基于轻量化的指针仪表检测算法研究

通过轻量化的神经网络算法部署在边缘计算设备是解决老式仪表读数问题的主流方向。该文提出了YOLOv5s-Pointer轻量化的指针仪表检测网络模型,以YOLOv5s网络模型作为基础,通过引入Mixup数据增强技术,使用MobileNetV3网络替换CSPDarkNet53特征提取网络,采用SLoU Loss定位损失函数,并引入动态样本权重思想,对网络进行改进。实验结果表明,相较于YOLOv5s网络在验证集上的参数量和计算量分别减少了78%和57%,精确率提升了1.3%。

基于改进YOLOv3的工业指针式仪表检测

为解决现有工业指针式仪表检测存在识别精度低、检测信息缺失、检测速度慢、成本较高的问题,提出一种改进的YOLOv3检测算法。新算法通过Kmeans++聚类获得先验框尺寸,选用轻量级网络Darknet-19作为主干网络并减少预测层数,引入注意力机制同时调整样本损失函数,达到损失函数快速收敛的效果。消融实验结果表明,改进的YOLOv3算法对工业指针式仪表检测精度达98.16%,检测速度相比原版YOLOv3网络提升一倍,检测结果信息完整,训练消耗资源降低3倍。算法在鲁棒性、实时性、实用性方面优势明显。

概率Hough变换在仪表检测中的应用

介绍了图像处理技术在汽车仪表检测中的应用。利用图像处理技术,如阈值分割、图像膨胀、图像细化等各种图像处理方法进行图像处理。对表盘指针的识别,采用了一种概率Hough变换法。

基于视觉的指针式仪表检测与识别方法综述

随着信息技术的不断创新和应用,指针仪表的数据监控功能发挥着非常重要的作用,对工业的安全高效生产具有重要意义。在指针仪表的识别过程中,指针的提取和定位占据着重要的位置,它对读取和识别背后的仪表表示数起着非常重要的作用。为了保证指针仪表读数的准确识别,本文利用图像处理技术对仪表指针的拟合进行了仿真实验。通过对比分析,指针仪的指针提取准确可靠。

基于YOLOv4-tiny和Hourglass的指针式仪表读数识别

为了降低电力巡检机器人识别变电站指针式仪表的误检率,提高仪表读数识别的精度,设计了一种基于深度学习的指针式仪表检测方法。通过在YOLOv4-tiny网络结构基础上添加残差模块来提高模型的鲁棒性,并对Hourglass网络结构改进,达到精准识别指针式仪表读数的目的。为了验证所提出方法的有效性,以变电站现场仪表图像数据对方法进行测试,并将检测结果与其他方法进行对比。实验结果表明,仪表定位漏检率仅1.25%,指针定位精度在1.125%以内,整体检测时间小于0.5 s。相较于常用的Hough直线检测与ORB结合或基于U-net模型的方法,读数识别的平均误差分别降低了70.8%和58.8%,为变电站指针式仪表的读数识别提供新的思路。