CN113343969A - 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 - Google Patents
一种基于GBS-YOLOv5s的指针式仪表智能数显方法 Download PDFInfo
- Publication number
- CN113343969A CN113343969A CN202110687753.4A CN202110687753A CN113343969A CN 113343969 A CN113343969 A CN 113343969A CN 202110687753 A CN202110687753 A CN 202110687753A CN 113343969 A CN113343969 A CN 113343969A
- Authority
- CN
- China
- Prior art keywords
- pointer
- instrument
- straight line
- image
- gbs
- 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 44
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于GBS‑YOLOv5s的指针式仪表智能数显方法,属于仪表读数技术领域,包括目标检测—图像倾斜矫正—图像处理—指针识别—仪表读数计算,具体步骤如下:S1:目标检测,通过GhostBottleneck网络结构与SENet网络层融合构建新的GBS‑YOLOv5s网络,通过GBS‑YOLOv5s检测指针仪表区域;S2:图像倾斜矫正,对拍摄的倾斜的图像进行矫正;S3:图像处理,通过灰度化、高斯滤波、K‑Means二值化对S2矫正后的图像进行处理;S4:指针识别,构造一条虚拟旋转直线,与指针像素重合最多,确定指针位置;S5:仪表读数计算,根据S4指针识别的位置,结合表盘的量程利用角度比例关系得到读数值。本发明提高了目标指针仪表在复杂工业环境中更加精确的检测指针仪表区域,使得指针仪表读数计算读数更加精确。
Description
技术领域
本发明涉及仪表读数技术领域,尤其涉及一种基于GBS-YOLOv5s的指针式仪表智能数显方法。
背景技术
多年以来仪表识别的难点一直存在,摄像直读抄表,俗称"视觉抄表”,是一种通过手机或终端设备对水电气表拍照后利用图像识别算法将仪表照片自动识别为读数的智能抄表方案,具有使用范围广、安装简单、有图有真相、易于使用等特点,仪表表盘图像识别算法是视觉抄表中至关重要的一环。
现有技术在对指针仪表区域检测时,在网络参数量较大的情况下,以YOLOv5s网络进行检测,检测精度较低,为此,我们提出一种基于GBS-YOLOv5s的指针式仪表智能数显方法。
发明内容
本发明主要针对于现有技术中在网络参数量较大的情况下,以YOLOv5s网络进行检测,检测精度较低的问题,提供一种基于GBS-YOLOv5s的指针式仪表智能数显方法,提高了目标指针仪表在复杂工业环境中更加精确的检测指针仪表区域,使得指针仪表读数计算读数更加精确。
本发明的一种基于GBS-YOLOv5s的指针式仪表智能数显方法,包括目标检测—图像倾斜矫正—图像处理—指针识别—仪表读数计算,具体步骤如下:
S1:目标检测,通过GhostBottleneck网络结构与SENet网络层融合构建新的GBS-YOLOv5s网络,通过GBS-YOLOv5s检测指针仪表区域;
S2:图像倾斜矫正,对拍摄的倾斜的图像进行矫正,减少后续计算的误差;
S3:图像处理,通过灰度化、高斯滤波、K-Means二值化对S2矫正后的图像进行处理;
S4:指针识别,采用虚拟旋转指针直线拟合方法构造一条虚拟旋转直线,与指针像素重合最多,确定指针位置;
S5:仪表读数计算,根据S4指针识别的位置,结合表盘的量程利用角度比例关系得到读数值。
优选的,所述S2的方法为:利用卷积神经网络提取以表盘刻度数字为中心的关键点,并采用最小二乘法对关键点进行椭圆拟合,结合椭圆变换理论使用透视变换对仪表图像进行第一次倾斜矫正,再根据一对关于仪表竖直中轴线对称的关键点计算仪表相对于水平方向的旋转角度,以拟合椭圆的几何中心为旋转中心,旋转仪表图像实现第二次矫正。
优选的,S3中K-Means二值化的操作方法为:将输入数据看作样本集,通过K-Means可以实现样本聚类,把相似的样本看作一个类别,此时K取2进行处理,即分为黑、白两类,高斯滤波的操作方法为:用一个模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
优选的,所述S4的方法为:仪表图像通过S3处理之后,虚拟旋转拟合直线再以右侧0°顺时针绕仪表中心旋转360°,当拟合直线旋转经过目标指针,通过记录像素的重合度信息的方法,重合度最多,确定指针位置,并记录此时的角度,虚拟旋转拟合直线计算公式如下:
x=(x1-x0)×cos(i×π/180°)+x0 (1)
y=(x1-x0)×sin(i×π/180°)+y0 (2)
其中,(x0,y0)是仪表盘中心的坐标,(x,y)是虚拟旋转直线端点的坐标,i是虚拟直线旋转的角度,x1是指针长度。
优选的,所述S5的方法为:以(x0,y0)为起点,(x,y)为终点构造一条虚拟旋转拟合直线,在进行直线拟合之前需先通过寻找像素位置程序找到仪表中每个整数数值的坐标,把这些整数坐标存放在数组中,计算每个整数对应的角度,然后通过直线拟合中记录的角度与整数对应的角度进行计算得到最后的识别结果,假设指针指向在整数刻度值a和b之间,以虚拟直线起始为0°,角度r计算公式以及识别结果t的公式如下:
t=a+|b-a|×|(r-r1)/(r2-r1)| (4)
其中,(x,y)是确定指针之后的端点坐标,(x0,y0)是仪表盘中心的坐标,r是指针指向的角度,r1是a刻度值对应的角度,r2是b刻度值对应的角度。
本发明具有如下有益效果:
本发明的一种基于GBS-YOLOv5s的指针式仪表智能数显方法,包括目标检测—图像倾斜矫正—图像处理—指针识别—读数计算;本发明针对YOLOv5s的网络参数量较大,采用了GhostBottleneck网络结构与SENet网络层的融合进行检测精度上的提升,构建新的GBS-YOLOv5s网络,通过对相同数据集进行对比测试,测试结果GBS-YOLOv5s网络在检测精度方面优于YOLOv5s网络,在保证速度不变的情况下,提高了目标指针仪表在复杂工业环境中更加精确的检测指针仪表区域,从而使得指针仪表读数计算读数更加精确,同时还能降低仪表读数计算的时间。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是本发明的一种基于GBS-YOLOv5s的指针式仪表智能数显方法的流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1,本发明实施方式提供一种基于GBS-YOLOv5s的指针式仪表智能数显方法,包括目标检测—图像倾斜矫正—图像处理—指针识别—仪表读数计算,具体步骤如下:
S1:目标检测,通过GhostBottleneck网络结构与SENet网络层融合构建新的GBS-YOLOv5s网络,通过GBS-YOLOv5s检测指针仪表区域;
S2:图像倾斜矫正,对拍摄的倾斜的图像进行矫正,减少后续计算的误差;
S3:图像处理,通过灰度化、高斯滤波、K-Means二值化对S2矫正后的图像进行处理;
S4:指针识别,采用虚拟旋转指针直线拟合方法构造一条虚拟旋转直线,与指针像素重合最多,确定指针位置;
S5:仪表读数计算,根据S4指针识别的位置,结合表盘的量程利用角度比例关系得到读数值。
S2的方法为:利用卷积神经网络提取以表盘刻度数字为中心的关键点,并采用最小二乘法对关键点进行椭圆拟合,结合椭圆变换理论使用透视变换对仪表图像进行第一次倾斜矫正,再根据一对关于仪表竖直中轴线对称的关键点计算仪表相对于水平方向的旋转角度,以拟合椭圆的几何中心为旋转中心,旋转仪表图像实现第二次矫正,通过S2可以降低倾斜仪表产生的读数误差,为后续精确识别做准备,提高仪表图像识别的精确度。
S3中的K-Means二值化的操作方法为:将输入数据看作样本集,通过K-Means可以实现样本聚类,把相似的样本看作一个类别,此时K取2进行处理,即分为黑、白两类。高斯滤波的操作方法为:用一个模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
S4的方法为:仪表图像通过S3处理之后,虚拟旋转拟合直线再以右侧0°顺时针绕仪表中心旋转360°,当拟合直线旋转经过目标指针,通过记录像素的重合度信息的方法,重合度最多,确定指针位置,并记录此时的角度,虚拟旋转拟合直线计算公式如下:
x=(x1-x0)×cos(i×π/180°)+x0 (1)
y=(x1-x0)×sin(i×π/180°)+y0 (2)
其中,(x0,y0)是仪表盘中心的坐标,(x,y)是虚拟旋转直线端点的坐标,i是虚拟直线旋转的角度,x1是指针长度。
S5的方法为:以(x0,y0)为起点,(x,y)为终点构造一条虚拟旋转拟合直线,在进行直线拟合之前需先通过寻找像素位置程序找到仪表中每个整数数值的坐标,把这些整数坐标存放在数组中,计算每个整数对应的角度,然后通过直线拟合中记录的角度与整数对应的角度进行计算得到最后的识别结果,假设指针指向在整数刻度值a和b之间,以虚拟直线起始为0°,角度r计算公式以及识别结果t的公式如下:
t=a+|b-a|×|(r-r1)/(r2-r1)| (4)
其中,(x,y)是确定指针之后的端点坐标,(x0,y0)是仪表盘中心的坐标,r是指针指向的角度,r1是a刻度值对应的角度,r2是b刻度值对应的角度。
在上文中结合具体的示例性实施例详细描述了本发明。但是,应当理解,可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的,而不是限制性的,如果存在任何这样的修改和变型,那么它们都将落入在此描述的本发明的范围内。此外,背景技术旨在为了说明本技术的研发现状和意义,并不旨在限制本发明或本申请和本发明的应用领域。
更具体地,尽管在此已经描述了本发明的示例性实施例,但是本发明并不局限于这些实施例,而是包括本领域技术人员根据前面的详细描述可认识到的经过修改、省略、例如各个实施例之间的组合、适应性改变和/或替换的任何和全部实施例。权利要求中的限定可根据权利要求中使用的语言而进行广泛的解释,且不限于在前述详细描述中或在实施该申请期间描述的示例,这些示例应被认为是非排他性的。在任何方法或过程权利要求中列举的任何步骤可以以任何顺序执行并且不限于权利要求中提出的顺序。因此,本发明的范围应当仅由所附权利要求及其合法等同物来确定,而不是由上文给出的说明和示例来确定。
Claims (5)
1.一种基于GBS-YOLOv5s的指针式仪表智能数显方法,其特征在于,包括目标检测—图像倾斜矫正—图像处理—指针识别—仪表读数计算,具体步骤如下:
S1:目标检测,通过GhostBottleneck网络结构与SENet网络层融合构建新的GBS-YOLOv5s网络,通过GBS-YOLOv5s检测指针仪表区域;
S2:图像倾斜矫正,对拍摄的倾斜的图像进行矫正,减少后续计算的误差;
S3:图像处理,通过灰度化、高斯滤波、K-Means二值化对S2矫正后的图像进行处理;
S4:指针识别,采用虚拟旋转指针直线拟合方法构造一条虚拟旋转直线,与指针像素重合最多,确定指针位置;
S5:仪表读数计算,根据S4指针识别的位置,结合表盘的量程利用角度比例关系得到读数值。
2.根据权利要求1所述的一种基于GBS-YOLOv5s的指针式仪表智能数显方法,其特征在于,所述S2的方法为:利用卷积神经网络提取以表盘刻度数字为中心的关键点,并采用最小二乘法对关键点进行椭圆拟合,结合椭圆变换理论使用透视变换对仪表图像进行第一次倾斜矫正,再根据一对关于仪表竖直中轴线对称的关键点计算仪表相对于水平方向的旋转角度,以拟合椭圆的几何中心为旋转中心,旋转仪表图像实现第二次矫正。
3.根据权利要求1所述的一种基于GBS-YOLOv5s的指针式仪表智能数显方法,其特征在于,所述S3中K-Means二值化的操作方法为:将输入数据看作样本集,通过K-Means可以实现样本聚类,把相似的样本看作一个类别,此时K取2进行处理,即分为黑、白两类。高斯滤波的操作方法为:用一个模板扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
4.根据权利要求1所述的一种基于GBS-YOLOv5s的指针式仪表智能数显方法,其特征在于,所述S4的方法为:仪表图像通过S3处理之后,虚拟旋转拟合直线再以右侧0°顺时针绕仪表中心旋转360°,当拟合直线旋转经过目标指针,通过记录像素的重合度信息的方法,重合度最多,确定指针位置,并记录此时的角度,虚拟旋转拟合直线计算公式如下:
x=(x1-x0)×cos(i×π/180°)+x0 (1)
y=(x1-x0)×sin(i×π/180°)+y0 (2)
其中,(x0,y0)是仪表盘中心的坐标,(x,y)是虚拟旋转直线端点的坐标,i是虚拟直线旋转的角度,x1是指针长度。
5.根据权利要求1所述的一种基于GBS-YOLOv5s的指针式仪表智能数显方法,其特征在于,所述S5的方法为:以(x0,y0)为起点,(x,y)为终点构造一条虚拟旋转拟合直线,在进行直线拟合之前需先通过寻找像素位置程序找到仪表中每个整数数值的坐标,把这些整数坐标存放在数组中,计算每个整数对应的角度,然后通过直线拟合中记录的角度与整数对应的角度进行计算得到最后的识别结果,假设指针指向在整数刻度值a和b之间,以虚拟直线起始为0°,角度r计算公式以及识别结果t的公式如下:
t=a+|b-a|×|(r-r1)/(r2-r1)| (4)
其中,(x,y)是确定指针之后的端点坐标,(x0,y0)是仪表盘中心的坐标,r是指针指向的角度,r1是a刻度值对应的角度,r2是b刻度值对应的角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687753.4A CN113343969A (zh) | 2021-06-21 | 2021-06-21 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687753.4A CN113343969A (zh) | 2021-06-21 | 2021-06-21 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343969A true CN113343969A (zh) | 2021-09-03 |
Family
ID=77478305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687753.4A Pending CN113343969A (zh) | 2021-06-21 | 2021-06-21 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343969A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037992A (zh) * | 2021-10-28 | 2022-02-11 | 软通动力信息技术(集团)股份有限公司 | 仪表示数识别方法、装置、电子设备及存储介质 |
CN114596431A (zh) * | 2022-03-10 | 2022-06-07 | 北京百度网讯科技有限公司 | 信息确定方法、装置及电子设备 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及系统 |
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 |
CN110781901A (zh) * | 2019-10-29 | 2020-02-11 | 湖北工业大学 | 基于bp神经网络预测阈值的仪表重影字符识别方法 |
CN111062282A (zh) * | 2019-12-05 | 2020-04-24 | 武汉科技大学 | 基于改进yolov3模型的变电站指针式仪表识别方法 |
CN111860464A (zh) * | 2020-08-07 | 2020-10-30 | 成都交大光芒科技股份有限公司 | 变电所辅助监控系统指针读数识别补偿方法及装置 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
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 |
CN112906694A (zh) * | 2021-03-25 | 2021-06-04 | 中国长江三峡集团有限公司 | 变电站倾斜式指针式仪表图像的读数矫正系统及方法 |
CN112926501A (zh) * | 2021-03-23 | 2021-06-08 | 哈尔滨理工大学 | 一种基于YOLOv5网络结构的交通标志检测算法 |
