CN111931776A - 一种基于深度学习的双指针仪表读数方法 - Google Patents

一种基于深度学习的双指针仪表读数方法 Download PDF

Info

Publication number
CN111931776A
CN111931776A CN202011106083.4A CN202011106083A CN111931776A CN 111931776 A CN111931776 A CN 111931776A CN 202011106083 A CN202011106083 A CN 202011106083A CN 111931776 A CN111931776 A CN 111931776A
Authority
CN
China
Prior art keywords
pointer
image
instrument
connected domain
deep learning
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
CN202011106083.4A
Other languages
English (en)
Other versions
CN111931776B (zh
Inventor
黄乐乐
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.)
Jiangxi Xiaoma Robot Co ltd
Original Assignee
Jiangxi Xiaoma Robot 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 Jiangxi Xiaoma Robot Co ltd filed Critical Jiangxi Xiaoma Robot Co ltd
Priority to CN202011106083.4A priority Critical patent/CN111931776B/zh
Publication of CN111931776A publication Critical patent/CN111931776A/zh
Application granted granted Critical
Publication of CN111931776B publication Critical patent/CN111931776B/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
    • G06V20/60—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
    • 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
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (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双指针仪表读数方法，属于图像识别技术领域，具体包括以下步骤：对目标图像进行仪表检测，利用训练好的yolo v3目标检测模型将仪表框从原图中分割出；对仪表图像进行霍夫圆检测，同时进行椭圆连通域筛选，结合两种方法得到仪表圆形表盘，并进行表盘矫正；对矫正后的表盘图像进行去噪，灰度化，图像增强，二值化，形态学闭运算处理；根据表盘图像上指针的初始信息，粗筛选指针连通域，并对该指针连通域做外接矩形。该种基于深度学习的双指针仪表读数方法在复杂背景下的指针区域提取与刻度识别具有良好的准确性与通用性，可满足变电站实际应用需求。

Description

一种基于深度学习的双指针仪表读数方法
技术领域
本发明涉及图像识别技术领域，具体为一种基于深度学习的双指针仪表读数方法。
背景技术
在变电站巡检识别中，指针仪表种类繁多，在识别任务中占据了很大比重；基于数字图像处理技术的仪表自动识别技术能提高仪表检测效率，减少人为误差。现阶段，常见的指针式仪表检测方法有3种：步长法、圆周灰度检测法和Hough变换法。目前有很多单一指针识别算法研究成果，其大多基于人工标定关键点，再结合传统图像处理的方法，鲁棒性较差，仪表识别易受到各种光照、仪表玻璃盘的镜面反射和灰尘等因素的影响。另外，在仪表检测中，现有技术，一种是通过特征匹配的方法，其易受环境、复杂背景影响，仪表匹配速度慢，第二种是采用深度学习的检测方法，但往往存在少数漏检或者错检的情况，而在双指针仪表识别中，现有技术大多也是采用特征匹配或者模板匹配的方法来确定表盘中刻度和指针的位置，但这种方法通用性和识别效率较差，准确率受图像噪声影响大。
发明内容
本发明的目的是提供一种基于深度学习的双指针仪表读数方法，该方法在复杂背景下的指针区域提取与刻度识别具有良好的准确性与通用性，可满足变电站实际应用需求。
本发明具体采用如下技术方案：
一种基于深度学习的双指针仪表读数方法，其流程如图1所示，具体包括以下步骤：
步骤一：对目标图像进行仪表检测，利用训练好的yolo v3目标检测模型将仪表框从原图中分割出；
步骤二：对仪表图像进行霍夫圆检测，同时进行椭圆连通域筛选，结合两种方法得到仪表圆形表盘，并进行表盘矫正；
步骤三：对矫正后的表盘图像进行去噪，灰度化，图像增强，二值化，形态学闭运算处理；
步骤四：根据表盘图像上指针的初始信息，粗筛选指针连通域，并对该指针连通域做外接矩形；
步骤五：根据得到的指针连通域，对其外接矩形区域进行灰度直方图统计，并拟合得到波峰值；
步骤六：选取灰度阈值，对表盘低灰度区域进行灰度拉伸，进行自适应阈值二值化图像操作，并再次筛选双指针与刻度连通域；
步骤七：对以上筛选得到的二值连通域图像，和表盘原图做二进制‘与’运算操作，初步从原图像中分割出指针和刻度区域；
步骤八：利用训练好的Maskrcnn算法识别并分割出准确的双指针和刻度像素级区域；
步骤九：根据得到的刻度连通域，确定最小最大量程角度，同时拟合两根指针连通域线段，计算角度并利用角度比例换算最终读数。
进一步的，步骤一中，存在误检仪表框时，对所有检测出的仪表框两两之间进行IOU计算，存在漏检仪表框时，转至步骤二。
进一步的，步骤二中，在对仪表图像进行霍夫圆检测之前，先对该仪表图像进行灰度化、去噪、增强处理，并检测边缘。
进一步的，步骤二中，进行表盘矫正的具体方法为利用椭圆长短轴的极点坐标做透视变换以矫正表盘。
进一步的，步骤二中，当霍夫圆检测无法检测到圆形时，对所分割的仪表图像进行二值化处理，再对其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。
进一步的，步骤三中，对表盘图像进行形态学闭运算后，再对表盘图像外围进行泛洪填充。
进一步的，步骤四中，指针的初始信息包括有指针形状、指针位置。
进一步的，步骤五中，拟合得到的波峰值有三个，分别为真实指针灰度值、指针阴影灰度值和表盘背景灰度值。
进一步的，步骤六中，通过在真实指针灰度值和指针阴影灰度值之间遍历来选取灰度阈值。
综上所述，本发明具有以下有益效果：
1、该种基于深度学习的双指针仪表读数方法，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。
2、该种基于深度学习的双指针仪表读数方法，在指针分割中，为规避指针阴影对准确分割带来的影响，进行阈值灰度拉伸，并多次实验选取最佳阈值，并结合后续Maskrcnn再次分割，相比现有技术，很好的避免了指针阴影带来的影响。
3、该种基于深度学习的双指针仪表读数方法，采用传统连通域粗提取再结合Maskrcnn的方法来进行像素级分割，在刻度和指针的分割上均取得很高的准确度，相比现在技术，在一定程度上提高读数准确率的同时，也增强了算法的鲁棒性。
附图说明
图1为本发明的流程图。
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，所描述的实施例仅仅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。
一种基于深度学习的双指针仪表读数方法，其流程如图1所示，具体包括以下步骤：
步骤一：对目标图像进行仪表检测，利用训练好的yolo v3目标检测模型将仪表框从原图中分割出，以规避变电站复杂背景对仪表识别的影响，本步骤中，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，转步骤二；
步骤二：先对所分割的仪表图像进行灰度化、去噪、增强处理，并检测该图像边缘，再对上述处理之后的仪表图像进行霍夫圆检测，期间设置合适的参数，输出单个检测圆，同时筛选表盘连通域，并对该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。
以上步骤中，若因仪表模糊，噪声过多，霍夫圆检测无法检测到圆形时，对所分割的仪表图像进行二值化处理，再对其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。
步骤三：对矫正后的表盘图像进行去噪，灰度化，图像增强，二值化，形态学闭运算处理，对表盘外围进行形态学闭运算后，再对表盘外围进行泛洪填充，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、形状特征的粗筛选，得到包含指针阴影的指针和刻度的区域；
步骤四：根据表盘图像上指针形状、位置等初始信息，粗筛选指针连通域，并对该指针连通域做外接矩形；
步骤五：根据得到的指针连通域，在灰度图中截取到指针所在的矩形区域，对该区域进行灰度直方图统计，并拟合直方图曲线，得到三个波峰的灰度值，分别为真实指针灰度值、指针阴影灰度值和表盘背景灰度值。
步骤六：选取灰度阈值，为选取最佳灰度拉伸阈值，通过在真实指针灰度值和指针阴影灰度值之间遍历的方式，实验选取最佳阈值灰度拉伸阈值，对灰度拉伸后的图像进行自适应区域二值化操作，规避指针阴影的影响，以更好的区分出真实指针位置，并再次筛选双指针与刻度连通域区域；
步骤七：对以上筛选得到的二值连通域图像，和表盘原图做二进制‘与’运算操作，初步从原图像中分割出指针和刻度区域，以规避背景对后续细分割的影响；
步骤八：利用训练好的Maskrcnn算法识别并分割出准确的双指针和刻度像素级区域；
步骤九：根据得到的刻度连通域，确定最小最大量程角度，同时拟合两根指针连通域线段，计算角度并利用角度比例换算最终读数，本步骤中，求解到刻度的最小最大量程极值点，并计算角度thea1、thea2，分别拟合两根指针线段，计算角度得pointer_angle_1、pointer_angle_2，根据总量程value，得到读数为：
pointer_value_1=value*(pointer_angle_1-thea1)/(thea2-thea1)
pointer_value_2=value*(pointer_angle_2-thea1)/(thea2-thea1)。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (9)

1.一种基于深度学习的双指针仪表读数方法，该方法具体步骤如下：
步骤一：对目标图像进行仪表检测，利用训练好的yolo v3目标检测模型将仪表框从原图中分割出；
步骤二：对仪表图像进行霍夫圆检测，同时进行椭圆连通域筛选，结合两种方法得到仪表圆形表盘，并进行表盘矫正；
步骤三：对矫正后的表盘图像进行去噪，灰度化，图像增强，二值化，形态学闭运算处理；
步骤四：根据表盘图像上指针的初始信息，粗筛选指针连通域，并对该指针连通域做外接矩形；
步骤五：根据得到的指针连通域，对其外接矩形区域进行灰度直方图统计，并拟合得到波峰值；
步骤六：选取灰度阈值，对表盘低灰度区域进行灰度拉伸，进行自适应阈值二值化图像操作，并再次筛选双指针与刻度连通域；
步骤七：对以上筛选得到的二值连通域图像，和表盘原图做二进制‘与’运算操作，初步从原图像中分割出指针和刻度区域；
步骤八：利用训练好的Maskrcnn算法识别并分割出准确的双指针和刻度像素级区域；
步骤九：根据得到的刻度连通域，确定最小最大量程角度，同时拟合两根指针连通域线段，计算角度并利用角度比例换算最终读数。
2.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤一中，存在误检仪表框时，对所有检测出的仪表框两两之间进行IOU计算，存在漏检仪表框时，转至步骤二。
3.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤二中，在对仪表图像进行霍夫圆检测之前，先对该仪表图像进行灰度化、去噪、增强处理，并检测边缘。
4.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤二中，进行表盘矫正的具体方法为利用椭圆长短轴的极点坐标做透视变换以矫正表盘。
5.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤二中，当霍夫圆检测无法检测到圆形时，对所分割的仪表图像进行二值化处理，再对其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。
6.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤三中，对表盘图像进行形态学闭运算后，再对表盘图像外围进行泛洪填充。
7.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤四中，指针的初始信息包括有指针形状、指针位置。
8.如权利要求1所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤五中，拟合得到的波峰值有三个，分别为真实指针灰度值、指针阴影灰度值和表盘背景灰度值。
9.如权利要求8所述的一种基于深度学习的双指针仪表读数方法，其特征在于：步骤六中，通过在真实指针灰度值和指针阴影灰度值之间遍历来选取灰度阈值。
CN202011106083.4A 2020-10-16 2020-10-16 一种基于深度学习的双指针仪表读数方法 Active CN111931776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011106083.4A CN111931776B (zh) 2020-10-16 2020-10-16 一种基于深度学习的双指针仪表读数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011106083.4A CN111931776B (zh) 2020-10-16 2020-10-16 一种基于深度学习的双指针仪表读数方法

Publications (2)

Publication Number Publication Date
CN111931776A true CN111931776A (zh) 2020-11-13
CN111931776B CN111931776B (zh) 2021-04-09

Family

ID=73334507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011106083.4A Active CN111931776B (zh) 2020-10-16 2020-10-16 一种基于深度学习的双指针仪表读数方法

Country Status (1)

Country Link
CN (1) CN111931776B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288049A (zh) * 2020-12-29 2021-01-29 广东科凯达智能机器人有限公司 基于模板匹配和限制连通域指针定位的指针表读数方法
CN112651988A (zh) * 2021-01-13 2021-04-13 重庆大学 基于双指针定位的指形图像分割、指形板错台和紧固件异常检测方法
CN112861870A (zh) * 2021-02-02 2021-05-28 北京大学 指针式仪表图像矫正方法、系统及存储介质
CN113343864A (zh) * 2021-06-11 2021-09-03 广东电网有限责任公司 一种仪表盘指针检测方法、系统、设备及存储介质
CN113408551A (zh) * 2021-05-25 2021-09-17 深圳市富能新能源科技有限公司 指针仪表读数的识别方法、系统、设备及计算机存储介质
CN113780273A (zh) * 2021-07-19 2021-12-10 浙江理工大学 一种基于目标检测和关键点检测的水表指针读数读取方法
CN113791532A (zh) * 2021-09-16 2021-12-14 飞亚达精密科技股份有限公司 一种机器视觉走时检测方法及系统
CN114663680A (zh) * 2022-05-25 2022-06-24 天津大学四川创新研究院 一种温湿度表的示数识别系统和方法
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
CN116310285A (zh) * 2023-02-16 2023-06-23 武汉科技大学 一种基于深度学习的指针式仪表自动读数方法及系统
CN116844058A (zh) * 2023-08-30 2023-10-03 广州市扬新技术研究有限责任公司 一种指针式仪表示数的识别方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176228A (zh) * 2011-01-28 2011-09-07 河海大学常州校区 一种用于识别多个指针式仪表表盘信息的机器视觉方法
US20190095739A1 (en) * 2017-09-27 2019-03-28 Harbin Institute Of Technology Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier
CN109543682A (zh) * 2018-11-23 2019-03-29 电子科技大学 一种基于深度学习的指针式仪表读数方法
CN109993154A (zh) * 2019-04-19 2019-07-09 山东大学 变电站单指针式六氟化硫型仪表智能识别方法
CN110009651A (zh) * 2018-12-27 2019-07-12 浙江大学台州研究院 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
CN110197479A (zh) * 2019-05-23 2019-09-03 中国科学院力学研究所 一种表面改性质量检测方法
CN110705540A (zh) * 2019-11-25 2020-01-17 中国农业科学院农业信息研究所 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置
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
CN111045455A (zh) * 2019-12-31 2020-04-21 北京智新翼行科技有限公司 微型无人机室内走廊飞行航向角误差视觉修正方法
CN111414934A (zh) * 2020-01-21 2020-07-14 国网浙江省电力有限公司湖州供电公司 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法
CN111553345A (zh) * 2020-04-22 2020-08-18 上海浩方信息技术有限公司 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176228A (zh) * 2011-01-28 2011-09-07 河海大学常州校区 一种用于识别多个指针式仪表表盘信息的机器视觉方法
US20190095739A1 (en) * 2017-09-27 2019-03-28 Harbin Institute Of Technology Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier
CN109543682A (zh) * 2018-11-23 2019-03-29 电子科技大学 一种基于深度学习的指针式仪表读数方法
CN110009651A (zh) * 2018-12-27 2019-07-12 浙江大学台州研究院 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
CN109993154A (zh) * 2019-04-19 2019-07-09 山东大学 变电站单指针式六氟化硫型仪表智能识别方法
CN110197479A (zh) * 2019-05-23 2019-09-03 中国科学院力学研究所 一种表面改性质量检测方法
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
CN110705540A (zh) * 2019-11-25 2020-01-17 中国农业科学院农业信息研究所 基于rfid和深度学习的兽药生产指针式仪表图像识别方法和装置
CN111045455A (zh) * 2019-12-31 2020-04-21 北京智新翼行科技有限公司 微型无人机室内走廊飞行航向角误差视觉修正方法
CN111414934A (zh) * 2020-01-21 2020-07-14 国网浙江省电力有限公司湖州供电公司 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法
CN111553345A (zh) * 2020-04-22 2020-08-18 上海浩方信息技术有限公司 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘葵: "基于深度学习的指针式仪表示数识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
贺嘉琪: "基于深度学习的指针式仪表示数自动识别的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288049B (zh) * 2020-12-29 2021-04-13 广东科凯达智能机器人有限公司 基于模板匹配和限制连通域指针定位的指针表读数方法
CN112288049A (zh) * 2020-12-29 2021-01-29 广东科凯达智能机器人有限公司 基于模板匹配和限制连通域指针定位的指针表读数方法
CN112651988A (zh) * 2021-01-13 2021-04-13 重庆大学 基于双指针定位的指形图像分割、指形板错台和紧固件异常检测方法
CN112861870B (zh) * 2021-02-02 2023-10-24 北京大学 指针式仪表图像矫正方法、系统及存储介质
CN112861870A (zh) * 2021-02-02 2021-05-28 北京大学 指针式仪表图像矫正方法、系统及存储介质
CN113408551A (zh) * 2021-05-25 2021-09-17 深圳市富能新能源科技有限公司 指针仪表读数的识别方法、系统、设备及计算机存储介质
CN113343864A (zh) * 2021-06-11 2021-09-03 广东电网有限责任公司 一种仪表盘指针检测方法、系统、设备及存储介质
CN113780273A (zh) * 2021-07-19 2021-12-10 浙江理工大学 一种基于目标检测和关键点检测的水表指针读数读取方法
CN113791532A (zh) * 2021-09-16 2021-12-14 飞亚达精密科技股份有限公司 一种机器视觉走时检测方法及系统
CN113791532B (zh) * 2021-09-16 2022-07-29 飞亚达精密科技股份有限公司 一种机器视觉走时检测方法及系统
CN114663680A (zh) * 2022-05-25 2022-06-24 天津大学四川创新研究院 一种温湿度表的示数识别系统和方法
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
CN116310285A (zh) * 2023-02-16 2023-06-23 武汉科技大学 一种基于深度学习的指针式仪表自动读数方法及系统
CN116310285B (zh) * 2023-02-16 2024-02-27 科大集智技术湖北有限公司 一种基于深度学习的指针式仪表自动读数方法及系统
CN116844058A (zh) * 2023-08-30 2023-10-03 广州市扬新技术研究有限责任公司 一种指针式仪表示数的识别方法、装置、设备及存储介质
CN116844058B (zh) * 2023-08-30 2024-03-12 广州市扬新技术研究有限责任公司 一种指针式仪表示数的识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111931776B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN111931776B (zh) 一种基于深度学习的双指针仪表读数方法
CN112949564B (zh) 一种基于深度学习的指针式仪表自动读数方法
CN110672617B (zh) 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法
CN107679535B (zh) 一种基于模板匹配的指针式水表自动读数识别系统及方法
CN112149667B (zh) 一种基于深度学习的指针式仪表的自动读数的方法
CN112257676A (zh) 一种指针式仪表读数方法、系统以及巡检机器人
CN110569857B (zh) 一种基于质心距离计算的图像轮廓角点检测方法
CN111814919A (zh) 一种基于深度学习的仪表定位与识别系统
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN111325164B (zh) 指针表示数识别方法、装置和电子设备
CN107038444A (zh) 一种指针式表盘的图像识别方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN111598109A (zh) 一种变电站指针仪表读数智能识别方法
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN111476246A (zh) 应用于复杂环境下指针仪表鲁棒高效智读方法
CN110909772B (zh) 一种高精度实时多尺度表盘指针检测方法和系统
CN114495098A (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN115439523A (zh) 一种半导体器件引脚尺寸检测方法、设备及存储介质
CN117557565B (zh) 一种锂电池极片的检测方法及其装置
CN114998356A (zh) 一种基于图像处理的车桥缺陷检测方法
CN116385440B (zh) 一种弧形刀片视觉检测方法
CN118015064A (zh) 一种基于图像技术的椭圆形目标检测方法以及计算机可读存储介质
CN113408519A (zh) 一种基于模板旋转匹配的指针仪表读数的方法及系统
CN117522778A (zh) 一种空心砖瑕疵检测系统
CN111178111A (zh) 二维码检测方法、电子设备、存储介质及系统

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