CN106599890A - 变电站巡检机器人数字式仪表识别算法 - Google Patents
变电站巡检机器人数字式仪表识别算法 Download PDFInfo
- Publication number
- CN106599890A CN106599890A CN201510664651.5A CN201510664651A CN106599890A CN 106599890 A CN106599890 A CN 106599890A CN 201510664651 A CN201510664651 A CN 201510664651A CN 106599890 A CN106599890 A CN 106599890A
- Authority
- CN
- China
- Prior art keywords
- image
- digital
- transformer substation
- area
- numeric area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站巡检机器人数字式仪表识别算法,包括:变电站巡检机器人采集设备图像,对图像进行预处理;数字区域自动定位;矫正数字区域倾斜;采用轮廓检测算法对数字区域进行分割操作,根据分割得到的轮廓进行数字定位,得到单个数字图像;搜集变电站现场各种形态数字图片,建立数字识别训练样本集,集成分类器;使用训练好的集成分类器对单个数字进行识别,根据其在图像中的坐标对数字排序得到最终的识别结果。本发明有益效果:在现场表计的表面较脏以及有一定倾斜角度的情况下,依然可以取得很好的识别效果,对于有一定残缺的数字式仪表也可以正确识别,并且可以适应变电站中各种不同形态的数字。
Description
技术领域
本发明涉及变电站数字式仪表识别技术领域,尤其涉及一种变电站巡检机器人数字式仪表识别算法。
背景技术
电力系统的变电站有许多设备配置了数字式仪表,这种数字式仪表因其结构简单、直观、操作容易、低成本低故障率等优点被广泛应用。在变电站中针对这种仪表每天都需要记录大量的数据。目前国内记录仪表数据主要靠人眼观测,精度低、可靠性差、效率低、劳动强度大。随着智能变电站的试点建设与巡检机器人的发展及推广使用,仪表数据的记录工作已经向自动化操作方向改进,但仍需运行人员参与核实确认机器人采集的仪表状态图像。这种模式虽然减轻了运行人员的劳动强度、缩短了操作时间,但对现场人员的主观判断依赖较大,受现场人员知识、经验等条件约束,容易出现误判,影响变电站无人值守等集约化运行管理模式的推进。
ZL201010220374.6介绍了一种表盘数字识别方法,用连续多帧图像对数字区域进行了自动定位,使用模板特征匹配和骨架特征匹配对数字进行识别;ZL200910044824.8利用手写数字的骨架结构特征,结合手写数字端点的位置关系进行手写数字识别。但是,现有的对于数字仪表的识别方案主要存在以下几方面问题:
1.目前大部分数字识别系统都是在理想的光照环境下运行,一旦脱离这个前提,其识别效果难以保证。
2.很多方案中使用的特征匹配和端点检测方法对于数字区域的分割要求较高,这类方法的鲁棒性和扩展性受到很大限制。
3.现有的大部分方案都是处理单一形态的数字,无法有效处理变电站中多种形态的数字。
发明内容
本发明的目的就是为了解决上述问题,提出了一种变电站巡检机器人数字式仪表识别算法,解决了巡检机器人对变电站中各种数字式仪表的识别,提高了巡检机器人的识别能力。
为了实现上述目的,本发明采用如下技术方案:
一种变电站巡检机器人数字式仪表识别算法,包括以下步骤:
步骤1,变电站巡检机器人采集设备图像,对图像进行预处理;
步骤2,数字区域自动定位;
步骤3,矫正数字区域倾斜;
步骤4,采用轮廓检测算法对数字区域进行分割操作,根据分割得到的轮廓进行数字定位,得到单个数字图像;
步骤5,搜集变电站现场各种形态数字图片,建立数字识别训练样本集,集成分类器;
步骤6,使用训练好的集成分类器对单个数字进行识别,根据其在图像中的坐标对数字排序得到最终的识别结果。
所述步骤1中对图像预处理的方法具体为:
使用高斯平滑滤波对变电站机器人巡检后台传回的图像进行处理,抑制图像中的噪声;使用同态滤波减少光照不均匀对图像的影响。
所述步骤2中对数字区域自动定位的方法为:
利用基于霍夫变换的矩形检测算法检测图像中的矩形区域;
用数字区域样本和非数字区域样本组成第一训练样本集,第一训练样本集图片根据变电站中的数字式仪表设备人工截取;用所述第一训练集训练第一分类器;
使用训练好的分类器,判断所检测出的矩形区域是否为数字区域。
所述步骤3中矫正数字区域倾斜的方法具体为:
首先得到数字区域的外接矩形,计算外接矩形相对图像竖直方向的倾斜角度,根据此倾斜角度对数字区域进行旋转,从而达到对数字区域的倾斜进行矫正的效果。
所述步骤5中集成的第二分类器为由多个子分类器组成的一个集成学习分类器,各子分类器采用不同训练集,以保证子分类器之间有足够的差异性。
所述步骤5中,在建立数字识别第二训练样本集时,添加残缺数字的训练样本。
本发明的有益效果是:
本发明经在变电站实地运行测试,对现场光线干扰表现出较好的鲁棒性,在现场表计的表面较脏以及有一定倾斜角度的情况下,依然可以取得很好的识别效果。由于变电站现场中一些数字式仪表的数字不完整,在建立第二个训练样本集时,适当添加了残缺数字的训练样本,因此本算法对于有一定残缺的数字式仪表也可以正确识别,并且可以适应变电站中各种不同形态的数字。本发明显著提高了变电站巡检机器人识别能力,有效的减少了变电站现场工作人员的巡检强度。
附图说明
图1为本发明方法流程图;
图2为本发明集成分类器结构示意图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明:
图1是本发明的方案流程图,具体步骤如下:
步骤1,变电站巡检机器人采集设备图像,使用高斯平滑滤波对变电站机器人巡检后台传回的图像进行预处理,抑制图像中的噪声,使用同态滤波减少光照不均匀对图像的影响。
步骤2,自动定位数字式仪表设备位置。数字式仪表位置的确定是识别数字式仪表的前提,我们首先利用矩形检测算法得到图像中若干矩形区域。
步骤3,用数字区域样本和非数字区域样本组成一个训练样本集,训练集图片根据变电站中的数字数字式仪表设备人工截取。用此训练集训练分类器,然后用分类器对筛选的矩形区域进行识别,判定是否是数字式仪表区域;
步骤4,矫正数字式仪表的倾斜。根据前一步骤得到的数字式仪表区域,得到该区域的外接矩形,根据外接矩形的倾斜角度,对图像进行旋转,得到矫正后的数字式仪表;
步骤5,采用轮廓检测算法对数字区域进行分割操作,根据分割得到的轮廓进行数字定位,得到单个数字图像;
步骤6,搜集变电站现场各种形态数字图片,建立数字识别第二训练样本集,训练第二集成分类器。第二集成分类器是由多个分类器组成的一个集成学习分类器,结构图如图2所示。图中的Classifier_i代表子分类器,各子分类器采用不同训练集,以保证子分类器之间有足够的差异性。建立数字识别第二训练样本集时,添加残缺数字的训练样本,对于有一定残缺的数字式仪表也可以正确识别。
步骤7,使用训练好的分类器对单个数字进行识别,根据其在图像中的坐标对数字排序得到最终的识别结果。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种变电站巡检机器人数字式仪表识别算法,其特征是,包括以下步骤:
步骤1,变电站巡检机器人采集设备图像,对图像进行预处理;
步骤2,数字区域自动定位;
步骤3,矫正数字区域倾斜;
步骤4,采用轮廓检测算法对数字区域进行分割操作,根据分割得到的轮廓进行数字定位,得到单个数字图像;
步骤5,搜集变电站现场各种形态数字图片,建立数字识别训练样本集,集成分类器;
步骤6,使用训练好的集成分类器对单个数字进行识别,根据其在图像中的坐标对数字排序得到最终的识别结果。
2.如权利要求1所述的一种变电站巡检机器人数字式仪表识别算法,其特征是,所述步骤1中对图像预处理的方法具体为:
使用高斯平滑滤波对变电站机器人巡检后台传回的图像进行处理,抑制图像中的噪声;使用同态滤波减少光照不均匀对图像的影响。
3.如权利要求1所述的一种变电站巡检机器人数字式仪表识别算法,其特征是,所述步骤2中对数字区域自动定位的方法为:
利用基于霍夫变换的矩形检测算法检测图像中的矩形区域;
用数字区域样本和非数字区域样本组成第一训练样本集,第一训练样本集图片根据变电站中的数字式仪表设备人工截取;用所述第一训练集训练第一分类器;
使用训练好的分类器,判断所检测出的矩形区域是否为数字区域。
4.如权利要求1所述的一种变电站巡检机器人数字式仪表识别算法,其特征是,所述步骤3中矫正数字区域倾斜的方法具体为:
首先得到数字区域的外接矩形,计算外接矩形相对图像竖直方向的倾斜角度,根据此倾斜角度对数字区域进行旋转,从而达到对数字区域的倾斜进行矫正的效果。
5.如权利要求1所述的一种变电站巡检机器人数字式仪表识别算法,其特征是,所述步骤5中集成的第二分类器为由多个子分类器组成的一个集成学习分类器,各子分类器采用不同训练集,以保证子分类器之间有足够的差异性。
6.如权利要求1所述的一种变电站巡检机器人数字式仪表识别算法,其特征是,所述步骤5中,在建立数字识别第二训练样本集时,添加残缺数字的训练样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510664651.5A CN106599890B (zh) | 2015-10-14 | 2015-10-14 | 变电站巡检机器人数字式仪表识别算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510664651.5A CN106599890B (zh) | 2015-10-14 | 2015-10-14 | 变电站巡检机器人数字式仪表识别算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599890A true CN106599890A (zh) | 2017-04-26 |
CN106599890B CN106599890B (zh) | 2019-12-10 |
Family
ID=58553248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510664651.5A Active CN106599890B (zh) | 2015-10-14 | 2015-10-14 | 变电站巡检机器人数字式仪表识别算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599890B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665348A (zh) * | 2017-09-26 | 2018-02-06 | 山东鲁能智能技术有限公司 | 一种变电站数字仪表的数字识别方法和装置 |
CN108009547A (zh) * | 2017-12-26 | 2018-05-08 | 深圳供电局有限公司 | 一种变电站设备的铭牌识别方法和装置 |
CN108304842A (zh) * | 2018-02-01 | 2018-07-20 | 重庆中陆承大科技有限公司 | 水表读数识别方法、装置及电子设备 |
CN108764134A (zh) * | 2018-05-28 | 2018-11-06 | 江苏迪伦智能科技有限公司 | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 |
CN109255336A (zh) * | 2018-09-29 | 2019-01-22 | 南京理工大学 | 基于巡检机器人的避雷器识别方法 |
CN110033037A (zh) * | 2019-04-08 | 2019-07-19 | 重庆邮电大学 | 一种数字式仪表读数的识别方法 |
CN111539330A (zh) * | 2020-04-17 | 2020-08-14 | 西安英诺视通信息技术有限公司 | 一种基于双svm多分类器的变电站数显仪表识别方法 |
CN111950330A (zh) * | 2019-05-16 | 2020-11-17 | 杭州测质成科技有限公司 | 一种基于目标检测的指针式仪表示数检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
CN103136532A (zh) * | 2011-11-22 | 2013-06-05 | 深圳信息职业技术学院 | 表盘数字图像读取装置及方法 |
CN103927507A (zh) * | 2013-01-12 | 2014-07-16 | 山东鲁能智能技术有限公司 | 一种改进的变电站巡检机器人的多仪表读数识别方法 |
CN104751187A (zh) * | 2015-04-14 | 2015-07-01 | 山西科达自控股份有限公司 | 抄表图像自动识别方法 |
-
2015
- 2015-10-14 CN CN201510664651.5A patent/CN106599890B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937508A (zh) * | 2010-09-30 | 2011-01-05 | 湖南大学 | 一种基于高清图像的车牌定位与识别方法 |
CN103136532A (zh) * | 2011-11-22 | 2013-06-05 | 深圳信息职业技术学院 | 表盘数字图像读取装置及方法 |
CN103927507A (zh) * | 2013-01-12 | 2014-07-16 | 山东鲁能智能技术有限公司 | 一种改进的变电站巡检机器人的多仪表读数识别方法 |
CN104751187A (zh) * | 2015-04-14 | 2015-07-01 | 山西科达自控股份有限公司 | 抄表图像自动识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665348A (zh) * | 2017-09-26 | 2018-02-06 | 山东鲁能智能技术有限公司 | 一种变电站数字仪表的数字识别方法和装置 |
CN108009547A (zh) * | 2017-12-26 | 2018-05-08 | 深圳供电局有限公司 | 一种变电站设备的铭牌识别方法和装置 |
CN108304842A (zh) * | 2018-02-01 | 2018-07-20 | 重庆中陆承大科技有限公司 | 水表读数识别方法、装置及电子设备 |
CN108764134A (zh) * | 2018-05-28 | 2018-11-06 | 江苏迪伦智能科技有限公司 | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 |
CN109255336A (zh) * | 2018-09-29 | 2019-01-22 | 南京理工大学 | 基于巡检机器人的避雷器识别方法 |
CN110033037A (zh) * | 2019-04-08 | 2019-07-19 | 重庆邮电大学 | 一种数字式仪表读数的识别方法 |
CN111950330A (zh) * | 2019-05-16 | 2020-11-17 | 杭州测质成科技有限公司 | 一种基于目标检测的指针式仪表示数检测方法 |
CN111950330B (zh) * | 2019-05-16 | 2023-09-29 | 杭州测质成科技有限公司 | 一种基于目标检测的指针式仪表示数检测方法 |
CN111539330A (zh) * | 2020-04-17 | 2020-08-14 | 西安英诺视通信息技术有限公司 | 一种基于双svm多分类器的变电站数显仪表识别方法 |
CN111539330B (zh) * | 2020-04-17 | 2023-03-24 | 西安英诺视通科技有限公司 | 一种基于双svm多分类器的变电站数显仪表识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106599890B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599890A (zh) | 变电站巡检机器人数字式仪表识别算法 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN106570511A (zh) | 基于计算机视觉的键盘字符缺陷在线检测系统和方法 | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN104680550A (zh) | 一种通过图像特征点的轴承表面瑕疵检测的方法 | |
WO2018010387A1 (zh) | 元件反件检测方法和系统 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN109687382B (zh) | 一种基于颜色模版匹配的继电保护压板投退状态识别方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN115184380A (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
CN111257329A (zh) | 一种智能手机摄像头缺陷检测方法以及检测系统 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN113642570A (zh) | 一种昏暗环境下矿车车牌识别的方法 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
CN107367514A (zh) | 一种基于机器视觉的pos机缺陷检测方法 | |
CN112132823A (zh) | 一种基于人工智能的光伏电池图像局部光照不均处理方法 | |
CN110909751B (zh) | 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park) Applicant after: National Network Intelligent Technology Co., Ltd. Address before: 250101 Shandong city of Ji'nan province high tech Zone (Lixia District) Xinluo Avenue No. 2008 silver bearing building B block 626 Applicant before: Shandong Luneng Intelligent Technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |