CN109993154B - 变电站单指针式六氟化硫型仪表智能识别方法 - Google Patents
变电站单指针式六氟化硫型仪表智能识别方法 Download PDFInfo
- Publication number
- CN109993154B CN109993154B CN201910319860.4A CN201910319860A CN109993154B CN 109993154 B CN109993154 B CN 109993154B CN 201910319860 A CN201910319860 A CN 201910319860A CN 109993154 B CN109993154 B CN 109993154B
- Authority
- CN
- China
- Prior art keywords
- image
- pointer
- sulfur hexafluoride
- template
- processing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 229910018503 SF6 Inorganic materials 0.000 title claims abstract description 41
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 229960000909 sulfur hexafluoride Drugs 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000005282 brightening Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种变电站单指针式六氟化硫型仪表智能识别方法。本发明旨在对特殊的单指针式六氟化硫型仪表进行读数识别。利用深度学习与传统计算机视觉技术相结合的方式，进行仪表盘定位与指针特征识别。并针对实际应用存在的光线阴暗与仪表盘畸变情形，加入图像增强模块与畸变处理模块以提升识别效果。本发明实现了在复杂背景下对单指针式六氟化硫型仪表的自动检测和识别任务，并具有良好的准确率与稳定性，可满足变电站实际应用需求。
Description
技术领域
本发明涉及变电站单指针式六氟化硫型仪表智能识别方法，属于电力 仪表智能识别的技术领域。
背景技术
目前，受限于复杂的电磁环境，我国的变电站设备巡检主要依靠巡检 人员定期定时进行人工巡检。由于受气候条件、环境因素、人员素质和责 任心等多方面因素的制约，巡检质量和到位率无法保证。同时，对反映运 行状态和设备缺陷等的信息得不到及时反馈，设备隐患不能及时发现，引 发设备故障。为解决上述问题，近年来有许多研究工作基于机器视觉以解 决指针仪表读数问题。然而现有的技术主要通过传统的计算机视觉技术来 获取表盘位置与指针特征，不适用于复杂场景下的指针式仪表盘定位与读 数识别。并且现有方法为通用指针式仪表识别，对特殊仪表没有良好的鲁 棒性。
中国专利CN107066998A公开了一种指针式圆形多仪表盘实时读数识 别方法，包括步骤多表盘视频图像采集，每帧预处理，每帧边缘检测，Hough 圆检测，抠出表盘感兴趣区域，每个表盘倾斜校正，表盘Hough直线检测， 指针线角度计算，读数识别等步骤，能够同时识别多个表盘读数，有较好 的鲁棒性、实时性、高效率、成本低等特点，有效的提高了工业生产效率， 减少了工业开销，为以后工业生产提供了可靠的技术保证。相比该专利文献，本发明具有以下技术优势：1)仪表盘获取本发明使用基于深度学习 的yolo算法，在摄像头距仪表较远和仪表低占比情况下有非常好的效果。 效果远比Houh圆检测稳定、准确。2)此专利的畸变矫正环节根据倾斜字 符来进行矫正的方式在摄像头距仪表较远和仪表低占比情况下并不会很 好的工作。本发明针对六氟化硫仪表对C字型环形区域进行识别，进而畸 变矫正。矫正的效果和稳定性会更好。3)因为六氟化硫仪表指针太短， 此专利中的Hough变换检测指针效果会大打折扣。本发明针对这种表，采 用改进的模板匹配法进行识别指针特征，有更好的鲁棒性。
中国专利CN104573702A本发明公开了一种六氟化硫压力仪表图像自 动识别方法，包括下列步骤：其操作方法是，通过对仪表视频监控获取的 图像进行预处理，转化为灰度图像；利用最大类间方法找到图像的一个合 适的阈值，将仪表图像中的目标指针与圆盘背景进行区分；对灰度图像进 行sobel算子边缘检测，再利用霍夫变换获取图像圆形区域的中心点坐标 和半径；根据仪表图像特征，获取表盘参考点位置及参考终点的坐标；根 据获取的坐标参数，计算指针偏转夹角，并结合表盘参考点位置计算指针 读数，实现仪表图像读数的自动识别。相比该专利文献，本发明具有以下 技术优势：1)仪表盘获取本发明使用基于深度学习的yolo算法，在摄像 头距仪表较远和仪表低占比情况下有非常好的效果。2)增加了畸变矫正 和图像增强环节，对各种环境下的仪表识别有更好的鲁棒性。不仅如此专 利一般停留在对标准图像的识别，本发明更适用于实际场景下的应用。
综上针对现有技术的分析可知，对于单指针式六氟化硫型仪表的图像 采集及信息识别依然存在以下技术问题：(1)由于基于实际应用场景下， 仪表盘可能距离摄像头较远，导致仪表盘面积在图像中占比低。如何在低 占比情况下准确定位仪表盘位置具有挑战性。(2)实际应用场景下存在摄 像头不会正面朝仪表盘平面，这将导致图像中仪表盘畸变为椭圆形，进而 影响仪表盘中指针特征的提取与读数转换。(3)实际应用场景下存在光照不均匀、反光、阴暗等情况，这将对指针特征提取提出挑战。(4)针对六 氟化硫型指针式仪表，指针长度仅占仪表盘直径的八分之一，指针特征提 取困难。并且由于指针长度太短，导致仪表盘中刻度线与刻度值也将对指 针特征提取造成干扰。
发明内容
针对现有技术的不足，本发明公开一种变电站单指针式六氟化硫型仪 表智能识别方法。
本发明旨在对特殊的单指针式六氟化硫型仪表进行读数识别。利用深 度学习与传统计算机视觉技术相结合的方式，进行仪表盘定位与指针特征 识别。并针对实际应用存在的光线阴暗与仪表盘畸变情形，加入图像增强 模块与畸变处理模块以提升识别效果。本发明实现了在复杂背景下对单指 针式六氟化硫型仪表的自动检测和识别任务，并具有良好的准确率与稳定 性，可满足变电站实际应用需求。
本发明的技术方案如下：
一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，该 识别方法包括以下步骤:
S1：使用基于深度学习的目标检测算法Yolo算法对包含指针式六氟 化硫型仪表的原始图片进行仪表盘区域检测：将检测到的仪表盘区域切割 出来作为待识别图像；
S2：将待识别图像进行预处理操作：产生二值化图像；
S3：将S2步骤处理后的二值化图像使用轮廓检测算法进行轮廓检测：
通过设定轮廓面积阈值K过滤得到六氟化硫仪表盘中C字型黑色圆环， 继续步骤S4；
若在设定阈值内未检测到C字型黑色圆环，则对S1步骤产生的待识 别图像进行图像增强处理，并返回S2步骤，直至得到六氟化硫仪表盘中C 字型黑色圆环；
S4：对步骤S1产生的待识别图像进行畸变处理，将椭圆形转变为圆 形；
S5：对畸变后图像重新进行预处理操作；
S6：对预处理后图像使用改进的模板匹配法进行指针特征的提取；
S7：使用几何法将指针特征转变为读数。
根据本发明优选的，所述步骤S1中进行仪表盘区域检测的具体步骤 如下：
S11：采用公开指针式仪表盘数据集，并过滤重复、模糊数据后作为 Yolo模型训练集；
S12：Yolo模型训练集输入时，将图像缩放为D0*D0像素的图像，其 中D0∈(800,1000)；优选的，在标注时标为正方形矩形框。
根据本发明优选的，所述步骤S2中预处理操作的具体步骤如下：
S21：对图像进行等比例缩放，将高设定为H0像素，其中H0∈(200,400)；
S22：对图像灰度化处理；优选的，从RGB颜色空间转变为GRAY颜色 空间转变公式为：
Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)
其中R、G、B代表相应的红绿蓝色彩空间的值；
S23：采用卷积核为S0*S0的高斯滤波，对图像进行去噪处理，其中 S0∈(2,7)；
S24：使用OTSU二值化处理图像；
S25：使用形态学处理：首先使用S1*S1的卷积核对图像进行膨胀处理， 再使用S1*S1的卷积核对图像进行腐蚀处理,其中S1∈(3,9)。
根据本发明优选的，所述步骤S3中所述图像增强的过程为：
S31：若轮廓面积处于K～3*K间则进行后续步骤操作,其中 S1∈(8000,15000)；
S32：若轮廓面积小于K，则使用S2*S2的卷积核对图像进行膨胀处理， 其中S2∈(5,11)；
S33：若轮廓面积大于3*K，首先对图像进行变暗处理；优选的，其 中变暗处理的处理方程表示如下：
其中Vout表示图像中每个像素经处理后的输出值，
表示对输入值做 α次方计算，其中α∈(0.01,0.06)。
根据本发明优选的，经步骤S33处理后，若第二次轮廓面积依旧大于 3*K，取brightness为0.4-0.8对图像进行提亮处理；优选的，其中提 亮处理的处理方程表示如下：
其中，C(i,j)表示图像中第i行第j列的像素值，brightness为提亮 系数，取值为-1到1；优选的，brightness为0.4-0.8。
根据本发明优选的，所述步骤S4中畸变处理的过程还包括：
S41：对C字型黑色圆环轮廓使用最小二乘法进行椭圆拟合，并得到 长短轴端点四个坐标，其中椭圆拟合规则如下：
椭圆方程：
Ax2+Bxy+Cx2+Dx+Ey+F＝0
优化目标：
令
则优化目标为
其中
S42：使用四个端点值作为畸变处理的变换矩阵的计算依据以实现表 盘视角修正，其中畸变处理的变换规则如下：
式中：是(U,V)原图中某点的坐标，(X,Y)是该点在变换后视平面中的 坐标，(u,v,w)与(x,y,w')分别为(U,V)与(X,Y)的齐次坐标系表达式，w与 A33恒为1；T为原视平面至新视平面间的转移矩阵。
根据本发明优选的，所述步骤S5中预处理操作的过程包括：
S51：将图像缩放为D1*D1像素，其中D1∈(100,300)；
S52：对以图像中心为圆心，内半径为R1，外半径为R2的圆环以外区 域进行遮挡，其中R1∈(70,100),R2∈(120,200)；
S53：对图像灰度化处理；
S54：采用卷积核为S3*S3的高斯滤波，对图像进行去噪处理，其中 S3∈(3,9)；
S55：以P为阈值对图像二值化处理，其中P∈(90,140)。
根据本发明优选的，所述步骤S6中改进的模板匹配法的过程还包括：
S61：模板的生成：生成D1*D1*360的三维矩阵—每M度所涵盖区域 为一个模板，模板大小为D1*D1，生成360/M个模板后偏转1度再生成模 板，共偏转M-1次，生成360个模板；模板中环形区域内值为1，其他 区域内值为0，其中M∈(1,5)；
S62：模板的匹配：将360个模板分别与S42步骤生成的图像矩阵进行 矩阵点乘运算，选运算值最大的模板为候选模板；对候选模板索引对M取 余，得到最终的指针特征索引，完成对指针特征的提取。
根据本发明优选的，所述步骤S7使用几何法将指针特征转变为读数 的方法包括：
S71：将仪表圆盘一周平分为360/M份，将指针特征索引与一份所代 表刻度数对应相乘，形成读数；
优选的，S72：通过比对所述模板0刻度所在方位与六氟化硫0刻度 所在方位，对所述读数进行修正。
本发明的有益效果
1)本发明使用了基于深度学习的目标检测算法来定位仪表盘位置， 并选用Yolo算法，大幅度提高了采集的速度与采集的准确率。
2)本发明所述方法在识别过程中具有优秀的鲁棒性，利用本发明所 述方法对900张非六氟化硫图像作为训练集，对测试集200张六氟化硫图 像进行仪表盘目标检测，准确率100％且时间消耗在0.5s以内，表现出优 秀的鲁棒性。
而且，利用本发明所述识别方法还识别检测到200张在傍晚、曝光等 环境下的图像，其识别准确率高达100％，具有很强的鲁棒性。
3)本发明特针对单指针式六氟化硫型仪表进行识别，针对仪表盘中C 字型黑色圆环进行畸变矫正处理，以到达对整个仪表进行矫正效果。并且 使用了图片增强技术，增加了模型对各种环境的适应性。
附图说明
图1是本发明所述识别方法的流程图；
图2是本发明实施例中经步骤S2预处理后的图像；
图3-1是本发明实施例中经S3检测到C字型黑色圆环的图像；
图3-2是本发明实施例中图3-1经步骤S4畸变处理后的图像；
图4是本发明实施例中经步骤S6、S7处理后的图像；
其中，1、本发明步骤S3检测到C字型黑色圆环轮廓；2、本发明检 测到的指针图像。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。
实施例、
如图1-4所示。
一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，该 识别方法包括以下步骤:
S1：使用基于深度学习的目标检测算法Yolo算法对包含指针式六氟 化硫型仪表的原始图片进行仪表盘区域检测：将检测到的仪表盘区域切割 出来作为待识别图像；
S2：将待识别图像进行预处理操作：产生二值化图像；以达到去除无 关因素干扰与腐蚀指针目的；
S3：将S2步骤处理后的二值化图像使用轮廓检测算法进行轮廓检测：
通过设定轮廓面积阈值K过滤得到六氟化硫仪表盘中C字型黑色圆环， 继续步骤S4；
若在设定阈值内未检测到C字型黑色圆环，则对S1步骤产生的待识 别图像进行图像增强处理，并返回S2步骤，直至得到六氟化硫仪表盘中C 字型黑色圆环；
S4：对步骤S1产生的待识别图像进行畸变处理，将椭圆形转变为圆 形，达到矫正效果；
S5：对畸变后图像重新进行预处理操作；
S6：对预处理后图像使用改进的模板匹配法进行指针特征的提取；本 发明中采用的改进的模板，其相比于传统的模板，其去除了无关区域的干 扰，且生成一周模板后再偏移1度进行模板生成，共生成360个模板，其 精确度大大提高；
S7：使用几何法将指针特征转变为读数。
所述步骤S1中进行仪表盘区域检测的具体步骤如下：
S11：采用公开指针式仪表盘数据集，并过滤重复、模糊数据后作为 Yolo模型训练集；
S12：Yolo模型训练集输入时，将图像缩放为D0*D0像素的图像，以 达到兼顾准确率与处理速度，其中D0∈(800,1000)；优选的，在标注时标 为正方形矩形框；本发明中仪表区域检测采用的是Yolo深度学习模型， 在训练这个模型的时候，并不需要训练模型所需要的图片数据都是六氟化 硫的图像，只要是圆形的仪表盘的图像就可以拿来训练。因此这里的D0 针对的是所有用来训练的图像的，而此外所有的参数都是特指单指针六氟 化硫仪表的。
所述步骤S2中预处理操作的具体步骤如下：
S21：对图像进行等比例缩放，将高设定为H0像素，其中H0∈(200,400)； 方便后续轮廓的过滤操作；
S22：对图像灰度化处理；优选的，从RGB颜色空间转变为GRAY颜色 空间转变公式为：
Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)
其中R、G、B代表相应的红绿蓝色彩空间的值；
S23：采用卷积核为S0*S0的高斯滤波，对图像进行去噪处理，其中 S0∈(2,7)；
S24：使用OTSU二值化处理图像，以便更好的去除无关因素；
S25：使用形态学处理：首先使用S1*S1的卷积核对图像进行膨胀处理， 再使用S1*S1的卷积核对图像进行腐蚀处理,其中S1∈(3,9)，以达到腐蚀 指针的目的。
所述步骤S3中所述图像增强的过程为：
S31：若轮廓面积处于K～3*K间则进行后续步骤操作,其中 S1∈(8000,15000)；
S32：若轮廓面积小于K，则使用S2*S2的卷积核对图像进行膨胀处理， 以解决步骤S2过度腐蚀造成的C字型黑色圆环断成两段现象，其中 S2∈(5,11)；
S33：若轮廓面积大于3*K，首先对图像进行变暗处理；优选的，其 中变暗处理的处理方程表示如下：
其中Vout表示图像中每个像素经处理后的输出值，
表示对输入值做 α次方计算，其中α∈(0.01,0.06)。
经步骤S33处理后，若第二次轮廓面积依旧大于3*K，取brightness 为0.4-0.8对图像进行提亮处理；优选的，其中提亮处理的处理方程表示 如下：
其中，C(i,j)表示图像中第i行第j列的像素值，brightness为提亮 系数，取值为-1到1；当值为正时，图片变亮，否则减暗，优选的，brightness 为0.4-0.8。
所述步骤S4中畸变处理的过程还包括：
S41：对C字型黑色圆环轮廓使用最小二乘法进行椭圆拟合，并得到 长短轴端点四个坐标，其中椭圆拟合规则如下：
椭圆方程：
Ax2+Bxy+Cx2+Dx+Ey+F＝0
优化目标：
令
则优化目标为
其中
S42：使用四个端点值作为畸变处理的变换矩阵的计算依据以实现表 盘视角修正，其中畸变处理的变换规则如下：
式中：是(U,V)原图中某点的坐标，(X,Y)是该点在变换后视平面中的 坐标，(u,v,w)与(x,y,w')分别为(U,V)与(X,Y)的齐次坐标系表达式，w与 A33恒为1；T为原视平面至新视平面间的转移矩阵，该矩阵可通过两个视 平面中4个不同点的对应坐标值唯一确定；上述这些表示的是T矩阵(一 个3*3矩阵)相应位置上的值，它是可以通过两个视平面中各4个坐标点 进行求解的。就通过这个公式就可以求解。求解出T矩阵以后，就可以对 原视平面上所有的点进行变换，变换到另一个视平面上。
所述步骤S5中预处理操作的过程包括：
S51：将图像缩放为D1*D1像素，其中D1∈(100,300)；
S52：对以图像中心为圆心，内半径为R1，外半径为R2的圆环以外区 域进行遮挡，去除无关区域干扰，其中R1∈(70,100),R2∈(120,200)；
S53：对图像灰度化处理；
S54：采用卷积核为S3*S3的高斯滤波，对图像进行去噪处理，其中 S3∈(3,9)；
S55：以P为阈值对图像二值化处理，其中P∈(90,140)。
所述步骤S6中改进的模板匹配法的过程还包括：
S61：模板的生成：生成D1*D1*360的三维矩阵—每M度所涵盖区域 为一个模板，模板大小为D1*D1，生成360/M个模板后偏转1度再生成模 板，共偏转M-1次，生成360个模板；模板中环形区域内值为1，其他 区域内值为0，其中M∈(1,5)；
S62：模板的匹配：将360个模板分别与S42步骤生成的图像矩阵进行 矩阵点乘运算，选运算值最大的模板为候选模板；对候选模板索引对M取 余，得到最终的指针特征索引，完成对指针特征的提取；其中，在所述图 像矩阵中，x，y表示C字型黑色圆环轮廓所构成坐标点集的x坐标，y坐 标，A、B、C、D、E、F为椭圆的待定系数。
所述步骤S7使用几何法将指针特征转变为读数的方法包括：
S71：将仪表圆盘一周平分为360/M份，将指针特征索引与一份所代 表刻度数对应相乘，形成读数；
优选的，S72：通过比对所述模板0刻度所在方位与六氟化硫0刻度 所在方位，对所述读数进行修正。
Claims (8)
1.一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，该识别方法包括以下步骤:
S1：使用基于深度学习的目标检测算法Yolo算法对包含指针式六氟化硫型仪表的原始图片进行仪表盘区域检测：将检测到的仪表盘区域切割出来作为待识别图像；
S2：将待识别图像进行预处理操作：产生二值化图像；
S3：将S2步骤处理后的二值化图像使用轮廓检测算法进行轮廓检测：
通过设定轮廓面积阈值K过滤得到六氟化硫仪表盘中C字型黑色圆环，继续步骤S4；
若在设定阈值内未检测到C字型黑色圆环，则对S1步骤产生的待识别图像进行图像增强处理，并返回S2步骤，直至得到六氟化硫仪表盘中C字型黑色圆环；
S4：对步骤S1产生的待识别图像进行畸变处理，将椭圆形转变为圆形；
S5：对畸变后图像重新进行预处理操作；
S6：对预处理后图像使用改进的模板匹配法进行指针特征的提取；
S7：使用几何法将指针特征转变为读数；
所述步骤S4中畸变处理的过程还包括：
S41：对C字型黑色圆环轮廓使用最小二乘法进行椭圆拟合，并得到长短轴端点四个坐标，其中椭圆拟合规则如下：
椭圆方程：
Ax2+Bxy+Cx2+Dx+Ey+F＝0
优化目标：
令W＝[A,B,C,D,E,F]T，X＝[x2,xy,y2,x,y,1]T，则优化目标为
min||WTX||2＝WTXXTW
s.t.WTHW>0
其中
S42：使用四个端点值作为畸变处理的变换矩阵的计算依据以实现表盘视角修正，其中畸变处理的变换规则如下：
式中：是(U,V)原图中某点的坐标，(X,Y)是该点在变换后视平面中的坐标，(u,v,w)与(x,y,w')分别为(U,V)与(X,Y)的齐次坐标系表达式，w与A33恒为1；T为原视平面至新视平面间的转移矩阵；
所述步骤S6中改进的模板匹配法的过程还包括：
S61：模板的生成：生成D1*D1*360的三维矩阵-每M度所涵盖区域为一个模板，模板大小为D1*D1，生成360/M个模板后偏转1度再生成模板，共偏转M-1次，生成360个模板；模板中环形区域内值为1，其他区域内值为0，其中M∈(1,5)；
S62：模板的匹配：将360个模板分别与S42步骤生成的图像矩阵进行矩阵点乘运算，选运算值最大的模板为候选模板；对候选模板索引对M取余，得到最终的指针特征索引，完成对指针特征的提取。
2.根据权利要求1所述的一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，所述步骤S1中进行仪表盘区域检测的具体步骤如下：
S11：采用公开指针式仪表盘数据集，并过滤重复、模糊数据后作为Yolo模型训练集；
S12：Yolo模型训练集输入时，将图像缩放为D0*D0像素的图像，其中D0∈(800,1000)；优选的，在标注时标为正方形矩形框。
3.根据权利要求1所述的一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，所述步骤S2中预处理操作的具体步骤如下：
S21：对图像进行等比例缩放，将高设定为H0像素，其中H0∈(200,400)；
S22：对图像灰度化处理；优选的，从RGB颜色空间转变为GRAY颜色空间转变公式为：
Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)
其中R、G、B代表相应的红绿蓝色彩空间的值；
S23：采用卷积核为S0*S0的高斯滤波，对图像进行去噪处理，其中S0∈(2,7)；
S24：使用OTSU二值化处理图像；
S25：使用形态学处理：首先使用S1*S1的卷积核对图像进行膨胀处理，再使用S1*S1的卷积核对图像进行腐蚀处理,其中S1∈(3,9)。
4.根据权利要求1所述的一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，所述步骤S3中所述图像增强的过程为：
S31：若轮廓面积处于K～3*K间则进行后续步骤操作,其中K∈(8000,15000)；
S32：若轮廓面积小于K，则使用S2*S2的卷积核对图像进行膨胀处理，其中S2∈(5,11)；
S33：若轮廓面积大于3*K，首先对图像进行变暗处理；优选的，其中变暗处理的处理方程表示如下：
其中VouD表示图像中每个像素经处理后的输出值，表示对输入值做α次方计算，其中α∈(0.01,0.06)。
5.根据权利要求4所述的一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，经步骤S33处理后，若第二次轮廓面积依旧大于3*K，取brightness为0.4-0.8对图像进行提亮处理；优选的，其中提亮处理的处理方程表示如下：
其中，C(i,j)表示图像中第i行第j列的像素值，brightness为提亮系数，取值为-1到1；优选的，brightness为0.4-0.8。
6.根据权利要求1所述的一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，所述步骤S5中预处理操作的过程包括：
S51：将图像缩放为D1*D1像素，其中D1∈(100,300)；
S52：对以图像中心为圆心，内半径为R1，外半径为R2的圆环以外区域进行遮挡，其中R1∈(70,100),R2∈(120,200)；
S53：对图像灰度化处理；
S54：采用卷积核为S3*S3的高斯滤波，对图像进行去噪处理，其中S3∈(3,9)；
S55：以P为阈值对图像二值化处理，其中P∈(90,140)。
7.根据权利要求1所述的一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，所述步骤S7使用几何法将指针特征转变为读数的方法包括：
S71：将仪表圆盘一周平分为360/M份，将指针特征索引与一份所代表刻度数对应相乘，形成读数。
8.根据权利要求7所述的一种变电站单指针式六氟化硫型仪表智能识别方法，其特征在于，S72：通过比对所述模板0刻度所在方位与六氟化硫0刻度所在方位，对所述读数进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319860.4A CN109993154B (zh) | 2019-04-19 | 2019-04-19 | 变电站单指针式六氟化硫型仪表智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319860.4A CN109993154B (zh) | 2019-04-19 | 2019-04-19 | 变电站单指针式六氟化硫型仪表智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109993154A CN109993154A (zh) | 2019-07-09 |
| CN109993154B true CN109993154B (zh) | 2020-02-07 |
Family
ID=67134069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910319860.4A Active CN109993154B (zh) | 2019-04-19 | 2019-04-19 | 变电站单指针式六氟化硫型仪表智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109993154B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837825A (zh) * | 2019-10-17 | 2020-02-25 | 天津大学 | 基于嵌入式的表计识别与读数系统 |
| CN111062282B (zh) * | 2019-12-05 | 2023-09-29 | 武汉科技大学 | 基于改进yolov3模型的变电站指针式仪表识别方法 |
| CN112525438A (zh) * | 2020-10-15 | 2021-03-19 | 国网浙江省电力有限公司杭州供电公司 | 一种sf6密度继电器的漏气监测方法及系统 |
| CN111931776B (zh) * | 2020-10-16 | 2021-04-09 | 江西小马机器人有限公司 | 一种基于深度学习的双指针仪表读数方法 |
| CN113628131A (zh) * | 2021-07-22 | 2021-11-09 | 济南驰昊电力科技有限公司 | 雾天场景下变电站指针式油位表的智能识别方法 |
| CN113705564B (zh) * | 2021-08-10 | 2024-03-12 | 上海电力大学 | 一种指针式仪表识别读数方法 |
| CN115019028A (zh) * | 2022-08-02 | 2022-09-06 | 北京中拓新源科技有限公司 | 一种多形态指针表读数智能识别方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002024828A (ja) * | 2000-07-10 | 2002-01-25 | Osaka Gas Co Ltd | 遠隔検針装置及び遠隔検針システム |
| JP4498203B2 (ja) * | 2005-04-27 | 2010-07-07 | 中国電力株式会社 | メータ認識システム、メータ認識方法、およびメータ認識プログラム |
| CN102609712A (zh) * | 2012-02-24 | 2012-07-25 | 山东鲁能智能技术有限公司 | 用于移动机器人的类圆形指针式仪表读数方法 |
| CN104298994A (zh) * | 2014-02-28 | 2015-01-21 | 郑州金惠计算机系统工程有限公司 | 一种指针式仪表读数识别方法及装置 |
| CN104573702A (zh) * | 2014-12-01 | 2015-04-29 | 长沙众治电气技术有限公司 | 一种六氟化硫压力仪表图像自动识别方法 |
| CN109492573A (zh) * | 2018-11-05 | 2019-03-19 | 四川华雁信息产业股份有限公司 | 一种指针读取方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005003920B4 (de) * | 2004-01-28 | 2017-01-26 | Yazaki Corporation | Anzeigeeinheit |
| CN107729853B (zh) * | 2017-10-24 | 2021-05-25 | 武汉科技大学 | 一种适用于变电站窄刻度指针式仪表的自动识别方法 |
| CN107766836A (zh) * | 2017-11-07 | 2018-03-06 | 国网黑龙江省电力有限公司检修公司 | 一种圆形偏转指针式仪表读数矫正方法 |
-
2019
- 2019-04-19 CN CN201910319860.4A patent/CN109993154B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002024828A (ja) * | 2000-07-10 | 2002-01-25 | Osaka Gas Co Ltd | 遠隔検針装置及び遠隔検針システム |
| JP4498203B2 (ja) * | 2005-04-27 | 2010-07-07 | 中国電力株式会社 | メータ認識システム、メータ認識方法、およびメータ認識プログラム |
| CN102609712A (zh) * | 2012-02-24 | 2012-07-25 | 山东鲁能智能技术有限公司 | 用于移动机器人的类圆形指针式仪表读数方法 |
| CN104298994A (zh) * | 2014-02-28 | 2015-01-21 | 郑州金惠计算机系统工程有限公司 | 一种指针式仪表读数识别方法及装置 |
| CN104573702A (zh) * | 2014-12-01 | 2015-04-29 | 长沙众治电气技术有限公司 | 一种六氟化硫压力仪表图像自动识别方法 |
| CN109492573A (zh) * | 2018-11-05 | 2019-03-19 | 四川华雁信息产业股份有限公司 | 一种指针读取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109993154A (zh) | 2019-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993154B (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
| CN106096610B (zh) | 一种基于支持向量机的文档图像二值化方法 | |
| CN110119680B (zh) | 一种基于图像识别的电气柜接线自动查错系统 | |
| CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
| CN109426814B (zh) | 一种发票图片特定板块的定位、识别方法、系统、设备 | |
| CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
| CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
| CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
| CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
| CN111814919A (zh) | 一种基于深度学习的仪表定位与识别系统 | |
| CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| CN107610085A (zh) | 一种基于计算机视觉的焊点缺陷检测系统 | |
| CN106709529B (zh) | 一种光伏电池色差分类的视觉检测方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
| CN108197521A (zh) | 一种多相位二维码获取识别装置及方法 | |
| CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
| CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
| CN112348018A (zh) | 基于巡检机器人的数显式仪表读数识别方法 | |
| CN113205099B (zh) | 一种镀镍金属表面去料字符视觉检测系统及方法 | |
| CN114494169A (zh) | 基于机器视觉的工业柔性物体检测方法 | |
| CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
| CN115082504B (zh) | 一种太阳能光伏板光斑识别方法 | |
| CN115035071A (zh) | 一种pad导光板黑点缺陷的视觉检测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190729 Address after: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant after: SHANDONG University Applicant after: SHANDONG ZHIYANG ELECTRIC Co.,Ltd. Address before: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant before: Shandong University |
|
| TA01 | Transfer of patent application right | ||
| CB02 | Change of applicant information |
Address after: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant after: SHANDONG University Applicant after: Zhiyang Innovation Technology Co.,Ltd. Address before: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant before: Shandong University Applicant before: SHANDONG ZHIYANG ELECTRIC Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200109 Address after: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant after: SHANDONG University Applicant after: Zhiyang Innovation Technology Co.,Ltd. Applicant after: STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Address before: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant before: Shandong University Applicant before: Zhiyang Innovation Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |