CN111814919A - 一种基于深度学习的仪表定位与识别系统 - Google Patents
一种基于深度学习的仪表定位与识别系统 Download PDFInfo
- Publication number
- CN111814919A CN111814919A CN202010891680.6A CN202010891680A CN111814919A CN 111814919 A CN111814919 A CN 111814919A CN 202010891680 A CN202010891680 A CN 202010891680A CN 111814919 A CN111814919 A CN 111814919A
- Authority
- CN
- China
- Prior art keywords
- image
- instrument
- deep learning
- detection
- dial
- 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
- G06V10/70—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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的仪表定位与识别系统,属于图像识别领域,本发明公开的一种基于深度学习的仪表定位与识别系统,包括以下步骤;步骤S00:变电站机器人移至预置位,采集变电站仪表实时图像;步骤S10:根据预置模板图像进行特征匹配,计算像素偏移量,以控制变电站机器人的云台角度调整对应的偏移量;步骤S20:驱动云台进行对准、变焦,获取只包含预置位的仪表高清图像;步骤S30:对获得的仪表高清图像进行识别获取读数。通过二次定位获取高清表盘图像,再通过目标检测算法定位仪表,结合传统图像算法,确保仪表定位准确。在仪表检测准确率以及检测速度上均得到了更佳的实际效果。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种基于深度学习的仪表定位与识别系统。
背景技术
目前,深度学习在计算机视觉领域发展已非常成熟。深度学习是利用多层网络处理数据从而达到提取特征的目的,其在图像分类、目标检测以及语义分割等领域都取得了良好的效果。深度学习是人工智能的一个分支,它颠覆了传统算法的设计思路,形成了一种从训练数据出发,经过一个端到端的模型,直接输出最终结果的一种新模式。针对变电站仪表自动检测与识别问题,国内外研究人员从不同角度提出了一系列方法。邢浩强等人提出了一种完整的变电站指针式仪表的自动检测与识别方法,首先利用卷积神经网络模型检测当前视野下仪表目标的包围框位置,通过透视变换消除表盘平面与相机平面偏差造成的仪表图像畸变,通Hough变换检测仪表的表盘与指针完成仪表读数识别。徐丽等人提出了一种基于迭代最大类间方差的算法,实现了指针式仪表读数高精度识别系统,对光照条件、指针宽度、表盘干扰以及拍摄角度等干扰具有较好鲁棒性。房桦等人提出一种适合智能变电站巡检机器人室外工作环境的双指针式仪表设备读数的识别算法,首先针对双针仪表设备图像建立仪表模板,利用尺度不变特征变换算法,在输入图像中匹配提取仪表表盘区域子图像,利用快速Hough变换检测2条指针中心线,完成指针读数。Yang等人提出一种二进制描述器来获取指针的区域,再利用基于圆基区域累加梯度的方法来精确定位指针位置。李祖贺等人提出了一种采用帧差分法和角度法自动识别指针仪表读数的方案,并且为解决残缺指针区域的质心偏移问题提出了一种利用区域极值点确定指针质心的方法。
现有的变电站巡检机器人采用特征点匹配的方式进行二次对准时,通常需要根据每一对配对特征点的平移像素偏差求出平均像素偏差,再根据平均像素偏差进行二次对准,导致计算量大,对准效率慢。
发明内容
为了克服现有技术的缺陷,本发明所要解决的技术问题在于提出一种基于深度学习的仪表定位与识别系统,相对现有的二次校准技术,取得更快的校准速率,并结合深度学习目标检测技术,在仪表检测准确率以及检测速度上均得到了更佳的实际效果。
为达此目的,本发明采用以下技术方案:
本发明提供的一种基于深度学习的仪表定位与识别系统,包括以下步骤;步骤S00:变电站机器人移至预置位,采集变电站仪表实时图像;步骤S10:根据预置模板图像进行特征匹配,所述预置模板图形仅包含单个仪表,计算仪表实时图像中心点像素偏移量,以控制变电站机器人的云台角度调整对应的偏移量;步骤S20:根据仪表实时图像像素偏移量和云台视场角的对应关系,驱动云台进行对准、变焦,获取只包含预置位的仪表高清图像;步骤S30:对获得的仪表高清图像进行识别获取读数。
本发明优选地技术方案在于,步骤S11:在步骤S10中特征匹配时,通过SIFT特征匹配的方法,提取实时图像和预置的模板图像的特征点,RANSAC算法筛选特征点并建立单应矩阵,根据所述实时图像的中心点坐标,通过映射关系确定预置的模板图像中心点在实时图像中的像素坐标。
