CN111723821A - 一种电厂仪表图像的检测识别方法及装置 - Google Patents
一种电厂仪表图像的检测识别方法及装置 Download PDFInfo
- Publication number
- CN111723821A CN111723821A CN202010531797.3A CN202010531797A CN111723821A CN 111723821 A CN111723821 A CN 111723821A CN 202010531797 A CN202010531797 A CN 202010531797A CN 111723821 A CN111723821 A CN 111723821A
- Authority
- CN
- China
- Prior art keywords
- image
- instrument
- value
- algorithm
- degrees
- 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
Images
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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种电厂仪表图像的检测识别方法及装置,识别方法包括采集电厂仪表原图像,进行图像预处理,提取出原图像中的仪表表盘区域形成目标图像;通过改进Canny检测算法对目标图像进行处理;对梯度幅值进行非极大值抑制;对非极大值抑制后的图像采用自适应阈值确认算法获取上阈值和下阈值;根据上阈值和下阈值通过双阈值算法确定图像的边界;通过Hough变化算法检测二值边界图像中的直线和圆;通过指针仪表识别方法根据二值边界图像中的直线和圆获取仪表的量程读数。与现有技术相比,本发明结合了Canny检测算法和Hough变换算法对仪表图像进行识别,对指针式电厂仪表进行快速精确的识别;同时,识别稳定性高。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种电厂仪表图像的检测识别方法及装置。
背景技术
变电站的传统人工巡检方式存在强度大、时间长、频次高、高危环境多,容易出现人身伤害及巡检质量不稳定的问题,同时巡检抄表存在重复性高且数据利用难等情况。
随着工业4.0、智能制造、人工智能、大数据等技术的快速发展,智能巡检机器人在变电站的巡检应用中逐渐推广。但是,机器人技术在发电厂中的应用并没有得到快速发展,这是因为电厂生产中充斥着高温高压、煤气、酸碱、强电等复杂环境,发电机组设备多样,布置密集,使得电厂无人化巡检机器人技术始终没有起步。因此发电厂多种设备及多介质的复杂场合对无人化巡检技术的研发需求则变得急为迫切,存在极大地推广潜力与应用价值。
电厂中的仪表是保证监视每个机电设备和电力线路实现稳定运行的重要可视化装置。在电力的生产、输送与分配的过程中,它已成为不可缺少的计量工具,许多机电参数都需由仪表来测量与体现。发电厂中需要巡检的仪表中最多的是指针式仪表,如电压表、电流表、气压表、油温表、温度表等等。这些仪表构造简单、制造费用低、后期维修便捷、抗电磁干扰能力强、稳定性高、具有防灰尘、防水雾、防霜冻特性,广泛应用于电力系统网络中。
现有的巡检机器人通过摄像头采集电厂仪表设备的表盘信息和设备运行状态,然后利用机器视觉和图像处理技术自动检测各种电器设备的运行状态。但是,由于存在拍摄角度、仪表位置、污渍及光照不均匀等因素导致图像存在大量噪声,难以高效快速地进行识别,对于指针仪表的读数识别始终精度较低。
此外,边缘检测技术是仪表图像分析领域研究的重点和难点。传统的边缘检测算法,有Sobel算法、Log算法、Krich算法、Roberts算法等,但其处理效果并不理想。1986年John Canny首次提出了Canny边缘检测算法,该算法能有效弥补其他传统边缘检测算法的不足,因此Canny算法被认定为边缘检测方法中较好的算法。但其缺点是对噪声鲁棒性低,检测图像多出现伪边缘、孤立边缘点等问题,影响后续的检测精度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种电厂仪表图像的检测识别方法及装置,用于对指针式电厂仪表进行快速精确的识别。
本发明的目的可以通过以下技术方案来实现:
一种电厂仪表图像的检测识别方法,包括以下步骤:
S1、采集电厂仪表原图像,进行图像预处理,提取出原图像中的仪表表盘区域形成目标图像;
S2、通过改进Canny检测算法对目标图像进行处理,对目标图像采用5*5邻域一阶偏导的有限差分进行图像平滑后计算其剃度幅值和梯度方向,并且计算0°、45°、90°、135°、180°、225°、270°和315°八个方向的梯度幅值和梯度方向;
S3、对梯度幅值进行非极大值抑制;
S4、对非极大值抑制后的图像采用自适应阈值确认算法获取上阈值和下阈值,包括:计算非极大值抑制后的图像的梯度幅度均值和梯度幅度标注差,进而由梯度幅度均值和梯度幅度标准差确认上阈值的取值,下阈值的取值为上阈值的一半;
S5、根据上阈值和下阈值通过双阈值算法确定图像的边界,得到二值边界图像;
S6、通过Hough变化算法检测二值边界图像中的直线和圆;
S7、通过指针仪表识别方法根据二值边界图像中的直线和圆获取仪表的量程读数。
进一步地,所述的步骤S4中,自适应阈值确认算法的计算表示式为:
Th=Iave+k·σ
Tl=Th/2
其中,Iave表示梯度幅度均值,I(i,j)表示横坐标为i,纵坐标为j的像素点,m表示图像的宽度,n表示图像的高度,σ表示梯度幅度标准差,Th表示上阈值,Tl表示下阈值,k表示梯度幅度标准差的系数。
进一步地,所述系数k的取值范围为1.2~1.6。
进一步地,所述的自适应阈值确认算法还包括:判断像素I(i,j)的梯度幅度是否小于Iave乘以系数P后的值,若是,则直接标记为伪边缘点,若否,则计算上阈值和下阈值。
进一步地,所述系数P的取值范围为0.15~0.2。
进一步地,所述的步骤S1中,预处理包括利用加权平均法将仪表原图像转化为灰度图,再进行高斯滤波去除噪声。
进一步地,所述的步骤S2中,采用5*5邻域一阶偏导的有限差分进行图像平滑后计算剃度幅值和梯度方向的表达式为:
像素梯度幅值M(i,j)为:
梯度方向θ(i,j)为:
其中,(i,j)表示像素坐标,G[i,j]表示中心像素点,其余G[i+a,j+b]均为以G[i,j]为中心的邻域的像素点,a和b为-2、-1、1、2,d1和d2是像素中心点G[i,j]与邻域像素点的差值。
一种可读存储介质,其上存储有程序,该程序被处理器执行时实现如上所述的方法。
一种电厂仪表图像的检测识别装置,包括:
预处理单元,被配置为接收采集的电厂仪表原图像,进行图像预处理,提取出原图像中的仪表表盘区域形成目标图像;
梯度处理单元,被配置为通过改进Canny检测算法对目标图像进行处理,对目标图像采用5*5邻域一阶偏导的有限差分进行图像平滑后计算其剃度幅值和梯度方向,并且计算0°、45°、90°、135°、180°、225°、270°和315°八个方向的梯度幅值和梯度方向;
阈值处理单元,被配置为对梯度幅值进行非极大值抑制,然后对非极大值抑制后的图像采用自适应阈值确认算法获取上阈值和下阈值,包括:计算非极大值抑制后的图像的梯度幅度均值和梯度幅度标注差,进而由梯度幅度均值和梯度幅度标准差确认上阈值的取值,下阈值的取值为上阈值的一半;
量程读取单元,被配置为根据上阈值和下阈值通过双阈值算法确定图像的边界,得到二值边界图像,然后通过Hough变化算法检测二值边界图像中的直线和圆,最后通过指针仪表识别方法根据二值边界图像中的直线和圆获取仪表的量程读数。
进一步地,所述的自适应阈值确认算法的计算表示式为:
Th=Iave+k·σ
Tl=Th/2
其中,Iave表示梯度幅度均值,I(i,j)表示横坐标为i,纵坐标为j的像素点,m表示图像的宽度,n表示图像的高度,σ表示梯度幅度标准差,Th表示上阈值,Tl表示下阈值,k表示梯度幅度标准差的系数。
与现有技术相比,本发明具有以下有益效果:
1、本发明结合了Canny检测算法和Hough变换算法对仪表图像进行识别,对传统的Canny检测算法进行了改进,将传统的2*2邻域一阶偏导的有限差分扩展为5*5邻域一阶偏导的有限差分,分八个方向计算梯度幅值和梯度方向,配合后续的Hough变化处理,使得图片具有更加清晰的边界,能够仅保留直线指针和圆形轮廓,便于量程读数的提取;尤其是在不同噪声环境下,本发明可以避免了边缘信息不足造成的仪表读数不精确的问题,提升了仪表读数的识别精度;同时,具有很高的识别稳定性。
2、本发明在对传统的Canny检测算法的上下阈值选取进行了改进,在传统检测中,上下阈值均采用人工经验选取,如果应用在巡检机器人针对不同环境下拍摄图片的情况,适应性会很差,而且要对每个环境进行大量的人工调试。本发明设计了自适应阈值确认算法,无需人工调试,能够针对不同环境拍摄的图片自动选取上下阈值,且是最优阈值,缩短了仪表识别算法的运行时间,使用简单,适应性强。
附图说明
图1为本发明的流程示意图。
图2为仪表的高斯滤波图。
图3为传统Canny检测及Hough变换处理后的示意图。
图4为改进Canny检测及Hough变换处理后的示意图。
图5为仪表指针算法坐标系示意图。
图6为仪表指针的活动区域示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供了一种电厂仪表图像的检测识别方法,根据发电厂现场环境复杂、仪表图像难检测和仪表读数识别精度低等特点,通过改进Canny检测与Hough变换组合算法提高检测仪表识别精度。结合角度算法对仪表进行读数识别,可以是识别精度达95%以上,与人工读数误差小。
如图1所示,本实施例的具体步骤如下:
步骤S1、采集电厂仪表原图像,进行图像预处理,提取出原图像中的仪表表盘区域形成目标图像;
步骤S2、通过改进Canny检测算法对目标图像进行处理,对目标图像采用5*5邻域一阶偏导的有限差分进行图像平滑后计算其剃度幅值和梯度方向,并且计算0°、45°、90°、135°、180°、225°、270°和315°八个方向的梯度幅值和梯度方向;
步骤S3、对梯度幅值进行非极大值抑制;
步骤S4、对非极大值抑制后的图像采用自适应阈值确认算法获取上阈值和下阈值,包括:计算非极大值抑制后的图像的梯度幅度均值和梯度幅度标注差,进而由梯度幅度均值和梯度幅度标准差确认上阈值的取值,下阈值的取值为上阈值的一半;
步骤S5、根据上阈值和下阈值通过双阈值算法确定图像的边界,得到二值边界图像;
步骤S6、通过Hough变化算法检测二值边界图像中的直线和圆;
步骤S7、通过指针仪表识别方法根据二值边界图像中的直线和圆获取仪表的量程读数。
步骤S1~S5进一步地展开如下:
一、图像的预处理
采用预处理技术目的是为了把表盘区域从复杂背景中提取出来,从而更加精确地获得指针仪表的读数。主要包括:缩放和变换、灰度化、去噪和平滑、膨胀和腐蚀。在对电厂仪表识别过程中,本文采用的预处理操作有灰度化、去噪和平滑。
灰度化能够减少图像处理过程中的CPU的使用频率,加快计算速度,减少计算时间。设R代表红色像素,G代表绿色像素,B代表蓝色像素,将原图转换为灰度图的计算公式为:
Gray=(R×30+G×59+B×11+50)/100
电厂中的仪表多属于正态分布噪声,高斯滤波适用于消除正态分布噪声。高斯滤波是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到,其滤波结果直接影响边缘检测效果以及仪表读数识别的结果。
本实施例以电厂中的压力表作为测试对象,将复杂环境下的压力表根据圆形模板匹配进行剪切保存,把保存下来的压力表转化为灰度图,再进行高斯滤波去除噪声,使得表盘信息更加显著,如图2所示。
二、改进Canny检测算法
传统Canny边缘检测算法是利用2*2邻域一阶偏导的有限差分进行图像平滑后来计算梯度幅值和梯度方向,横向和纵向分别用x和y进行标识,G[i,j]、G[i,j+1]、G[i+1,j]、G[i+1,j+1]分别代表G[i,j]像素的周围像素点,则其方向对应的偏微分分别为Gx、Gx:
梯度幅值M(i,j)为:
梯度方向θ(i,j)为:
由于传统Canny算法设置的阈值过低,产生了伪边缘信息,在后期和Hough变换检测指针时会出现多条直线,影响Hough变换直线检测和圆检测的准确性,产生了误差,如图3所示。
针对传统Canny算法的缺点,本实施例中改进了改进Canny检测算法的滤波器和上下阈值的人工设置。改进算法将传统的2*2邻域增加至5*5邻域,G[i,j]、G[i,j+1]、G[i,j+2]、G[i+1,j]、G[i+1,j+1]、G[i+1,j+2]、G[i+2,j]、G[i+2,j+1]、G[i+2,j+2]…等等分别代表图像像素以G[i,j]为中心的邻域的像素点,计算0°,45°,90°,135°等8方向的一阶偏导数有限差分来确定像素梯度幅值的方法。其计算表达式如下:
X方向偏导数为:
Gx(i,j)=((G(i+1,j)-G(i,j))/d1+((G(i+2,j)-G(i,j))/d2
+((G(i-1,j)-G(i,j))/d1+((G(i-2,j)-G(i,j))/d2
Y方向偏导数为:
Gy(i,j)=((G(i,j+1)-G(i,j))/d1+((G(i,j+2)-G(i,j))/d2
+((G(i,j-1)-G(i,j))/d1+((G(i,j-2)-G(i,j))/d2
45°方向偏导数为:
G45°(i,j)=((G(i-2,j-2)-G(i,j))/d2+((G(i-1,j-1)-G(i,j))/d1
+((G(i+1,j+1)-G(i,j))/d1+((G(i+2,j+2)-G(i,j))/d2
135°方向偏导数:
G135°(i,j)=((G(i+2,j-2)-G(i,j))/d2+((G(i+1,j-1)-G(i,j))/d1
+((G(i-1,j+1)-G(i,j))/d1+((G(i-2,j+2)-G(i,j))/d2
像素梯度幅值M(i,j)为:
梯度方向θ(i,j)为:
d1和d2是像素中心点G[i,j]与邻域像素点的差值。
采用5*5邻域的滤波器可以对梯度幅值阵列中的任一像素沿梯度方向进行梯度幅值的插值。通过对传统Canny算法滤波器的改进可以检测梯度幅值的极大值点,从而有效抑制噪声干扰。
三、自适应阈值确认算法
电力巡检机器人在电厂中巡检仪表时,自动变焦使仪表图像变得清晰,保存清晰图像,但是仪表像素部分在图像像素中所占比例有大和小之分。它们的特点是:大比例仪表图像是边缘信息少、梯度分布不分散的特点;小比例仪表图像是边缘信息丰富、梯度幅度分布分散的特点。传统Canny算法中上下阈值是固定不变的,巡检机器人在电厂环境中难以进行适用。本实施例根据电厂环境的特殊情况,提出了自适应阈值确认算法,自动选取适应环境的上阈值和下阈值。
自适应阈值确认算法的基本定义有图像梯度幅度为I(i,j),Iave表示梯度幅度均值,m表示图像的宽度,n表示图像的高度,Th表示上阈值,Tl表示下阈值,σ表示梯度幅度标准差,k表示梯度幅度标准差的系数(系数k的取值范围为1.2~1.6),将大比例仪表图像和小比例仪表图像的自适应阈值确认算法进行整合,具体步骤包括:
步骤A1、判断像素I(i,j)的梯度幅度是否小于P*Iave(P为0.15~0.2),如果是,则直接将该像素标记为伪边缘点;如果否,执行步骤A2,
梯度幅度均值Iave的计算表达式为:
步骤A2、计算非极大值抑制后的图像的梯度幅度标准差,进而由梯度幅度均值Iave和梯度幅度标准差σ确认上阈值的取值,下阈值的取值为上阈值的一半,其计算表达式为:
Th=Iave+k·σ
Tl=Th/2。
本实施例中步骤S1~S5的其余步骤均与传统的Canny检测算法一致,因此不进行展开。
如图4所示,本实施例的方法处理后可以清晰看出仪表轮廓,使Hough变换检测直线和圆边缘更加准确。和传统Canny算法对比,改进算法自动设置阈值,且是最优阈值,缩短了仪表识别算法的运行时间。改进算法保留了原图像的边缘,与传统方法相比,改进算法具有更好地边缘检测效果,适用于电力巡检机器人平台上。
步骤S6和S7的具体展开如下:
指针仪表识别算法主要是是采用了仪表刻度盘上的最大量程和初始量程之间的角度和指针中心线的角度之间的关系来计算出指针所指的仪表量程读数。以Hough圆检测出的圆心作为直角坐标系的原点并建立XY轴,且建立图像的空间坐标系UV,假设仪表的最小和最大量程范围为(Min,Max),由之前的Hough圆检测出的圆心为原点O,检测出的圆心为仪表表盘转动的轴心像素点(m,n)处,即为Hough检测出的圆心像素点。。
仪表指针所在的直线用来表示,仪表的初始刻度与转动轴心所连成的直线用来表示,仪表的最大刻度与转动轴心所连成的直线用来表示。射线和到X轴负方向的最小角度为φMax、φMin和φ,其所成的角度的范围是(-180°,180°)。通过实验计算得出了仪表读数I和仪表指针之间关系,推导出它们之间的表达式为:
根据推导出的公式可以得出,每个仪表的初始量程和最大量程之间的角度是一定、已知的,检测出的仪表指针与仪表初量程刻度之间的夹角φ成为得到仪表识别的关键所在。如图5所示,由仪表指针算法坐标系UV和XY之间的关系可以由指针与空间坐标系形成的夹角θ得出仪表指针和初始量程刻度之间的夹角φ。
如图6所示,不同区域中φ与θ的关系分析如下:
区域一:对应仪表表盘右上角的区域,指针在该区域时的指针与X轴负方向的夹角Φ可以表示为公式:
φ=90°+θ
φ=90°-θ
90°-θ=360°-φ
90°-θ+360°-φ=180°
φ=270°-θ
通过Hough变换检测的仪表指针落在那个区域,根据上述公式推导出仪表指针与X轴负方向的夹角度数,根据对应区域的公式算出夹角度数,最后推导出仪表的指针度数I。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种电厂仪表图像的检测识别方法,其特征在于,包括以下步骤:
S1、采集电厂仪表原图像,进行图像预处理,提取出原图像中的仪表表盘区域形成目标图像;
S2、通过改进Canny检测算法对目标图像进行处理,对目标图像采用5*5邻域一阶偏导的有限差分进行图像平滑后计算其剃度幅值和梯度方向,并且计算0°、45°、90°、135°、180°、225°、270°和315°八个方向的梯度幅值和梯度方向;
S3、对梯度幅值进行非极大值抑制;
S4、对非极大值抑制后的图像采用自适应阈值确认算法获取上阈值和下阈值,包括:计算非极大值抑制后的图像的梯度幅度均值和梯度幅度标注差,进而由梯度幅度均值和梯度幅度标准差确认上阈值的取值,下阈值的取值为上阈值的一半;
S5、根据上阈值和下阈值通过双阈值算法确定图像的边界,得到二值边界图像;
S6、通过Hough变化算法检测二值边界图像中的直线和圆;
S7、通过指针仪表识别方法根据二值边界图像中的直线和圆获取仪表的量程读数。
3.根据权利要求2所述的电厂仪表图像的检测识别方法,其特征在于,所述系数k的取值范围为1.2~1.6。
4.根据权利要求2所述的电厂仪表图像的检测识别方法,其特征在于,所述的自适应阈值确认算法还包括:判断像素I(i,j)的梯度幅度是否小于Iave乘以系数P后的值,若是,则直接标记为伪边缘点,若否,则计算上阈值和下阈值。
5.根据权利要求4所述的电厂仪表图像的检测识别方法,其特征在于,所述系数P的取值范围为0.15~0.2。
6.根据权利要求1所述的电厂仪表图像的检测识别方法,其特征在于,所述的步骤S1中,预处理包括利用加权平均法将仪表原图像转化为灰度图,再进行高斯滤波去除噪声。
8.一种电厂仪表图像的检测识别装置,其特征在于,包括:
预处理单元,被配置为接收采集的电厂仪表原图像,进行图像预处理,提取出原图像中的仪表表盘区域形成目标图像;
梯度处理单元,被配置为通过改进Canny检测算法对目标图像进行处理,对目标图像采用5*5邻域一阶偏导的有限差分进行图像平滑后计算其剃度幅值和梯度方向,并且计算0°、45°、90°、135°、180°、225°、270°和315°八个方向的梯度幅值和梯度方向;
阈值处理单元,被配置为对梯度幅值进行非极大值抑制,然后对非极大值抑制后的图像采用自适应阈值确认算法获取上阈值和下阈值,包括:计算非极大值抑制后的图像的梯度幅度均值和梯度幅度标注差,进而由梯度幅度均值和梯度幅度标准差确认上阈值的取值,下阈值的取值为上阈值的一半;
量程读取单元,被配置为根据上阈值和下阈值通过双阈值算法确定图像的边界,得到二值边界图像,然后通过Hough变化算法检测二值边界图像中的直线和圆,最后通过指针仪表识别方法根据二值边界图像中的直线和圆获取仪表的量程读数。
10.根据权利要求9所述的一种电厂仪表图像的检测识别装置,其特征在于,所述系数k的取值范围为1.2~1.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010531797.3A CN111723821A (zh) | 2020-06-11 | 2020-06-11 | 一种电厂仪表图像的检测识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010531797.3A CN111723821A (zh) | 2020-06-11 | 2020-06-11 | 一种电厂仪表图像的检测识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723821A true CN111723821A (zh) | 2020-09-29 |
Family
ID=72566502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010531797.3A Pending CN111723821A (zh) | 2020-06-11 | 2020-06-11 | 一种电厂仪表图像的检测识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723821A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528741A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种变电站压板的状态识别方法及装置 |
CN113256551A (zh) * | 2021-01-21 | 2021-08-13 | 中国煤炭科工集团太原研究院有限公司 | 基于机器视觉的巷道顶板刚带钻孔识别定位系统及方法 |
CN113570593A (zh) * | 2021-08-10 | 2021-10-29 | 深圳诺博医疗科技有限公司 | 一种药剂精确计数方法、装置、计算机设备及存储介质 |
CN113993005A (zh) * | 2021-10-27 | 2022-01-28 | 南方电网大数据服务有限公司 | 电网设备检查方法、装置、计算机设备和存储介质 |
CN114821044A (zh) * | 2022-05-31 | 2022-07-29 | 中煤科工机器人科技有限公司 | 一种基于梯度变换的方形指针式仪表示数识别方法 |
CN117475154A (zh) * | 2023-12-26 | 2024-01-30 | 济南新天宇汽车电器有限公司 | 一种基于优化Canny边缘检测的仪表图像识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190473A (zh) * | 2018-07-29 | 2019-01-11 | 国网上海市电力公司 | 一种“机器视觉理解”在电力远程监控中的应用 |
CN109360217A (zh) * | 2018-09-29 | 2019-02-19 | 国电南瑞科技股份有限公司 | 输变电设备图像边缘检测方法、装置及系统 |
CN109816673A (zh) * | 2018-12-27 | 2019-05-28 | 合肥工业大学 | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 |
-
2020
- 2020-06-11 CN CN202010531797.3A patent/CN111723821A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190473A (zh) * | 2018-07-29 | 2019-01-11 | 国网上海市电力公司 | 一种“机器视觉理解”在电力远程监控中的应用 |
CN109360217A (zh) * | 2018-09-29 | 2019-02-19 | 国电南瑞科技股份有限公司 | 输变电设备图像边缘检测方法、装置及系统 |
CN109816673A (zh) * | 2018-12-27 | 2019-05-28 | 合肥工业大学 | 一种非极大值抑制、动态阈值计算及图像边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
姚洋: "基于改进Canny 检测与Hough 变换的仪表图像识别算法", 上海电力大学学报, vol. 36, no. 2 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528741A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种变电站压板的状态识别方法及装置 |
CN113256551A (zh) * | 2021-01-21 | 2021-08-13 | 中国煤炭科工集团太原研究院有限公司 | 基于机器视觉的巷道顶板刚带钻孔识别定位系统及方法 |
CN113256551B (zh) * | 2021-01-21 | 2023-03-14 | 中国煤炭科工集团太原研究院有限公司 | 基于机器视觉的巷道顶板刚带钻孔识别定位系统及方法 |
CN113570593A (zh) * | 2021-08-10 | 2021-10-29 | 深圳诺博医疗科技有限公司 | 一种药剂精确计数方法、装置、计算机设备及存储介质 |
CN113570593B (zh) * | 2021-08-10 | 2024-05-14 | 深圳诺博医疗科技有限公司 | 一种药剂精确计数方法、装置、计算机设备及存储介质 |
CN113993005A (zh) * | 2021-10-27 | 2022-01-28 | 南方电网大数据服务有限公司 | 电网设备检查方法、装置、计算机设备和存储介质 |
CN114821044A (zh) * | 2022-05-31 | 2022-07-29 | 中煤科工机器人科技有限公司 | 一种基于梯度变换的方形指针式仪表示数识别方法 |
CN114821044B (zh) * | 2022-05-31 | 2024-05-03 | 中煤科工机器人科技有限公司 | 一种基于梯度变换的方形指针式仪表示数识别方法 |
CN117475154A (zh) * | 2023-12-26 | 2024-01-30 | 济南新天宇汽车电器有限公司 | 一种基于优化Canny边缘检测的仪表图像识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723821A (zh) | 一种电厂仪表图像的检测识别方法及装置 | |
CN110580480B (zh) | 基于图像处理的表计读数识别方法 | |
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 | |
CN110706293B (zh) | 基于surf特征匹配的电子元器件定位和检测方法 | |
CN106643965B (zh) | 一种利用模板匹配精确识别液位的方法 | |
CN107843818B (zh) | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 | |
CN104715491B (zh) | 一种基于一维灰度矩的亚像素边缘检测方法 | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN113392846A (zh) | 一种基于深度学习的水尺水位监测方法及系统 | |
CN112598723A (zh) | 一种不锈钢覆层钢筋厚度识别方法、装置及存储介质 | |
CN115082658A (zh) | 一种指针表读数的识别方法及装置 | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
CN113567451A (zh) | 一种电缆线缺陷检测以及直径测量方法 | |
CN110864671A (zh) | 基于线结构光拟合平面的机器人重复定位精度测量方法 | |
CN115690104B (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN114648505A (zh) | 一种环形纹理图像周期、相位的自动测量方法及系统 | |
CN115641326A (zh) | 用于陶瓷天线pin针图像的亚像素尺寸检测方法及系统 | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN109740616B (zh) | 一种利用计算机视觉实现双指针仪表自动读数的方法 | |
CN108898632B (zh) | 一种仪表指针的旋转角度确定方法及装置 | |
Kang et al. | Research on automatic recognition algorithm of pointer meter based on machine vision | |
Xu et al. | Research on machine vision-based reading method for pointer meters | |
CN113592877B (zh) | 一种抽水蓄能电站红线超标识别方法及装置 |
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 |