CN108921177A - 变电站巡检机器人的仪表定位方法 - Google Patents
变电站巡检机器人的仪表定位方法 Download PDFInfo
- Publication number
- CN108921177A CN108921177A CN201810652710.0A CN201810652710A CN108921177A CN 108921177 A CN108921177 A CN 108921177A CN 201810652710 A CN201810652710 A CN 201810652710A CN 108921177 A CN108921177 A CN 108921177A
- Authority
- CN
- China
- Prior art keywords
- instrument
- image
- mobile robot
- intelligent mobile
- prototype drawing
- 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
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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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)
- Image Analysis (AREA)
Abstract
本发明提供的一种变电站巡检机器人的仪表定位方法,包括预备阶段和正式巡检阶段,预备阶段为:变电站巡检机器人采集仪表图像作为模板图,人工标定出各模板图中仪表的位置信息,利用各模板图分别训练相关滤波器;正式巡检阶段为:读取巡检图像,对巡检图像提取HOG特征,利用相关滤波器计算出响应地图,得到仪表位置。利用相关滤波器来进行仪表定位,相关滤波器是利用整个目标区域图像进行计算,从而对空间信息利用较为充分,对于仪表定位问题,仪表不存在明显形状、尺度和旋转变化,且HOG对图像的空间结构信息保留较好。与SURF、SIFT等基于特征点的方法相比,不容易受到部分点的影响,鲁棒性更好,且实时性更好。
Description
技术领域
本发明涉及仪表定位技术领域,具体涉及变电站巡检机器人的仪表定位方法。
背景技术
近年来,国家大力推行变电站智能巡检机器人的发展,利用巡检机器人代替人工进行巡检可以降低人员危险、工作强度并提高巡检效率。智能巡检机器人能否靠运行的关键之一就是在于其视觉处理系统能否准确地识别出仪表的读数。
智能巡检机器人按照预先设定的巡检路线对各类仪表进行巡检,主要靠拍摄可见光或红外图像,传回后台利用图像处理和计算机视觉技术完成仪表信息的判别。在其视觉处理部分,仪表的巡检主要分为两步:一是仪表的定位,即从机器人拍摄的图像中找到仪表的位置;二是仪表的读数或外观的检测。仪表定位的准确性对巡检结果有较大影响。
在《一种适用于变电站巡检机器人的仪表识别算法》(房桦,明智强,周云峰等,自动化与仪表)中提出了一种基于SIFT算法的仪表定位方法,通过预先建立仪表模板库,利用SIFT特征来匹配待识别图中的仪表,从而得到仪表的位置。但SIFT特征计算量大,时间复杂度较高,且对光照、阴影和污渍敏感,容易出现特征点数量过少而匹配错误。
在《变电站智能巡检系统仪表定位算法设计与实现》(吕瑞峰,王财,李万林,马海珍,电子制作)中提出一种基于SURF算法的仪表定位方法,通过预先建立仪表模板库,利用SURF特征来匹配待识别图中的仪表,从而得到仪表的位置。SURF特征是一种SIFT特征的改进,在鲁棒性和实时性上都好于SIFT算法,能够勉强实现实时性,对光照、污渍敏感,尤其是对于结构简单的仪表,容易出现特征点数量过少而匹配错误。
在《基于ORB和改进Hough变换的指针仪表智能识读方法》(朱柏林,郭亮,吴清文,仪表技术与传感器)中提出一种基于ORB算法的仪表定位方法,通过预先建立仪表模板库,利用ORB特征来匹配待识别图中的仪表,从而得到仪表的位置。ORB算法计算量小,实时性较好,但特征点受光照影响较大,容易导致匹配错误对数较多,需要较好的筛选,且容易出现特征点数量过少的情况,对结果简单的仪表容易匹配错误。
在《基于局部自适应核回归的仪表定位方法》(杜烨宇,陶大鹏,梁虹,林旭,数据采集与处理)中提出基于局部自适应核回归的仪表定位算法,通过预先建立模板仪表图像,对模板图像和待检测图像分别利用局部转向核函数提取图像特征,采用矩阵余弦相似性、显著性检验、非极大值抑制法来得到仪表位置。大实际过程中时间复杂度仍较高,不满足变电站的实时性需求。
在中国专利CN104392206A中提出了一种仪表定位方法,利用Hough变换圆检测来定位仪表。但在实际过程中,变电站只有一部分仪表是圆形,且存在多个同心圆形状,此方法使用范围有限,且难以从多个相似圆形中判断真正的仪表位置。
从以上分析,可以看出目前仪表定位方法中,仍存在许多问题未解决。因此有必要提供一种鲁棒且精准的仪表定位方法解决上述问题。由于变电站巡检机器人在巡检采集仪表图像数据时对每个仪表都有固定的采集点,固定的相机参数,在不考虑机器人的系统误差的理想情况下,仪表在图像中的位置不变。然而实际过程中,虽然在仪表的定位问题中尺度变换、旋转变换、拍摄角度可忽略不计,但机器人的系统误差难以避免,其主要影响是巡检机器人的机械误差导致的平移变换。尤其是环境中的光照因素、阴影因素、图像模糊等的共同影响下,使得的仪表定位问题难度增大。
在仪表定位过程中,传统方法主要使用特征点的方式来进行定位,容易受到光照、污渍(室外环境下的雨水等)、表盘复杂度的影响,导致特征点匹配错误或可用特征点过少的情况,从而导致定位错误或误差较大。
发明内容
针对现有技术中的缺陷,本发明提供一种变电站巡检机器人的仪表定位方法,基于HOG特征与相关滤波,对光照、污渍、雨水、阴影、表盘等影响具有较强鲁棒性,对仪表定位精度具有鲁棒性。
本发明提供的一种变电站巡检机器人的仪表定位方法,包括预备阶段和正式巡检阶段,
预备阶段为:变电站巡检机器人采集仪表图像作为模板图,人工标定出各模板图中仪表的位置信息,利用各模板图分别训练相关滤波器;
正式巡检阶段为:读取巡检图像,对巡检图像提取HOG特征,利用相关滤波器计算出响应地图,得到仪表位置。
进一步的,预备阶段具体为:
S11、变电站巡检机器人根据预先规划的路径进行巡检,定点停车采集仪表图像,将采集的仪表图像作为模板图;
S12、根据模板图人工标定出仪表位置信息及目标区域作为预设参数,并记录相关数据;
S13、扩展目标区域范围大小,分别提取模板图中的目标区域作为训练图像;
S14、利用每个模板图提取出的训练图像提取HOG特征,分别训练相关滤波器,按照对应编号保存相关滤波器参数。
进一步的,正式巡检阶段具体为:
S21、读取巡检机器人实时采集传回的巡检图像以及相应设备编号;
S22、按照设备编号读入相关滤波参数器参数及预设目标位置信息;
S23、对巡检图像提取HOG特征;
S24、根据HOG特征的图像,利用相关滤波器计算响应地图;
S25、计算出响应地图中的最大响应值位置,
S26、获取仪表图像。
进一步的,人工标定出各模板图中仪表的位置信息具体为:
对采集的模板图人为标定出仪表中心(x,y),以及仪表范围尺度[w,h],按照仪表对应编号存入相应参数文件供后续检测过程使用。
进一步的,训练相关滤波器为根据相关滤波器函数计算出相关滤波器模板,具体为:
根据仪表的编号,读入相应模板图及仪表中心坐标(x,y)及仪表范围尺度[w,h],扩大范围k倍,即[w*k,h*k];
以中心坐标及扩大后的范围提取出训练图像;
对提取的训练图像提取HOG特征;
利用提取的HOG特征的图像,计算相关滤波器作为相关滤波器模板。
进一步的,相关滤波器函数为f(xi)=wTxi;以获取训练图像的HOG特征作为正样本,以其为中心,利用循环矩阵来近似密集采样,设xi为第i个样本图像的H0G特征,对应标签函数为yi,越靠近中心yi值越高,yi值处于[0,1]区间,可构造一种权值函数产生,如高斯函数等,越靠近中心yi值越高,当xi处于中心时yi为1,当xi处于矩阵边缘时yi为0;
训练目标为:
最优解为其中x为训练图像的HOG特征,为x的傅里叶变换,*为复共轭,⊙为元素级相乘。
引入核函数后相关滤波器函数在傅里叶域,对于整个循环矩阵的滤波结果可表示为
其中,$表示在傅里叶域中,kxz为核函数,是x和z的核卷积,y为样本循环矩阵对应的标签,是yi的向量容器。其中,在训练相关滤波器时,为样本自身的核卷积,在正式检测阶段,x是模板图中训练图像的HOG特征,z为待检测图像的HOG特征。其中,核函数可以选择但不限于线性核、高斯核等。
进一步的,在预备阶段,训练相关滤波器时,计算的相关滤波器参数为x,是模板图中训练图像的HOG特征,以及
进一步的,利用相关滤波器计算响应地图的具体方法为:
利用提取的HOG特征图像,生成循环矩阵,利用相关滤波器对循环矩阵进行滤波,由得到响应地图。其中,x是模板图中训练图像的HOG特征,z为待检测图像的HOG特征。其中,核函数可以选择但不限于线性核、高斯核等。
由上述技术方案可知,本发明的有益效果:
1.本发明提供一种变电站巡检机器人的仪表定位方法,利用HOG特征来描述图形特性,对光照不敏感,同时不考虑尺度和旋转变换的特征与仪表定位问题中不存在明显尺度和旋转变换相符,与其他利用SURF、SIFT特征的方法相比,避免了不必要的计算,大大减少计算量,计算速度较快。
2.本发明提供一种变电站巡检机器人的仪表定位方法,利用相关滤波器来进行仪表定位,相关滤波器是利用整个目标区域图像进行计算,从而对空间信息利用较为充分,对于仪表定位问题,仪表不存在明显形状、尺度和旋转变化,且HOG对图像的空间结构信息保留较好。与SURF、SIFT等基于特征点的方法相比,不容易受到部分点的影响,鲁棒性更好,且实时性更好。
3.本发明提供一种变电站巡检机器人的仪表定位方法,在训练相关滤波器过程中,利用循环矩阵来近似密集采样,在降低算法计算负担的同时增加模型的稳定性。
4.本发明提供一种变电站巡检机器人的仪表定位方法,实现简单,对硬件平台要求较低。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明变电站巡检机器人的仪表定位方法的流程图。
图2为本发明变电站巡检机器人的仪表定位方法的算法框架图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
请参阅图1至图2,本实施例提供的一种变电站巡检机器人的仪表定位方法,包括预备阶段和正式巡检阶段,预备阶段为:变电站巡检机器人采集仪表图像作为模板图,人工标定出各模板图中仪表的位置信息,利用各模板图分别训练相关滤波器;正式巡检阶段为:读取巡检图像,对巡检图像提取HOG特征,利用相关滤波器计算出响应地图,得到仪表位置。
预备阶段具体为:
(1)变电站巡检机器人根据预先规划的路径进行巡检,定点停车采集仪表图像,将采集的仪表图像作为模板图;
在巡检机器人路径规划期间,对于拍摄参数设置,以让仪表尽量处于图像中心区域为最优目标,采集图像数据作为模板图;
(2)根据模板图人工标定出仪表位置信息及目标区域作为预设参数,并记录相关数据;
对采集的模板图人为标定出模板图仪表中心点坐标(x,y),以及仪表范围尺度[w,h],记录相关数据,按照仪表对应编号存入相应参数文件供后续检测过程使用;其中,对于指针类仪表,待识别范围表现为仪表表盘区域,其他仪表以此类推。
(3)、扩展目标区域范围大小,分别提取模板图中的目标区域作为训练图像;
根据仪表的编号,读入相应模板图及模板图仪表中心坐标(x,y)及仪表范围尺度[w,h],扩大范围k倍,即[w*k,h*k];以模板图仪表中心坐标及扩大后的范围提取出训练图像;
(4)、利用每个模板图提取出的训练图像提取HOG特征,以获取训练图像作为正样本,以其为中心,利用循环矩阵来近似密集采样,导入相关滤波器目标函数,计算出相关滤波器参数,按照对应编号保存相关滤波器参数;
其中参数为和x
其中,^表示在傅里叶域中,y为样本循环矩阵对应的标签,是yi的向量容器。其中,在训练相关滤波器时,是核函数,为样本特征自身的核卷积。x是模板图中训练图像的HOG特征
正式巡检阶段具体为:
(1)、读取巡检机器人实时采集传回的巡检图像以及相应设备编号;
在选件机器人的巡检任务中,对于每个采集点的仪表都有独立的设备标号。
(2)、按照设备编号读取相对应的相关滤波参数器参数及预设目标位置信息;
(3)、对巡检图像按照预设目标位置信息提取对应区域图像,并对所提取图像提取HOG特征;
在提取HOG特征过程中,先提取多通道HOG特征,在利用核函数将多通道特征映射为单通道特征。
(4)、根据HOG特征的图像,利用相关滤波器计算响应地图;
利用相关滤波器计算响应地图的具体方法为:利用HOG特征图像生成循环矩阵,对循环矩阵利用训练好的相关滤波器进行滤波处理,由得到响应地图。其中kxz为核函数,是x和z的核卷积,x是模板图中训练图像的HOG特征,z为待检测图像的HOG特征。其中,核函数可以选择但不限于线性核、高斯核等。
(5)、计算出响应地图中的最大响应值位置;
搜索整个响应地图,对比所有响应值大小,最大点坐标即为最大响应值位置。
(6)获取仪表图像
以最大响应值位置坐标为中心,与预设目标区域大小相同的范围截取出图像区域即为仪表图像。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种变电站巡检机器人的仪表定位方法,其特征在于:包括预备阶段和正式巡检阶段,
所述预备阶段为:变电站巡检机器人采集仪表图像作为模板图,人工标定出各模板图中仪表的位置信息,利用各模板图分别训练相关滤波器;
所述正式巡检阶段为:读取巡检图像,对巡检图像提取HOG特征,利用相关滤波器计算出响应地图,得到仪表位置。
2.根据权利要求1所述的变电站巡检机器人的仪表定位方法,其特征在于:所述预备阶段具体为:
S11、变电站巡检机器人根据预先规划的路径进行巡检,定点停车采集仪表图像,将采集的仪表图像作为模板图;
S12、根据模板图人工标定出仪表位置信息及目标区域作为预设参数,并记录相关数据;
S13、扩展目标区域范围大小,分别提取模板图中的目标区域作为训练图像;
S14、利用每个模板图提取出的训练图像提取HOG特征,分别训练相关滤波器,按照对应编号保存相关滤波器参数。
3.根据权利要求1所述的变电站巡检机器人的仪表定位方法,其特征在于:所述正式巡检阶段具体为:
S21、读取巡检机器人实时采集传回的巡检图像以及相应设备编号;
S22、按照设备编号读入相关滤波参数器参数及预设目标位置信息;
S23、对巡检图像提取HOG特征;
S24、根据HOG特征的图像,利用相关滤波器计算响应地图;
S25、计算出响应地图中的最大响应值位置;
S26、获取仪表图像。
4.根据权利要求1-3任意一项所述的变电站巡检机器人的仪表定位方法,其特征在于:所述人工标定出各模板图中仪表的位置信息具体为:
对采集的模板图人为标定出仪表中心(x,y),以及仪表范围尺度[w,h],按照仪表对应编号存入相应参数文件供后续检测过程使用。
5.根据权利要求4所述的变电站巡检机器人的仪表定位方法,其特征在于:所述训练相关滤波器为根据相关滤波器函数计算出相关滤波器模板,具体为:
根据仪表的编号,读入相应模板图及仪表中心坐标(x,y)及仪表范围尺度[w,h],扩大范围k倍,即[w*k,h*k];
以中心坐标及扩大后的范围提取出训练图像;
对提取的训练图像提取HOG特征;
利用提取的HOG特征的图像,计算相关滤波器作为相关滤波器模板。
6.根据权利要求3、5所述的变电站巡检机器人的仪表定位方法,其特征在于:所述相关滤波器函数为f(xi)=wTxi,以获取训练图像的HOG特征图作为正样本,以其为中心,利用循环矩阵来近似密集采样,设xi为第i个样本图像的HOG特征,对应标签函数为yi,yi值处于[0,1]区间,可构造一种权值函数产生,如高斯函数等,越靠近中心yi值越高,当xi处于中心时yi为1,当xi处于矩阵边缘时yi为0;
训练目标为:
最优解为其中x为训练图像的HOG特征,为x的傅里叶变换,*为复共轭,e为元素级相乘。
引入核函数后相关滤波器函数在傅里叶域,对于整个循环矩阵的滤波结果可表示为即响应地图;
其中,^表示在傅里叶域中,kxz为核函数,是x和z的核卷积,y为样本循环矩阵对应的标签,是yi的向量容器。其中,在训练相关滤波器时,为样本特征自身的核卷积,在正式检测阶段,x是模板图中训练图像的HOG特征,z为待检测图像的HOG特征。其中,核函数可以选择但不限于线性核、高斯核等。
7.根据权利要求1-3任意一项所述的变电站巡检机器人的仪表定位方法,其特征在于:利用相关滤波器计算响应地图的具体方法为:所提取HOG特征图像生成循环矩阵,利用训练好的相关滤波器对循环矩阵进行滤波,获取响应地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652710.0A CN108921177A (zh) | 2018-06-22 | 2018-06-22 | 变电站巡检机器人的仪表定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810652710.0A CN108921177A (zh) | 2018-06-22 | 2018-06-22 | 变电站巡检机器人的仪表定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921177A true CN108921177A (zh) | 2018-11-30 |
Family
ID=64421340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810652710.0A Pending CN108921177A (zh) | 2018-06-22 | 2018-06-22 | 变电站巡检机器人的仪表定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921177A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948469A (zh) * | 2019-03-01 | 2019-06-28 | 吉林大学 | 基于深度学习的巡检机器人仪表自动检测识别方法 |
CN110188786A (zh) * | 2019-04-11 | 2019-08-30 | 广西电网有限责任公司电力科学研究院 | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 |
CN110222688A (zh) * | 2019-06-10 | 2019-09-10 | 重庆邮电大学 | 一种基于多层次相关滤波的仪表定位方法 |
CN110909653A (zh) * | 2019-11-18 | 2020-03-24 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN111193860A (zh) * | 2019-09-09 | 2020-05-22 | 浙江国自机器人技术有限公司 | 巡检机器人工作点位的一框标定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104200237A (zh) * | 2014-08-22 | 2014-12-10 | 浙江生辉照明有限公司 | 一种基于核化相关滤波高速自动多目标跟踪方法 |
CN104463240A (zh) * | 2013-09-23 | 2015-03-25 | 深圳市朗驰欣创科技有限公司 | 一种控制列表界面的方法及装置 |
CN106874910A (zh) * | 2017-01-19 | 2017-06-20 | 广州优库电子有限公司 | 基于ocr识别的低功耗仪表远程自助抄表终端及方法 |
CN107092863A (zh) * | 2017-03-24 | 2017-08-25 | 重庆邮电大学 | 一种变电站巡检机器人的指针式仪表读数识别方法 |
CN107230230A (zh) * | 2017-06-14 | 2017-10-03 | 亿嘉和科技股份有限公司 | 一种基于合成滤波器的仪表图像定位方法 |
CN107729896A (zh) * | 2017-10-24 | 2018-02-23 | 武汉科技大学 | 一种适用于变电站宽刻度指针式仪表的自动识别方法 |
-
2018
- 2018-06-22 CN CN201810652710.0A patent/CN108921177A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104463240A (zh) * | 2013-09-23 | 2015-03-25 | 深圳市朗驰欣创科技有限公司 | 一种控制列表界面的方法及装置 |
CN104200237A (zh) * | 2014-08-22 | 2014-12-10 | 浙江生辉照明有限公司 | 一种基于核化相关滤波高速自动多目标跟踪方法 |
CN106874910A (zh) * | 2017-01-19 | 2017-06-20 | 广州优库电子有限公司 | 基于ocr识别的低功耗仪表远程自助抄表终端及方法 |
CN107092863A (zh) * | 2017-03-24 | 2017-08-25 | 重庆邮电大学 | 一种变电站巡检机器人的指针式仪表读数识别方法 |
CN107230230A (zh) * | 2017-06-14 | 2017-10-03 | 亿嘉和科技股份有限公司 | 一种基于合成滤波器的仪表图像定位方法 |
CN107729896A (zh) * | 2017-10-24 | 2018-02-23 | 武汉科技大学 | 一种适用于变电站宽刻度指针式仪表的自动识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948469A (zh) * | 2019-03-01 | 2019-06-28 | 吉林大学 | 基于深度学习的巡检机器人仪表自动检测识别方法 |
CN110188786A (zh) * | 2019-04-11 | 2019-08-30 | 广西电网有限责任公司电力科学研究院 | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 |
CN110188786B (zh) * | 2019-04-11 | 2022-12-06 | 广西电网有限责任公司电力科学研究院 | 一种用于罐式避雷器泄漏电流的机器人图像识别算法 |
CN110222688A (zh) * | 2019-06-10 | 2019-09-10 | 重庆邮电大学 | 一种基于多层次相关滤波的仪表定位方法 |
CN110222688B (zh) * | 2019-06-10 | 2021-06-18 | 重庆邮电大学 | 一种基于多层次相关滤波的仪表定位方法 |
CN111193860A (zh) * | 2019-09-09 | 2020-05-22 | 浙江国自机器人技术有限公司 | 巡检机器人工作点位的一框标定方法 |
CN111193860B (zh) * | 2019-09-09 | 2021-05-11 | 浙江国自机器人技术有限公司 | 巡检机器人工作点位的一框标定方法 |
CN110909653A (zh) * | 2019-11-18 | 2020-03-24 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
CN110909653B (zh) * | 2019-11-18 | 2022-03-15 | 南京七宝机器人技术有限公司 | 一种室内机器人自动标定配电室屏柜的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921177A (zh) | 变电站巡检机器人的仪表定位方法 | |
Tang et al. | Few could be better than all: Feature sampling and grouping for scene text detection | |
CN111160337B (zh) | 一种指针式仪表读数的自动识别方法、系统、介质及设备 | |
CN102521560B (zh) | 高鲁棒仪表指针图像识别方法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN109583324A (zh) | 一种基于单点多盒检测器的指针仪表读数自动识别方法 | |
CN107229930A (zh) | 一种指针式仪表数值智能识别方法及装置 | |
CN103488972B (zh) | 基于深度信息的指尖检测方法 | |
CN108875911A (zh) | 一种泊车位检测方法 | |
CN108230353A (zh) | 目标跟踪方法、系统及电子设备 | |
CN107092863A (zh) | 一种变电站巡检机器人的指针式仪表读数识别方法 | |
CN111968048B (zh) | 电力巡检少样本图像数据增强方法及系统 | |
CN109029429B (zh) | 基于WiFi和地磁指纹的多分类器全局动态融合定位方法 | |
CN110263790A (zh) | 一种基于卷积神经网络的电厂电表字符定位和识别方法 | |
He et al. | A value recognition algorithm for pointer meter based on improved Mask-RCNN | |
CN108090922A (zh) | 智能目标跟踪轨迹记录方法 | |
CN109035345A (zh) | 基于高斯过程回归的tof相机距离校正方法 | |
CN104463240A (zh) | 一种控制列表界面的方法及装置 | |
CN116229052A (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
Liu et al. | YOLO-IMF: an improved YOLOv8 algorithm for surface defect detection in industrial manufacturing field | |
CN114092728A (zh) | 一种基于深度学习的指针式仪表智能识别方法及系统 | |
Lai et al. | A novel scale recognition method for pointer meters adapted to different types and shapes | |
CN112990190A (zh) | 指针式仪表读数的识别方法、装置 | |
Ni et al. | Multi-meter intelligent detection and recognition method under complex background | |
CN115424000A (zh) | 一种指针式仪表识别方法、系统、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |
|
RJ01 | Rejection of invention patent application after publication |