-
2021
- 2021-06-21 CN CN202110687753.4A patent/CN113343969A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及系统 |
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 |
CN110781901A (zh) * | 2019-10-29 | 2020-02-11 | 湖北工业大学 | 基于bp神经网络预测阈值的仪表重影字符识别方法 |
CN111062282A (zh) * | 2019-12-05 | 2020-04-24 | 武汉科技大学 | 基于改进yolov3模型的变电站指针式仪表识别方法 |
CN111860464A (zh) * | 2020-08-07 | 2020-10-30 | 成都交大光芒科技股份有限公司 | 变电所辅助监控系统指针读数识别补偿方法及装置 |
CN112183647A (zh) * | 2020-09-30 | 2021-01-05 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的变电站设备声音故障检测及定位方法 |
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 |
CN112926501A (zh) * | 2021-03-23 | 2021-06-08 | 哈尔滨理工大学 | 一种基于YOLOv5网络结构的交通标志检测算法 |
CN112906694A (zh) * | 2021-03-25 | 2021-06-04 | 中国长江三峡集团有限公司 | 变电站倾斜式指针式仪表图像的读数矫正系统及方法 |
Non-Patent Citations (1)
Title |
---|
唐霞等: ""工业指针仪表智能识别系统设计"" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037992A (zh) * | 2021-10-28 | 2022-02-11 | 软通动力信息技术(集团)股份有限公司 | 仪表示数识别方法、装置、电子设备及存储介质 |
CN114596431A (zh) * | 2022-03-10 | 2022-06-07 | 北京百度网讯科技有限公司 | 信息确定方法、装置及电子设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343969A (zh) | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 | |
EP2921997B1 (en) | Two-dimensional code | |
US20190095739A1 (en) | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier | |
JP4950290B2 (ja) | 撮像装置、方法、システム集積回路、及びプログラム | |
WO2016101643A1 (zh) | 一种仪表数据读取方法及系统 | |
CN107609451A (zh) | 一种基于二维码的高精度视觉定位方法及系统 | |
CN111950330A (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
CN112257676A (zh) | 一种指针式仪表读数方法、系统以及巡检机器人 | |
CN108592950A (zh) | 一种单目相机和惯性测量单元相对安装角标定方法 | |
US9898637B2 (en) | Two-dimensional code | |
CN110852954B (zh) | 指针式仪表的图像倾斜校正方法及系统 | |
CN111383194A (zh) | 一种基于极坐标的相机畸变图像校正方法 | |
CN112801094B (zh) | 一种指针式仪表图像倾斜校正方法 | |
CN111738229B (zh) | 一种指针表盘刻度的自动读取方法 | |
CN105118086A (zh) | 3d-aoi设备中的3d点云数据配准方法及系统 | |
CN111368906A (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN114399677A (zh) | 一种基于文本区域读取的指针仪表识别方法 | |
CN106778588A (zh) | 基于同名点的飞行状态检测方法及装置 | |
CN114897705A (zh) | 一种基于特征优化的无人机遥感图像拼接方法 | |
CN113095316B (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
Rice et al. | Analysing fundamental properties of marker-based vision system designs | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN115512343A (zh) | 一种圆形指针式仪表校正和读数识别方法 | |
CN111931786B (zh) | 一种图像处理方法、装置及计算机可读存储介质 |
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: 20210903 |