本发明优选地技术方案在于,步骤S21:在步骤S20中获取仪表高清图像之后,利用目标定位算法对所获取的仪表高清图像进行仪表检测,根据输出的检测框坐标,将表盘图像从原图中分割出,以规避变电站复杂背景对仪表识别的影响。
本发明优选地技术方案在于,步骤S31:所述步骤S30中进行识别获取读数时,在将表盘图像从原图中分割出后,对表盘图像进行霍夫圆检测,同时进行椭圆连通域筛选,结合两种方法得到圆表盘。
本发明优选地技术方案在于,步骤S32:在步骤S31之后,对圆形表盘边框进行形态学腐蚀,并筛选指针连通域,拟合指针直线,确定指针角度。
本发明优选地技术方案在于,步骤S33:在步骤S32之后,以指针线为中轴,提取120度大小的圆环区域作为前景,其他作为背景填充,送入训练完的EAST模型进行检测,EAST算法检测刻度数字,根据到指针的距离最小筛选两边最近数字框。
本发明优选地技术方案在于,步骤S34:在步骤S33之后,筛选所得刻度数字,计算两边数字框中心到表盘圆心的角度,并利用crnn模型识别刻度数字;对于识别结果结合指针角度和两边数字框角度,换算出最终读数。
本发明优选地技术方案在于,在步骤S21中,在利用目标定位算法对所获取的仪表高清图像进行仪表检测时,在得到唯一检测框时,根据输出的检测框坐标,将表盘图像从原图中分割出;在未得到唯一检测框时,若存在检测框则对所有检测框两两之间进行IOU计算,大于某一阈值的被认为是同一目标,计算并集框并从原图中分割,剔除小于IOU阈值的框。
本发明的有益效果为:
本发明提供的一种基于深度学习的仪表定位与识别系统,包括以下步骤;步骤S00:变电站机器人移至预置位,采集变电站仪表实时图像;步骤S10:根据预置模板图像进行特征匹配,计算像素偏移量,以控制变电站机器人的云台角度调整对应的偏移量;步骤S20:驱动云台进行对准、变焦,获取只包含预置位的仪表高清图像;步骤S30:对获得的仪表高清图像进行识别获取读数。通过二次定位获取高清表盘图像,再通过目标检测算法定位仪表,结合传统图像算法,确保仪表定位准确。在仪表检测准确率以及检测速度上均得到了更佳的实际效果。
附图说明
图1是本发明具体实施方式中提供的基于深度学习的仪表定位与识别系统流程示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示,本实施例提供一种基于深度学习的仪表定位与识别系统,包括以下步骤;步骤S00:变电站机器人移至预置位,采集变电站仪表实时图像;步骤S10:根据预置模板图像进行特征匹配,计算像素偏移量,以控制变电站机器人的云台角度调整对应的偏移量;步骤S20:驱动云台进行对准、变焦,获取只包含预置位的仪表高清图像;若没有获得只包含预置位的仪表高清图像时,则返回步骤S10,直到获得只包含预置位的仪表高清图像;S30:对获得的仪表高清图像进行识别获取读数。通过二次定位获取高清表盘图像,再通过目标检测算法定位仪表,结合传统图像算法,确保仪表定位准确。在仪表检测准确率以及检测速度上均得到了更佳的实际效果。
优选的,步骤S11:在步骤S10中特征匹配时,通过SIFT特征匹配的方法,提取实时图像和预置的模板图像的特征点,RANSAC算法筛选特征点并建立单应矩阵,根据所述实时图像的中心点坐标,通过映射关系确定预置的模板图像中心点在实时图像中的像素坐标。预置的模板图像应包含一部分仪表背景,以增加匹配到的SIFT角点数量,建立有效的单应矩阵;特征点预处理部分,通过RANSAC算法,对所有配对特征点进行去噪及无效点筛查处理,并根据预置图像的中心点坐标,通过单应矩阵坐标映射公式,计算出中心特征点在实时图像中的映射坐标;根据实时图像的中心点坐标与映射坐标的差值,得到平移像素偏差,根据平移像素偏差,计算出偏航角、俯仰角偏差,驱动所述机器人进行位置修正。
为了规避变电站复杂背景对仪表识别的影响,步骤S21:在步骤S20中获取仪表高清图像之后,利用目标定位算法对所获取的仪表高清图像进行仪表检测,根据输出的检测框坐标,将表盘图像从原图中分割出,以规避变电站复杂背景对仪表识别的影响。
优选的,步骤S31:所述步骤S30中进行识别获取读数时,在将表盘图像从原图中分割出后,对表盘图像进行霍夫圆检测,同时进行椭圆连通域筛选,结合两种方法得到圆表盘。对所分割的表盘图像灰度化、去噪、增强、二值化,并检测边缘,霍夫变换圆检测,设置合适的参数,输出单个检测圆,同时筛选表盘连通域;对连通域做最小外接矩形,并拟合椭圆,若其椭圆心点和霍夫圆位于同一区域,且椭圆长轴与检测的圆直径最小,认为该椭圆即为表盘区域,再利用椭圆长短轴的极点坐标,做透视变换以矫正表盘。若因仪表模糊,噪声过多,霍夫变换检测不到圆形时,对二值图进行形态学闭运算,并筛选最大连通域,在最大连通域区域内检测椭圆表盘。
优选的,步骤S32:在步骤S31之后,对圆形表盘边框进行形态学腐蚀,并筛选指针连通域,拟合指针直线,确定指针角度。对表盘外围进行形态学腐蚀后,得到只包含指针和刻度区域以及数字文字字符等前景的二值图像,对其进行联通域面积、形状特征的筛选,得到指针区域,并拟合指针直线,确定指针所在角度pointer_angle。
