基于SCC-YOLO的指针式仪表轻量化检测方法

针对指针式仪表检测模型结构复杂、占用内存量高、参数计算量大而导致的不易部署问题,提出一种基于YOLOv5的轻量化仪表目标检测网络SCC-YOLO。采用轻量化主干ShuffleBlock_lite结构重新设计网络主干,引入卷积核重构的深度可分离卷积,通过SimAM无参注意力机制模块进一步提升特征提取能力。融合坐标卷积CoordConv与CARAFE轻量化上采样模块提高模型特征融合性能。利用数据增强技术构建真实场景下和复杂场景下的指针式仪表图像数据集。对比实验结果表明:SCC-YOLO模型能大幅提升指针式仪表的检测效率,模型的参数量平均降低27.3%,计算量平均降低54.8%,精度上综合提升1.3%。轻量化的设计使其能够在移动端与边缘设备更容易部署,能够满足真实场景下的指针式仪表检测任务要求。

基于改进DeepLabV3+的指针式仪表智能识别方法设计

针对现有仪表识别方法存在的诸如对表盘差异敏感、环境干扰严重以及图像质量依赖性强导致识别准确率不高的问题,提出了一种基于改进DeepLabV3+的指针式仪表智能识别算法。通过引入GhostNetV2作为主干网络进行特征提取,并添加注意力模块CBAM,有效提升了模型在仪表语义分割任务的精度;同时设计了多类仪表的示值识别算法,实现了对多类仪表的指针读数。通过在构建的指针式仪表识别数据集上对算法进行评估,结果表明,仪表智能识别算法能够适应多种仪表类型和复杂环境,识别准确率最高达99.67%,且改进的DeepLabV3+模型平均IoU达79.8%,性能优于原始模型,能够满足实际工业应用需求。

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。

基于改进YOLOv5s的指针式水表读数检测

针对光照不均匀和水表表盘雾化的指针式水表在读数检测时出现漏检、误检等问题,提出一种基于改进YOLOv5s的指针式水表读数检测方法。首先,采用Mosaic、Mixup等数据增强方法,提高模型的泛化能力;其次,引入加权双向特征金字塔网络(bilateral feature pyramid network, BiFPN)实现更高层次的特征融合使得水表图像的深层特征图和浅层特征图充分融合,提高网络的表达能力;然后,嵌入卷积注意力机制(convolutional block attention module, CBAM),在通道和空间双重维度上强化指针式水表子表盘示数特征;最后将完全交并比损失函数(complete intersection over union loss, CIoU-Loss)替换为SIoU_Loss(scylla intersection over union loss),提升边界框的回归精度。改进算法的mAP@0.5达到97.8%,比YOLOv5s原始网络提升了3.2%。实验结果表明:该算法能有效提高指针式水表的读数检测精度。

改进的DeepLabV3+指针式仪表图像分割算法

针对现有的仪表自动化读数算法占用空间大、推理速度较慢以及不能有效分割图像中密集细小目标的问题,提出改进的DeepLabV3+指针式仪表分割算法。首先以轻量化的MobileNetV2来构建网络主干达到降低参数量和推理权重、提高检测速度的目的。其次通过分块并归策略设计CSP-ASPP结构,在保证网络性能的同时降低参数量。之后使用改进后的SKFF模块通过自注意力机制以非线性方式融合多尺度特征,将原网络解码器中的二尺度特征融合变为四尺度特征融合。最后使用交叉熵损失联合加权的Dice损失作为网络的总损失函数,解决仪表分割中各类别像素分布不均的问题。最后通过实验证明,改进后的DeepLabV3+算法在仪表分割数据集上的平均交并比(mIoU)和平均像素准确率(mPA)达到了89.3%和94.8%,相对原网络分别提高了0.7%、0.6%,参数量和推理权重却仅有原网络的约7%,同时在GPU和CPU上的推理速度分别达到91和16 fps,解决了嵌入式设备部署困难的问题,达到了实时检测的要求,提高了仪表自动化读数的效率。

全自动压力检定系统研究

该文调研计量检测领域的压力检定进展,总结该领域的自动化需求和当前自动化工作的技术难点,针对这些技术难点,以提升综合自动化水平和提升检定效率为目标,提出一种全自动压力检定系统,进一步构建实物系统并搭建测试平台,对该系统进行测试。实测显示,系统在三方面获得提升。系统接收开始指令后可以自动完成压力检定的全流程工作,包括识别被检表的类型、量程,自动匹配工作流程并选定检定/校准的压力点,驱动压力控制器和智能识别装置工作,并采集标准器和被检表的数值信息,自动执行计算并生成检定/校准证书;研制的压力控制器实现控制稳定性和效率的提升,实测量程内的全部控压点,都在10s内稳定在目标点并达到稳定性要求;研制的智能图像识别装置实现广泛适用性和准确度的提升,可靠识别率达到98.5%。

基于改进YOLOv4-Tiny的指针仪表自动读取方法

为了提高对指针仪表识别的准确率与泛化能力,提出一种基于改进YOLOv4-Tiny的指针仪表自动读取方法。该方法一级模型基于YOLOv4-Tiny算法,提取指针仪表表盘区域以及仪表分类,并通过加深主干特征提取网络、增加FPN(Feature Pyramid Networks)结构与检测头、使用PreLU(Parametric Rectified Linear Unit)激活函数,提高原YOLOv4-Tiny模型的检测精度。二级读数算法通过(PPHT)累计概率霍夫变换和最小二乘法拟合指针,通过斜率推导仪表读数。实验结果表明,改进方法能够有效、准确地完成对指针仪表的读取,改进的YOLOv4-Tiny模型相比于原模型F1分数提升了10.65百分点,达到了93.31%,FPS达到了192,整体识别准确率达到了99.36%。

基于霍夫减影的变电站指针仪表读数识别

随着变电站智能化的不断提高,仪表自动读数成为未来的发展趋势。针对仪表图像受光照影响大、表盘背景复杂、对比度低和变电站自身的特点,提出一种基于霍夫减影的变电站指针式仪表读数。利用基于梯度的霍夫圆检测算法提取表盘圆心;利用减影法定位指针;利用模板匹配算法提取表盘特征刻度值;通过判断指针与刻度的相对位置计算读数。实验结果表明,算法受环境背景干扰小,识别精度高。

基于旋转目标检测的指针式仪表示数识别方法

针对目前指针式仪表示数识别方法实用性差、累计误差大的问题,提出了一种基于旋转目标检测网络的指针式仪表示数识别方法。首先,改进网络模型YOLOv5s,生成旋转目标检测网络,同时,引入密集编码标签,解决旋转目标检测中存在的边界问题,并向模型中引入注意力模块,提升模型获取目标特征的能力;其次,利用网络输出的位置与角度信息对表盘进行倾斜校正和刻度点筛选,省去了对表盘指针进行直线检测的时间;最后,利用角度法完成仪表示数读取。实验证明,该方法读数误差较小,具有一定的抗干扰能力,进一步提高了示数读取的速度和精度。

基于深度学习的指针式仪表自动读数方法

指针式仪表广泛应用于石油化工、工业制造和烟草行业动力部门等领域。鉴于人工巡检频率较低、部份仪表安装环境恶劣等因素,致使工厂生产过程存在安全隐患,巡检人员人身安全难以保障。本文基于现有的工业生产过程的监控摄像系统提出了一种基于YOLO V3目标检测与DeepLab V3+图像分割技术的指针式仪表读数自动识别方法。通过引入YOLO V3目标检测模型检测并切割出仪表表盘子图像。结合图像特点与实际需求,改进了DeepLab V3+模型,加入腐蚀操作,有效提取了子图像中的刻度线与指针信息。通过OCR技术提取子图像仪表量程,根据刻度线与指针的相对位置关系,计算得到仪表读数。实验结果表明该方法平均相对误差为2.17%,算法稳定可靠且处理速度快。

基于深度学习的模糊指针式仪表矫正读数方法

变电站户外巡检任务中,由于大风,大雾,路面不平等复杂环境影响,巡检机器人容易出现抖动和视角偏差,导致所获取的仪表图片出现模糊,倾斜等问题,难以保证指针式仪表识别读数的准确性。为解决此问题,结合YOLOX目标检测,DeblurGAN-v2图像增强,DeepLabV3+语义分割神经网络算法,研究了模糊指针式仪表矫正读数识别方法。首先改进YOLOX网络实现仪表表盘、指针区域和仪表文字信息提取,并获取仪表参数,其次增强DeblurGAN-v2网络的特征提取能力,去除图像模糊影响,然后使用DeepLabV3+网络分割表盘和指针。仪表图像矫正过程采用透视变换和文本矩形轮廓矫正实现仪表高精度矫正。实验证明,该方法在检测任务中更能适应复杂环境影响,检测准确率高达97.55%,满足工业上自动化检测要求。

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。

基于ORB与改进区域生长法的指针式仪表读数方法

为进一步提高倾斜仪表图像自动读数的准确度,提出了一种基于ORB和改进区域生长法的倾斜指针式仪表自动读数方法。首先,采用ORB算法检测目标图像和模板图像的特征点,根据匹配的特征点计算变换矩阵,采用透视变换实现倾斜矫正;然后,利用最小二乘法检测模板图像圆心,将逆变换后的圆心作为种子点,采用基于指针面积的灰度自适应阈值作为生长准则检测指针区域;最后,采用投影法和霍夫变换提取指针角度,根据量程与角度关系计算仪表读数。实验结果表明,所提读数方法的最大相对误差为2.96%,平均花费时间为400 ms,读数精度与效率均能够满足实际工程的读数要求,对推进能源物联网和数字化电网的建设有积极作用。

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。

基于BSRGAN的集气站仪表读数识别

为解决集气站的巡检机器人采集到的仪表图像分辨率低、常伴有噪点和仪表图像畸变、不便于读数算法直接应用等问题,提出了一种基于盲超分辨率生成对抗网络(BSRGAN)的仪表读数算法。首先,利用BSRGAN提高输入仪表图像的分辨率,较传统方法能够显著增强仪表图像的视觉感知水平。自然图像质量评估(NIQE)在测试集中表现较好,结构相似性指数(SSIM)值均大于0.85。利用尺度不变特征变换(SIFT)算法对重建图像进行特征提取。特征点数量在重建后显著增加,有助于表盘图像的校正。然后,采用连通域划分和指针细化等形态学操作提取指针中心线。最后,利用角度法识别表盘读数。试验读数结果与真实值的平均相对误差为0.625%。试验结果表明,所提算法可行、有效、精准,能够提高仪表图像清晰度和视觉感知,适用于集气站及其他复杂环境的仪表读数。

户外巡检机器人指针式仪表识别方法研究

在户外巡检环境下,巡检机器人捕捉到的图像容易受到环境因素的影响,导致仪表识别读数精度低、鲁棒性差。针对这一问题,提出了一种基于改进PSPNet的指针式仪表识别读数方法。首先使用YOLOv5识别出仪表区域,然后通过改进PSPNet提取出指针和刻度线区域,随后经过透视变换和提取指针直线,最后根据角度法计算出仪表读数。实验结果表明:在各种户外复杂环境下,指针式仪表读数平均相对误差为1.28%,平均引用误差为0.68%,每张图片平均处理时间为1.28 s,准确性和稳定性较高,为户外巡检机器人指针式仪表识别提供了有效手段。

基于CBAM-YOLOv3的指针式仪表检测识别方法

针对指针式仪表自动检测和读取示数时背景环境复杂、目标检测性能不足和读取示数误差大等问题,提出了一种基于CBAM-YOLOv3的指针式仪表自动检测和读数的方法。在YOLOv3(You Only Look Once-v3)基础上,引入注意力机制模块CBAM(Convolutional block attention module),通过检测提取表盘区域,根据边界框位置信息剔除绝大部分背景。利用霍夫变换确定指针和表盘位置,采用模板匹配法寻找刻度起始点。以表盘中心为原点建立直角坐标系,根据指针和刻度间的角度关系读取示数。实验结果表明:仪表自动检测精度达到了99.72%,读数平均相对误差为0.44%。该算法具有较高的检测精度和较低的读数误差。

一种指针式压力表刻度圆心检测方法

通过机器视觉自动识别指针式仪表的指针示数需要基于准确的刻度圆心。以指针式压力表为研究对象,提出一种基于图像处理的指针式压力表的刻度圆心检测方法,对压力表图像进行分割、过滤后,利用连通域分布及形态过滤分割得到部分刻度线,通过多次最小二乘法拟合求得刻度圆心。对比实验的结果表明,提出的方法对仪表刻度圆心的检测成功率高,拟合位置比较准确,并且基于获得的刻度圆心,机器视觉能自动识别获得精确的表盘指针示值结果。