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。

指针式仪表读数自动识别算法及系统研究

基于指针式压力表自动识别系统的构成,结合机器视觉理念,提出一种图像归一化算法。此算法对传统的平面二维插补算法进行改进,将压力表中的文字标识去除,并将整体圆形表盘转化为矩形图像,获取压力表刻度线表盘模板,通过对表盘刻度线进行细化和定位,形成指针式仪表读数自动识别算法。将算法集成到MFC应用程序,完成应用程序模块化设计,形成指针式压力表自动识别系统。实际应用结果表明,该识别系统可有效保障数据读数精准性,同时降低工作成本,具有一定的推广使用价值。

基于机器视觉的指针式仪表读数自动校准方法

指针式仪表是工业生产的重要辅助工具,其读数显示精度直接影响工业生产质量,通过机器视觉技术的应用优化设计指针式仪表读数自动校准方法。首先,利用机器视觉技术采集指针式仪表图像,经过灰度化处理、畸变校正和滤波等3个步骤,完成初始图像的预处理;其次,定位提取仪表图像中的表盘区域、指针以及刻度线;最后,利用角度法自动识别当前的仪表读数,确定仪表校准方向,计算仪表校准量,实现指针式仪表读数的自动校准。实验结果表明:应用优化设计的校准方法,压力表、温度表和电流表的平均校准误差分别降低了3.88 MPa、0.78℃和0.044 A,即优化方法在校准效果方面更加具有优势。

计量检定实验室仪表读数自动识别系统设计

本研究旨在设计并实施一套计量检定实验室仪表读数自动识别系统,以提高检定效率、降低人为误差,并确保检定结果的准确性和可靠性。通过采用图像识别与处理技术和深度学习算法,系统能够自动识别仪表读数,实现数据的自动录入与校验。研究还聚焦于解决实施过程中的适应性、算法鲁棒性与解释性,以及与检定业务流程的集成等问题。通过本研究,我们期望为计量检定领域引入一种先进的自动化方法,提高实验室工作效率,减少人为误差,从而保障检定结果的准确性和可靠性。

基于视觉显著性的指针式仪表读数识别算法

针对指针式仪表读数算法对光照变化影响较大、识别精度不高的问题,提出一种基于视觉显著性区域检测的指针式仪表读数方法.首先利用区域对比度、空间关系、中心先验性等视觉显著性区域检测先验知识,提取仪表图像指针区域;然后用无向图排序算法进行优化,抑制非指针区域的干扰,突出指针区域;再通过依次旋转仪表指针图像统计旋转不同角度时仪表指针图像在纵轴上的投影最大值,计算指针至平行于横轴需要旋转的角度,并判断指针旋转至平行于横轴时指针顶部区域与底部区域在横轴上的投影最大值在仪表图像中位置,获取指针与横轴的夹角;最后采用最小二乘法拟合指针夹角与指针刻度之间的线性函数参数,计算仪表读数.实验结果表明,该方法在不同光照下能较好地提取指针区域,得到的仪表读数与人工读数误差较小,算法稳定可靠.

巡检机器人中的指针式仪表读数识别系统

为了解决智能巡检机器人仪表读数识别中易受光照变化影响、识别精度不高等问题,结合高压变电场中常见指针区域的图像特点,建立了指针式仪表读数高精度识别系统。鉴于巡检机器人的室外工作环境,提出了迭代最大类间方差算法,实现了多种光照条件下仪表图像的指针区域提取。经过分析指针转动和图像特性,提出了基于Hough变换的指针角度识别,推导出指针角度与仪表读数的函数关系。该算法较传统Hough变换角度提取法,增加了指针中心线通过表计中心等约束条件,提高了指针角度提取的精度,降低了搜索数据量和搜索时间。通过大量实验验证所建立的表计读数识别系统可实现室外各种光照条件下表计读数识别,获得95%以上的正确识别率。多组鲁棒性实验分析表明,该系统对光照条件、指针宽度、表盘干扰、拍摄角度(不产生指针阴影)具有较好的鲁棒性,但由于拍摄角度而产生指针阴影时,会引起较大的指针中心线提取和角度计算偏差,从而降低仪表读数识别精度。

计量检定实验室仪表读数自动识别系统设计

针对计量检定实验室对仪表进行检定时人工检定方式效率低下,读数识别系统开发成本高的问题,设计了一套基于树莓派的计量检定实验室仪表读数自动识别系统。系统采用树莓派4B控制摄像头采集仪表读数的图片,然后采用SSDA算法定位图像读数区域,并进行字符分割,再使用BP神经网络和特征匹配算法识别分割出的字符,最后通过SSH方式将识别结果发送给PC端进行存储。实验结果表明,系统运行时间为500~600 ms,读数识别的正确率在92%以上,证明系统可用于计量检定实验室仪表读数的自动识别。

基于CenterNet和DeepLabv3+的变电站指针式仪表读数识别方法

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。

多干扰环境下段码液晶显示仪表读数的鲁棒识别方法

针对实际应用中识别七段码式液晶显示仪表读数时易受成像视角、光照、复杂背景和噪声等多因素影响的问题,提出一种将深度学习和传统图像处理相融合的识别方法。先采用改进的CRAFT模型检测仪表图像中的段码数字字符,得到数字中心概率图和字符连接关系图;接着对检测结果进行后处理,通过求解透视变换实现对读数区域子图和相应的数字中心概率图的方向和尺度同时校正,并通过分析光照影响来增强图像对比度;最后将后处理结果输入采用注意力引导策略且经协同训练而成的CRNN模型得到读数识别结果。通过构建包含视角倾斜、光照不均、码字尺度变化、表盘外观变化、读数区域数量变化等多种干扰情况下的仪表图像数据集开展实验研究,结果表明,该方法对测试集中仪表读数的识别准确率高达98.9%,优于对比方法。

面向巡检机器人的指针式仪表读数识别方法

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。

基于角度-距离的仪表读数识别技术研究

对基于距离法和基于角度法两种常见的仪表读数识别方法进行分析,提出了一种角度-距离改进仪表识别法,该方法融合了传统距离法和角度法的优点,对仪表读数进行识别。实验仿真结果表明,本改进方法相比传统单一仪表读数识别方法,其读数的精准度更高。

一种基于SVM分类器的电力柜方形指针仪表读数识别方法

指针表盘定位和指针读数识别是变电站巡检的重要一环,指针表盘在拍摄时具有光照影响严重、指针重影干扰等问题,该文对指针表盘定位和指针读数识别进行研究。为了减小误差,该文提出在SVM环节前增加HOG提取、在霍夫变换前增加边缘检测和角点检测方案,实验验证在数据量少的情况下,使用SVM支持向量机方法可以有效识别指针读数,避免了深度学习的过拟合问题,实验结果验证了方案的有效性。

SF_(6)短指针仪表读数识别技术的研究

SF_(6)充气设备仪表短指针特点为非直线连接圆心的指针。首先,利用均值迁移、图像灰度化、霍夫圆环变换图像处理技术对SF_(6)仪表图像进行处理,并裁剪SF_(6)仪表表盘;然后使用高斯滤波、自适应阈值和轮廓查找对仪表图像进行处理,提取出仪表指针特征信息;最后,利用坐标变换和夹角信息计算得到SF_(6)压力仪表指针读数。实验结果表明,该方法能准确检测得到SF_(6)仪表指针,不仅具有较高的精度,而且还具有较强的实际应用价值。

基于机器学习和模板匹配的变电站仪表自动读数方法

针对变电站固定摄像头拍摄的各种类型的指针式仪表,提出一种自动读数方法。该方法包括模板制作、模板匹配、图像处理、表针识别和几何读数五个阶段。通过模板制作确定刻度值和角度的几何关系,使用模板匹配算法定位待读数的仪表盘位置,提取仪表盘部分的图像,并通过高斯滤波和伽马变换降低光照和阴影对表针识别的干扰。为提升复杂环境下图像二值化的效果,使用K均值聚类算法获取仪表盘图像的动态二值化阈值。为适应圆形和椭圆形变形的表盘,使用可变长度的线段拟合仪表盘二值化图像中的表针,获取表针的旋转角度,再结合主要刻度的角度和刻度值的对应关系,计算出表针角度对应的读数。实际应用结果表明,针对自然场景下变电站中的指针式仪表,该方法对光照、阴影、遮挡、倾斜、变形等干扰因素具有良好的鲁棒性,误差均小于最小刻度间隔,满足工程应用要求。

基于树莓派的指针式仪表读数自动识别系统设计

针对指针式仪表读数识别过程中表盘定位精度不高、量程手动输入、自动化程度低的问题,提出了基于改进的完全局部二值模式(CLBP)的表盘特征提取算法,结合支持向量机(SVM)和图像下采样方法,实现表盘精准定位,设计仪表量程自动获取方法,实现量程的自动获取,减少工作量。以树莓派为硬件平台,设计指针式仪表读数自动识别系统。测试表明,读数识别相对误差在2%以内,识别平均时间为534 ms/次。

基于轻量化深度学习的指针式仪表读数方法

为了降低神经网络模型对工业现场边缘计算设备计算资源的过度依赖,提出了一种轻量级MobileNetV3-YOLOv5s模型的指针式仪表读数方法。以YOLOv5s网络模型为基础,使用MobileNetV3作为主干特征提取网络,完成模型的轻量化改进。随后,利用该网络模型进行仪表区域检测、分类和分割,在使用Sift算法定位仪表区域和仪表指针后,利用得到的仪表倾斜角度信息与仪表指针旋转角度信息实现仪表的倾斜矫正和数据读取。在树莓派上进行测试,实验结果表明,提出的轻量化仪表检测算法虽然准确率较YOLOv5s和SSD模型略有降低,但是其推理耗时和模型占用内存具有显著优势。且测试表明提出算法读数相对误差控制在1%以内。因此,该方法一定程度上可以为在低成本边缘计算设备上运行复杂大型神经网络模型进行工业现场指针式仪表数据读取提供技术支持。

基于OpenVINO的变电站指针式仪表自动读数研究

为提高变电站巡检机器人进行指针式仪表自动读数的准确性和实时性,提出一种基于OpenVINO的变电站指针式仪表读数方法。通过关键算法的改进及OpenVINO工具的加速,样机系统对同质量图片的检测和识别速度达到78 ms,相对于TensorFlow框架提升了约40倍。通过对比改进前后Mask R-CNN的表盘分割效果、表盘矫正前后的表盘分割效果对仪表读数精确度的影响,可知在仪表自动读数阶段,仪表读数的准确度得到有效提升。

基于文本特征及二次矫正的指针式仪表自动读数算法

现有的指针式仪表读数算法常通过检测仪表的刻度进行示数识别,但仪表图像中的刻度包含的特征较少,从而容易出现误检测。针对此问题,提出了一种新的指针式仪表自动读数算法,该算法通过选取较大区域的图像特征大幅度地提高了仪表读数识别的鲁棒性。由于指针刻度值文本是各类仪表具有的共同部分且具有远多于刻度图像的特征,因此所提算法以刻度值文本作为识别依据,首先通过卷积神经网络检测仪表图像中的刻度值文本,并使用其位置坐标来拟合仪表的圆心,在得到圆心的基础上通过极坐标变换及图像二次矫正将圆弧形的刻度区域转换为水平直线型的区域,同时被识别的文本值也用于改进距离判读法。该方法与其他读数算法的比较结果表明,该算法具有较高的读数准确率,引用误差在0.5%以下,且在复杂拍摄条件下具有更高的鲁棒性。

基于DSP的指针仪表自动读数系统的设计与实现

本文提出了一种利用数字信号处理器TMS320DM642构成一个自动读数系统的方法,介绍了系统的软硬件设计。采用基于相邻帧图像相减的预处理方法和中心投影法实现了指针式仪表指针的快速检测。

基于图像传感器的仪表自动读数系统

基于图像传感器的仪表自动读数是现代测量的发展趋势。利用机器视觉和图像处理技术,设计了一种机器视觉与图像传感器测量相结合的自动读数测量系统。利用LED漫反射光源的特性设计测量用光,有效削弱仪表表面的强镜面反射,取得光照较均匀的图像;利用移位寄存式线性逼近法从刻线群中识别出对准刻线;利用特征窗平移法提取字符特征实现了快速字符识别。实验表明:系统的测量准确性比用传统的测量方法提高了1倍,而且操作便捷,测量效率高。