CN108573261A - 一种适用于变电站巡检机器人的数字显示仪表识别方法 - Google Patents
一种适用于变电站巡检机器人的数字显示仪表识别方法 Download PDFInfo
- Publication number
- CN108573261A CN108573261A CN201810343633.0A CN201810343633A CN108573261A CN 108573261 A CN108573261 A CN 108573261A CN 201810343633 A CN201810343633 A CN 201810343633A CN 108573261 A CN108573261 A CN 108573261A
- Authority
- CN
- China
- Prior art keywords
- character
- mobile robot
- intelligent mobile
- displaying meter
- subgraph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000002203 pretreatment Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于变电站巡检机器人的数字显示仪表识别方法,首先定位数字区域,筛选出数显仪表的所有的目标区域;然后提取目标区域的最小外接矩形;接着筛选矩形区,将剩下的矩形区域全部截取出来,作为待识别的数字区域;最后在预处理后进行字符识别。本发明可以针对室内小型巡检机器人采集的图像进行快速处理,将各种数字仪表的示数转换为数字,并由巡检机器人的网络功能实时的传输到后台服务器,从而实现了远程监控变电站控制室数显仪表设备的功能。
Description
技术领域
本发明属于变电站设备巡检领域,具体涉及一种适用于变电站巡检机器人的数字显示仪表识别方法,可用于变电站巡检机器人进行室内数显仪表的数据采集。
背景技术
目前我国变电站的设备巡检工作普遍采用人工巡视、手工记录的方式,随着变电站规模扩大,巡检区域不断增加,运行环境也变得更为复杂,这样使得变电站现场设备的巡视范围和工作量变大,简单依赖于巡视人员的感官和经验,很难做到全面准确巡检,导致设备和电网的安全运行存在隐患。
随着机器人技术的发展和成熟,利用机器人进行变电站设备巡检成为可能,随着通信技术和自动化控制技术的发展,巡视机器人以其强大的环境适应性、高度集成小型化的设备体积以及精确的远程遥控通信能力,非常适合快速部署于变电站保护室环境。国内已经有多家单位推出了可稳定运行的变电站智能巡检机器人产品,并已在多个现场进行应用。比如山东鲁能集团的变电站智能巡检机器人、上海谱萌光电的红外热像仪智能机器人、杭州申昊的变电站巡检机器人等,但无一例外的是,这些机器人都有着体积大,笨重,成本高昂,而且只能识别指针式仪表的缺点,不适用于变电站控制室这样配备有数显仪表设备的环境。
发明内容
本发明针对现有变电站巡检机器人在智能识别仪表功能方面的不足,提出一种适用于变电站巡检机器人的数字显示仪表识别方法。本发明实现了对巡检机器人采集到的图像进行数字仪表区域定位和字符识别的功能。
为达到上述目的,本发明采用如下技术方案:
一种适用于变电站巡检机器人的数字显示仪表识别方法,包括以下步骤:
(1)定位数字区域:
对于变电站巡检机器人采集到的原始图像,采用基于数显仪表特性的自定义阈值分割方法,筛选出数显仪表所有的目标区域;
(2)提取轮廓:提取目标区域的最小外接矩形;
(3)筛选矩形区:
(3a)去除干扰区域:设定一个阈值S,遍历所有的矩形区,若其面积小于S,则去除该矩形区;
(3b)去除不符合数显仪表长宽比的区域:设定一个阈值区间[X,Y],遍历所有矩形,将所有长宽比不满足条件的矩形区去除;
(4)截取子图:将剩下的矩形区域全部截取出来,作为待识别的数字区域;
(5)子图预处理:
(5a)灰度化:对彩色的子图进行灰度化;
(5b)中值滤波:对灰度子图进行平滑去噪处理;
(5c)图像增强:对滤波后的子图进行处理,增强字符轮廓特征;
(5d)字符分割:根据数显仪表包含N个字符的特征,将图像均分为N份;
(5e)二值化:对单个字符进行自适应二值化处理;
(5f)归一化:将字符统一尺寸;
(5g)小数点处理:获取小数点的位置;
(6)字符识别:采用支持向量机SVM的方法训练分类器实现多分类,用分类器对输入字符进行识别。
进一步地,步骤(1)中的基于数显仪表特性的自定义阈值分割方法为:根据数显仪表显示的数字呈红色或蓝色,与周围的像素值差异较大,设定一个阈值范围来确定数显仪表的位置,用白色表示数显仪表的位置,黑色表示背景。
进一步地,步骤(2)提取轮廓包括:
(2a)对数显仪表的目标区域进行形态学闭操作;
(2b)计算上述目标区域的最小外接矩形。
进一步地,步骤(5a)中采用加权值法对彩色的子图进行灰度化。
进一步地,步骤(5b)中采用中值滤波对灰度子图进行平滑去噪处理。
进一步地,步骤(5c)中采用Sobel算子对滤波后的子图进行处理,增强字符轮廓特征。
进一步地,步骤(5f)中将字符统一尺寸为32*32。
进一步地,步骤(6)字符识别包括以下步骤:
(6a)采集多组数据,针对0-9这十个数字字符建立十个类别的样本集;
(6b)以样本图像的大小32*32像素作为特征,采用支持向量机SVM算法对样本集进行训练,得到多元分类器;
(6c)用多元分类器对数字字符进行估计。
与现有技术相比,本发明具有以下有益的技术效果:
本发明可以针对室内小型巡检机器人采集的图像进行快速处理,将各种数字仪表的示数转换为数字,并由巡检机器人的网络功能实时的传输到后台服务器,从而实现了远程监控变电站控制室数显仪表设备的功能,本发明利用图像处理,模式识别等相关技术实现数字显示仪表的识别功能,既填补了目前巡检机器人在数字显示仪表识别方面的不足,又可以结合体积小、行动灵活的巡检机器人代替人工进行变电站控制室的巡检,促进智能变电站和无人值守变电站巡检技术的发展,具有很大的理论和实际价值。
附图说明
图1是本发明的实现流程图;
图2是子图预处理的流程图;
图3是字符识别流程图;
图4是单张数显仪表数据识别结果图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见图1,一种适用于变电站巡检机器人的数字显示仪表识别方法,步骤包括:
(1)定位数字区域
针对巡检机器人采集到的原始图像,采用基于数显仪表特性的自定义阈值分割方法,即根据数显仪表显示的数字呈红色或蓝色,与周围区域的像素值差异较大,因此设定一个阈值范围来确定数显仪表的可能位置,然后对图像进行处理并采用白色表示数显仪表的位置,黑色表示背景,最终可以筛选出数显仪表的所有可能的目标区域。
(2)提取轮廓
针对上一步的处理结果,提取出这些区域的最小外接矩形,采用了两个操作:对数显仪表的可能位置进行形态学闭操作;计算上述区域的最小外接矩形。其中闭操作就是对图像先膨胀,再腐蚀,它可以连接图像中狭窄的间断,起填补轮廓中断裂的作用。闭操作的结果是形成一个无突起的连通域,以便进行最小外接矩形的计算。
(3)筛选矩形区
(3a)去除干扰小区域:设定一个阈值S,遍历所有的矩形区,若其面积小于S,则去除该矩形区,这一步主要是去除一些噪声的影响。
(3b)去除不符合数显仪表长宽比的区域:根据数字仪表的形状,设定一个阈值区间[X,Y],遍历所有矩形,将所有长宽比不满足阈值条件的矩形区去除,从而去除一些误判为仪表的区域。
(4)截取子图
这里认为剩下的矩形都为数字仪表区域,因而将剩下的矩形区域都在原始图像中定位并截取出来,作为待识别的数字区域子图集。
(5)子图预处理
(5a)灰度化:采用加权值法对彩色的子图进行灰度化,采用的公式为:f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j),其中(i,j)代表图像像素点的坐标,R(i,j)表示彩色子图红通道像素值,G(i,j)表示彩色子图绿通道像素值,B(i,j)表示彩色子图蓝通道像素值,f(i,j)表示灰度图的灰度值。
(5b)中值滤波:采用中值滤波法对灰度子图进行平滑去噪处理,这里的中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
(5c)图像增强:采用Sobel算子对滤波后的子图进行处理,增强字符轮廓特征,这里的Sobel算子(也称为Sobel滤波器)是一种常用的计算图像边缘的方法。
(5d)字符分割:根据数显仪表由N个字符组成的特征,将图像均分为N份。
(5e)二值化:对单个字符进行自适应二值化处理,所谓的图像二值化,就是根据一个阈值将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果,这里采用自适应二值化可以更加灵活地处理灰度图,效果更好。
(5f)归一化:将字符统一尺寸为32*32。
(5g)小数点处理:获取小数点的位置。
(6)字符识别:采用支持向量机SVM的方法实现字符识别,具体包括以下三步:(6a)采集多组数据,针对0-9这十个数字字符建立十个类别的样本集;(6b)以样本图像的大小32*32像素作为特征,采用支持向量机SVM算法对样本集进行训练,得到多元分类器;(6c)用多元分类器对数字字符进行估计。
下面对本发明实施例操作过程做详细描述:
参照图1,本发明的具体实施步骤如下。
步骤1.定位数字区域。
针对巡检机器人采集到的原始图像,采用基于数显仪表特性的自定义阈值分割方法,即根据数显仪表显示的数字呈红色或蓝色,与周围区域的像素值差异较大进行分割:
