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。

可变形特征融合网络的设计及在复杂天气电力设备图像处理中的应用

针对复杂天气环境下电力设备图像模糊而造成电力设备识别与检测受到严重影响的问题,设计了可变形特征融合网络来实现图像清晰化,从而提高复杂天气环境下电力设备的检测精度。将可变形注意力作为编码器-解码器组件引入U-Net架构中。将特征融合中间件作为连接上下文信息的桥梁,以此整合上下文信息并保留更多的空间细节信息。以指针式仪表图像为例,进行了指针式仪表图像去雨和指针式仪表自动读数实验。实验结果表明,所设计网络在指针表图像去雨方面有良好的效果,并提高了去雨后指针表的读数精度。

一种改进的指针式仪表读数区域分割方法

针对目前现有方法难以准确识别指针式仪表表盘信息导致读数识别精度不高的问题,研究了一种改进的指针式仪表表盘分割的方法。首先将待分割的指针式仪表图像采用Mask R-CNN网络对仪表图像进行分割,得到仪表中刻度线区域和指针区域的位置,然后选取分割结果中指针区域针尖方向的边缘点作为中心,在原图上构建矩形,采用轮廓跟踪算法对矩形内的图像进行检测,得到图像中指针的区域,最后将两部分指针区域进行融合得到最终的指针分割结果。实验测试结果表明,采用本文方法分割后读数识别结果的误差仅有分度值的四分之一,证明了该方法的有效性和鲁棒性。

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。

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。

基于邻域加权的指针式仪表识别技术

提出一种新的指针式仪表精确识别体系。首先使用基于轮廓特征的标注方法,建立刻度-位置映射表,其次进行模板匹配,然后使用基于邻域加权的指针检测方法确定指针位置,最后在该类标注体系下完成基于局部圆弧定位的插值读数。实际应用结果表明:该体系标注简单、读数精确、误差较小,适用于复杂环境的指针式仪表识别。

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。

基于深度学习的巡检机器人指针式仪表识别方法

为了解决巡检机器人仪表识别精度不高,场景适应实用性低,无法实时处理等问题,对比分析了国内外几种不同的仪表指针识别方法,综合各类方法的优劣性,提出一种区域分割的图像处理算法与深度学习目标检测算法相结合的方法,使得指针式仪表自动识别算法趋于稳定,对环境的适应性变强。使用YOLOv5目标检测算法进行表盘定位,通过图像平滑、颜色校正、彩色增强处理,减弱现场光线对目标区域定位的影响,然后利用区域分割的图像处理算法对指针区域和刻度线区域进行图像分割,获得指针的矩形旋转中心和刻度线的最大、最小角度,根据指针角度和量程计算仪表示数,通过图像预处理和HSV颜色空间变换等算法提升指针提取能力。现实场景测试解决了指针仪表因受到遮挡、模糊、红线警示条等影响而难以准确进行表盘定位和指针提取的问题。实验结果表明,该方法不仅检测精度高、速度快,而且实用性强,满足机器人巡检要求。

某精测雷达指针仪表数据采集方法与实现

针对某精测雷达跟踪目标时角误差、信噪比等关键信息只能通过指针仪表显示,无法进行数据记录的问题,提出基于图像识别和基于电压采集的两种仪表数据采集方案,运用基于电压采集的方法实现了某精测雷达指针仪表的数据采集、存储功能。

基于戴明回归和ROI细化的指针式仪表读数技术

为解决指针式仪表示数读取中识别精度低和算法读取速度慢的问题,提出一种基于戴明回归和感兴趣区域(region of interest, ROI)细化的指针式仪表读数技术.给出了仪表示数读取的算法流程:首先选择ROI,采用基于颜色通道的剪影法和二值化形态学操作进行图像预处理;接着运用图像帧差法消除指针的抖动;然后利用ROI细化算法对待识别仪表的指针进行细化;再使用戴明回归法拟合出仪表指针所在直线的方程和斜率;最后根据指针斜率利用角度法计算仪表的实时示数.通过3组试验,测试了该方法的可行性和防抖动能力,比较了戴明回归拟合直线与霍夫直线检测拟合直线的检测精度,还比较了ROI细化算法与全局细化算法的计算速度.结果表明该方法检测的平均误差比霍夫直线检测减小了37.85%,每张图像的平均计算时间比全局细化算法减少了192.717 s,同时具有防抖动能力.

基于YOLOv7+U2-Net的指针式仪表检测与识别

针对复杂环境下指针式仪表检测与识别过程中存在定位仪表困难和推理精度低等问题,本文提出一种基于YOLOv7+U2-Net的多量程仪表识别方法.为了提高U2-Net模型的输入图像质量,选择推理精度和速度快的YOLOv7检测器,将检测、裁剪好的图像作为模型的输入图像数据集,同时对输入图像进行了旋转矫正,使模型适用于多角度仪表识别.针对仪表读数推理精度差和速度慢等问题,将U2-Net解码阶段的RSU4-RSU7的普通卷积更换成了深度可分离卷积,在此基础上引入了Attention机制,加快整体推理速度和精度.此外,为了提高该方法的普遍适用性,提出了多阈值范围内的识别准确率判别方法来适配多种应用场景.通过对比实验表明,在收集到的数据集上进行评估,相较于模板匹配、SegNet、PSPNet、Deeplabv3+及U-Net方法,本文方法识别准确率达到96.5%,在多个阈值区间内都具有良好性能表现.

基于单目视觉的三角测量在仪器识别中的实现

机房智能巡检机器人须对仪器仪表进行精准高效的识别,基于数字图像处理的指针式仪表自动读数算法,大部分是在标准环境下进行的,即保证摄像机与指针式仪表表盘水平放置,无视角偏差,无旋转偏差,此种方式不能很好地解决垂直刻度指针仪表的读数问题。文章提出一种基于单目视觉的三角测量法,可高度定位,从而精准地捕捉仪器仪表读数,测量精度达到毫米级别,具有广泛应用性。

变电站巡检机器人读取仪表指针示值方法研究

研究应用变电站巡检机器人对指针式仪表的图像识别方法,有助于提高读取仪表示值的准确率。针对机器人在进行可见光检测时易受光照度、雨水、字符等影响的问题,提出考虑仪表指针特征点的边缘检测方法。考虑边缘点特征的指针识别方法首先需提取仪表不同指针示值刻度位置的颜色、数量等边缘特征信息,建立原始图像边缘点特征集。其次,提取机器人采集的现场图像中指针位置的数量、颜色、疏密度等边缘点特征信息。再次,比对原始图像、现场图像的边缘点特征,判断刻度、指针位置边缘点的颜色相似度,读取指针示值。应用效果表明,该方法适用于读取变电站指针式仪表这类具有背景复杂图像的示值。

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。

基于深度学习的指针仪表识别系统

指针仪表识别并读数是机房巡检的重要任务,该文基于图像处理和深度学习算法,设计了一种指针仪表识别系统。首先,通过巡检机器人采集机房巡检的数据集;其次,对Faster R-CNN模型进行池化策略改进,并使用更深的ResNet152残差网络,实现仪表区域的识别和定位;最后,使用边缘检测结合霍夫变换对仪表进行矫正和读数。实验结果表明,改进后的Faster R-CNN模型准确率较高,平均精确度提高了6.2%,也优于当前主流的网络模型。该模型测试的读数误差在2%以内,企业测试人员实际运行后的误差在4%内,可以满足企业巡检需求,具有较好的应用价值。

基于机器视觉的指针式仪表检测

为了解决仪表机柜室指针式仪表检测效率低、检测结果不准确的问题,本文提出一种优化后的神经网络检测方法,即YOLO v3检测法。该检测法通过较少的网络层数获得较高的检测效率和精度,增加磁化数量,提升对微小图片的感知能力,采用新型GIo U函数作为运算法则,根据不同的采集对象,自动选择采集区域的大小。经测试,YOLO v3检测法对单个指针式仪表的检测精度、检测速度和检测准确性超过了其他检测方法,且能适应仪表机柜室复杂的电磁环境,具有较高的推广价值。