用于仪表识别。针对仪表指针识别准确率低和检测速度慢的问题,在DeepLabv3+模型的基础上,将骨干网络替换为MobileNetv3,并设计ECA+模块将其SE模块替换,降低模型参数的同时提高识别精度;将解码器的4倍上采样替换为两个2倍上采样,浅层特征图与编码器相应尺寸的特征进行拼接融合,并引入CBAM模块,提高指针分割的准确性。试验阶段,采用自制核电厂指针式仪表图像数据集,实验结果表明,该方法在仪表精度为2.5的级别下达到了94%的识别准确率,平均误差为1.542%,平均总耗时为0.57 s,具有较好的性能表现。

基于深度学习的指针式压力表读数方法研究

为了降低指针式压力表的误读率,减轻人工读数压力,提高仪表读数的精度,设计了一种基于深度学习的指针式压力表读数方法。通过在DBNet网络结构基础上增加主干网络ResNet-18各个卷积层的通道数来提高模型的鲁棒性,重新设计了更适应指针式压力表刻度值检测的损失函数,在刻度值精准检测识别的基础上设计了极坐标展开的方法,将弧形的刻度值展开成一条直线,提高了读数的准确率。实验结果表明,最大误差仅1.05%,平均误差仅0.725%。相较于常用的Hough直线检测与ORB结合或DBNet+CRNN检测的方法,读数识别的平均误差大幅降低,为指针式压力表的自动读数提供了新的思路。

基于ORB与改进区域生长法的指针式仪表读数方法

为进一步提高倾斜仪表图像自动读数的准确度,提出了一种基于ORB和改进区域生长法的倾斜指针式仪表自动读数方法。首先,采用ORB算法检测目标图像和模板图像的特征点,根据匹配的特征点计算变换矩阵,采用透视变换实现倾斜矫正;然后,利用最小二乘法检测模板图像圆心,将逆变换后的圆心作为种子点,采用基于指针面积的灰度自适应阈值作为生长准则检测指针区域;最后,采用投影法和霍夫变换提取指针角度,根据量程与角度关系计算仪表读数。实验结果表明,所提读数方法的最大相对误差为2.96%,平均花费时间为400 ms,读数精度与效率均能够满足实际工程的读数要求,对推进能源物联网和数字化电网的建设有积极作用。

一种基于视觉分析的指针式仪表智能抄读方法

在电气室设备指针式仪表抄读中,人工抄读易出现漏检、误检和检测不规范以及其他安全问题,故研究高精度的指针式仪表抄读方法来替代传统抄读方法具有重要意义。针对人工抄读和现有指针式仪表检测识别算法出现的诸如误差大、检测流程繁琐等各种问题,设计了一种基于视觉分析的指针式仪表智能抄读方法。该方法通过YOLOv3的特征提取网络对仪表图像进行表盘提取和刻度数字关键点检测,由于提取后的图像可能是通过包含仰视、平视和俯视三种采集姿态在内的不同环境条件拍摄得到的,所以图像会出现一定程度的畸变。为了减少识别误差,还需要进行基于透视变换的倾斜畸变矫正处理,再通过基于霍夫变换概率直线检测和极坐标变换的距离法进行示数判读。多次实验结果表明,该方法在指针式仪表识别的平均准确度达到97.48%,帧速率达到4 fps,并且该方法仍然具有良好的鲁棒性,能够满足实际工程需求。

基于关键点检测的指针仪表读数算法

通过摄像头实现指针式仪表自动读数时易受复杂环境、摄像头不同角度等因素影响,而且在实际的应用中难以均衡检测速度和检测精度,为此,文章提出一种基于关键点检测的指针仪表读数算法。以ResNet18为主干网络,摒弃了最后两个阶段的残差块以及之后的全连接层,并针对指针仪表表盘的特点设计了一个轻量级特征融合网络,同时引入提高模型性能的姿态修正机(pose refine machine,PRM)。最后利用得到的表盘圆心、零刻度线、当前指针刻度3个关键点信息,通过角度法完成读数计算。实验结果表明,本文算法读数误差仅为0.506%,速度可达53 fps,相比于传统算法具有较高的精确度;相比于其他同类算法,在拥有更少参数量与运算复杂度的情况下,仍能实现对指针关键点的高准确度预测,充分证明所提算法的有效性。

基于改进的YOLOv5s指针式仪表检测与读数识别

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。

基于YOLOv5的指针式仪表自动读数方法研究

为了实现复杂环境下指针式仪表的自动读数,提出了一种基于目标检测的指针式仪表自动读数方法。首先,针对复杂环境下仪表检测困难的问题,利用改进的YOLOv5算法对仪表表盘进行检测,并提取出表盘区域;其次,结合AKAZE(accelerate-KAZE)算法、随机抽样一致性算法(random sample consensus,RANSAC)和椭圆拟合算法对提取出的表盘做2次透视变换,实现对表盘的倾斜校正;最后,将无倾斜的圆形表盘通过极坐标变换展开成矩形,再利用YOLOv5算法对指针位置进行识别,采用距离法得到最终读数。实验结果表明,所提方法的读数最大相对误差低于2.5%。此自动读数方法具有稳定性和准确性,可满足各类工业场景下的实际应用要求。

基于YOLOv4的火电厂指针仪表识别方法研究

在火力发电厂中,各类仪表常常在高温、高压等复杂环境下运行,安全系数低,检测成本高。为了解决火电厂关键区域仪表智能化读数问题,提出基于YOLOv4和改进Hough变换相结合的指针仪表检测算法。使用YOLOv4目标检测算法完成指针式仪表识别和定位,并提取出待检测仪表区域;利用图像处理算法对仪表区域进行预处理后,使用改进Hough变换的指针检测算法完成指针式仪表读数。实验表明,该方法在火电厂复杂环境下对关键区域多种类指针式仪表的智能识别与读数具有较高的准确率和较强的适用性,可满足火电厂中指针式仪表的实际检测需求。