CN111539330A - 一种基于双svm多分类器的变电站数显仪表识别方法 - Google Patents

一种基于双svm多分类器的变电站数显仪表识别方法 Download PDF

Info

Publication number
CN111539330A
CN111539330A CN202010329978.8A CN202010329978A CN111539330A CN 111539330 A CN111539330 A CN 111539330A CN 202010329978 A CN202010329978 A CN 202010329978A CN 111539330 A CN111539330 A CN 111539330A
Authority
CN
China
Prior art keywords
digital
svm
transformer substation
classifier
image
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
Application number
CN202010329978.8A
Other languages
English (en)
Other versions
CN111539330B (zh
Inventor
张方
周开源
闫希颖
张沛方
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.)
Xi'an Innovative Video Com InfoTech Co ltd
Original Assignee
Xi'an Innovative Video Com InfoTech Co ltd
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 Xi'an Innovative Video Com InfoTech Co ltd filed Critical Xi'an Innovative Video Com InfoTech Co ltd
Priority to CN202010329978.8A priority Critical patent/CN111539330B/zh
Publication of CN111539330A publication Critical patent/CN111539330A/zh
Application granted granted Critical
Publication of CN111539330B publication Critical patent/CN111539330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/26—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
    • G06V10/273—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 removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
    • G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种针对变电站室内数显仪表的识别方法，解决了变电站对于室内数显仪表数据的智能识别问题，对于实现变电站设备自动化管理具有重要意义。其实现包括，仪表数字区域定位，其中主要使用多目标模板匹配方法；子图像预处理，其中包括图像灰度化、中值滤波、仿射变换、自适应二值化；对单个数字的分割，其中包括去除周围多余黑色背景、图像归一化和开闭运算；数字识别，其中包括采集样本训练第一个SVM多分类器，用mnist手写数字体数据集训练第二个SVM多分类器，然后用训练好的两个多分类器分别对数字0‑9进行识别，将得到的预测值加权后输出为最终的识别结果。本发明对于室内较远距离的监控设备拍摄画面中的仪表具有很高的识别准确度，可以通过摄像机远程监控并识别变电站室内数显仪表的示数变化情况，进一步实现高效的变电站设备运维和自动化管理。

Description

一种基于双SVM多分类器的变电站数显仪表识别方法
技术领域
本发明属于图像检测和识别技术领域，主要涉及一种基于支持向量机(SVM)的变电站数显仪表的自动识别方法。
背景技术
电力系统支撑着整个社会的运转和发展，而变电站作为电力系统的枢纽，其运维和管理工作对于电力设备的安全运行和保证供电可靠性也显得至关重要。变电站保护室内有许多数显仪表，为了及时了解设备状态和供电情况需要人工巡检和手工记录各仪表读数。长期以来，电力工作人员为了能够实时掌握变电站仪表读数情况，实现无人值守，部署了大量高清摄像机，但是还是需要人工读取仪表读数和记录。这种方式费时费力，也不利于系统的自动化
由于变电站监控设备距离室内数显仪表较远且由于拍摄角度的问题，导致拍摄场景下的仪表在图片中占的面积比较小，而且发生一定程度的倾斜，经过放大后的数字发生严重的扭曲和形变，使用传统的穿线法或模板匹配法已经无法准确识别出数显仪表的读数。而近些年兴起的人工智能和深度学习在图像识别领域做出了重大突破，通过深度网络抽取目标特征加以识别的方法已经得到了广泛的应用。但是，深度学习网络训练起来比较费时，对于数显仪表的识别来说过于复杂。
基于此，本发明利用图像处理和支持向量机(SVM)作为多分类器实现对变电站中较远距离拍摄的数显仪表进行读数识别。这将对变电站实现自动化管理和运维具有重要的实践意义。
发明内容
本发明针对变电站中较远距离监控的数显仪表，提出一种自动识别仪表读数的方法。本发明实现了对变电站较远距离监控摄像机拍摄画面中多个数显仪表的定位和读数识别功能，具体流程见图1。
本发明的实现步骤包括：
步骤1：仪表数字区域定位和提取
由于监控摄像机距离仪表较远，一张监控画面中有多个背景为黑色，中间读数为红色的的小正方形区域，即为仪表所在位置，将这一区域作为模板图，对原图进行多模板匹配，即可定位一张监控图中所有的仪表所在位置。而数字区域在一个仪表上的位置是固定的，根据提前测量好的切割矩阵，将数字区域从仪表上提取出来；
步骤2：子图预处理
2a：灰度化：将三通道的RGB图像转换为灰度图；
2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果；
2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正；
2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化，使得目标和背景的类间方差最大，这样的二值化使得目标和背景不容易被错分。
步骤3：单个数字分割
3a：按照仪表上读数的N位数字进行N等分，将数字单独分开；
3b：剔除数字周围的黑色背景和轮廓中过于突出的部分：当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身；
3c：图像大小归一化：将上一步处理的数字按照长宽比向四周均匀填充黑色像素，使得数字处于图像的正中心，将每个图像调整到28*28；3d：开闭运算：数字的轮廓可能会不均匀，需要使用开闭运算平滑边缘或连接断裂的部分；
步骤4：数字识别
4a：采用SVM作为多分类器，将大量经过上述步骤处理过的数字图片打上0-9的分类标签，建立十类样本集，开始训练第一个SVM多分类器模型。
4b：用手写数字体的公开数据集mnist训练第二个SVM多分类器模型。
4c：用步骤4a和步骤4b中训练好的两个SVM模型分别对数字进行识别，将两个SVM模型输出的预测值加权得到最终的分类结果。
本发明充分考虑到较远距离拍摄的仪表数字放大后产生的倾斜和形变，对子图像进行一系列预处理后，用原图和mnist手写字体数据集分别训练SVM多分类器，通过混合加权得到对数字的最终预测值。实现了从监控画面中直接对数显仪表进行自动读数的功能，对于实现变电站自动化管理具有重大意义。
附图说明
图1是本发明的整体流程图
图2是子图预处理的流程图
图3是用于数字识别的多元SVM分类器
图4是待识别的仪表监控图
图5是单张数显仪表数据识别结果图
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1，本发明的具体实施步骤如下。
步骤1：定位数字区域
1a：针对变电站监控摄像机拍下的画面，其中有多个较小的正方形仪表，将该仪表作为模板对原图进行多目标模板匹配，其原理为：将模板图当做滑动窗口，按像素依次滑动，当前窗口与模板进行一次度量计算，这里使用平方差匹配算法，计算公式如下：
Figure BSA0000207173980000031
将计算结果保存在一个矩阵中，从中找出最佳匹配值即最小值，如果超过了给定的阈值，就返回这个最小值的位置，否则视为没有匹配到模板。匹配到第一个目标之后，将计算结果矩阵中第一个目标区域全部填充为最大值，然后开始下一次匹配，直至找出所有仪表的位置；
1b：根据提前测量的数字区域在仪表中的大概位置，将数字区域从中分离出来；
步骤2：图像预处理
2a：灰度化：将三通道的RGB图像转换为灰度图，这里直接使用opencv中自带的cvColor()函数实现；
2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果。这里使用opencv的medianBlur()函数；
2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正，仿射变换是一种二维坐标到二维坐标之间的线性变换，它保持了二维图形的“平直性”(直线经过变换之后依然是直线)和“平行性”(二维图形之间的相对位置关系保持不变，平行线依然是平行线，且直线上点的位置顺序不变)。任意的仿射变换都能表示为乘以一个矩阵(线性变换)，再加上一个向量(平移)的形式.如下所示：
Figure BSA0000207173980000041
通过仿射变换将发生倾斜的数字区域进行水平矫正。
2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化。OTSU是一种自适应阈值确定的方法。它根据图像的灰度特性确定出能够把图像分割为目标和背景两个部分的阈值，使用这个阈值再将图像二值化。这种算法的思想是使得目标和背景这两个部分的类间方差最大，当这两个部分出现错分时，类间方差都会变小，也就是说采用最大类间方差确定的阈值来分割目标和背景可以使得错分的几率最小；
步骤3：单个数字分割
3a：在当前变电站数显仪表的应用中，读数共有四位，包括小数点。按照仪表上读数的4位数字进行4等分，将数字单独分开；
3b：剔除数字周围的黑色背景和轮廓中过于突出的部分：当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身，此外，数字的轮廓往往会存在过于突出的部分或者一些小连通区域比如杂点或者已经形变的小数点，会影响到后续的识别过程，也需要将其去除。在分别按照行和列扫描像素点的过程中，当某行或某列的像素值和超过设定的阈值后，才将其作为切割矩形的起点，继续扫描直至某行或某列的像素值小于设定阈值后，将其作为切割矩形的终点，然后用切割矩形将数字切割出来；
3c：图像大小归一化：将上一步处理的数字按照长宽比向四周均匀填充黑色像素，使得数字处于图像的正中心，将每个图像调整到28*28；
3d：开闭运算：数字的轮廓可能会不均匀，需要使用开闭运算平滑边缘或连接断裂的部分，先腐蚀后膨胀的过程称为开运算，用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积；先膨胀后腐蚀的过程称为闭运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积，通过计算白色像素值占整张图像的百分比是否超过某一给定阈值，若超出则进行开运算，若低于另一给定的更小的阈值，则进行闭运算，若介于两者之间则不对图像进行开闭运算；
步骤4：数字识别
本发明采用SVM构建一种用于识别数字0-9的多元分类器，其结构如图1，该多元分类器由10个SVM二分类器组成。呈金字塔形分为9层，首先用样本和标签分别训练所有的二分类器，共k(k-1)/2个，识别阶段，将数字样本图和标签输入该分类器，逐层向下，经过9次二元分类即可识别出其所属类别；
由于拍摄距离较远，导致放大后的数显仪表数字发生严重形变，有些数字已经近似于手写字体，但有些数字还保持数码管数字的形状。所以本发明使用双SVM多分类器对仪表读数进行识别。
4a：将大量样本输入图经过上述步骤处理后产生的0-9的数字图片按照0-9的标签一一对应，建立十类样本集，开始训练第一个SVM多分类器模型；
4b：使用手写数字体公开数据集mnist训练第二个SVM多分类器模型；
4c：用步骤4a和步骤4b中训练好的两个SVM模型分别对数字进行识别，将两个SVM模型输出的预测值加权得到最终的分类结果。取两个SVM分类器的加权预测结果，能够充分考虑不同数字形状的特性，使得预测的结果更准确。
实施效果
为了验证本发明的效果，下面使用500张变电站对数显仪表较远距离拍摄的监控画面图做测试，对单个数字识别的平均准确率可达95.51％，对整张图片的测试图片的完全匹配率可达95.4％。

Claims (4)

1.一种基于双SVM多分类器的变电站数显仪表识别方法，其特征在于，包括有如下步骤：
步骤1：仪表数字区域定位和提取
由于监控摄像机距离仪表较远，一张监控画面中有多个背景为黑色，中间读数为红色的的小正方形区域，即为仪表所在位置，将这一区域作为模板图，对原图进行多模板匹配，即可定位一张监控图中所有的仪表所在位置。而数字区域在一个仪表上的位置是固定的，根据提前测量的数据，将数字区域从仪表上分离出来；
步骤2：图像预处理
2a：灰度化：将三通道的RGB图像转换为灰度图；
2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果；
2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正；
2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化，使得目标和背景的类间方差最大，这样的二值化使得目标和背景不容易被错分。
步骤3：单个数字分割
3a：按照仪表上读数的N位数字进行N等分，将数字单独分开；
3b：剔除数字周围的黑色背景和轮廓中过于突出的部分：当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身；
3c：图像大小归一化：将上一步处理的数字按照长宽比向四周均匀填充黑色像素，使得数字处于图像的正中心，将每个图像调整到28*28；
3d：开闭运算：数字的轮廓可能会不均匀，需要使用开闭运算平滑边缘或连接断裂的部分；
步骤4：数字识别
4a：采用SVM作为多分类器，将大量经过上述步骤处理过的数字图片打上0-9的分类标签，建立十类样本集，开始训练第一个SVM多分类器模型。
4b：用手写数字体的公开数据集mnist训练第二个SVM多分类器模型。
4c：用步骤4a和步骤4b中训练好的两个SVM模型分别对数字进行识别，将两个SVM模型输出的预测值加权得到最终的分类结果。
2.根据权利要求1所述的一种基于双SVM多分类器的变电站数显仪表识别方法，其特征在于，步骤1中使用多目标模板匹配定位并提取数字区域的步骤如下：
步骤1：针对变电站监控摄像机拍下的画面，其中有多个较小的正方形仪表，将该仪表作为模板对原图进行多目标模板匹配，其原理为：将模板图当做滑动窗口，按像素依次滑动，当前窗口与模板进行一次度量计算，这里使用平方差匹配算法，计算公式如下：
Figure FSA0000207173970000021
将计算结果保存在一个矩阵中，从中找出最佳匹配值即最小值，如果超过了给定的阈值，就返回这个最小值的位置，否则视为没有匹配到模板。匹配到第一个目标之后，将计算结果矩阵中第一个目标区域全部填充为最大值，然后开始下一次匹配，直至找出所有仪表的位置；
步骤2：根据提前测量的数字区域在仪表中的大概位置，用设置好的切割矩形将数字区域从中提取出来。
3.根据权利要求1所述的一种基于双SVM多分类器的变电站数显仪表识别方法，其特征在于，步骤3中剔除数字周围的黑色背景和轮廓中过于突出的部分的方法如下：
当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身，此外，数字的轮廓往往会存在过于突出的部分或者一些小连通区域比如杂点或者已经形变的小数点，会影响到后续的识别过程，也需要将其去除。在分别按照行和列扫描像素点的过程中，当某行或某列的像素值和超过设定的阈值后，才将其作为切割矩形的起点，继续扫描直至某行或某列的像素值和小于设定阈值后，将其作为切割矩形的终点，然后用切割矩形将数字切割出来。
4.根据权利要求1所述的一种基于双SVM多分类器的变电站数显仪表识别方法，其特征在于，步骤4中识别数字的步骤如下：
步骤1：采集大量经过步骤1，2和3处理后的数字样本，按照0-9的标签一一对应分类，建立十类样本集；
步骤2：用这些样本集训练第一个SVM多分器模型；
步骤3：用手写数字体公开数据集mnist训练第二个SVM多分类器模型；
步骤4：识别阶段，用两个SVM多分类器模型的预测结果加权作为最终的识别结果。
CN202010329978.8A 2020-04-17 2020-04-17 一种基于双svm多分类器的变电站数显仪表识别方法 Active CN111539330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010329978.8A CN111539330B (zh) 2020-04-17 2020-04-17 一种基于双svm多分类器的变电站数显仪表识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010329978.8A CN111539330B (zh) 2020-04-17 2020-04-17 一种基于双svm多分类器的变电站数显仪表识别方法

Publications (2)

Publication Number Publication Date
CN111539330A true CN111539330A (zh) 2020-08-14
CN111539330B CN111539330B (zh) 2023-03-24

Family

ID=71975524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010329978.8A Active CN111539330B (zh) 2020-04-17 2020-04-17 一种基于双svm多分类器的变电站数显仪表识别方法

Country Status (1)

Country Link
CN (1) CN111539330B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348018A (zh) * 2020-11-16 2021-02-09 杭州安森智能信息技术有限公司 基于巡检机器人的数显式仪表读数识别方法
CN113255547A (zh) * 2021-06-03 2021-08-13 上海申瑞继保电气有限公司 电力仪表指针图像轮廓计算方法
CN114049369A (zh) * 2021-10-29 2022-02-15 农业农村部南京农业机械化研究所 基于自适应阈值分割算法的农料均匀性检测方法及系统
CN114047471A (zh) * 2021-11-02 2022-02-15 中国南方电网有限责任公司超高压输电公司贵阳局 电能表校验方法、装置、电子设备和存储介质
CN116824597A (zh) * 2023-07-03 2023-09-29 金陵科技学院 动态图像分割及并行学习手写身份证数字及身份识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599890A (zh) * 2015-10-14 2017-04-26 山东鲁能智能技术有限公司 变电站巡检机器人数字式仪表识别算法
WO2018018788A1 (zh) * 2016-07-29 2018-02-01 深圳友讯达科技股份有限公司 一种基于图像识别的计量表抄表装置及其方法
CN108573261A (zh) * 2018-04-17 2018-09-25 国家电网公司 一种适用于变电站巡检机器人的数字显示仪表识别方法
US20190095739A1 (en) * 2017-09-27 2019-03-28 Harbin Institute Of Technology Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599890A (zh) * 2015-10-14 2017-04-26 山东鲁能智能技术有限公司 变电站巡检机器人数字式仪表识别算法
WO2018018788A1 (zh) * 2016-07-29 2018-02-01 深圳友讯达科技股份有限公司 一种基于图像识别的计量表抄表装置及其方法
US20190095739A1 (en) * 2017-09-27 2019-03-28 Harbin Institute Of Technology Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier
CN108573261A (zh) * 2018-04-17 2018-09-25 国家电网公司 一种适用于变电站巡检机器人的数字显示仪表识别方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
邓清男等: "变电站室内数显仪表的读数识别", 《工业仪表与自动化装置》 *
陆靖滨等: "基于自适应特征提取的数显仪表识别系统", 《现代电子技术》 *
黄绪勇等: "变电站巡检机器人的数字仪表自动识别技术研究", 《机械与电子》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348018A (zh) * 2020-11-16 2021-02-09 杭州安森智能信息技术有限公司 基于巡检机器人的数显式仪表读数识别方法
CN113255547A (zh) * 2021-06-03 2021-08-13 上海申瑞继保电气有限公司 电力仪表指针图像轮廓计算方法
CN113255547B (zh) * 2021-06-03 2024-02-09 上海申瑞继保电气有限公司 电力仪表指针图像轮廓计算方法
CN114049369A (zh) * 2021-10-29 2022-02-15 农业农村部南京农业机械化研究所 基于自适应阈值分割算法的农料均匀性检测方法及系统
CN114047471A (zh) * 2021-11-02 2022-02-15 中国南方电网有限责任公司超高压输电公司贵阳局 电能表校验方法、装置、电子设备和存储介质
CN116824597A (zh) * 2023-07-03 2023-09-29 金陵科技学院 动态图像分割及并行学习手写身份证数字及身份识别方法
CN116824597B (zh) * 2023-07-03 2024-05-24 金陵科技学院 动态图像分割及并行学习手写身份证数字及身份识别方法

Also Published As

Publication number Publication date
CN111539330B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108596166A (zh) 一种基于卷积神经网络分类的集装箱箱号识别方法
CN113139521B (zh) 一种用于电力监控的行人越界标监测方法
CN110838126B (zh) 细胞图像分割方法、装置、计算机设备和存储介质
CN113160192A (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN112307919B (zh) 一种基于改进YOLOv3的单证图像中数字信息区域识别方法
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN111091544A (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN114241469A (zh) 一种面向电表轮换过程的信息识别方法和装置
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN115841669A (zh) 一种基于深度学习技术的指针式仪表检测与示数识别方法
CN116188756A (zh) 一种基于深度学习的仪表角度校正与示数识别方法
CN107944453A (zh) 基于Hu不变矩和支持向量机SVM的高压套管检测方法
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN112418210B (zh) 一种杆塔巡检信息智能分类方法
CN112365440A (zh) 基于yolov3的乳腺病理学图像有丝分裂检测装置和方法
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN117036314A (zh) 一种高密度柔性ic基板氧化区域检测方法
CN111738264A (zh) 一种机房设备显示面板数据的智能采集方法
CN108734158B (zh) 一种实时列车车号识别方法及装置
CN110889418A (zh) 一种气体轮廓识别方法
CN115953678A (zh) 一种基于局部灰度极值点和特征融合的路面破损检测方法

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
CB02 Change of applicant information

Address after: Room 11203, building 1, Jinshi Bailang, 39 Taibai South Road, Xi'an City, Shaanxi Province, 710065

Applicant after: Xi'an innovision Technology Co.,Ltd.

Address before: Room 11203, building 1, Jinshi Bailang, 39 Taibai South Road, Xi'an City, Shaanxi Province, 710065

Applicant before: XI'AN INNOVATIVE VIDEO COM INFO.TECH. Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant