防爆电气设备铭牌识别方法

防爆电气设备铭牌常受到污染、腐蚀和磨损等因素影响,导致信息不清晰或无法辨认。介绍一种解决能源化工领域防爆电气设备铭牌识别问题的方法。该方法基于文字识别模型,通过图像采集和预处理、铭牌区域定位、文字检测和识别、文字校正和解析、数据存储和应用等步骤,实现对缺失文字信息的铭牌内容的自动化预测和识别。

基于深度学习的变电设备铭牌文本提取算法

变电设备铭牌数据管理对电力系统运行至关重要。在巡检设备中使用图像文本提取技术可以提高铭牌信息采集效率。然而,变电设备铭牌图像中存在多种文本提取难点,如文本多样性、背景多样性、图片质量多样性、形变多样性和排版多样性等。本文提出了一种端到端的图像文本提取算法,使用RoIRotate模块将文本检测和文本识别合并为一个任务。此外,本文为中文场景设计了一套训练流程并创建了端到端标注的变电设备铭牌文本数据集(RSEN)。实验结果表明,本文使用方法在该领域的文本检测精度达到88.89%,查全率为87.67%,文本识别精度为90.68%。这表明本文提出的文本提取方法具有鲁棒性,同时也验证了本文提出的数据集和训练方法的可靠性和有效性。

基于监督和卷积循环神经网络算法的电力设备铭牌识别技术

为了解决电力设备铭牌背景复杂导致图像特征提取难度大的问题,提出了一种基于监督和卷积循环神经网络算法的电力设备铭牌识别方法。用注意力监督和背景监督网络(Attention Supervision Based and Back Ground Suppression Segmentation Network,ASBNet)算法进行文本检测,采用深度残差网络作为网络的骨架,注意力掩膜形成多尺度模块特征和图片细粒度特征,并且用背景抑制模块提高文本前景的感知,提取准确的铭牌图像文本框。将检测到的文本框输入到卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)中进行文字识别。通过试验结果得知,所提方法与残差网络(Residual Network,RestNet)和YOLOv3算法模型相比,F值分别提升了7.56%和10.38%,说明了所提方法用于电力设备铭牌识别中表现更加优越。

基于改进EAST算法的电气设备铭牌文字检测

针对电气设备铭牌文本检测任务中存在检测效果较差、文本边界框检测不准确等问题,提出一种基于深度学习算法EAST的改进算法,重点优化EAST算法对长文本检测效果较差和小目标遗漏问题。使用ResNet50残差网络代替VGG算法作为EAST算法特征提取的主干网络,同时引入金字塔注意力模块和空洞卷积,增强图像各层特征图的细节信息和彼此间的关联性、扩大特征图的感受野,解决EAST算法存在的缺陷问题。此外,使用Dice、Focal损失建立改进算法的损失函数,对改进模型的训练过程进行优化。结果表明,改进的算法在ICDAR 2015以及自行建立的电气设备铭牌数据集上的召回率和准确率均高于传统EAST算法,召回率平均提升约7.8%,准确率平均提升4.3%,综合性能提升约6.3%。

基于机器视觉的整车铭牌质量检测研究

针对在整车总装车间生产环节中,位于B柱下方的整车铭牌中的信息出现字符打印不清晰、VIN号及车辆配置信息打印有误、标签排序有误造成与整车不匹配的问题,提出了基于机器视觉技术,利用视觉算法工具对整车铭牌中打印的字符信息的完整度进行检测。使用视觉检测工具对图像进行分析运算,将检测结果与模板库中的信息进行匹配,实时输出铭牌中的整车参数并且标记出错误区域,通过实验分析验证了整车铭牌打印质量检测方法的可行性。

基于AI的OCR铭牌识别算法研究与实践

目前通信网络中设备厂家众多,设备类型多样,当前在基站开站、设备巡检、验收场景中,对于资源现场验收、稽核主要依靠人力对资源进行验收或者手工记录,不仅工作量大,人工培训成本高,而且容易出错。主要研究如何通过技术手段,通过人工智能的图片识别能力进行辅助识别,提高资源现场验收、稽核效率和准确度,降低人力成本的同时,提高资源数据的准确率。

基于改进CTPN网络的电气铭牌文本区域检测

针对现有的文本区域检测网络对图像特征提取不充分,导致文本行间距过小或字间距过大的电气铭牌文本区域检测准确率低、误检率高,提出一种融合ResNet的改进CTPN算法用于电气铭牌文本区域检测.该模型在卷积神经网络模块中引入残差连接和并行卷积核操作,提升模型对铭牌图像提取特征的能力.在长短期记忆网络模块采用双向门控单元,降低模型训练难度.经实验验证,改进后的CTPN模型F值(F-measure)明显提升,对铭牌文本区域误检率显著降低.

基于神经网络架构搜索的铭牌目标检测方法

为了提高构建深度卷积神经网络(CNN)的自动化程度并进一步提高目标检测精度,提出了一种改进的基于DenseNAS的神经网络架构搜索方法以自动构建铭牌检测CNN。首先,基于改进DenseNAS的Head层,设计了可搜索的、融合深浅层特征的子网模块(CSP-Block1和CSP-Block2)。然后,基于CSP-Block1和CSP-Block2构建的搜索空间,搜索铭牌检测CNN的Backbone和Head。实验结果表明,该方法在一个铭牌5分类的数据集上,耗时约9.35 GPU hours搜索出了最佳神经网络,在测试集上检测精度mAP≈97.3%,比YOLOv5等SOTA方法更高。

基于改进DBNet的电力设备铭牌文本检测方法研究

电力设备铭牌可以帮助变电站、电厂快速了解设备信息。为了解决人工检查电力设备铭牌繁琐的核对工作,本文使用深度学习技术,针对电力设备铭牌文本检测改进了DBNet网络模型,该模型使用像素级别的插值和池化将文本轮廓更为精确检测出来,能够为电力设备铭牌文字识别提供精确的文本框,确保后序识别可以正确的检测出铭牌上文字,为电力设备快速识别环节提供充分的监督。本文改进后的模型可以有效检测出文本框边缘的文本信息,其在电力设备铭牌标签的检测精确度达到了82.7%。并能够将电力设备铭牌上设备信息全部检测出来。

基于深度学习的电力设备铭牌文本检测方法

电力设备铭牌的快速检测可以帮助变电站、电厂了解设备信息,进行定期检修与维护,以保证设备的正常运行。针对目前的文本检测网络无法做到提高精确率的同时兼顾检测效率的问题,提出了在DBNet网络模型中引入注意力模块(CBAM),并改进检测头,在主干网络中引入多尺度特征金字塔(FPN)结构,并在原始的FPN上进行改进。针对目前电力设备铭牌并无公开数据集且较难采集数据的情况,提出了将数张铭牌图片裁剪成矩形,再以一定比例进行拼接成新的图像的数据增强方法,以此对数据集进行了有效地扩充。实验结果表明,数据增强方法和改进后的DBNet网络结构在检测性能上均有提升,优于目前大多数文本检测网络结构。改进后的DBNet网络结构检测精确率达到了90.3%,召回率达到了79.7%,F值达到了84.7%,相较于原始模型,F值提升了3.3个百分点。在检测速度变化损失很小的同时,极大地提高了检测性能。

基于铭牌文字识别的防爆设备选型故障确定方法

正确识别防爆设备铭牌所包含的防爆区域信息以辨识出设备选型故障至关重要。传统的防爆设备选型故障确定方法主要是人工巡检。为解决人工巡检识别效率低且准确性不足问题,本文提出基于铭牌文字识别的防爆设备选型故障确定方法。本文通过基于深度学习的图像识别技术,识别防爆设备铭牌对应的防爆区域信息,将铭牌所包含的防爆区域信息与设备实际位置进行比较,判断防爆设备实际安装位置区域是否在正确区域。本文通过实验验证了该方法的有效性和准确性,研究结果表明,基于铭牌文字识别的防爆设备选型故障确定方法能够有效实现防爆设备选型故障确定,对保障石化装置防爆设备安全生产具有重要意义。

基于工业互联网的产品数字化铭牌应用设计

为面向矿用设备制造企业,提供数字化转型和智能化改造成套解决方案。提出基于工业互联网平台集成标识解析二级节点,建设产品数字化铭牌应用系统。采用SSM开发框架,结合K8S集群容器化应用部署、微服务架构等核心技术,以平台SaaS化、手持终端小程序扫码为实现手段。具备产品打码、全生命周期管理、售后服务、防窜货和防伪监测等主要功能。实现一物一码、一码到底的全信息化服务,增强用户体验及企业安全生产系数,推动企业转型升级得到实质性进展。

救生筏静水压力释放器铭牌面安装朝向缺陷分析

针对海事管理机构安检员之间及安检员和船员之间关于救生筏静水压力释放器铭牌面安装朝向问题的争议,通过介绍船舶常见的静水压力释放器类型、工作原理及安装要求,从静水压力释放器的功能使用、海船法定检验技术规则的要求两个角度探讨静水压力释放器铭牌面未朝向船舷内侧安装是否构成船旗国监督检查缺陷,为海事管理机构、航运公司和船员提供参考。

基于深度学习的电力设备铭牌识别

为了获取铭牌图像中的基本参数信息,提出一种基于深度学习的端到端文本识别模型TDRN(Text Detection and Recognition Network)。模型避免了图像裁剪和字符分割,将文本看作一个序列,使用BLSTM(Bidirectional Long Short-term Memory)来获取上下文关系。同时,将文本检测和文本识别整合在同一个网络中共同训练,共享卷积层,以提高整体性能,在文本识别中还引入了注意力机制。模型在公共场景文本数据集SVT(Street View Text)上测试表现良好,F值为68. 69%,高于一般的端到端文本识别模型。与传统铭牌识别方法相比,TDRN准确率更高,鲁棒性更强,能适应复杂的电力场景变化。

基于铭牌数据和序列二次规划算法的感应电动机模型参数辨识

为克服基于铭牌数据辨识电动机模型参数时人工增加近似约束条件的不足,提出新的辨识电动机单笼和双笼模型参数的优化数学模型。该模型以计算效率偏差最小为目标,以电动机定子电流、输入无功、最大电磁转矩和起动参数等重要性能指标等于铭牌值为约束条件,并采用序列二次规划算法进行求解。算例验证了所提模型和算法的科学性。与其他方法的比较表明,采用所提模型与算法计算得到的模型参数能够更好地反映电动机的工作特性。

500kV大型油浸式电力变压器超铭牌容量运行风险控制

分析了500kV大型油浸式电力变压器超铭牌容量运行的危险性及限制条件,介绍了评估大型油浸式电力变压器正常周期性超铭牌容量运行和事故超铭牌容量运行能力的方法。

基于铭牌数据结合PSO的异步电机参数辨识研究

提出基于电机铭牌参数结合粒子群优化算法(PSO)对电机等效电路参数辨识的新方法,有效解决了目前等效电路参数辨识法中存在的问题。在电机等效电路中引入杂散损耗等效电阻、机械损耗、滑环碳刷接触损耗,建立精确的电机等效电路;基于等效电路计算的电机参数和铭牌参数建立等效电路参数辨识优化模型,用PSO对优化模型求解,以较高的概率达到了优化目标。用辨识出的等效电路参数计算电机在不同转速下的电参数,并与实测值比较,验证了基于电机铭牌参数通过PSO优化方法辨识等效电路参数的有效性。

基于Halcon的电表铭牌缺陷检测系统

国家电网(State Grid)的快速发展扩大了智能电表的生产规模,电表铭牌作为其中关键部分,在生产中的印刷缺陷检测问题应运而生。利用机器视觉,设计了一种基于生成基准图像的电表铭牌视觉检测方法。联合Halcon软件与C#语言编写缺陷检测系统验证检测方法的有效性,结果表明:检测方法对电表铭牌印刷缺陷检测有较好的鲁棒性,能准确检测出电表铭牌的多种印刷缺陷。电表铭牌缺陷检测系统可用于实际生产中对电表铭牌的缺陷检测。

利用铭牌参数的感应电动机低穿能力评估

针对指导电动机选型、电压暂降治理、保护整定、进行暂降事故损失评估、划分事故责任等问题,通过理论推导加仿真验证的方式,提出了一种基于感应电动机铭牌参数的低电压穿越能力的评估方法。选择安全临界电压和暂降临界切除时间为电动机低电压穿越能力的特征值。利用感应电动机转差-电压-转矩关系,分析暂降前和暂降中电动机运动规律,明确其稳定运行的界限。基于铭牌参数对临界转差率和临界转差率和相应电压下的最大转矩进行估算,分别推导出恒功率、恒转矩以及风机、泵类负载下安全临界电压和暂降临界切除时间的不同表达。利用软件进行仿真模型的搭建,并通过分析算例中的安全临界电压、临界转差率与暂降临界切除时间,验证了所提方法的有效性。

电机铭牌标注的应用案例分析

通过分析现有电机铭牌标注的案例,尝试指导电机铭牌的设计过程,使电机铭牌的设计更符合人因工程学视觉设计原理,提高电机铭牌传递信息的使用效率。