(1-1)根据蓝色和红色的RGB值设定一个阈值范围用来筛选数字表区域。
(1-2)针对上一步得到的图像进行处理:采用白色表示筛选出来的位置,黑色表示背景。
最终可以得到数显仪表的所有可能的目标区域。
步骤2.提取轮廓。
针对上一步的处理结果,提取出这些区域的最小外接矩形,采用了两个操作。
(2-1)对数显仪表的可能位置进行形态学闭操作。
闭操作就是对图像先膨胀,再腐蚀,它可以连接图像中狭窄的间断,起填补轮廓中断裂的作用。闭操作的结果是形成一个无突起的连通域,以便进行最小外接矩形的计算。其中的膨胀操作是一种对图像亮区进行扩张的方法具体操作是:定义一个指定大小的内核,矩阵的中心点,称为锚点,将矩阵与图像进行卷积运算。其中的腐蚀操作是扩展图像中暗的区域,具体操作是将指定大小的矩阵划过图像,提取矩阵覆盖区域最小像素值,用其代替锚点的像素值。
(2-2)计算上述区域的最小外接矩形,这一步具体操作是对图像的连通域求外围,并进一步可以计算出最小外界矩形。
步骤3.筛选矩形区。
(3-1)去除干扰小区域:设定一个阈值S,遍历所有的矩形区,若其面积小于S,则去除该矩形区,这一步主要是去除一些小噪声的影响。
(3-2)去除不符合数显仪表长宽比的区域:根据数字仪表的形状,计算出范围3-5,因此设定阈值区间[3,5],遍历所有矩形,将所有长宽比不满足阈值条件的矩形区去除,从而去除了误判为仪表的区域。
步骤4.截取子图。
这里认为剩下的矩形都为数字仪表区域,因而将剩下的矩形区域都在原始图像中定位并截取出来,作为待识别的数字区域子图集。
步骤5.子图预处理,参照图2。
(5-1)灰度化:采用加权值法对彩色的子图进行灰度化,采用的公式为:f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)。
(5-2)中值滤波:采用中值滤波法对灰度子图进行平滑去燥处理,这里的中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
(5-3)图像增强:采用Sobel算子对滤波后的子图进行处理,增强字符轮廓特征,这里的Sobel算子(也称为Sobel滤波器)是一种常用的计算图像边缘的方法。
(5-4)字符分割:根据数显仪表的特征,将区域分为N等份,并按顺序给子区域标号。
(5-5)二值化:对单个字符进行自适应二值化处理,所谓的图像二值化,就是根据一个阈值将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果,这里采用自适应二值化可以更加灵活地处理灰度图,效果更好。
(5-6)归一化:将所有的单个字符统一尺寸为32*32。
(5-7)小数点处理:对存在小数点的情况进行检测和处理,得到小数点的位置。
步骤6.字符识别,参照图3。
采用支持向量机SVM的方法实现字符识别,得到数显表的示数,具体包括以下三步:
(6-1)采集大量数据,针对0-9这十个数字字符建立十个类别的样本集,每个样本都有一个对应的标签,字符0对应标签0,字符1对应标签1,以此类推。
(6-2)以样本图像的大小32*32像素作为特征,然后对样本集进行训练,得到多元分类器。
(6-3)用多元分类器对数字字符进行估计,实现数字字符的识别功能。
实施效果
为了验证本发明所提出方法的效果,下面通过对1000张变电站保护室数显仪表的图片进行测试,实施效果参见图4。
表1展示了测试结果,其中完全匹配率指的是数显仪表上4个数字全部识别正确的概率,平均数字差距指平均每个数显仪表上识别错误数字的个数。
表1数显仪表图像测试结果
测试图片个数 | 完全匹配率 | 平均字数差距 |
1000 | 96.4% | 0.08 |
从表1可以看出,本发明所提出的算法对数显仪表数据的识别率可达到96.4%。
Claims (8)
1.一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,包括以下步骤:
(1)定位数字区域:
对于变电站巡检机器人采集到的原始图像,采用基于数显仪表特性的自定义阈值分割方法,筛选出数显仪表所有的目标区域;
(2)提取轮廓:提取目标区域的最小外接矩形;
(3)筛选矩形区:
(3a)去除干扰区域:设定一个阈值S,遍历所有的矩形区,若其面积小于S,则去除该矩形区;
(3b)去除不符合数显仪表长宽比的区域:设定一个阈值区间[X,Y],遍历所有矩形,将所有长宽比不满足条件的矩形区去除;
(4)截取子图:将剩下的矩形区域全部截取出来,作为待识别的数字区域;
(5)子图预处理:
(5a)灰度化:对彩色的子图进行灰度化;
(5b)中值滤波:对灰度子图进行平滑去噪处理;
(5c)图像增强:对滤波后的子图进行处理,增强字符轮廓特征;
(5d)字符分割:根据数显仪表包含N个字符的特征,将图像均分为N份;
(5e)二值化:对单个字符进行自适应二值化处理;
(5f)归一化:将字符统一尺寸;
(5g)小数点处理:获取小数点的位置;
(6)字符识别:采用支持向量机SVM的方法训练分类器实现多分类,用分类器对输入字符进行识别。
2.根据权利要求1所述的一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,步骤(1)中的基于数显仪表特性的自定义阈值分割方法为:根据数显仪表显示的数字呈红色或蓝色,与周围的像素值差异较大,设定一个阈值范围来确定数显仪表的位置,用白色表示数显仪表的位置,黑色表示背景。
3.根据权利要求1所述的一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,步骤(2)提取轮廓包括:
(2a)对数显仪表的目标区域进行形态学闭操作;
(2b)计算上述目标区域的最小外接矩形。
4.根据权利要求1所述的一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,步骤(5a)中采用加权值法对彩色的子图进行灰度化。
5.根据权利要求1所述的一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,步骤(5b)中采用中值滤波对灰度子图进行平滑去噪处理。
6.根据权利要求1所述的一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,步骤(5c)中采用Sobel算子对滤波后的子图进行处理,增强字符轮廓特征。
7.根据权利要求1所述的一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,步骤(5f)中将字符统一尺寸为32*32。
8.根据权利要求7所述的一种适用于变电站巡检机器人的数字显示仪表识别方法,其特征在于,步骤(6)字符识别包括以下步骤:
(6a)采集多组数据,针对0-9这十个数字字符建立十个类别的样本集;
(6b)以样本图像的大小32*32像素作为特征,采用支持向量机SVM算法对样本集进行训练,得到多元分类器;
(6c)用多元分类器对数字字符进行估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343633.0A CN108573261A (zh) | 2018-04-17 | 2018-04-17 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810343633.0A CN108573261A (zh) | 2018-04-17 | 2018-04-17 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573261A true CN108573261A (zh) | 2018-09-25 |
Family
ID=63574896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810343633.0A Pending CN108573261A (zh) | 2018-04-17 | 2018-04-17 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573261A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284762A (zh) * | 2018-09-26 | 2019-01-29 | 旺微科技(上海)有限公司 | 一种多字轮仪表数字位置的检测方法及检测系统 |
CN109358067A (zh) * | 2018-11-30 | 2019-02-19 | 桂林电子科技大学 | 基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法 |
CN109583451A (zh) * | 2018-11-28 | 2019-04-05 | 上海鹰觉科技有限公司 | 基于舰船舷号的自动识别方法和系统 |
CN110097041A (zh) * | 2019-03-08 | 2019-08-06 | 贵州电网有限责任公司 | 一种用于电力仪表巡检的标准字符快速识别方法 |
CN110321890A (zh) * | 2019-04-26 | 2019-10-11 | 重庆邮电大学 | 一种电力巡检机器人的数字仪表识别方法 |
CN110929707A (zh) * | 2019-09-30 | 2020-03-27 | 国网湖南省电力有限公司 | 一种基于图像处理的换流站扫描检测方法、系统及介质 |
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 |
CN111652055A (zh) * | 2020-04-17 | 2020-09-11 | 西安英诺视通信息技术有限公司 | 一种基于两阶段定位的开关仪表智能识别方法 |
CN111738264A (zh) * | 2020-05-08 | 2020-10-02 | 上海允登信息科技有限公司 | 一种机房设备显示面板数据的智能采集方法 |
CN112036393A (zh) * | 2020-07-22 | 2020-12-04 | 四川长宁天然气开发有限责任公司 | 一种基于页岩气田生产单指针仪表读数的识别方法 |
CN112036391A (zh) * | 2020-07-22 | 2020-12-04 | 四川长宁天然气开发有限责任公司 | 一种基于页岩气田生产站场的电子巡检方法及系统 |
CN112348018A (zh) * | 2020-11-16 | 2021-02-09 | 杭州安森智能信息技术有限公司 | 基于巡检机器人的数显式仪表读数识别方法 |
CN112464928A (zh) * | 2020-11-27 | 2021-03-09 | 广东电网有限责任公司 | 数字式表计读数识别方法、装置、设备及存储介质 |
CN112686264A (zh) * | 2020-12-31 | 2021-04-20 | 中广核研究院有限公司 | 数字式仪表读数方法、装置、计算机设备和存储介质 |
CN113191351A (zh) * | 2021-02-01 | 2021-07-30 | 青岛理工大学 | 数字电表的示数识别方法及装置、模型训练方法及装置 |
CN113449639A (zh) * | 2021-06-29 | 2021-09-28 | 深圳市海亿达科技股份有限公司 | 一种物联网网关对仪表的无接触数据采集方法 |
CN113591910A (zh) * | 2021-06-24 | 2021-11-02 | 贵州国致科技有限公司 | 一种数码管显示仪表识别方法 |
CN114998887A (zh) * | 2022-08-08 | 2022-09-02 | 山东精惠计量检测有限公司 | 一种电能计量表智能识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984930A (zh) * | 2014-05-21 | 2014-08-13 | 南京航空航天大学 | 基于视觉的数字仪表识别系统及其识别方法 |
CN106127205A (zh) * | 2016-06-22 | 2016-11-16 | 山东鲁能智能技术有限公司 | 一种适用于室内轨道机器人的数字仪表图像的识别方法 |
CN106257495A (zh) * | 2015-06-19 | 2016-12-28 | 阿里巴巴集团控股有限公司 | 一种数字识别方法及装置 |
CN106682665A (zh) * | 2016-12-27 | 2017-05-17 | 陕西科技大学 | 一种基于计算机视觉的七段式数显仪表数字识别方法 |
CN106909941A (zh) * | 2017-02-27 | 2017-06-30 | 广东工业大学 | 基于机器视觉的多表字符识别系统及方法 |
CN106951900A (zh) * | 2017-04-13 | 2017-07-14 | 杭州申昊科技股份有限公司 | 一种避雷器仪表读数的自动识别方法 |
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 |
-
2018
- 2018-04-17 CN CN201810343633.0A patent/CN108573261A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984930A (zh) * | 2014-05-21 | 2014-08-13 | 南京航空航天大学 | 基于视觉的数字仪表识别系统及其识别方法 |
CN106257495A (zh) * | 2015-06-19 | 2016-12-28 | 阿里巴巴集团控股有限公司 | 一种数字识别方法及装置 |
CN106127205A (zh) * | 2016-06-22 | 2016-11-16 | 山东鲁能智能技术有限公司 | 一种适用于室内轨道机器人的数字仪表图像的识别方法 |
CN106682665A (zh) * | 2016-12-27 | 2017-05-17 | 陕西科技大学 | 一种基于计算机视觉的七段式数显仪表数字识别方法 |
CN106909941A (zh) * | 2017-02-27 | 2017-06-30 | 广东工业大学 | 基于机器视觉的多表字符识别系统及方法 |
CN106951900A (zh) * | 2017-04-13 | 2017-07-14 | 杭州申昊科技股份有限公司 | 一种避雷器仪表读数的自动识别方法 |
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 |
Non-Patent Citations (2)
Title |
---|
崔行臣 等: "数显仪表数字实时识别系统的设计与实现", 《计算机工程与设计》 * |
常晓伟: "基于机器视觉的数字化仪表字符识别", 《计算机测量与控制》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284762A (zh) * | 2018-09-26 | 2019-01-29 | 旺微科技(上海)有限公司 | 一种多字轮仪表数字位置的检测方法及检测系统 |
CN109583451A (zh) * | 2018-11-28 | 2019-04-05 | 上海鹰觉科技有限公司 | 基于舰船舷号的自动识别方法和系统 |
CN109358067A (zh) * | 2018-11-30 | 2019-02-19 | 桂林电子科技大学 | 基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法 |
CN110097041A (zh) * | 2019-03-08 | 2019-08-06 | 贵州电网有限责任公司 | 一种用于电力仪表巡检的标准字符快速识别方法 |
CN110321890A (zh) * | 2019-04-26 | 2019-10-11 | 重庆邮电大学 | 一种电力巡检机器人的数字仪表识别方法 |
CN110321890B (zh) * | 2019-04-26 | 2021-04-20 | 重庆邮电大学 | 一种电力巡检机器人的数字仪表识别方法 |
CN110929707A (zh) * | 2019-09-30 | 2020-03-27 | 国网湖南省电力有限公司 | 一种基于图像处理的换流站扫描检测方法、系统及介质 |
CN111652055A (zh) * | 2020-04-17 | 2020-09-11 | 西安英诺视通信息技术有限公司 | 一种基于两阶段定位的开关仪表智能识别方法 |
CN111652055B (zh) * | 2020-04-17 | 2023-03-24 | 西安英诺视通科技有限公司 | 一种基于两阶段定位的开关仪表智能识别方法 |
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 |
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 |
CN111738264A (zh) * | 2020-05-08 | 2020-10-02 | 上海允登信息科技有限公司 | 一种机房设备显示面板数据的智能采集方法 |
CN112036393A (zh) * | 2020-07-22 | 2020-12-04 | 四川长宁天然气开发有限责任公司 | 一种基于页岩气田生产单指针仪表读数的识别方法 |
CN112036391A (zh) * | 2020-07-22 | 2020-12-04 | 四川长宁天然气开发有限责任公司 | 一种基于页岩气田生产站场的电子巡检方法及系统 |
CN112036391B (zh) * | 2020-07-22 | 2023-09-19 | 四川长宁天然气开发有限责任公司 | 一种基于页岩气田生产站场的电子巡检方法及系统 |
CN112036393B (zh) * | 2020-07-22 | 2023-08-18 | 四川长宁天然气开发有限责任公司 | 一种基于页岩气田生产单指针仪表读数的识别方法 |
CN112348018A (zh) * | 2020-11-16 | 2021-02-09 | 杭州安森智能信息技术有限公司 | 基于巡检机器人的数显式仪表读数识别方法 |
CN112464928A (zh) * | 2020-11-27 | 2021-03-09 | 广东电网有限责任公司 | 数字式表计读数识别方法、装置、设备及存储介质 |
CN112464928B (zh) * | 2020-11-27 | 2024-03-15 | 广东电网有限责任公司 | 数字式表计读数识别方法、装置、设备及存储介质 |
CN112686264A (zh) * | 2020-12-31 | 2021-04-20 | 中广核研究院有限公司 | 数字式仪表读数方法、装置、计算机设备和存储介质 |
CN112686264B (zh) * | 2020-12-31 | 2023-10-20 | 中广核研究院有限公司 | 数字式仪表读数方法、装置、计算机设备和存储介质 |
CN113191351B (zh) * | 2021-02-01 | 2022-04-01 | 青岛理工大学 | 数字电表的示数识别方法及装置、模型训练方法及装置 |
CN113191351A (zh) * | 2021-02-01 | 2021-07-30 | 青岛理工大学 | 数字电表的示数识别方法及装置、模型训练方法及装置 |
CN113591910A (zh) * | 2021-06-24 | 2021-11-02 | 贵州国致科技有限公司 | 一种数码管显示仪表识别方法 |
CN113449639A (zh) * | 2021-06-29 | 2021-09-28 | 深圳市海亿达科技股份有限公司 | 一种物联网网关对仪表的无接触数据采集方法 |
CN113449639B (zh) * | 2021-06-29 | 2024-09-06 | 深圳市海亿达科技股份有限公司 | 一种物联网网关对仪表的无接触数据采集方法 |
CN114998887B (zh) * | 2022-08-08 | 2022-10-11 | 山东精惠计量检测有限公司 | 一种电能计量表智能识别方法 |
CN114998887A (zh) * | 2022-08-08 | 2022-09-02 | 山东精惠计量检测有限公司 | 一种电能计量表智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573261A (zh) | 一种适用于变电站巡检机器人的数字显示仪表识别方法 | |
CN109271844B (zh) | 基于OpenCV的电气柜电气符号识别方法 | |
CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN105004972A (zh) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 | |
CN105354847A (zh) | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 | |
CN103886294A (zh) | 基于图像的换流站用避雷器动作次数的识别方法以及系统 | |
CN112541887B (zh) | 一种火电厂多管道设备运行现场漏水缺陷检测方法 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN109086763B (zh) | 一种指针式仪表读取方法及装置 | |
CN107403180A (zh) | 一种数字类型设备检测识别方法和系统 | |
CN112508019A (zh) | 基于图像识别的gis隔离/接地开关状态检测方法及系统 | |
CN109146974A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN113947563B (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
Anis et al. | Digital electric meter reading recognition based on horizontal and vertical binary pattern | |
CN109308448A (zh) | 一种采用图像处理技术来防止变配电误操作的方法 | |
CN104749801B (zh) | 高精度自动光学检测方法和系统 | |
CN107977959A (zh) | 一种适用于电力作业机器人的呼吸器状态识别方法 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN108960413A (zh) | 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法 | |
CN111666880A (zh) | 一种针对灭火器指针式仪表的智能识别系统 | |
CN112634179B (zh) | 一种防摄像头抖动的变电设备图像变化检测方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |
|
RJ01 | Rejection of invention patent application after publication |