关键词： 指针式仪表   注意力机制   仪表检测   仪表分割   畸变矫正   示数识别  

摘要： 目前,智能机器人广泛地应用于变电站巡检工作,对指针式仪表示数的识别是机器人的一项重要任务。传统图像识别技术在指针式仪表示数识别中存在检测精度低、读数误差大的问题。近年来,深度学习算法与注意力机制在图像识别领域取得了重要突破。因此,本论文根据指针式仪表的特点,在深度学习基础上融合注意力机制,重点对变电站指针式仪表示数识别方法进行研究。主要内容与进展如下:(1)采用基于注意力机制的CenterNet目标检测算法完成仪表表盘定位。该方法首先将原CenterNet模型中的ResNet18替换为轻量级特征提取网络MobileNetV3,并在此基础上,将SE注意力机制替换成不降维的轻量级ECA注意力机制;然后借鉴FPN特征融合思想,将高维特征图上采样后与相同大小的低维特征图进行融合;最后在检测头模块引入CA空间注意力机制,让模型在学习分类特征时也关注对空间特征的学习。(2)采用基于注意力机制的DeepLabV3+语义分割算法将指针从背景中分离出来。首先在DeepLabV3+的ASPP模块并联DAMM双注意力机制,DAMM既能加强模型对指针区域重要空间特征的学习,也能加强对指针重要通道特征的学习,提升指针区域像素的分类精度,达到平滑指针边缘的效果;然后将交叉熵损失函数替换成Focal Loss损失函数,解决刻度盘像素多与指针像素少的分类样本不均衡问题,通过设置不同的超参数引导模型对细指针难例样本的挖掘学习。(3)在仪表示数识别环节,首先根据刻度盘分割结果来矫正椭圆畸变仪表表盘,获取正立的圆形仪表表盘;然后根据指针轮廓最小外包矩形的旋转角来得到指针的倾斜角;最后根据仪表的类别、量程以及角度法来计算仪表示数值。根据上述方法做了大量的仿真与现场测试,实验结果表明,在仪表检测阶段,本文模型的mAP比原始模型提高了 7.51%,FPS提高了 15f/s,模型大小减小了 56MB。在仪表示数识别阶段,矫正前仪表示数预测值和仪表真实值之间的最大误差为6.7%,平均误差为4.2%,矫正后仪表示数预测值和仪表真实值之间的最大误差为2.2%,平均误差为1.3%,从而验证了所提方法的有效性。

关键词： Riesz分数阶导数   角度向量法   RSSD   YOLOX   Softer-NMS  

摘要： 随着我国工业自动化的快速发展,传统的仪表人工采取方式由于自身的种种局限,已经逐渐无法满足工业自动化中高实时性和高鲁棒性的采集要求。因此在技术进步和工程实际需求的推动下,智能巡检方式逐渐得到了广泛应用,其中基于神经网络技术更是凭借其识别精度高以及运算速度快等优势成为了机器视觉方法中的重点研究内容。本文的研究目的是通过较少的成本,设计并开发出一套指针式仪表识别读数系统,用于变电所等复杂环境下指针式仪表的自适应识别读数。首先,本文针对指针式仪表可能受到天气原因造成图像雾化的问题,引入了基于暗通道的仪表图像去雾方法,使用暗通道算法在一定程度上减少了雾气遮挡产生的影响。通过结合Riesz分数阶导数和反锐化掩膜算法创新频域图像增强算法,并应用到仪表图像增强有用信息细节。最后利用仿射变换法完成坐标系之间的转换以实现舵机智能调整摄像机。其次针对仪表表盘定位识别问题,详细说明传统目标检测算法用于仪表表盘识别定位的缺点,然后引进同步采用池化和反卷积进行特征融合的RSSD目标检测网络,成功提高了定位识别仪表表盘的准确率与鲁棒性。对于目标检测网络数据集的短缺,采取自制仪表数据集的方法,通过充分训练进一步提升RSSD网络模型的精度与稳定性。再次,针对仪表图像在巡检机器人工作时出现运动模糊与倾斜问题,通过运动模糊的逆过程完成复原,且利用透视变换法对具有一定倾斜角度的仪表图像进行纠正,获取质量较好的仪表图像。在指针识别定位与读数问题上,通过引进加入改进柔性非极大抑制策略Softer-NMS和角度向量法创新YOLOX网络模型,实验证明具有高准确率和速率。最后,基于Pycharm平台、Python开发语言,结合Qt、Open CV开源库设计并开发了指针式仪表识别读数系统的配套软件,且通过该系统在实地情况对开关柜上的电压表进行了识别读数试验,验证了方法的可行性及有效性。

