CN110009651B - 仪表视觉读数在线监测系统的抗干扰方法 - Google Patents

仪表视觉读数在线监测系统的抗干扰方法 Download PDF

Info

Publication number
CN110009651B
CN110009651B CN201811607738.9A CN201811607738A CN110009651B CN 110009651 B CN110009651 B CN 110009651B CN 201811607738 A CN201811607738 A CN 201811607738A CN 110009651 B CN110009651 B CN 110009651B
Authority
CN
China
Prior art keywords
image
pointer
area
target
shadow
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
Application number
CN201811607738.9A
Other languages
English (en)
Other versions
CN110009651A (zh
Inventor
伍家成
林鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute of Zhejiang University Taizhou
Original Assignee
Research Institute of Zhejiang University Taizhou
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute of Zhejiang University Taizhou filed Critical Research Institute of Zhejiang University Taizhou
Priority to CN202011217299.8A priority Critical patent/CN112396617B/zh
Priority to CN202011216139.1A priority patent/CN112381848B/zh
Priority to CN201811607738.9A priority patent/CN110009651B/zh
Publication of CN110009651A publication Critical patent/CN110009651A/zh
Application granted granted Critical
Publication of CN110009651B publication Critical patent/CN110009651B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于复杂环境下对于仪表视觉读数在线监测系统的抗干扰算法，包括以下步骤：收到传感器返回的图像数据，对图像进行预处理，得到需要的灰度图；使用canny算子对图像边缘进行提取，得到边缘图像；使用霍夫变换对图像特征进行检测，分别提取目标图像中代表表盘的圆形和代表指针的直线，得到所有的圆形边缘和直线边缘数据；筛选圆形边缘，得到代表表盘的目标圆形边缘；筛选直线边缘，得到代表指针的目标直线边缘；截取指针周围图像，得到指针周围区域图像；对比指针区域面积和灰度直方图分布特征，判断有无阴影干扰，得到阴影检测结果；去除阴影部分的干扰，得到无阴影干扰的图像。

Description

仪表视觉读数在线监测系统的抗干扰方法
技术领域
本发明属于检测仪表技术领域，具体涉及一种仪表视觉读数在线监测系统的抗干扰方法。
背景技术
工厂车间的仪表位置多种多样，有的嵌在仪器上，有的在某些时刻需要人工读数记录数据，不能被包裹。经实际调研，在药厂、化工厂涂装车间等需要安全监测的地方有超过一半的仪表都不能使用全包裹式检测装置进行监控，但是如果使用开放式装置进行监控的话又会受到各种外界不利条件影响，从而使检测结果出现偏差，无法达到安全生产监测的目的。
针对此情况，实有必要通过机器视觉算法的先进性来排除阴影和环境带来的干扰，使在线监测仪表读数不再需要苛刻环境和光源的温室监测。
发明内容
本发明要解决的技术问题是提供一种仪表视觉读数在线监测系统的抗干扰方法。
为解决上述技术问题，本发明采用如下的技术方案：
一种仪表视觉读数在线监测系统的抗干扰方法，包括以下步骤：
步骤1，收到传感器返回的图像数据，对图像进行预处理，得到需要的灰度图；
步骤2，使用canny算子对图像边缘进行提取，得到边缘图像；
步骤3，使用霍夫变换对图像特征进行检测，分别提取目标图像中代表表盘的圆形和代表指针的直线，得到所有的圆形边缘和直线边缘数据；
步骤4，筛选圆形边缘，得到代表表盘的目标圆形边缘；
步骤5，筛选直线边缘，得到代表指针的目标直线边缘；
步骤6，截取指针周围图像，得到指针周围区域图像；
步骤7，对比指针区域面积和灰度直方图分布特征，判断有无阴影干扰，得到阴影检测结果；
步骤8，去除阴影部分的干扰，得到无阴影干扰的图像。
优选地，步骤1中对图像进行预处理包括灰度化和非线性动态范围调整操作，具体地，
1)灰度化
使用公式
Figure GDA0002684880090000021
对图像进行灰度化操作，其中g(i，j)为(i，j)点的灰度，R(i，j)为(i，j)点的红(red)，G(i，j)为(i，j)点的绿(green)，B(i，j)为(i，j)点的蓝(blue)；
2)非线性动态调整
使用公式g(i，j)＝c*lg(1+f(i，j))对灰度图进行处理，其中原图像灰度为f(i，j)，处理后图像为g(i，j)，c为增益常数，跟据图像整体亮度取值。
优选地，步骤4中检测代表表盘的圆形具体为：
1)使用概率霍夫变换检测目标边缘图像中所有圆形；
2)取其中半径最大的圆形Cm，该圆半径为Rm；
3)获取所有圆心与Cm相差＜0.05Rm并且半径＞0.5Rm的圆的集合；
4)取其中半径最小的圆，该圆定义为目标表盘所代表的圆，该圆半径R为表盘内径；
5)如果没能成功检测到表盘，则记录所有数据和图像，保存至数据库，以供算法进一步完善。
优选地，步骤5中检测代表指针的直线具体为：
1)使用概率霍夫变换检测目标边缘图像中所有圆形，精度1像素，角精度PI/180，阈值0.5R(R为表盘半径)，碎线段拼接最大间隔值5像素。
2)筛选其中的指针线，筛选规则：
1.线段起点终点位于表盘圆内；
2.线段延长线与表盘圆心距离L＜0.1R；
3.
Figure GDA0002684880090000031
3)使用均方差法对获取的线段斜率进行二次筛选，去除噪点线段
4)记录获取到的指针线段
5)如果没能成功检测到指针，则记录所有数据和图像，保存至数据库，以供算法进一步完善。
优选地，步骤6中截取指针周围图像具体为：
当检测系统成功读取到目标仪表盘读数之后会产生已下数据：
目标表盘中心坐标(X，Y)；
目标表盘半径R；
目标指针斜率K；
目标指针长度L；
然后以目标指针为基准，截取一段长为L，宽为，方向为K的长方形区域。
优选地，步骤7中对比指针区域面积和灰度直方图分布特征，判断有无阴影干扰具体为：
计算该图像灰度直方图
Figure GDA0002684880090000032
其中n为像素总数，nk为灰度级Sk的像素个数
对灰度直方图进行处理，使用滤波进行平滑，之后绘制指定精度逼近多边形曲线，然后对曲线进行凹凸检测，获取灰度直方图的波峰和波谷；
通过面积标定法和色彩标定法来确定指针所代表的灰度值对应的波峰位置。
优选地，所述面积标定法具体为：
检测的目标表盘为固定表盘，所以系统可以非常精确地得知目标表盘指针所占的面积以及背景各个方向截取图标的背景标记所占的面积，然后根据前面检测到的表盘半径和对应实际半径可以计算出实际面积和图像像素面积的换算比例，设对应截取的区域指针面积+背景标记面积对应的像素面积为Sm，图像的累积直方图
Figure GDA0002684880090000041
L0为波谷或者0，L1为下一个波谷，如果时最后一个波谷则L1＝255，
Figure GDA0002684880090000042
当Sm＝CDF(Sk)时，取波峰
Figure GDA0002684880090000043
该波峰就是图像内指针所代表的灰度值对应的波峰。
优选地，所述色彩标定法具体为：
检测的目标表盘为固定表盘，所以系统可以非常精确地得知目标表盘指针颜色以及背景颜色。由于背景肯定占最大比例，所以最大的波峰必定代表背景，根据背景反射的RGB值系统可以得到环境光反射光线的RGB值，从而计算出指针在图像中对应的RGB值，即可找到指针对应的波峰。
优选地，采用二值法过滤阴影，具体为：
设L0代表指针区域的前波谷，L1代表指针区域的后波谷，则对图像进行二值化，如果
Figure GDA0002684880090000044
则g(i，j)＝0，否则g(i，j)＝255。
优选地，采用双峰聚拢法过滤阴影，具体为：
设10代表阴影区域的前波谷，11代表阴影区域的后波谷，设L0代表背景区域的前波谷，L1代表背景区域的后波谷，
计算阴影区域的局部直方
Figure GDA0002684880090000045
其中n为
Figure GDA0002684880090000046
的像素总数，nk为灰度级Sk的像素个数，替换目标像素灰度值
Figure GDA0002684880090000047
将阴影区域的灰度值波峰以二阶函数缩放，使整体波峰向背景区域聚拢，同时用同样的算法将背景区域波峰向阴影区域聚拢，平滑阴影和背景区域色差，达到消除阴影的目的。
采用本发明具有如下的有益效果：由于本发明可以最大程度过滤掉外界环境对仪表盘视觉读数的干扰，所以使用该套算法发明的仪表盘在线监测系统不需要包裹被检表，也不需要自带光源，只需要一个图像传感器即可完成对仪表的在线监测。对于一些不能被包裹，位置复杂，布线局限性大的仪表也可以进行监测。而工厂车间内大部分仪表都不能被包裹，使用本发明实施例提供的算法可以适配这些仪表，达到全自动安全监测的目的。
附图说明
图1为本发明实施例仪表视觉读数在线监测系统的抗干扰方法的流程图；
图2为一具体应用实例中指针周围区域图像的示意图；
图3为一具体应用实例中灰度直方图以及对应的波峰和波谷图；
图4为一具体应用实例中二值法处理效果图；
图5为一具体应用实例中双峰聚拢法处理效果图。
具体实施方式
下面将结合本发明实施例中的附图，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。
参照图1，所示为本发明实施例的仪表视觉读数在线监测系统的抗干扰方法的流程图，包括以下步骤：
S1，图像预处理，得到需要的灰度图
当系统接收到传感器返回的图像数据之后，先对图像进行预处理，得到需要的灰度图，本系统分别进行了灰度化，非线性动态范围调整操作。
1)灰度化
使用公式
Figure GDA0002684880090000061
对图像进行灰度化操作，其中g(i，j)为(i，j)点的灰度，R(i，j)为(i，j)点的红(red)，G(i，j)为(i，j)点的绿(green)，B(i，j)为(i，j)点的蓝(blue)。
2)非线性动态调整
使用公式g(i，j)＝c*lg(1+f(i，j))对灰度图进行处理，其中原图像灰度为f(i，j)，处理后图像为g(i，j)，c为增益常数，跟据图像整体亮度取值。
S2，边缘检测，使用canny算子对图像边缘进行提取，得到边缘图像。
S3，霍夫变换，使用霍夫变换对图像特征进行检测，分别提取目标图像中的圆(表盘)形和直线(指针)，得到所有的圆形边缘和直线边缘数据。
S4，检测圆形边缘，得到代表表盘的目标圆形边缘。
1)使用概率霍夫变换检测目标边缘图像中所有圆形
2)取其中半径最大的圆形Cm，该圆半径为Rm。
3)获取所有圆心与Cm相差＜0.05Rm并且半径＞0.5Rm的圆的集合
4)其中半径最小的圆，该圆定义为目标表盘所代表的圆，该圆半径R为表盘内径
5)如果没能成功检测到表盘，则记录所有数据和图像，保存至数据库，以供算法进一步完善
S5，检测直线边缘，得到代表指针的目标直线边缘；
1)使用概率霍夫变换检测目标边缘图像中所有圆形，精度1像素，角精度PI/180，阈值0.5R(R为表盘半径)，碎线段拼接最大间隔值5像素。
2)筛选其中的指针线，筛选规则：
1.线段起点终点位于表盘圆内；
2.线段延长线与表盘圆心距离L＜0.IR；
3.
Figure GDA0002684880090000062
3)使用均方差法对获取的线段斜率进行二次筛选，去除噪点线段
4)记录获取到的指针线段
5)如果没能成功检测到指针，则记录所有数据和图像，保存至数据库，以供算法进一步完善
S6，截取指针周围图像，得到指针周围区域图像；
当检测系统成功读取到目标仪表盘读数之后会产生已下数据：
目标表盘中心坐标(X，Y)；
目标表盘半径R；
目标指针斜率K；
目标指针长度L；
然后以目标指针为基准，截取一段长为L，宽为
Figure GDA0002684880090000071
方向为K的长方形区域，截取结果如图2所示。
S7，对比指针区域面积和灰度直方图分布特征，判断有无阴影干扰，得到阴影检测结果；
计算该图像灰度直方图
Figure GDA0002684880090000072
其中n为像素总数，nk为灰度级Sk的像素个数
对灰度直方图进行处理，使用滤波进行平滑，之后绘制指定精度逼近多边形曲线，然后对曲线进行凹凸检测，获取灰度直方图的波峰和波谷。对上面的示例图进行处理可以得到3个波峰，分别是52，128，227，如图3所示。
可以很明显得到一个结论：H1代表指针，H2代表光源产生的阴影，H3是仪表盘背景。
当然我们的系统内的算法并不是肉眼看出来的，我们研发了两种算法来确定指针所代表的灰度值对应的波峰位置：
1)面积标定法
检测的目标表盘为固定表盘，所以系统可以非常精确地得知目标表盘指针所占的面积以及背景各个方向截取图标的背景标记所占的面积，然后根据前面检测到的表盘半径和对应实际半径可以计算出实际面积和图像像素面积的换算比例，设对应截取的区域指针面积+背景标记面积对应的像素面积为Sm，图像的累积直方图
Figure GDA0002684880090000081
L0为波谷或者0，L1为下一个波谷，如果时最后一个波谷则L1＝255，
Figure GDA0002684880090000082
当Sm＝CDF(Sk)时，取波峰
Figure GDA0002684880090000083
该波峰就是图像内指针所代表的灰度值对应的波峰。
2)色彩标定法
检测的目标表盘为固定表盘，所以系统可以非常精确地得知目标表盘指针颜色以及背景颜色。由于背景肯定占最大比例，所以最大的波峰必定代表背景，根据背景反射的RGB值系统可以得到环境光反射光线的RGB值，从而计算出指针在图像中对应的RGB值，即可找到指针对应的波峰。
S8，去除阴影部分的干扰，得到无阴影干扰的图像。
得到指针在灰度直方图里面代表的波峰之后系统就可以对阴影进行过滤了。我们研发了两套算法来过滤阴影：
1)二值法
设L0代表指针区域的前波谷，L1代表指针区域的后波谷，则对图像进行二值化，如果
Figure GDA0002684880090000084
则g(i，j)＝0，否则g(i，j)＝255，二值法处理效果图如图4所示。
2)双峰聚拢法
设10代表阴影区域的前波谷，11代表阴影区域的后波谷，设L0代表背景区域的前波谷，L1代表背景区域的后波谷。
计算阴影区域的局部直方
Figure GDA0002684880090000085
其中n为
Figure GDA0002684880090000086
的像素总数，nk为灰度级Sk的像素个数，替换目标像素灰度值
Figure GDA0002684880090000087
将阴影区域的灰度值波峰以二阶函数缩放，使整体波峰向背景区域聚拢，同时用同样的算法将背景区域波峰向阴影区域聚拢，平滑阴影和背景区域色差，达到消除阴影的目的。
双峰聚拢法处理效果图如图5所示。
可以看到经过我们的算法处理得出的数据已经完全排除了不理想光源带来的阴影干扰。依靠这套算法制作的监测系统完全可以脱离全包裹式自带光源的检测手段，适用于各种复杂环境下的视觉检测。
应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。

Claims (5)

1.一种仪表视觉读数在线监测系统的抗干扰方法，其特征在于，包括以下步骤：
步骤1，收到传感器返回的图像数据，对图像进行预处理，得到需要的灰度图；
步骤2，使用canny算子对图像边缘进行提取，得到边缘图像；
步骤3，使用霍夫变换对图像特征进行检测，分别提取目标图像中代表表盘的圆形和代表指针的直线，得到所有的圆形边缘和直线边缘数据；
步骤4，筛选圆形边缘，得到代表表盘的目标圆形边缘；
步骤5，筛选直线边缘，得到代表指针的目标直线边缘，检测代表指针的直线具体为：
1)使用概率霍夫变换检测目标边缘图像中所有圆形，精度1像素，角精度PI/180，阈值0.5R，R为表盘半径，碎线段拼接最大间隔值5像素；
2)筛选其中的指针线，筛选规则：
a.线段起点终点位于表盘圆内；
b.线段延长线与表盘圆心距离L＜0.1R；
c.
Figure FDA0002691467750000011
3)使用均方差法对获取的线段斜率进行二次筛选，去除噪点线段；
4)记录获取到的指针线段；
5)如果没能成功检测到指针，则记录所有数据和图像，保存至数据库，以供算法进一步完善；
步骤6，截取指针周围图像，得到指针周围区域图像，其中截取指针周围图像具体为：
当检测系统成功读取到目标仪表盘读数之后会产生已下数据：
目标表盘中心坐标(X，Y)；
目标表盘半径R；
目标指针斜率K；
目标指针长度L；
然后以目标指针为基准，截取一段长为L，宽为
Figure FDA0002691467750000021
方向为K的长方形区域；
步骤7，对比指针区域面积和灰度直方图分布特征，判断有无阴影干扰，得到阴影检测结果，其中对比指针区域面积和灰度直方图分布特征，判断有无阴影干扰具体为：
计算该图像灰度直方图
Figure FDA0002691467750000022
其中n为像素总数，nk为灰度级Sk的像素个数对灰度直方图进行处理，使用滤波进行平滑，之后绘制指定精度逼近多边形曲线，然后对曲线进行凹凸检测，获取灰度直方图的波峰和波谷；
通过面积标定法和色彩标定法来确定指针所代表的灰度值对应的波峰位置，
所述面积标定法具体为：检测的目标表盘为固定表盘，所以系统可以非常精确地得知目标表盘指针所占的面积以及背景各个方向截取图标的背景标记所占的面积，然后根据前面检测到的表盘半径和对应实际半径可以计算出实际面积和图像像素面积的换算比例，设对应截取的区域指针面积+背景标记面积对应的像素面积为Sm，图像的累积直方图
Figure FDA0002691467750000023
L0为波谷或者0，L1为下一个波谷，如果是最后一个波谷则L1＝255，
Figure FDA0002691467750000024
当Sm＝CDF(Sk)时，取波峰
Figure FDA0002691467750000025
该波峰就是图像内指针所代表的灰度值对应的波峰；
步骤8，去除阴影部分的干扰，得到无阴影干扰的图像；
采用双峰聚拢法过滤阴影，具体为：
设10代表阴影区域的前波谷，11代表阴影区域的后波谷，设L0代表背景区域的前波谷，L1代表背景区域的后波谷，
计算阴影区域的局部直方
Figure FDA0002691467750000031
其中n为
Figure FDA0002691467750000032
的像素总数，nk为灰度级Sk的像素个数，替换目标像素灰度值
Figure FDA0002691467750000033
将阴影区域的灰度值波峰以二阶函数缩放，使整体波峰向背景区域聚拢，同时用同样的算法将背景区域波峰向阴影区域聚拢，平滑阴影和背景区域色差，达到消除阴影的目的。
2.如权利要求1所述的仪表视觉读数在线监测系统的抗干扰方法，其特征在于，步骤1中对图像进行预处理包括灰度化和非线性动态范围调整操作，具体地，
1)灰度化
使用公式
Figure FDA0002691467750000034
对图像进行灰度化操作，其中g(i，j)为(i，j)点的灰度，R(i，j)为(i，j)点的红(red)，G(i，j)为(i，j)点的绿(green)，B(i，j)为(i，j)点的蓝(blue)；
2)非线性动态调整
使用公式g(i，j)＝c*lg(1+f(i，j))对灰度图进行处理，其中原图像灰度为f(i，j)，处理后图像为g(i，j)，c为增益常数，跟据图像整体亮度取值。
3.如权利要求1所述的仪表视觉读数在线监测系统的抗干扰方法，其特征在于，步骤4中检测代表表盘的圆形具体为：
1)使用概率霍夫变换检测目标边缘图像中所有圆形；
2)取其中半径最大的圆形Cm，该圆半径为Rm；
3)获取所有圆心与Cm相差＜0.05Rm并且半径＞0.5Rm的圆的集合；
4)取其中半径最小的圆，该圆定义为目标表盘所代表的圆，该圆半径R为表盘内径；
5)如果没能成功检测到表盘，则记录所有数据和图像，保存至数据库，以供算法进一步完善。
4.如权利要求1所述的仪表视觉读数在线监测系统的抗干扰方法，其特征在于，所述色彩标定法具体为：
检测的目标表盘为固定表盘，所以系统可以非常精确地得知目标表盘指针颜色以及背景颜色，由于背景肯定占最大比例，所以最大的波峰必定代表背景，根据背景反射的RGB值系统可以得到环境光反射光线的RGB值，从而计算出指针在图像中对应的RGB值，即可找到指针对应的波峰。
5.如权利要求1或4所述的仪表视觉读数在线监测系统的抗干扰方法，其特征在于，采用二值法过滤阴影，具体为：
设L0代表指针区域的前波谷，L1代表指针区域的后波谷，则对图像进行二值化，如果
Figure FDA0002691467750000041
则g(i，j)＝0，否则g(i，j)＝255。
CN201811607738.9A 2018-12-27 2018-12-27 仪表视觉读数在线监测系统的抗干扰方法 Active CN110009651B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011217299.8A CN112396617B (zh) 2018-12-27 2018-12-27 仪表视觉读数监测系统的抗干扰方法
CN202011216139.1A CN112381848B (zh) 2018-12-27 2018-12-27 复杂环境下仪表视觉读数在线监测系统的抗干扰方法
CN201811607738.9A CN110009651B (zh) 2018-12-27 2018-12-27 仪表视觉读数在线监测系统的抗干扰方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811607738.9A CN110009651B (zh) 2018-12-27 2018-12-27 仪表视觉读数在线监测系统的抗干扰方法

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202011216139.1A Division CN112381848B (zh) 2018-12-27 2018-12-27 复杂环境下仪表视觉读数在线监测系统的抗干扰方法
CN202011217299.8A Division CN112396617B (zh) 2018-12-27 2018-12-27 仪表视觉读数监测系统的抗干扰方法

Publications (2)

Publication Number Publication Date
CN110009651A CN110009651A (zh) 2019-07-12
CN110009651B true CN110009651B (zh) 2021-01-05

Family

ID=67165313

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202011217299.8A Active CN112396617B (zh) 2018-12-27 2018-12-27 仪表视觉读数监测系统的抗干扰方法
CN201811607738.9A Active CN110009651B (zh) 2018-12-27 2018-12-27 仪表视觉读数在线监测系统的抗干扰方法
CN202011216139.1A Active CN112381848B (zh) 2018-12-27 2018-12-27 复杂环境下仪表视觉读数在线监测系统的抗干扰方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011217299.8A Active CN112396617B (zh) 2018-12-27 2018-12-27 仪表视觉读数监测系统的抗干扰方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011216139.1A Active CN112381848B (zh) 2018-12-27 2018-12-27 复杂环境下仪表视觉读数在线监测系统的抗干扰方法

Country Status (1)

Country Link
CN (3) CN112396617B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209842B (zh) * 2020-01-02 2023-06-30 珠海格力电器股份有限公司 视觉定位处理方法、装置及机器人
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
CN114862880B (zh) * 2022-07-06 2022-09-02 山东泰恒石材有限公司 一种基于异性石料的切割优化方法及系统
CN116823808B (zh) * 2023-08-23 2023-11-17 青岛豪迈电缆集团有限公司 基于机器视觉的电缆绞线智能检测方法
CN117798654B (zh) * 2024-02-29 2024-05-03 山西漳电科学技术研究院(有限公司) 汽轮机轴系中心智能调整系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104333736A (zh) * 2014-10-28 2015-02-04 山东大学 无人变电站智能识别监控系统及方法
CN106204614A (zh) * 2016-07-21 2016-12-07 湘潭大学 一种基于机器视觉的工件外观缺陷检测方法
CN107038444A (zh) * 2016-02-03 2017-08-11 上海慕荣电气有限公司 一种指针式表盘的图像识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN105260710B (zh) * 2015-09-28 2018-08-28 北京石油化工学院 基于图像处理的水表检定方法、装置及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104333736A (zh) * 2014-10-28 2015-02-04 山东大学 无人变电站智能识别监控系统及方法
CN107038444A (zh) * 2016-02-03 2017-08-11 上海慕荣电气有限公司 一种指针式表盘的图像识别方法
CN106204614A (zh) * 2016-07-21 2016-12-07 湘潭大学 一种基于机器视觉的工件外观缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于图像的指针式仪表读数自动识别技术研究";尹力;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02期);第12，21-22，25-27，30，61页 *
"基于机器视觉的表具走字识别技术研究";陈庆庆;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315(第03期);第4，12，14-17，19-20，26，32，58-59页 *

Also Published As

Publication number Publication date
CN112381848A (zh) 2021-02-19
CN112381848B (zh) 2022-06-10
CN112396617B (zh) 2022-06-10
CN110009651A (zh) 2019-07-12
CN112396617A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN110009651B (zh) 仪表视觉读数在线监测系统的抗干扰方法
CN111968144B (zh) 一种图像边缘点获取方法及装置
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN115661147B (zh) 基于机器视觉的计量检测数据识别方法
CN103759758A (zh) 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法
CN107220962B (zh) 一种隧道裂纹的图像检测方法和装置
CN116188462A (zh) 一种基于视觉鉴定的贵金属质量检测方法及系统
CN107038444A (zh) 一种指针式表盘的图像识别方法
CN116721107B (zh) 一种电缆生产质量智能监控系统
CN111007013B (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN112215060A (zh) 一种基于霍夫变换的高精度机械式仪表示数识别方法
CN115797473B (zh) 一种土建工程用混凝土成型评估方法
CN114708226A (zh) 一种基于光照影响的铜管内壁裂纹检测方法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统
CN116245880A (zh) 基于红外识别的电动车充电桩火灾风险检测方法
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN116129102A (zh) 一种基于改进型图像处理算法的水表识别方法及相关装置
CN115311623A (zh) 一种基于红外热成像的设备漏油检测方法及系统
CN113610041A (zh) 一种用于指针式仪表的读数识别方法及设备
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN115760653A (zh) 图像校正方法、装置、设备及可读存储介质
CN114359287A (zh) 一种图像数据处理方法及设备
CN114581915A (zh) 一种噪声鲁棒的多类别表盘指针读数识别方法和装置
JP6927861B2 (ja) アナログメータ指示値自動読み取り方法および装置
Dai et al. Intelligent ammeter reading recognition method based on deep learning

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