为排除其他非刻度字符对EAST检测所带来的干扰,步骤S33:在步骤S32之后,以指针线为中轴,提取120度大小的圆环区域作为前景,其他作为背景填充,送入训练完的EAST模型进行检测,EAST算法检测刻度数字,根据到指针的距离最小筛选两边最近数字框。采取以指针直线为中轴线,表盘圆心为中心,提取120度圆环区域作为前景图像,其他区域作为背景填充。
优选的,步骤S34:在步骤S33之后,筛选所得刻度数字,计算两边数字框中心到表盘圆心的角度,并利用crnn模型识别刻度数字;对于识别结果结合指针角度和两边数字框角度,换算出最终读数。利用crnn模型识别步骤五中所有EAST检测框内容,进一步将非数字字符剔除,最终保留与指针直线两边欧氏距离最小的两个数字框及其识别结果value1、value2,并计算角度thea1、thea2,根据步骤四中指针角度,换算得到最终的仪表读数,读数为:pointer_value = value1+(value2-value1)*(pointer_angle-thea1)/(thea2-thea1)。
优选的,在步骤S21中,在利用目标定位算法对所获取的仪表高清图像进行仪表检测时,在得到唯一检测框时,根据输出的检测框坐标,将表盘图像从原图中分割出;在未得到唯一检测框时,若存在检测框则对所有检测框两两之间进行IOU计算,大于某一阈值的被认为是同一目标,计算并集框并从原图中分割,剔除小于IOU阈值的框。利用训练模型检测仪表框,可能存在极少数漏检或者误检的框,对此采取不同的方法修正;存在误检框时,对所有检测框两两之间进行IOU计算,大于某一阈值的被认为是同一目标,计算并集框并从原图中分割,剔除小于IOU阈值的框,存在漏检时,转步骤S31。
本发明在机器人云台的二次校准中,相对现有的二次校准技术,取得更快的校准速率,并结合深度学习目标检测技术,在仪表检测准确率以及检测速度上均得到了更佳的实际效果;在仪表盘的分割中,结合多种图像处理方法,相比现有技术,提高了表盘的分割准确性;在仪表读数识别中,采取EAST+CRNN算法并结合传统图像处理技术,相比现在技术,在一定程度上提高识别准确率的同时,也增强了算法的通用性。
本发明是通过优选实施例进行描述的,本领域技术人员知悉,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。本发明不受此处所公开的具体实施例的限制,其他落入本申请的权利要求内的实施例都属于本发明保护的范围。
Claims (8)
1.一种基于深度学习的仪表定位与识别系统,其特征在于:
包括以下步骤;步骤S00:变电站机器人移至预置位,采集变电站仪表实时图像;
步骤S10:根据预置模板图像进行特征匹配,所述预置模板图形仅包含单个仪表,计算仪表实时图像中心点像素偏移量,以控制变电站机器人的云台角度调整对应的偏移量;
步骤S20:根据仪表实时图像像素偏移量和云台视场角的对应关系,驱动云台进行对准、变焦,获取只包含预置位的仪表高清图像;
步骤S30:对获得的仪表高清图像进行识别获取读数。
2.根据权利要求1所述的基于深度学习的仪表定位与识别系统,其特征在于:
步骤S11:在步骤S10中特征匹配时,通过SIFT特征匹配的方法,提取实时图像和预置的模板图像的特征点,RANSAC算法筛选特征点并建立单应矩阵,根据所述实时图像的中心点坐标,通过映射关系确定预置的模板图像中心点在实时图像中的像素坐标。
3.根据权利要求1所述的基于深度学习的仪表定位与识别系统,其特征在于:
步骤S21:在步骤S20中获取仪表高清图像之后,利用目标定位算法对所获取的仪表高清图像进行仪表检测,根据输出的检测框坐标,将表盘图像从原图中分割出,以规避变电站复杂背景对仪表识别的影响。
4.根据权利要求3所述的基于深度学习的仪表定位与识别系统,其特征在于:
步骤S31:所述步骤S30中进行识别获取读数时,在将表盘图像从原图中分割出后,对表盘图像进行霍夫圆检测,同时进行椭圆连通域筛选,结合两种方法得到圆表盘。
5.根据权利要求4所述的基于深度学习的仪表定位与识别系统,其特征在于:
步骤S32:在步骤S31之后,对圆形表盘边框进行形态学腐蚀,并筛选指针连通域,拟合指针直线,确定指针角度。
6.根据权利要求5所述的基于深度学习的仪表定位与识别系统,其特征在于:
步骤S33:在步骤S32之后,以指针线为中轴,提取120度大小的圆环区域作为前景,其他作为背景填充,送入训练完的EAST模型进行检测,EAST算法检测刻度数字,根据到指针的距离最小筛选两边最近数字框。
7.根据权利要求6所述的基于深度学习的仪表定位与识别系统,其特征在于:
步骤S34:在步骤S33之后,筛选所得刻度数字,计算两边数字框中心到表盘圆心的角度,并利用crnn模型识别刻度数字;对于识别结果结合指针角度和两边数字框角度,换算出最终读数。
8.根据权利要求3所述的基于深度学习的仪表定位与识别系统,其特征在于:
在步骤S21中,在利用目标定位算法对所获取的仪表高清图像进行仪表检测时,在得到唯一检测框时,根据输出的检测框坐标,将表盘图像从原图中分割出;
在未得到唯一检测框时,若存在检测框则对所有检测框两两之间进行IOU计算,大于某一阈值的被认为是同一目标,计算并集框并从原图中分割,剔除小于IOU阈值的框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010891680.6A CN111814919A (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的仪表定位与识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010891680.6A CN111814919A (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的仪表定位与识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814919A true CN111814919A (zh) | 2020-10-23 |
Family
ID=72860325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010891680.6A Pending CN111814919A (zh) | 2020-08-31 | 2020-08-31 | 一种基于深度学习的仪表定位与识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814919A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507871A (zh) * | 2020-12-09 | 2021-03-16 | 中国计量大学 | 一种巡检机器人及其检测方法 |
CN112990179A (zh) * | 2021-04-20 | 2021-06-18 | 成都阿莱夫信息技术有限公司 | 一种基于图片处理的单指针型表盘读数自动识别方法 |
CN113342061A (zh) * | 2021-04-22 | 2021-09-03 | 云南电网有限责任公司昆明供电局 | 一种变电站巡检机器人表计图像识别动态修正方法 |
CN113378663A (zh) * | 2021-05-25 | 2021-09-10 | 武汉理工大学 | 一种巡检指针式圆形仪表识别方法及装置 |
CN113536895A (zh) * | 2021-05-28 | 2021-10-22 | 立得空间信息技术股份有限公司 | 一种圆盘指针表计识别方法 |
CN113673509A (zh) * | 2021-07-28 | 2021-11-19 | 华南理工大学 | 一种基于图像文本的仪表检测分类方法 |
CN115841666A (zh) * | 2023-02-17 | 2023-03-24 | 江西小马机器人有限公司 | 一种仪表读数识别方法及系统 |
CN116189166A (zh) * | 2023-02-07 | 2023-05-30 | 台州勃美科技有限公司 | 一种仪表读数方法、装置及机器人 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228161A (zh) * | 2016-07-18 | 2016-12-14 | 电子科技大学 | 一种指针式表盘自动读数方法 |
CN109272000A (zh) * | 2018-09-10 | 2019-01-25 | 广东电网有限责任公司 | 一种机器人仪表对准和调焦方法及装置 |
CN110070536A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的pcb板元器件检测方法 |
CN110874596A (zh) * | 2019-11-06 | 2020-03-10 | 中国石油大学(北京) | 一种仪表智能识别预警方法及系统 |
-
2020
- 2020-08-31 CN CN202010891680.6A patent/CN111814919A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228161A (zh) * | 2016-07-18 | 2016-12-14 | 电子科技大学 | 一种指针式表盘自动读数方法 |
CN109272000A (zh) * | 2018-09-10 | 2019-01-25 | 广东电网有限责任公司 | 一种机器人仪表对准和调焦方法及装置 |
CN110070536A (zh) * | 2019-04-24 | 2019-07-30 | 南京邮电大学 | 一种基于深度学习的pcb板元器件检测方法 |
CN110874596A (zh) * | 2019-11-06 | 2020-03-10 | 中国石油大学(北京) | 一种仪表智能识别预警方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507871A (zh) * | 2020-12-09 | 2021-03-16 | 中国计量大学 | 一种巡检机器人及其检测方法 |
CN112507871B (zh) * | 2020-12-09 | 2023-07-14 | 中国计量大学 | 一种巡检机器人及其检测方法 |
CN112990179A (zh) * | 2021-04-20 | 2021-06-18 | 成都阿莱夫信息技术有限公司 | 一种基于图片处理的单指针型表盘读数自动识别方法 |
CN113342061A (zh) * | 2021-04-22 | 2021-09-03 | 云南电网有限责任公司昆明供电局 | 一种变电站巡检机器人表计图像识别动态修正方法 |
CN113378663A (zh) * | 2021-05-25 | 2021-09-10 | 武汉理工大学 | 一种巡检指针式圆形仪表识别方法及装置 |
CN113536895A (zh) * | 2021-05-28 | 2021-10-22 | 立得空间信息技术股份有限公司 | 一种圆盘指针表计识别方法 |
CN113673509A (zh) * | 2021-07-28 | 2021-11-19 | 华南理工大学 | 一种基于图像文本的仪表检测分类方法 |
CN113673509B (zh) * | 2021-07-28 | 2023-06-09 | 华南理工大学 | 一种基于图像文本的仪表检测分类方法 |
CN116189166A (zh) * | 2023-02-07 | 2023-05-30 | 台州勃美科技有限公司 | 一种仪表读数方法、装置及机器人 |
CN115841666A (zh) * | 2023-02-17 | 2023-03-24 | 江西小马机器人有限公司 | 一种仪表读数识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814919A (zh) | 一种基于深度学习的仪表定位与识别系统 | |
CN111931776B (zh) | 一种基于深度学习的双指针仪表读数方法 | |
CN111950330B (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN112949564A (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN110807355B (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN108764234B (zh) | 一种基于巡检机器人的液位仪表读数识别方法 | |
WO2022057103A1 (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN109993154B (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN112257676A (zh) | 一种指针式仪表读数方法、系统以及巡检机器人 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN111476246B (zh) | 应用于复杂环境下指针仪表鲁棒高效智读方法 | |
CN107729853A (zh) | 一种适用于变电站窄刻度指针式仪表的自动识别方法 | |
CN113570631B (zh) | 一种基于图像的指针式仪表智能识别方法及设备 | |
CN111325164B (zh) | 指针表示数识别方法、装置和电子设备 | |
CN107133623A (zh) | 一种基于背景差和圆心定位的指针位置精确检测方法 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
CN111539330A (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN112348018A (zh) | 基于巡检机器人的数显式仪表读数识别方法 | |
CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN116434208B (zh) | 一种用于仪表扇形区域的视觉识别方法 | |
CN109784257B (zh) | 一种变压器温度表检测与识别方法 | |
CN114898347A (zh) | 一种指针式仪表机器视觉识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |
|
RJ01 | Rejection of invention patent application after publication |