关键词： 图像处理   雨雾环境   指针式仪表   改进Retinex   去雨  

摘要： 目前巡检机器人在变电站室外巡检复杂环境下存在指针式仪表识别准确低的问题,提出了一种基于灰度级动态调整和Blackhat-Otsu算法的指针式仪表识别方法。针对雾天环境,提出了基于灰度级动态调整的Retinex去雾算法,对不同浓度的含雾图像进行了处理,提高了图像的对比度和清晰度,与其他去雾方法相比,所得图像的信息熵分别提升了1.1 dB~2 dB,均方误差(MSE)降低了700~800。在ResNet网络去雨模型中,引入快速引导滤波层以去除图像上的雨纹,峰值信噪比(PSNR)和结构相似性(SSIM)均有提升。为了提高指针读数的准确度,提出了Blackhat-Otsu指针分离法,避免了指针阴影及表盘刻度的干扰。实验结果表明,所提方法对变电站雨雾环境具有良好的鲁棒性,提升了仪表检测与读数识别的准确性。

关键词： 深度学习   Faster R-CNN算法   指针检测   指针式仪表   读数识别  

摘要： 目前大部分研究指针式仪表识别的方法中提取指针是完全基于传统的图像处理技术,提取过程较为复杂且步骤繁多.为了有效解决指针式仪表读数识别中指针中轴线所在直线提取困难及识别精度不高等问题,本文提出了一种基于深度学习的指针式仪表的识别方法.首先用Faster R-CNN算法检测仪表圆盘,再采用基于深度学习的方法Faster R-CNN算法检测指针,根据得到的指针目标框的位置信息裁剪得到指针图像,在指针图像的基础上进行二值化、细化、霍夫变换检测直线、最小二乘法拟合直线等步骤识别仪表最终读数.和直接在仪表表盘目标框图像或原始图像上进行传统图像处理相比很大程度上减少了定位指针中轴线所在直线过程中的干扰.实验结果表明本文所提出的基于深度学习的指针检测的平均准确率高达96.55%.对于复杂背景下指针式仪表的指针区域的检测具有良好的准确性与稳定性.

关键词： 指针式仪表   Ostu算法   圆心约束   Hough变换  

摘要： 为解决指针式仪表自动识别系统中,光照不均匀、精确度不高等问题,提出一种Otsu算法和改进的Hough算法对仪表图像进行处理。首先预处理仪表图像,增强仪表指针区域特征,Otsu算法进行图像二值化,分割出仅属于指针的像素;再进行改进的Hough变换检测指针,通过快速提取表盘指针连通区域的中心像素点,结合表盘圆心约束,对提取过的像素点进行双阈值Hough变换直线检测。实验结果表明,提出的算法识别仪表读数最大相对误差为4.76%左右,满足系统精确度要求。

关键词： MATLAB   指针式仪表   边缘检测   Hough变换   GUI界面  

摘要： 本设计主要针对指针式仪表的数字化读数的研究,提高读取效率和读数的准确性。以MATLAB为载体对图像进行仿真处理,通过设备采集图片,对图像进行表盘定位、图像预处理、边缘检测、Hough变换等操作,识别出指针的位置,得出指针所在直线的斜率,并结合角度与量程的关系,通过GUI界面显示得出的示数。

