CN108764234A - 一种基于巡检机器人的液位仪表读数识别方法 - Google Patents
一种基于巡检机器人的液位仪表读数识别方法 Download PDFInfo
- Publication number
- CN108764234A CN108764234A CN201810444697.XA CN201810444697A CN108764234A CN 108764234 A CN108764234 A CN 108764234A CN 201810444697 A CN201810444697 A CN 201810444697A CN 108764234 A CN108764234 A CN 108764234A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- instrument
- instrument image
- image
- line
- 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
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于巡检机器人的液位仪表读数识别方法。电力系统的电厂或变电站不同种类的液位仪表尺寸相差很大,这对液位仪表的图像识别带来了极大挑战。本发明步骤:对采集的液位仪表图像信息进行中值滤波处理;然后倾斜校正;进行液位线检测;对液位线上下的刻度线数字进行识别;计算液位仪表读数。本发明能够对电厂或变电站中液位仪表设备的状态图像实现实时处理、分析、识别,获取巡检设备的当前仪表度数,识别速度高。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种基于巡检机器人的液位仪表读数识别方法。
背景技术
目前,我国大部分电厂和变电站的日常运营采用人工巡检的方式,通过人工抄表记录的方式对电厂或变电站内各个设备依次进行故障排查。由于电厂或变电站内设备种类繁多、数量庞大且分布很广,使得人工巡检的工作量繁重,巡检一次时间很长,所以人工巡检的人力成本很高而且效果难以保证。为了解决人工巡检中遇到的问题,同时又避免更新设备带来高昂的费用,自主巡检机器人是解决这一问题的最佳途径之一。自主巡检机器人通过其搭载的高清摄像头、红外热成像仪等数据采集设备获取电厂仪表设备的状态图像,然后通过特定图像定位和识别算法识别当前设备的状态信息,从而判断当前巡检设备是否处于异常状态。
在机器人巡检的过程中要实时获取设备的状态图像,并通过一套图像处理和识别算法得到当前设备的状态信息。对于电力系统的电厂或变电站来说,其拥有数量庞大、种类繁多的液位仪表,而且不同种类的液位仪表尺寸相差很大,最高的液位仪表有几米高,这对液位仪表的图像识别方法带来了极大的挑战和困难。
发明内容
本发明的目的是为了解决上述问题,提供一种基于巡检机器人的液位仪表读数识别方法,该方法能有效提高液位仪表识别的准确度与速度。
本发明采用的技术方案是:
本发明具体步骤如下:
1)采集液位仪表图像信息,获得第一仪表图像,第一仪表图像为包含液位线、液位线上方一个刻度线数字以及液位线下方一个刻度线数字的液位仪表区域图像。
2)利用中值滤波算法对第一仪表图像进行去噪,获得第二仪表图像。
3)对步骤2)中得到的第二仪表图像进行倾斜校正,获得第三仪表图像。
4)对步骤3)中得到的第三仪表图像进行液位线检测。具体包括步骤bl)和b2):
bl)将第三仪表图像从RGB颜色空间变换到YCrCb颜色空间,提取出Cb空间图像,并对Cb空间图像进行二值化,获得第四仪表图像。
b2)对第四仪表图像的各连通域进行标记,并绘制各连通域的最小外接矩形,各最小外接矩形中高度与宽度之比最大的那个矩形即为液柱的最小外接矩形。获取液柱的最小外接矩形的四个端点纵坐标值,设左上角端点或右上角端点所对应的纵坐标h0,其中,第四仪表图像的坐标系原点为第四仪表图像左上角,则第四仪表图像高度hmax与h0之间的差值Δh=hmax-h0即为液位线高度。
5)在液位线检测后,对液位线上下的刻度线数字进行识别。具体包括步骤cl)~c4):
cl)将步骤3)中得到的第三仪表图像进行灰度化,并进行二值化处理,得到第五仪表图像;
c2)在第五仪表图像中使用轮廓勾勒算法勾勒出各刻度线数字的外轮廓,然后遍历每一个外轮廓,绘制各个外轮廓的最小矩形,并记录各刻度线数字的最小矩形几何中心坐标,根据几何中心坐标对各刻度线数字进行排序,然后使用ROI将各刻度线数字按顺序从第三仪表图像中分割出来。
c3)通过双线性插值法对分割出来的各刻度线数字进行归一化,然后将归一化得到的各刻度线数字进行灰度化、二值化,并通过Zhang-Suen细化算法得到数字骨架。
c4)通过穿线法对细化后的数字骨架进行识别。
6)设第三仪表图像的坐标系原点为第三仪表图像左上角,则液位线上下刻度线数字的最小外接矩形的几何中心坐标在第三仪表图像中所对应的纵坐标M和N直接由步骤c2)记录得到,而液柱的最小外接矩形左上角端点或右上角端点所对应的纵坐标h0直接由步骤b2)得到;计算M与N的坐标差值H以及液位线纵坐标h0与N的坐标差值ΔH;设液位线上、下刻度线数字差值为m,步骤c4)识别出的液位线下刻度线数字数值为m2,则即为液位仪表读数。
所述的液位仪表图像信息由巡检机器人采集。
第二仪表图像倾斜校正的过程具体包括步骤a1)~a3):
a1)将第二仪表图像从RGB颜色空间变换到YCrCb颜色空间,提取出Cb空间仪表图像,然后对Cb空间仪表图像进行二值化,并提取二值化图像中连通域面积最大的部分,即为液柱。
a2)寻找液柱的外轮廓,并根据液柱的外轮廓绘制最小外接矩形,然后获取最小外接矩形的倾斜角S1。
a3)根据a2)中得到的倾斜角S1,将第二仪表图像旋转倾斜角S1,得到第三仪表图像。
所述的穿线法是基于数字特征对数字进行识别的方法,数字特征包括横线特征和竖线特征。定义3条横线和3条竖线,3条横线包括高的1/3处直线、高的2/3处直线和高的1/2处直线,3条竖线包括宽的1/4处直线、宽的3/4处直线和宽的1/2处直线,通过计算并统计数字与这六条线的交点数和交点的位置来识别数字。
本发明相比于现有技术的有益效果在于:
本发明能够对电厂或变电站中液位仪表设备的状态图像实现实时处理、分析、识别,获取巡检设备的当前仪表度数。与传统的液位仪表图像的识别流程相比,本发明利用穿线法快速地识别刻度线数字,极大地降低了传统OCR识别刻度线方法的计算量,提高了刻度线识别的速度。
附图说明
图1为本发明的具体流程图;
图2为本发明进行液位线检测的原理示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图对本发明的技术方案进行详细说明。
如图1所示,一种基于巡检机器人的液位仪表读数识别方法,具体步骤如下:
1)巡检机器人开始巡检任务,采集液位仪表设备的液位仪表图像信息,获得第一仪表图像;由于电厂中液位仪表设备种类繁多,仪表尺寸相差很大,为了不失一般性,第一仪表图像为包含液位线、液位线上方一个刻度线数字以及液位线下方一个刻度线数字的液位仪表区域图像。
2)利用中值滤波算法对第一仪表图像进行去噪,获得第二仪表图像。
3)对步骤2)中得到的第二仪表图像进行倾斜校正,获得第三仪表图像。具体包括步骤a1)~a3):
a1)将第二仪表图像从RGB颜色空间变换到YCrCb颜色空间,提取出Cb空间仪表图像,然后对Cb空间仪表图像进行二值化,并提取二值化图像中连通域面积最大的部分,即为液柱。
a2)寻找液柱的外轮廓,并根据液柱的外轮廓绘制最小外接矩形,然后获取最小外接矩形的倾斜角S1。
a3)根据a2)中得到的倾斜角S1,将第二仪表图像旋转倾斜角S1,得到第三仪表图像。
4)对步骤3)中得到的第三仪表图像进行液位线检测。具体包括步骤bl)和b2):
bl)将第三仪表图像从RGB颜色空间变换到YCrCb颜色空间,提取出Cb空间图像,并对Cb空间图像进行二值化,获得第四仪表图像。
b2)对第四仪表图像的各连通域进行标记,并绘制各连通域的最小外接矩形,各最小外接矩形中高度与宽度之比最大的那个矩形即为液柱的最小外接矩形。获取液柱的最小外接矩形的四个端点纵坐标值,设左上角端点或右上角端点所对应的纵坐标h0,其中,第四仪表图像的坐标系原点为第四仪表图像左上角,则第四仪表图像高度hmax与h0之间的差值Δh=hmax-h0即为液位线高度,如图2所示。
5)在液位线检测后,对液位线上下的刻度线数字进行识别。具体包括步骤cl)~c4):
cl)将步骤3)中得到的第三仪表图像进行灰度化,并进行二值化处理,得到第五仪表图像;
c2)在第五仪表图像中使用轮廓勾勒算法(见Suzuki S,Be K.Topologicalstructural analysis of digitized binary images by border following[J].Computer Vision Graphics and Image Processing,1985,30(1):32-46)勾勒出各刻度线数字的外轮廓,然后遍历每一个外轮廓,绘制各个外轮廓的最小矩形,并记录各刻度线数字的最小矩形几何中心坐标,根据几何中心坐标对各刻度线数字进行排序,然后使用ROI将各刻度线数字按顺序从第三仪表图像中分割出来。
c3)通过双线性插值法对分割出来的各刻度线数字进行归一化,然后将归一化得到的各刻度线数字进行灰度化、二值化,并通过Zhang-Suen细化算法得到数字骨架。
c4)通过穿线法对细化后的数字骨架进行识别。穿线法是基于数字特征对数字进行识别的方法,数字特征包括横线特征和竖线特征。定义3条横线和3条竖线,3条横线包括高的1/3处直线、高的2/3处直线和高的1/2处直线,3条竖线包括宽的1/4处直线、宽的3/4处直线和宽的1/2处直线,通过计算并统计数字与这六条线的交点数和交点的位置来识别数字。
6)设第三仪表图像的坐标系原点为第三仪表图像左上角,则液位线上下刻度线数字的最小外接矩形的几何中心坐标在第三仪表图像中所对应的纵坐标M和N直接由步骤c2)记录得到,而液柱的最小外接矩形左上角端点或右上角端点所对应的纵坐标h0直接由步骤b2)得到;计算M与N的坐标差值H以及液位线纵坐标h0与N的坐标差值ΔH;设液位线上、下刻度线数字差值为m,步骤c4)识别出的液位线下刻度线数字数值为m2,则即为液位仪表读数。
基于本实施例提出的液位仪表读数识别方法,可以将电厂或变电站中型号繁多、数量庞大的液位仪表设备进行识别,快速、准确地输出液位读数。
以上具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于巡检机器人的液位仪表读数识别方法,其特征在于:该方法具体步骤如下:
1)采集液位仪表图像信息,获得第一仪表图像,第一仪表图像为包含液位线、液位线上方一个刻度线数字以及液位线下方一个刻度线数字的液位仪表区域图像;
2)利用中值滤波算法对第一仪表图像进行去噪,获得第二仪表图像;
3)对步骤2)中得到的第二仪表图像进行倾斜校正,获得第三仪表图像;
4)对步骤3)中得到的第三仪表图像进行液位线检测;具体包括步骤bl)和b2):
bl)将第三仪表图像从RGB颜色空间变换到YCrCb颜色空间,提取出Cb空间图像,并对Cb空间图像进行二值化,获得第四仪表图像;
b2)对第四仪表图像的各连通域进行标记,并绘制各连通域的最小外接矩形,各最小外接矩形中高度与宽度之比最大的那个矩形即为液柱的最小外接矩形;获取液柱的最小外接矩形的四个端点纵坐标值,设左上角端点或右上角端点所对应的纵坐标h0,其中,第四仪表图像的坐标系原点为第四仪表图像左上角,则第四仪表图像高度hmax与h0之间的差值Δh=hmax-h0即为液位线高度;
5)在液位线检测后,对液位线上下的刻度线数字进行识别;具体包括步骤cl)~c4):
cl)将步骤3)中得到的第三仪表图像进行灰度化,并进行二值化处理,得到第五仪表图像;
c2)在第五仪表图像中使用轮廓勾勒算法勾勒出各刻度线数字的外轮廓,然后遍历每一个外轮廓,绘制各个外轮廓的最小矩形,并记录各刻度线数字的最小矩形几何中心坐标,根据几何中心坐标对各刻度线数字进行排序,然后使用ROI将各刻度线数字按顺序从第三仪表图像中分割出来;
c3)通过双线性插值法对分割出来的各刻度线数字进行归一化,然后将归一化得到的各刻度线数字进行灰度化、二值化,并通过Zhang-Suen细化算法得到数字骨架;
c4)通过穿线法对细化后的数字骨架进行识别;
6)设第三仪表图像的坐标系原点为第三仪表图像左上角,则液位线上下刻度线数字的最小外接矩形的几何中心坐标在第三仪表图像中所对应的纵坐标M和N直接由步骤c2)记录得到,而液柱的最小外接矩形左上角端点或右上角端点所对应的纵坐标h0直接由步骤b2)得到;计算M与N的坐标差值H以及液位线纵坐标h0与N的坐标差值ΔH;设液位线上、下刻度线数字差值为m,步骤c4)识别出的液位线下刻度线数字数值为m2,则即为液位仪表读数。
2.根据权利要求1所述的一种基于巡检机器人的液位仪表读数识别方法,其特征在于:所述的液位仪表图像信息由巡检机器人采集。
3.根据权利要求1所述的一种基于巡检机器人的液位仪表读数识别方法,其特征在于:第二仪表图像倾斜校正的过程具体包括步骤a1)~a3):
a1)将第二仪表图像从RGB颜色空间变换到YCrCb颜色空间,提取出Cb空间仪表图像,然后对Cb空间仪表图像进行二值化,并提取二值化图像中连通域面积最大的部分,即为液柱;
a2)寻找液柱的外轮廓,并根据液柱的外轮廓绘制最小外接矩形,然后获取最小外接矩形的倾斜角S1;
a3)根据a2)中得到的倾斜角S1,将第二仪表图像旋转倾斜角S1,得到第三仪表图像。
4.根据权利要求1所述的一种基于巡检机器人的液位仪表读数识别方法,其特征在于:所述的穿线法是基于数字特征对数字进行识别的方法,数字特征包括横线特征和竖线特征;定义3条横线和3条竖线,3条横线包括高的1/3处直线、高的2/3处直线和高的1/2处直线,3条竖线包括宽的1/4处直线、宽的3/4处直线和宽的1/2处直线,通过计算并统计数字与这六条线的交点数和交点的位置来识别数字。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444697.XA CN108764234B (zh) | 2018-05-10 | 2018-05-10 | 一种基于巡检机器人的液位仪表读数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444697.XA CN108764234B (zh) | 2018-05-10 | 2018-05-10 | 一种基于巡检机器人的液位仪表读数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764234A true CN108764234A (zh) | 2018-11-06 |
CN108764234B CN108764234B (zh) | 2021-10-12 |
Family
ID=64009483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444697.XA Active CN108764234B (zh) | 2018-05-10 | 2018-05-10 | 一种基于巡检机器人的液位仪表读数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764234B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765861A (zh) * | 2018-12-25 | 2019-05-17 | 北京国信杰云科技有限公司 | 一种dcs数据采集系统及方法 |
CN109858480A (zh) * | 2019-01-08 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种数字式仪表识别方法 |
CN110309674A (zh) * | 2019-07-04 | 2019-10-08 | 浙江理工大学 | 一种基于全同态加密的排序方法 |
CN112036409A (zh) * | 2020-08-13 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种液位计的读数识别方法及装置 |
CN112699876A (zh) * | 2021-03-24 | 2021-04-23 | 中海油能源发展股份有限公司采油服务分公司 | 一种用于集气站多类型仪表自动读数方法 |
CN112989901A (zh) * | 2020-03-25 | 2021-06-18 | 长扬科技(北京)有限公司 | 基于深度学习的液位仪读数的识别方法 |
CN113379725A (zh) * | 2021-06-29 | 2021-09-10 | 广州高新兴机器人有限公司 | 一种基于深度学习的变电站油计表读数方法 |
CN115063699A (zh) * | 2022-05-30 | 2022-09-16 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570574A (zh) * | 2004-04-23 | 2005-01-26 | 汤哲夫 | 一种液位测量方法及其装置 |
CN1614358A (zh) * | 2004-11-25 | 2005-05-11 | 上海交通大学 | 基于图形的物理量数字化测量方法 |
US20130195360A1 (en) * | 2012-01-26 | 2013-08-01 | Qualcomm Incorporated | Lower modifier detection and extraction from devanagari text images to improve ocr performance |
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 |
US20150379334A1 (en) * | 2014-06-30 | 2015-12-31 | Honda Motor Co., Ltd. | Object recognition apparatus |
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 |
-
2018
- 2018-05-10 CN CN201810444697.XA patent/CN108764234B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570574A (zh) * | 2004-04-23 | 2005-01-26 | 汤哲夫 | 一种液位测量方法及其装置 |
CN1614358A (zh) * | 2004-11-25 | 2005-05-11 | 上海交通大学 | 基于图形的物理量数字化测量方法 |
US20130195360A1 (en) * | 2012-01-26 | 2013-08-01 | Qualcomm Incorporated | Lower modifier detection and extraction from devanagari text images to improve ocr performance |
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 |
US20150379334A1 (en) * | 2014-06-30 | 2015-12-31 | Honda Motor Co., Ltd. | Object recognition apparatus |
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 |
Non-Patent Citations (2)
Title |
---|
J. ALBERT MAYAN等: ""Number plate recognition using template comparison for various fonts in MATLAB"", 《2016 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMPUTING RESEARCH (ICCIC)》 * |
代素梅等: ""基于图像识别的液位在线读取"", 《辽宁工程技术大学学报(自然科学版)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765861A (zh) * | 2018-12-25 | 2019-05-17 | 北京国信杰云科技有限公司 | 一种dcs数据采集系统及方法 |
CN109858480A (zh) * | 2019-01-08 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种数字式仪表识别方法 |
CN110309674A (zh) * | 2019-07-04 | 2019-10-08 | 浙江理工大学 | 一种基于全同态加密的排序方法 |
CN110309674B (zh) * | 2019-07-04 | 2021-10-01 | 浙江理工大学 | 一种基于全同态加密的排序方法 |
CN112989901A (zh) * | 2020-03-25 | 2021-06-18 | 长扬科技(北京)有限公司 | 基于深度学习的液位仪读数的识别方法 |
CN112036409A (zh) * | 2020-08-13 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种液位计的读数识别方法及装置 |
CN112699876A (zh) * | 2021-03-24 | 2021-04-23 | 中海油能源发展股份有限公司采油服务分公司 | 一种用于集气站多类型仪表自动读数方法 |
CN113379725A (zh) * | 2021-06-29 | 2021-09-10 | 广州高新兴机器人有限公司 | 一种基于深度学习的变电站油计表读数方法 |
CN115063699A (zh) * | 2022-05-30 | 2022-09-16 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
CN115063699B (zh) * | 2022-05-30 | 2023-11-28 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108764234B (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764234A (zh) | 一种基于巡检机器人的液位仪表读数识别方法 | |
CN107292310B (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN104835173B (zh) | 一种基于机器视觉的定位方法 | |
CN106909941A (zh) | 基于机器视觉的多表字符识别系统及方法 | |
CN107941808A (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN106339707B (zh) | 一种基于对称性特征的仪表指针图像识别方法 | |
CN106529537A (zh) | 一种数字仪表读数图像识别方法 | |
CN106934813A (zh) | 一种基于视觉定位的工业机器人工件抓取实现方法 | |
CN110706293B (zh) | 基于surf特征匹配的电子元器件定位和检测方法 | |
CN107014819A (zh) | 一种太阳能电池板表面缺陷检测系统和方法 | |
CN102901444B (zh) | 一种基于mp小波滤波的零件尺寸检测方法及其检测系统 | |
CN107610128A (zh) | 一种油位计的巡检方法和装置 | |
CN107145890A (zh) | 一种远距离多视角环境下的指针式仪表盘自动读数方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN112489042B (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN105423975B (zh) | 一种大型工件的标定系统及方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN108613630A (zh) | 基于图像处理技术的两线型管水准器气泡偏移量测量方法 | |
CN102708368A (zh) | 一种基于机器视觉的生产线上瓶体的定位方法 | |
CN107240112A (zh) | 一种复杂场景下个体x角点提取方法 | |
CN107633507A (zh) | 基于轮廓检测和特征匹配的lcd缺陷检测方法 | |
WO2020114134A1 (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
CN108960236A (zh) | 基于二维码匹配与图像识别的指针式仪表识别方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN108549890A (zh) | 基于图像识别的发票倾斜检测及几何校正方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181106 Assignee: CHANGSHAN XINLONG BEARING Co.,Ltd. Assignor: ZHEJIANG SCI-TECH University Contract record no.: X2022330000079 Denomination of invention: A reading recognition method of liquid level instrument based on inspection robot Granted publication date: 20211012 License type: Common License Record date: 20220506 |