基于树莓派的指针式仪表读数自动识别系统设计

本文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、自动化程度低等问题,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534ms/次。

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。

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。

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。

基于改进YOLOv5轻量化的指针式仪表识别与读数方法研究

文章针对指针式仪表自动读数存在的读数精度低、鲁棒性差及实时性不足等问题,提出了一种基于改进YOLOv5轻量化模型的指针式仪表识别与读数的方法。首先,采用改进的YOLOv5识别并定位复杂场景中待检测仪表的位置,提取仪表区域;然后,通过特征点匹配与透视变换对仪表图像进行校正;最后,利用M-LSD算法提取指针并通过直线拟合计算出指针所指向的刻度读数。试验结果表明:文章提出的方法最大误差为0.05mA,在最小刻度范围内,该方法具备良好的鲁棒性、精确性和实时性,可满足不同复杂场景下的实际应用。

基于计算机视觉技术的电力指针式仪表自动读数算法研究

电力指针式仪表在变电站内应用广泛、功能强大。然而,传统的人工读表方式效率低下,且在恶劣环境下读表准确性欠缺,故在电力智能化升级的背景下,针对指针式仪表开发自动读数算法显得尤为重要。因此,提出一种基于计算机视觉技术的电力指针式仪表自动读数算法,首先对采集到的仪表盘图像进行双边滤波降噪和灰度化的预处理,然后利用霍夫圆变换方法定位仪表盘边缘,运用霍夫直线变换拟合仪表盘上的指针和刻度线,最后通过角度法获得仪表盘读数。采集滁州变电站的避雷器组仪表图像进行验证,实验结果表明,该算法的平均绝对误差为0.02,平均相对误差为1.8%,在不同环境下均能实现高精度读数,可实现对人工读数的技术替代并赋能电力智能化巡检。

依托Python的模拟仪表读数自动识别系统设计研究

为了强化模拟仪表读数自动识别质量,本研究首先基于梯度霍夫变换的圆心检测与半径算法,以及霍夫变换的指针边缘检测算法,来提高指针检测的准确性;其次采用刻度线裁剪与轮廓检测技术,有效提升了刻度线轮廓的识别效率;再次通过距离法与角度法相结合的方式,优化指针仪表读数的计算方法,减少了误差;最后基于Python实现的指针式仪表读数自动识别系统,通过结果及误差分析验证了方法的有效性和实用性。研究表明:该成果可提升模拟仪表读数自动识别的精度和效率,为相关领域的技术发展提供新的思路和方法。

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。

Hough变换的改进及其在电厂指针式仪表自动识别中的应用

在图像处理中,Hough变换广泛应用于图像空间中的直线检测,但其本身具有存储空间大、计算时间长的缺点。研究了传统Hough变换算法,针对其缺点,提出了一种改进的Hough变换算法。通过减小Hough变换的搜索范围来减小变换所需的存储空间和计算量,并将提前确定好的圆心直接加入到累加器中来减小计算量,从而大大减小了计算时间。将改进算法应用于电厂指针式仪表的自动识别中,对改进算法和传统Hough变换算法的识别速度进行了比较。实验结果表明该算法可以有效地减小存储空间和计算时间。

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。

指针式仪表自动读数识别技术的研究现状与发展

指针式仪表自动判读技术是当前机器视觉研究的热点,也是模式识别领域一项重要的研究内容和前沿技术。在对指针式仪表识别技术进行了一般性概述之后,详细介绍了基于机器视觉的指针式仪表自动读数识别技术的基本概念、基本原理和主要研究内容,介绍了该技术在国内外的研究现状,同时重点介绍了图像校正、圆形表盘轮廓检测、指针线检测和角度计算等主要研究内容的最新进展,最后给出了指针式仪表自动读数识别涉及的关键技术和发展方向。

一种电力指针式仪表示数自动识别的鲁棒方法

针对电力设备自动化巡检的需求,提出了一种基于计算机视觉技术的电力指针式仪表读数智能识别方法。该方法利用表盘的颜色直方图分布特征和亮度梯度特征在整幅图像中定位出表盘作为感兴趣区域,通过光照均衡处理消除阴影影响,应用ORB算法计算待测图像与模板图像之间的透视变换矩阵,并对表盘区域进行倾斜校正;采用自适应阈值进行表盘区域的二值化处理,通过表盘刻度线向心性计算得到指针旋转中心,并由改进的霍夫直线检测算法进行指针定位检测,通过指针偏转角度及表盘格局计算获得相应读数。实验结果表明,该方法能适应多种类型表盘格局和不同视角下指针读数识别,其识别精度和准确率高、适应性强,实时性好,相对误差小于2.5%。