CN112232209A - 用于变电站巡检机器人的指针式仪表盘读数的识别方法 - Google Patents
用于变电站巡检机器人的指针式仪表盘读数的识别方法 Download PDFInfo
- Publication number
- CN112232209A CN112232209A CN202011108090.8A CN202011108090A CN112232209A CN 112232209 A CN112232209 A CN 112232209A CN 202011108090 A CN202011108090 A CN 202011108090A CN 112232209 A CN112232209 A CN 112232209A
- Authority
- CN
- China
- Prior art keywords
- pointer
- chain code
- mode
- arc line
- instrument panel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007689 inspection Methods 0.000 title claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000005670 electromagnetic radiation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
一种用于变电站巡检机器人的指针式仪表盘读数的识别方法，采用步骤为：步骤一：采集待识别仪表盘的正面图像数据作为模板图像；步骤二：将模板图像的轮廓按照8链码方式进行编码；步骤三：将待匹配图像数据的轮廓信息按照8链码方式保持，并采用滑动窗口的模式来寻找与模板图匹配度最高的区域链码信息；步骤四：在模板图像中用轮廓的方式制作指针表量程的弧线，并通过仿射变换矩阵投影到待匹配图像上；步骤五：延长指针直线，将经过仿射变换后的量程弧线分割成两部分，并计算每一部分弧线的长度；步骤六：通过分割后弧线的长度与总长度的比值再乘以满量程的取值，推算出指针表的读数。
Description
技术领域
本发明涉及测量仪器技术领域，具体涉及用于变电站巡检机器人的指针式仪表盘读数的识别方法。
背景技术
变电站的仪表是处在一个高电磁辐射的环境下，对人体的危害极大，长期工作会引发人体的各项功能指标下降。巡检机器人是提高智能化、自动化水平的重要设备之一，利用巡检机器人在变电站高电磁辐射的环境下进行仪表盘数据的识别与记录，能够有效的避免相关人员因暴露在高电磁环境下诱发的各种疾病，同时也能够避免因人工读表存在的低效、误读等一系列问题，有效的降低了人工成本，提高了读表的准确度和效率。
目前针对指针式的仪表盘读数有大量的研究，包括基于图像的指针式仪表盘读数识别、基于深度学习的指针式仪表盘读数识别、基于空间坐标变换的指针式仪表盘读数识别。由于变电站是处在一个高电磁辐射的环境下，会导致巡检机器人在定位精度上会存在误差，造成巡检机器人每次拍摄的图像数据会存在差异，从而导致已有的技术不能够对仪表盘的指针读数进行一个精确的识别。
发明内容
本发明针对现有技术的不足，提出一种用于变电站巡检机器人的指针式仪表盘读数的识别方法，具体技术方案如下：
一种用于变电站巡检机器人的指针式仪表盘读数的识别方法，其特征在于，采用步骤为：
步骤一：采集待识别仪表盘的正面图像数据作为模板图像；
步骤二：将模板图像的轮廓按照8链码方式进行编码；
步骤三：将待匹配图像数据的轮廓信息按照8链码方式保持，并采用滑动窗口的模式来寻找与模板图匹配度最高的区域链码信息；
步骤四：在模板图像中用轮廓的方式制作指针表量程的弧线，并通过仿射变换矩阵投影到待匹配图像上；
步骤五：延长指针直线，将经过仿射变换后的量程弧线分割成两部分，并计算每一部分弧线的长度；
步骤六：通过分割后弧线的长度与总长度的比值再乘以满量程的取值，推算出指针表的读数。
作为优化：所述步骤二中8链码方式进行编码的具体为，从曲线起点S开始，按照顺时针方向观察每一线段走向并用指示符表示，对应公式如下：
其中，S表示轮廓的起点坐标，N＝8表示按照8链码的方式进行编码，此链码具有平移不变性；当起点S改变时，会得到不同的链码，对此，引入归一化的链码方式，将链码按照一个方向循环，使其构成的自然数最小，此时就形成了起点的唯一的链码，也就是归一化链码。
作为优化：所述步骤三中，采用滑动窗口的模式来寻找与模板图匹配度最高的区域链码信息，具体为，分析指针与背景区分明显，采用单通道阈值分割的方式提取指针，并取其轮廓，对轮廓采用直线检测的方式将其分割成若干条之间，筛选最长的直线作为指针。
本发明的有益效果为：采用轮廓模板匹配的方式，能极大程度上排除因天气、拍摄角度、拍摄距离的影响，由于采用轮廓特征来计算指针表读数，极大的提高了检测速度和识别精度；通过图像的方式进行读数，代替人工方式，避免因人工读表存在的低效、误读等一系列问题，也更好的保护工作人员。
附图说明
图1为本发明的流程示意图。
图2为本发明中8链码编码像素定义示意图。
图3为本发明中第一8链码编码的示意图。
图4为本发明中第二8链码编码的示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示：一种用于变电站巡检机器人的指针式仪表盘读数的识别方法，其特征在于采用步骤为：
步骤一：采集待识别仪表盘的正面图像数据作为模板图像，并提取模板图像与待识别图像共有的特征轮廓作为模板图像，提取模板图像和巡检机器人拍摄的现场图像中保持不变的特征轮廓作为模板轮廓，以此轮廓作为参考信息进行目标图像的匹配，该方法的主要优点是匹配对象式图像的显著特征，极大的压缩了图像的变化信息量，具有计算量小，速度快，平移、旋转不变性等特点；
步骤二：将模板图像的轮廓按照8链码方式进行编码；从曲线起点S开始，按照顺时针方向观察每一线段走向并用指示符表示，对应公式如下：
其中，S表示轮廓的起点坐标，N＝8表示按照8链码的方式进行编码，此链码具有平移不变性；当起点S改变时，会得到不同的链码，对此，引入归一化的链码方式，将链码按照一个方向循环，使其构成的自然数最小，此时就形成了起点的唯一的链码，也就是归一化链码。具体的计算方式为：
如图2所示，按照水平、垂直和两条对角线方向，可以为相邻的两个像素点定义8各方向符，链码就是用线段的起点加上由这几个方向符所构成的一组数列。
按照8链码的方式，图3可以表示成为5565707001223324，将左图旋转90°得到右图，按照8链码的方式，图4可以表示成为7707121223445546，将这两个链码按照差分码的方式，将链码前面的方向数减去后面的方向数，并对结果做模8运算，即负数加8，得到图3所示的曲线的差分链码为01721710001071，图4所示的曲线的差分链码为01721710001071，可以得到，两图的差分码一致，保持了曲线的旋转不变性。
在不知道轮廓起点的情况下，将曲线的差分码归一化，算出差分码最小值后，图3为00010710172171，图4为00010700172171，可以得到两图的归一化差分码一致，从而可以得到两图的形状保持一致。
步骤三：将待匹配图像数据的轮廓信息按照8链码方式保持，并采用滑动窗口的模式来寻找与模板图匹配度最高的区域链码信息，具体为，分析指针与背景区分明显，采用单通道阈值分割的方式提取指针，并取其轮廓，对轮廓采用直线检测的方式将其分割成若干条之间，筛选最长的直线作为指针；
步骤四：在模板图像中用轮廓的方式制作指针表量程的弧线，并通过仿射变换矩阵投影到待匹配图像上；其中仿射变换矩阵具体为，模板轮廓的中心坐标设置为0，计算由模板轮廓的点与上述匹配度最好区域的对应点计算按照如下的公式计算仿射变换矩阵；
其中，x、y为模板坐标，x′、y′为匹配区域的坐标，通过上述计算得到仿射变换矩阵就确定了模板与待匹配图像中的对应关系。
步骤五：延长指针直线，将经过仿射变换后的量程弧线分割成两部分，并计算每一部分弧线的长度；
步骤六：通过分割后弧线的长度与总长度的比值再乘以满量程的取值，推算出指针表的读数。
Claims (3)
1.一种用于变电站巡检机器人的指针式仪表盘读数的识别方法，其特征在于采用步骤为：
步骤一：采集待识别仪表盘的正面图像数据作为模板图像；
步骤二：将模板图像的轮廓按照8链码方式进行编码；
步骤三：将待匹配图像数据的轮廓信息按照8链码方式保持，并采用滑动窗口的模式来寻找与模板图匹配度最高的区域链码信息；
步骤四：在模板图像中用轮廓的方式制作指针表量程的弧线，并通过仿射变换矩阵投影到待匹配图像上；
步骤五：延长指针直线，将经过仿射变换后的量程弧线分割成两部分，并计算每一部分弧线的长度；
步骤六：通过分割后弧线的长度与总长度的比值再乘以满量程的取值，推算出指针表的读数。
2.根据权利要求1所述用于变电站巡检机器人的指针式仪表盘读数的识别方法，其特征在于：所述步骤二中8链码方式进行编码的具体为，从曲线起点S开始，按照顺时针方向观察每一线段走向并用指示符表示，对应公式如下：
其中，S表示轮廓的起点坐标，N＝8表示按照8链码的方式进行编码，此链码具有平移不变性；当起点S改变时，会得到不同的链码，对此，引入归一化的链码方式，将链码按照一个方向循环，使其构成的自然数最小，此时就形成了起点的唯一的链码，也就是归一化链码。
3.根据权利要求1所述用于变电站巡检机器人的指针式仪表盘读数的识别方法，其特征在于：所述步骤三中，采用滑动窗口的模式来寻找与模板图匹配度最高的区域链码信息，具体为，分析指针与背景区分明显，采用单通道阈值分割的方式提取指针，并取其轮廓，对轮廓采用直线检测的方式将其分割成若干条之间，筛选最长的直线作为指针。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011108090.8A CN112232209A (zh) | 2020-10-16 | 2020-10-16 | 用于变电站巡检机器人的指针式仪表盘读数的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011108090.8A CN112232209A (zh) | 2020-10-16 | 2020-10-16 | 用于变电站巡检机器人的指针式仪表盘读数的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112232209A true CN112232209A (zh) | 2021-01-15 |
Family
ID=74119105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011108090.8A Pending CN112232209A (zh) | 2020-10-16 | 2020-10-16 | 用于变电站巡检机器人的指针式仪表盘读数的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232209A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408543A (zh) * | 2021-05-28 | 2021-09-17 | 南京林业大学 | 一种二维零件轮廓栅格化特征表示方法 |
| CN115331014A (zh) * | 2022-10-17 | 2022-11-11 | 暨南大学 | 一种基于机器视觉的指针仪表读数方法及系统、存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130035863A1 (en) * | 2010-09-10 | 2013-02-07 | Selman and Associates, Ltd. | System and method for fractionation of a well using a three dimensional wellbore profile with an executive dashboard |
| CN106650746A (zh) * | 2016-10-10 | 2017-05-10 | 国网江苏省电力公司无锡供电公司 | 基于角度步长的变电站指针式仪表识别方法 |
| CN108009535A (zh) * | 2017-11-21 | 2018-05-08 | 武汉中元华电科技股份有限公司 | 一种基于机器视觉的单指针仪表读数方法 |
| CN108629347A (zh) * | 2018-03-14 | 2018-10-09 | 武汉科技大学 | 变电站宽刻度指针式仪表自动识别方法 |
| CN109284718A (zh) * | 2018-09-26 | 2019-01-29 | 大连航佳机器人科技有限公司 | 面向巡检机器人的变视角多仪表同时识别方法 |
| US20190095739A1 (en) * | 2017-09-27 | 2019-03-28 | Harbin Institute Of Technology | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier |
| CN110110733A (zh) * | 2019-05-15 | 2019-08-09 | 深圳供电局有限公司 | 指针式仪表读数方法、装置、计算机设备和存储介质 |
| CN110503144A (zh) * | 2019-08-15 | 2019-11-26 | 南京天创电子技术有限公司 | 一种用于巡检机器人的指针式仪表识别方法 |
-
2020
- 2020-10-16 CN CN202011108090.8A patent/CN112232209A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130035863A1 (en) * | 2010-09-10 | 2013-02-07 | Selman and Associates, Ltd. | System and method for fractionation of a well using a three dimensional wellbore profile with an executive dashboard |
| CN106650746A (zh) * | 2016-10-10 | 2017-05-10 | 国网江苏省电力公司无锡供电公司 | 基于角度步长的变电站指针式仪表识别方法 |
| US20190095739A1 (en) * | 2017-09-27 | 2019-03-28 | Harbin Institute Of Technology | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier |
| CN108009535A (zh) * | 2017-11-21 | 2018-05-08 | 武汉中元华电科技股份有限公司 | 一种基于机器视觉的单指针仪表读数方法 |
| CN108629347A (zh) * | 2018-03-14 | 2018-10-09 | 武汉科技大学 | 变电站宽刻度指针式仪表自动识别方法 |
| CN109284718A (zh) * | 2018-09-26 | 2019-01-29 | 大连航佳机器人科技有限公司 | 面向巡检机器人的变视角多仪表同时识别方法 |
| CN110110733A (zh) * | 2019-05-15 | 2019-08-09 | 深圳供电局有限公司 | 指针式仪表读数方法、装置、计算机设备和存储介质 |
| CN110503144A (zh) * | 2019-08-15 | 2019-11-26 | 南京天创电子技术有限公司 | 一种用于巡检机器人的指针式仪表识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 徐遵义等: "基于相机标定和最大连通区域算法的指针式仪表读数识别", 《现代电子技术》 * |
| 莫文雄等: "基于模版匹配和查表法的高精度指针式仪表自动检定系统研制", 《电测与仪表》 * |
| 那彦 等, 西安电子科技大学出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408543A (zh) * | 2021-05-28 | 2021-09-17 | 南京林业大学 | 一种二维零件轮廓栅格化特征表示方法 |
| CN113408543B (zh) * | 2021-05-28 | 2022-08-16 | 南京林业大学 | 一种二维零件轮廓栅格化特征表示方法 |
| CN115331014A (zh) * | 2022-10-17 | 2022-11-11 | 暨南大学 | 一种基于机器视觉的指针仪表读数方法及系统、存储介质 |
| CN115331014B (zh) * | 2022-10-17 | 2023-03-07 | 暨南大学 | 一种基于机器视觉的指针仪表读数方法及系统、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659636B (zh) | 基于深度学习的指针式仪表读数识别方法 | |
| CN112906694B (zh) | 变电站倾斜式指针式仪表图像的读数矫正系统及方法 | |
| CN107609557B (zh) | 一种指针式仪表读数识别方法 | |
| US11900634B2 (en) | Method for adaptively detecting chessboard sub-pixel level corner points | |
| CN104657711B (zh) | 一种鲁棒的指针式仪表读数自动识别方法 | |
| CN104899609B (zh) | 一种基于图像配准的机械式表计识别方法 | |
| CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
| CN112257676A (zh) | 一种指针式仪表读数方法、系统以及巡检机器人 | |
| CN105160652A (zh) | 基于计算机视觉的手机外壳检验装置与方法 | |
| CN109284718B (zh) | 面向巡检机器人的变视角多仪表同时识别方法 | |
| CN111368906B (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
| CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
| CN112232209A (zh) | 用于变电站巡检机器人的指针式仪表盘读数的识别方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
| CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
| CN110909738A (zh) | 一种基于关键点检测的指针仪表自动读数方法 | |
| CN114663744A (zh) | 基于机器学习的仪表自动识别方法及系统 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN107239743B (zh) | 一种基于投影法的刻度线读数自动检测方法 | |
| Sowah et al. | An intelligent instrument reader: using computer vision and machine learning to automate meter reading | |
| CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
| CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
| CN114565911B (zh) | 一种仪表识读方法、装置、计算机设备和存储介质 | |
| CN113450384B (zh) | 基于编码标志信息的指针式表计物理信息读取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |