CN109359672A - 一种变压器油位计读数图像识别方法 - Google Patents
一种变压器油位计读数图像识别方法 Download PDFInfo
- Publication number
- CN109359672A CN109359672A CN201811106881.XA CN201811106881A CN109359672A CN 109359672 A CN109359672 A CN 109359672A CN 201811106881 A CN201811106881 A CN 201811106881A CN 109359672 A CN109359672 A CN 109359672A
- Authority
- CN
- China
- Prior art keywords
- oil
- filled equipment
- oil level
- image
- filled
- 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 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 43
- 238000004891 communication Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000010729 system oil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变压器油位计读数图像识别方法,其中,包括:通过对位算法找到充油设备油位视窗以及寻找视窗内浮子位置,通过对位算法找到充油设备油位视窗,卷积神经网络对巡检机器人在多个变电站拍摄的各种场景下、各种充油设备的实际图片进行标注和训练,拍摄后得到充油设备检测的模型,对被识别的充油设备模型图像进行数字化,变化为适于计算机处理的数字信息,有益效果:本发明应用于巡检机器人系统或设备视频监控系统中,利用巡检机器人或者视频监控设备采集到的浮子油位的图片,自动识别其中的读数。解决的问题为:识别巡检机器人、视频监控系统采集到的充油设备的油位计视窗内的油位读数,减少人工抄录,提高准确率。
Description
技术领域
本发明公开了一种变压器油位计读数图像识别方法,属于图像识别技术领域。
背景技术
变电站中充油设备的油位关系到设备是否存在缺陷、是否影响正常运行。需要运行人员定期抄取检查油位计油位读数。普通的人工巡检在巡检过程中不安全,容易造成事故,并且人工巡检台账的记录和录入工作繁琐,容易产生错记、乱记的现象。
发明内容
本发明要解决的技术问题,提供一种变压器油位计读数图像识别方法,从而解决上述问题。
为实现上述目的,本发明提供如下技术方案:一种变压器油位计读数图像识别方法,其特征在于,包括:
通过对位算法找到充油设备油位视窗;
寻找视窗内浮子位置。
作为优选,卷积神经网络对巡检机器人在多个变电站拍摄的各种场景下、各种充油设备的实际图片进行标注和训练;
拍摄后得到充油设备检测的模型;
对被识别的充油设备模型图像进行数字化,变化为适于计算机处理的数字信息;
对所述数字信息进行预处理,除去混入的干扰信息并减少变形或失真;
对预处理后的数字信息进行特征选择,选择需要识别的图像的特征值,在预处理后的数字信息中抽取包含所述特征值的信息;
基于卷积神经网络中的图像质量预测分支提取充油设备模型图像的质量量化值,其中,所述质量量化值用于表示待识别图像的识别度。
作为优选,对所述待识别图像进行预处理操作;其中,所述预处理操作包括特征检测和关键点标注;
根据关键点将所述待识别图像调整到对应位置;
将所述待识别图像划归至同一尺度;
比较所述质量量化值与质量判别预设阈值;
若所述质量量化值大于或等于所述质量判别预设阈值,则基于卷积神经网络中的图像特征提取分支识别所述待识别图像;
若所述质量量化值小于所述质量判别阈值,则剔除所述待识别充油设备模型图像。
作为优选,选中上一步中利用所述卷积神经网络对检测到的剔除待识别充油设备模型图像;
对剔除的待识别充油设备模型图像视窗的局部视图进行标注和训练;
得到充油设备油位视窗内浮子位置的模型。利用该模型能准确地找到浮子在视窗中的位置。
与现有技术相比,本发明的有益效果如下:
本发明应用于巡检机器人系统或设备视频监控系统中,利用巡检机器人或者视频监控设备采集到的浮子油位的图片,自动识别其中的读数。解决的问题为:识别巡检机器人、视频监控系统采集到的充油设备的油位计视窗内的油位读数,减少人工抄录,提高准确率。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种变压器油位计读数图像识别方法,其特征在于,包括:
通过对位算法找到充油设备油位视窗;
寻找视窗内浮子位置。
其中,卷积神经网络对巡检机器人在多个变电站拍摄的各种场景下、各种充油设备的实际图片进行标注和训练;
拍摄后得到充油设备检测的模型;
对被识别的充油设备模型图像进行数字化,变化为适于计算机处理的数字信息;
对所述数字信息进行预处理,除去混入的干扰信息并减少变形或失真;
对预处理后的数字信息进行特征选择,选择需要识别的图像的特征值,在预处理后的数字信息中抽取包含所述特征值的信息;
基于卷积神经网络中的图像质量预测分支提取充油设备模型图像的质量量化值,其中,所述质量量化值用于表示待识别图像的识别度。
其中,对所述待识别图像进行预处理操作;其中,所述预处理操作包括特征检测和关键点标注;
根据关键点将所述待识别图像调整到对应位置;
将所述待识别图像划归至同一尺度;
比较所述质量量化值与质量判别预设阈值;
若所述质量量化值大于或等于所述质量判别预设阈值,则基于卷积神经网络中的图像特征提取分支识别所述待识别图像;
若所述质量量化值小于所述质量判别阈值,则剔除所述待识别充油设备模型图像。
其中,选中上一步中利用所述卷积神经网络对检测到的剔除待识别充油设备模型图像;
对剔除的待识别充油设备模型图像视窗的局部视图进行标注和训练;
得到充油设备油位视窗内浮子位置的模型。利用该模型能准确地找到浮子在视窗中的位置。
实施例:
该发明的识别过程分为两步,第一步通过对位算法找到充油设备油位视窗;第二步在视窗内找到浮子位置。
对位算法:
这里使用深度学习的方法进行充油设备视窗检测,利用卷积神经网络对巡检机器人在多个变电站拍摄的各种场景下、各种充油设备的实际图片进行标注和训练。得到充油设备检测的模型,实现对充油设备油位视窗的检测和准确定位。
读数识别:
使用深度学习的方法进行充油设备视窗检测,利用卷积神经网络对上一步检测到的视窗的局部视图进行标注和训练,得到检测浮子位置的模型。利用该模型能准确地找到浮子在视窗中的位置。
通过以上两步,检测浮子的位置之后,变根据负责和油位计视窗的相对位置计算出油位计的读数。经过实验和实际应用,该方法具有适应能力强、准确率高等有点。
本发明实施例提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种图像识别方法,该方法包括:
基于卷积神经网络中的图像质量预测分支提取待识别图像的质量量化值,其中,所述质量量化值用于表示待识别图像的识别度;
比较所述质量量化值与质量判别预设阈值;
若所述质量量化值小于所述质量判别预设阈值,则基于卷积神经网络中的图像特征提取分支识别所述待识别图像;
若所述质量量化值大于或等于所述质量判别阈值,则不识别所述待识别图像。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明需借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法,同时还需使用用通信组件,通信组件被配置为便于图像识别装置和其他设备之间有线或无线方式的通信,图像识别装置可以接入基于通信标准的无线网络,如无线保真(Wireless-Fidelity,简称:Wi-Fi),3G或4G,或它们的组合。在一个示例性实施例中,所述通信组件还包括近场通信(Near Field Communication,简称:NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(Radio Frequency Identification,简称:RFID)技术,红外数据协会(Infrared Data Association,简称:IrDA)技术,超宽带(Ultra Wideband,简称:UWB)技术,蓝牙(Bluetooth,简称:BT)技术和其他技术来实现。
在示例性实施例中,图像识别装置可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称:ASIC)、数字信号处理器(DigitalSignal Processor,简称:DSP)、数字信号处理设备(Digital Signal Processing Device,简称:DSPD)、可编程逻辑器件(Programmable Logic Device,简称:PLD)、现场可编程门阵列(Field Programmable Gate Array,简称:FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (4)
1.一种变压器油位计读数图像识别方法,其特征在于,包括:
通过对位算法找到充油设备油位视窗;
寻找视窗内浮子位置。
2.根据权利要求1所述的方法,其特征在于,所述通过对位算法找到充油设备油位视窗,包括:
卷积神经网络对巡检机器人在多个变电站拍摄的各种场景下、各种充油设备的实际图片进行标注和训练;
拍摄后得到充油设备检测的模型;
对被识别的充油设备模型图像进行数字化,变化为适于计算机处理的数字信息;
对所述数字信息进行预处理,除去混入的干扰信息并减少变形或失真;
对预处理后的数字信息进行特征选择,选择需要识别的图像的特征值,在预处理后的数字信息中抽取包含所述特征值的信息;
基于卷积神经网络中的图像质量预测分支提取充油设备模型图像的质量量化值,其中,所述质量量化值用于表示待识别图像的识别度。
3.根据权利要求2所述的方法,其特征在于:所述选择充油设备模型图像,包括:
对所述待识别图像进行预处理操作;其中,所述预处理操作包括特征检测和关键点标注;
根据关键点将所述待识别图像调整到对应位置;
将所述待识别图像划归至同一尺度;
比较所述质量量化值与质量判别预设阈值;
若所述质量量化值大于或等于所述质量判别预设阈值,则基于卷积神经网络中的图像特征提取分支识别所述待识别图像;
若所述质量量化值小于所述质量判别阈值,则剔除所述待识别充油设备模型图像。
4.根据权利要求1所述的方法,其特征在于,所述寻找视窗内浮子位置,包括:
选中上一步中利用所述卷积神经网络对检测到的剔除待识别充油设备模型图像;
对剔除的待识别充油设备模型图像视窗的局部视图进行标注和训练;
得到充油设备油位视窗内浮子位置的模型。利用该模型能准确地找到浮子在视窗中的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811106881.XA CN109359672A (zh) | 2018-09-21 | 2018-09-21 | 一种变压器油位计读数图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811106881.XA CN109359672A (zh) | 2018-09-21 | 2018-09-21 | 一种变压器油位计读数图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359672A true CN109359672A (zh) | 2019-02-19 |
Family
ID=65351177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811106881.XA Pending CN109359672A (zh) | 2018-09-21 | 2018-09-21 | 一种变压器油位计读数图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359672A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136197A (zh) * | 2019-04-22 | 2019-08-16 | 南方电网科学研究院有限责任公司 | 机器人巡检图像的表计位置检测方法、装置及存储介质 |
CN111401289A (zh) * | 2020-03-24 | 2020-07-10 | 国网上海市电力公司 | 一种变压器部件的智能识别方法和装置 |
CN112114231A (zh) * | 2020-09-18 | 2020-12-22 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
CN112132234A (zh) * | 2020-10-28 | 2020-12-25 | 重庆斯铂电气自动化设备有限公司 | 基于图像识别的油位监测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944458A (zh) * | 2017-12-08 | 2018-04-20 | 北京维大成科技有限公司 | 一种基于卷积神经网络的图像识别方法和装置 |
CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及系统 |
-
2018
- 2018-09-21 CN CN201811106881.XA patent/CN109359672A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944458A (zh) * | 2017-12-08 | 2018-04-20 | 北京维大成科技有限公司 | 一种基于卷积神经网络的图像识别方法和装置 |
CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
谢吉航: "基于机器视觉的工业仪表自动测度方法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136197A (zh) * | 2019-04-22 | 2019-08-16 | 南方电网科学研究院有限责任公司 | 机器人巡检图像的表计位置检测方法、装置及存储介质 |
CN111401289A (zh) * | 2020-03-24 | 2020-07-10 | 国网上海市电力公司 | 一种变压器部件的智能识别方法和装置 |
CN111401289B (zh) * | 2020-03-24 | 2024-01-23 | 国网上海市电力公司 | 一种变压器部件的智能识别方法和装置 |
CN112114231A (zh) * | 2020-09-18 | 2020-12-22 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
CN112114231B (zh) * | 2020-09-18 | 2023-10-10 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
CN112132234A (zh) * | 2020-10-28 | 2020-12-25 | 重庆斯铂电气自动化设备有限公司 | 基于图像识别的油位监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359672A (zh) | 一种变压器油位计读数图像识别方法 | |
CN104535586B (zh) | 带钢边部缺陷检测识别方法 | |
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN107665348B (zh) | 一种变电站数字仪表的数字识别方法和装置 | |
DE60137065D1 (de) | Ausgeglichener objektverfolger in einer bildsequenz | |
CN105160652A (zh) | 基于计算机视觉的手机外壳检验装置与方法 | |
CN104036290A (zh) | 一种纸币面值识别方法及装置 | |
CN113083804A (zh) | 激光智能除锈方法、系统及可存读介质 | |
CN109766891B (zh) | 获取设备设施信息的方法及计算机可读存储介质 | |
CN109785294A (zh) | 一种pcb板缺陷位置检测系统和方法 | |
CN104181170B (zh) | 基于光谱图像分析的水果外表检测方法 | |
CN105426894A (zh) | 铁道塞钉图像检测方法及装置 | |
CN103413149B (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
CN109389165A (zh) | 基于巡检机器人的变压器油位计识别方法 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN110647951A (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
CN103955496A (zh) | 一种快速的现场轮胎痕迹花纹检索算法 | |
CN110097042A (zh) | 一种具有弧度的剃须刀外壳的字符检测系统及检测方法 | |
AU2013325049B2 (en) | Anti-counterfeiting feature generation method for valuable document and authentication method and device therefor | |
WO2022247684A1 (zh) | 基站馈线检测方法、系统及相关装置 | |
CN115439406A (zh) | 一种接触轨集电靴碳滑板缺陷识别方法 | |
CN113506290A (zh) | 一种线路绝缘子缺陷检测方法及装置 | |
CN108062500B (zh) | 一种基于cdsem的特征识别方法及装置 | |
CN102143378B (zh) | 一种图像品质的判断方法 | |
Li et al. | A new color-to-gray conversion method based on edge detection |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |