关键词： 目标检测算法   区域分割   指针式仪表   仪表检测  

摘要： 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。

关键词： 指针式仪表识别   模板标注   模板匹配   邻域加权   局部圆弧插值  

摘要： 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。

关键词： 深度学习   指针式仪表识别   YOLOv7   深度可分离卷积   U2-Net  

摘要： 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.

关键词： 指针式仪表   YOLOv5   区域分割   巡检机器人  

摘要： 随着技术的进步,巡检机器人已在天然气站场中有了较为广泛的应用,代替人工进行设备巡查工作。但巡检机器人存在仪表识别精度不高,场景适应实用性低,无法实时处理等问题。为此,设计了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。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。

关键词： 户外巡检   指针仪表   指针检测   读数识别   目标检测   语义分割  

摘要： 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。

关键词： 指针式仪表   识别   深度学习  

摘要： 目前指针式仪表数据仍然基于模板匹配等传统算法,在信噪比低的情况下识别精度低,因此采用深度学习进行指针的分级定位与识别。一级识别采用SSD算法进行仪表区域定位,计算仪表倾斜角度并修正。二级指针定位使用多方位SSD算法识别指针转动角度并转换量程。使用自建的仪表数据集进行网络训练,指针式仪表检测精度达到87%;作为拓展方向,数字式仪表检测精度达88%。实验结果表明,该算法稳定性及准确度均高于传统的指针式仪表识别算法。

关键词： 深度学习   图像去噪   图像去雾   仪表识别   自动读数  

摘要： 油田的数字化转型、智能化发展是油田高效管理、节能增产、安全运营的保障。无人化巡检作为智能油田的一项任务,主要是利用无人机、机器人等设备,通过可视化管理,替代人力进行日常巡检工作,保障了油气田的安全生产。目前油田参数监测普遍采用的是指针式仪表,通过人力巡检记录方式进行检查,存在人为读数误差、数据无法实时记录上传、在偏远地区存在巡检盲区等问题。通过机器视觉的方式对指针式仪表示数进行自动识别,可有助于实现油田的无人化智能巡检技术。研究表明,指针式仪表示数的自动识别方法是基于数字图像处理,通过对工业相机采集到的仪表图像进行分析、特征提取、读数计算等步骤实现。但是,常用方法没有考虑现场环境对图片质量的影响,对存在噪声与雾气的环境因素没有很好的鲁棒性。因此,本文针对现如今指针式仪表读数自动识别方法存在的问题,运用深度学习理论对仪表图像的预处理方法和指针式仪表的表盘识别、分割与读数计算进行研究。在此研究中,图像采集或者传输过程中的噪声与环境中的雾气对识别的精度带来了一定的影响。本文通过研究,提出了一种基于小波函数的图像去噪算法和一种基于循环生成对抗网络的图像去雾的算法,对图像进行预处理,增强图像清晰度,保证了仪表图像识别的有效性。接着利用YOLOv5s网络检测速度快、部署方便的优点对仪表表盘进行检测,检测表盘信息与指针信息,再采用训练好的DeepLabv3+网络对图像进行分割,提取指针区域,实现对仪表指针的特征提取,最后采用主成分分析拟合方法对指针区域进行直线拟合,使用角度法计算其与零刻线的夹角得到精确刻度。通过实验发现,本文得到的指针夹角平均绝对误差为0.33°,示数识别平均绝对误差为0.1℃,平均相对误差为0.12%,证明了该方法在处于噪声与雾气的环境的仪表读数自动识别更准确、适用性更强。

关键词： 指针式仪表   多类型识别   YOLOv5   模板匹配   K-means二值化  

摘要： 通过摄像头对海上平台缆控注水井现场巡检时,需要能够自动读取仪表数据。为了实现不同类型指针式仪表的识别,提出了一种用于海上平台缆控注水井的多类型指针式仪表识别方法。首先,构建模板图像数据库,对每个模板图像进行预处理并绑定其参数信息,使用改进的YOLOv5模型检测待测仪表图像的模板类型,读取模板图像和其对应的参数信息。然后,进行模板匹配定位仪表位置,获取指针角度并计算仪表数值。实验结果表明,本文所提出的方法能够识别不同类型的指针式仪表,识别效果显著,定位表盘位置准确,指针角度和读数精度更高。

关键词： 深度学习   目标检测   图像处理   旋转检测  

摘要： 工业仪表在石油钻井现场中被广泛应用,为了实现石油钻井现场的数字化转型以及智能化发展,需要对仪表的数据进行实时的采集,但由于环境条件的限制当前现场仍存在大量的指针式仪表难以自动传输数据,因此提出了基于深度学习的方案对指针式仪表图像进行自动识别,获取仪表数据,实现井场的数字化管理、控制。本论文的主要工作内容如下:(1)提出了基于MobileNet+SSD的三步式仪表图识别方案。首先提出了MobileNet改进的SSD目标检测框架对仪表图像进行背景去除。然后根据现场采集图像存在的光照不均、图像抖动、仪表旋转等问题,分别提出了基于Gamma增强的改进Retinex算法、模板匹配与缓存帧改进的维纳滤波以及基于改进HOUGH检测的旋转校正算法进行解决。提出了圆心判断法以及按角度比例计算法获取最后指针位置。最后通过实验证明了该方案准确率高,鲁棒性高等优点。(2)为满足井场监控实时性的要求,深度刨析了YOLOv5s的内部框架,架构了基于CSL算法的YOLOv5s的旋转目标检测仪表识别框架。针对CSL算法嵌入YOLOv5s后存在的分类局限导致的编码计算量过大问题,采用二进制编码代替原有编码降低模型参数计算量;针对CSL算法检测指向性不明确导致的角度检测局限的问题,提出了预缓存算法拓宽角度检测范围实现全角度检测。最后通过实验对比验证了该方案在实际工程应用中,不仅可以保证准确率,还可以实现检测数据的实时监控。论文算法为现场指针式仪表实现仪表数据获取和井场数字化奠定理论基础,具有一定的工业推广价值,为指针式仪表识别提供了新的发展思路。

关键词： 指针式仪表识别   表盘分割   深度学习   Mask R-CNN  

摘要： 指针式仪表由于造价低廉且读数不易受到环境等因素的影响,被广泛的应用于石油、化工、航天等领域。然而,由于指针式仪表没有数字化接口,使用人工读取数据会存在效率低下的问题。因此,对指针式仪表的示数进行智能化读取具有重大意义。目前,传统的指针式仪表读数识别算法只能在特定的环境或固定的位置运行,没有较高的可靠性。随着深度学习的发展,本文将数字图像处理技术和深度学习相关技术相结合,对指针式仪表示数的智能识别进行深入研究,主要包括以下三个方面:(1)表盘的定位与分割。本文提出了基于改进的Mask R-CNN算法的指针式仪表表盘的自动识别方法,对包含自然环境的仪表图片进行表盘的定位和分割,减少后续图像处理过程中的计算量。实验表明,改进后的Mask R-CNN算法的目标检测精度提升了2.1%,实例分割精度提升了1.9%。相对于传统的表盘定位算法,本算法具有准确度高、鲁棒性强的特点。(2)表盘的预处理。本文对采集到的仪表图像的特点进行深入研究,发现在进行图像采集时很难保证摄像机与仪表盘始终保持在同一个水平面,仪表盘区域会产生不同程度的倾斜。因此,使用透视变换对仪表盘进行倾斜矫正。在此基础上,对图像进行灰度化、二值化和连通域标记等预处理,以实现表盘图像特征的强化。(3)指针的定位与拟合以及仪表示数读取。首先使用最小二乘法对指针进行提取和细化。随后采用投影法对表盘中的数字和刻度线进行分割,在此基础上,利用改进后的Le Net-5卷积神经网络对表盘中的数字进行识别。实验结果表明,经过改进的Let Net-5对数字的识别准确度达到了98.94%。最后,结合角度法对仪表示数进行计算。与人工读数进行对比,发现该算法读数更加精确且高效。本文提出的基于深度学习的指针式仪表检测与识别方法,实现了仪表的精确检测、图像校正和示数识别。并且本文所提出的改进的Mask R-CNN算法相比于传统的Mask R-CNN算法,读数识别精度更高,鲁棒性更强,并且适用于各种复杂环境,为指针式仪表的目标检测和自动读数提供了一种可行的思路。