关键词： 图像处理   Freeman链码   边缘算法   指针式仪表   示数判读   识别技术   霍夫变换   改进算法  

摘要： 指针式仪表识别的优点很多,但也有不足之处,例如:受各种不确定因素的影响,极易导致图像处理与模式识别出现偏差,影响仪表的自动识别任务的可靠性,造成仪表在处理数据时的劳动强度增大、效率变低。基于上述问题,对基于Freeman链码改进图像处理算法的指针式仪表识别技术进行了研究。对Freeman链码图像处理算法进行了阐述创新性地应用了边缘算法对Freeman链码图像处理算法进行优化改进,并对改进方案进行了二次校正。对提出的优化算法进行斜率校正验证及性能检测。研究结果表明,基于Freeman链码改进图像处理算法能有效地提升指针式仪表的自动识别能力,有效地避免了单一的图像水平倾斜所造成的指针式仪表识别缺陷;优化算法在自指针式仪表的示数识别中耗时较多,最大相对误差为0.04%,明显优于霍夫变换算法。该研究能够为相关工业领域的指针式仪表的自动化识别的发展提供一定的参考。

关键词： 圆形指针式仪表   圆形Hough变换   预训练模型   MobileNetV2   平均混淆矩阵  

摘要： 针对目前指针式仪表识别任务在使用深度学习算法时存在模型参数量大、计算量大、准确率较低的问题,提出一种基于改进预训练MobileNetV2网络模型与圆形Hough变换相结合的圆形指针式仪表智能检测和识别系统。首先,采用Hough变换解决复杂场景内非圆形区域的干扰问题;然后,提取圆形区域以构建数据集;最后,使用基于改进预训练MobileNetV2网络模型对圆形指针式仪表进行识别。为客观反映所提模型的性能优劣,采用平均混淆矩阵来衡量模型性能。实验结果表明,该系统在圆形指针式仪表识别任务中的识别率达到99.76%。同时,将所提模型与其他5种不同的网络模型进行对比的结果表明,该模型与ResNet50的准确率最高,但在模型参数量和模型计算量方面,所提网络模型相较于ResNet50分别降低了90.51%和92.40%,可见该模型有助于进一步在移动端或嵌入式设备中部署和实现工业级的实时圆形指针式仪表检测和识别。

关键词： 指针式仪表   Hough变换   图像识别   自动读数  

摘要： 针对不同形状的指针式仪表人工读数成本高、精度低、容易受仪表形状和环境干扰的问题,运用轨道巡检机器人搭载云台摄像头采集指针式仪表的图像,经过灰度化、中值滤波、二值化、提取感兴趣区域、开运算、指针细化、Hough变换和示值读数等步骤,实现指针式仪表的自动读数。该算法具有较好的鲁棒性,读数精度高达99%,且计算量小,在电力巡检中具有一定的推广价值。实验结果验证了算法的良好性能。

关键词： 指针式仪表识别   图像处理   深度学习   DeepLabV3+   系统开发  

摘要： 指针式仪表的应用非常广泛,这些仪表主要依靠人工读数,但是人工读数有着诸多缺点,相比人工读数,机器视觉不仅具备误差率小、效率高、成本低的优点,还能实现数据的互联互通。目前的指针式仪表的识别方法大多数是基于传统的像素特征和刻度线特征,这些方法容易受到光线等外界环境的影响,并且因为表盘结构变化多端导致鲁棒性非常差。而近年来深度学习在图像识别领域表现愈加突出,并且鲁棒性很强,非常适合工业场景下的指针式仪表识别。本文提出使用深度学习DeepLabV3+模型来进行指针识别,并实现了能够进行指针识别的网站。本文介绍了指针式仪表识别的背景和研究现状,分析对比了各种检测方法的效果和优缺点,选择出深度学习DeepLabV3+模型。本文针对该模型构建了数据集,进行了 60000张图片的数据标注工作。针对识别速度慢的缺点进行了改进,最终模型体积缩小了 9/10,速度提升2/3,mIOU提升了 1.3%,实验结果显示对于图像边缘的分割更加精确。对于指针拟合算法和读数算法本文也进一步进行了实验对比。同时本文研究了模型的部署方案,选择使用Tensorflow-Serving的部署模式,保证模型的识别速度和可靠性。本文进行了需求分析、概要设计、详细设计,最终实现了一个能够进行在线识别、表型管理、模型管理、用户管理、统计分析的网站。并在安全性、性能和可靠性上做了改进。经过系统测试表明,本系统功能模块能够正常使用。