CN113591875A - 一种高精度指针式仪表识别方法 - Google Patents

一种高精度指针式仪表识别方法 Download PDF

Info

Publication number
CN113591875A
CN113591875A CN202110706865.XA CN202110706865A CN113591875A CN 113591875 A CN113591875 A CN 113591875A CN 202110706865 A CN202110706865 A CN 202110706865A CN 113591875 A CN113591875 A CN 113591875A
Authority
CN
China
Prior art keywords
instrument
preset
real
diagram
pointer
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
CN202110706865.XA
Other languages
English (en)
Other versions
CN113591875B (zh
Inventor
杨学文
甘和麟
罗皓月
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.)
Guizhou Guozhi Technology Co ltd
Original Assignee
Guizhou Guozhi Technology 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 Guizhou Guozhi Technology Co ltd filed Critical Guizhou Guozhi Technology Co ltd
Priority to CN202110706865.XA priority Critical patent/CN113591875B/zh
Publication of CN113591875A publication Critical patent/CN113591875A/zh
Application granted granted Critical
Publication of CN113591875B publication Critical patent/CN113591875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高精度指针式仪表识别方法，涉及仪表识别技术领域，目的是实现指针式仪表的高精度智能化识别，包括以下步骤：获取仪表场景RGB图，获取仪表实时图{Ii，j}和预置仪表图{I′i，j}，匹配预置图像特征点进行投影变换；裁剪仪表实时图和预置仪表图；转换到灰度空间；求仪表轮廓；为灰度空间仪表实时图位于仪表轮廓外的部分赋值0；确定表盘中心；进行概率霍夫直线检测得到候选段族；筛选候选段族组成新的候选段族；选取候选段族中的最长线段；根据最长线段求取仪表指针；根据仪表信息确定当前读数。实现了指针式仪表的智能化识别。

Description

一种高精度指针式仪表识别方法
技术领域
本发明涉及仪表识别技术领域，具体涉及一种高精度指针式仪表识别方法。
背景技术
现今的工业生产中，由于生产的自动化和更全面地监控生产过程，越来越多的仪表会在工厂中安装和投入使用。目前多靠人工对仪表盘进行读书和记载。
但是很多工厂环境恶劣，比如存在辐射等情况，由工作人员定时进入进行数据读取工程较为繁琐且仍然可能对人体造成危害，同时人工读取可能出现误差过大的情况，尤其是指针式仪表盘，读取角度对误差的影响很大。
因此，使用智能化识别方式取代人工读取指针式仪表可以提供准确率和工作效率。
发明内容
本发明公开了一种高精度指针式仪表识别方法，目的是实现指针式仪表的高精度智能化识别。
为了实现以上目的，本发明采取以下技术方案：
一种高精度指针式仪表识别方法，包括以下步骤：
步骤1：获取仪表场景RGB图，获取仪表实时图{Ii,j}和预置仪表图{I′i,j}，匹配预置图像特征点进行投影变换，求取透视矩阵A，将{Ii,j}的坐标用透视矩阵A映射得到{I″i,j}；
步骤2：根据预先转入的仪表区域信息{x,y,w,h}，对{I″i,j}进行裁剪，用裁剪区域作为新的仪表实时图{Ii,j}，同时对预置仪表图{I′i,j}进行裁剪，用裁剪区域作为新{I′i,j}；
步骤3：将{Ii,j}从RGB空间变换到灰度空间得到
Figure BDA0003131685640000011
Figure BDA0003131685640000021
Figure BDA0003131685640000022
和
Figure BDA0003131685640000023
分别代表对应点在红、绿和蓝通道的值；
步骤4：求取检测仪表的实际轮廓B；
步骤5：将
Figure BDA0003131685640000024
属于仪表实际轮廓B外部区域的像素赋值为0；
步骤6：将
Figure BDA0003131685640000025
的像素质心作为表盘中心O，像素质心的坐标为
Figure BDA0003131685640000026
步骤7：对
Figure BDA0003131685640000027
进行概率霍夫直线检测，得到候选线段族
Figure BDA0003131685640000028
步骤8：获取
Figure BDA0003131685640000029
中每条线段两端到表盘中心O的向量
Figure BDA00031316856400000210
若
Figure BDA00031316856400000211
则从
Figure BDA00031316856400000212
中剔除li组成新的
Figure BDA00031316856400000213
步骤9：取
Figure BDA00031316856400000214
中最长线段
Figure BDA00031316856400000215
步骤10：计算
Figure BDA00031316856400000216
两端与表盘中心O的距离，取最远端与表盘中心的连线段作为仪表指针
Figure BDA00031316856400000217
步骤11：根据仪表信息确定当前仪表读数。
优选地，所述步骤1包括以下步骤：
步骤101：获取仪表实时图{Ii,j}；
步骤102：获取预置仪表图{I′i,j}；
步骤103：分别提取仪表实时图和预置仪表图的ORB特征点，分别提取仪表实时图和预置仪表图的主方向，然后分别对仪表实时图和预置仪表图的进行旋转不变性处理，分别提取仪表实时图和预置仪表图的BRI EF特征描述子；
步骤104：比较仪表实时图的特征描述子和预置仪表图的相对应的特征描述子之间的汉明距离，获得其中的最小汉明距离distHmin；
步骤105：分别从仪表实时图和预置仪表图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对，i为特征点的序号，p和q中序号一致的组成一个特征点对，其中：
Figure BDA0003131685640000031
步骤106：PA≈Q，其中A为求透视矩阵且
Figure BDA0003131685640000032
Figure BDA0003131685640000033
用最小二乘法求A的最优解；
步骤107：将{Ii,j}的坐标用A映射到{I″i,j}。
优选地，所述步骤4包括以下步骤：
(a)对变幻到灰度空间的
Figure BDA0003131685640000034
进行高斯模糊，高斯核为3x3，σ＝0.1；
(b)利用canny算子获取仪表边缘图
Figure BDA0003131685640000035
(c)计算每一个边缘点处，边缘的切线矢量是
Figure BDA0003131685640000036
对
Figure BDA0003131685640000037
的5x5邻域非零像素点坐标集合
Figure BDA0003131685640000038
进行PCA分解，将分解得到的正方向作为
Figure BDA0003131685640000039
的方向；
(d)根据仪表边缘图
Figure BDA00031316856400000310
将
Figure BDA00031316856400000311
分解为多个不相交区域的集合{Si}；
(e)取一个空集
Figure BDA00031316856400000312
以
Figure BDA00031316856400000313
中心为核，随机近邻聚合
Figure BDA00031316856400000314
直到
Figure BDA00031316856400000315
面积大于
Figure BDA00031316856400000316
*∑area of Si；
(f)取
Figure BDA00031316856400000317
外包络作为仪表包络，取仪表包络对应的
Figure BDA00031316856400000318
子集
Figure BDA00031316856400000319
每个
Figure BDA00031316856400000320
对应Si的轮廓包络点集，按照边缘点在包络上的相邻关系重新排列
Figure BDA00031316856400000321
(g)取
Figure BDA00031316856400000322
对应的方向角{αj},αj∈[0,2π]；
(h)对″j-αj″曲线进行滑动中值滤波，滑动窗口大小为
Figure BDA00031316856400000323
其中a为
Figure BDA00031316856400000324
行、列中较小的值，即(a＝min(max(i)，max(j)))；
(i)对滤波后的″j-αj″曲线进行极值检测，若极值点数不为1则认为未检测到仪表，终止识别；若极值点数为1则进入下一步；
(j)用最小二乘法将″j-αj″拟合为直线，计算拟合方差δj；
(k)重复(e)-(j)过程10次，取使得δj最小的集合
Figure BDA0003131685640000041
作为仪表实际轮廓B。
优选地，所述步骤11中的仪表信息包括量程、表盘圆周角范围、表盘起始圆周角、表盘数据递增方向和零位圆周角。
本发明通过获取仪表场景的RGB图来进行信息处理实现指针式仪表的智能化识别；通过多次计算求取仪表轮廓减小计算产生的误差；提取多种仪表信息，如量程、表盘圆周角范围、表盘起始圆周角、表盘数据递增方向、零位圆周角辅助判断仪表实际的读数，提升了识别的精准度。
附图说明
图1为实施例1中的高精度指针式仪表识别方法的流程示意图。
具体实施方式
实施例1
本发明公开了一种高精度指针式仪表识别方法，其流程如图1所示，包括以下步骤：
步骤1：获取仪表场景RGB图，获取仪表实时图{Ii,j}和预置仪表图{I′i,j}，匹配预置图像特征点进行投影变换，求取透视矩阵A，将{Ii,j}的坐标用透视矩阵A映射得到{I″i,j}；为了实现这一步，本实施例采以下步骤：
步骤101：获取仪表实时图{Ii,j}；
步骤102：获取预置仪表图{I′i,j}；
步骤103：分别提取仪表实时图和预置仪表图的ORB特征点，分别提取仪表实时图和预置仪表图的主方向，然后分别对仪表实时图和预置仪表图的进行旋转不变性处理，分别提取仪表实时图和预置仪表图的BRIEF特征描述子；
步骤104：比较仪表实时图的特征描述子和预置仪表图的相对应的特征描述子之间的汉明距离，获得其中的最小汉明距离distHmin；
步骤105：分别从仪表实时图和预置仪表图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对，i为特征点的序号，p和q中序号一致的组成一个特征点对，其中：
Figure BDA0003131685640000051
步骤106：PA≈Q，其中A为求透视矩阵且
Figure BDA0003131685640000052
Figure BDA0003131685640000053
用最小二乘法求A的最优解；
步骤107：将{Ii,j}的坐标用A映射到{I″i,j}。
步骤2：根据预先转入的仪表区域信息{x,y,w,h}，对{I″i,j}进行裁剪，用裁剪区域作为新的仪表实时图{Ii,j}，同时对预置仪表图{I′i,j}进行裁剪，用裁剪区域作为新{I′i,j}；
步骤3：将{Ii,j}从RGB空间变换到灰度空间得到
Figure BDA0003131685640000054
Figure BDA0003131685640000055
Figure BDA0003131685640000056
和
Figure BDA0003131685640000057
分别代表对应点在红、绿和蓝通道的值；
步骤4：求取检测仪表的实际轮廓B；
作为优选方式，步骤4包括以下步骤：
(a)对变幻到灰度空间的
Figure BDA0003131685640000058
进行高斯模糊，高斯核为3x3，σ＝0.1；
(b)利用canny算子获取仪表边缘图
Figure BDA0003131685640000059
(c)计算每一个边缘点处，边缘的切线矢量是
Figure BDA00031316856400000510
对
Figure BDA00031316856400000511
的5x5邻域非零像素点坐标集合
Figure BDA00031316856400000512
进行PCA分解，将分解得到的正方向作为
Figure BDA00031316856400000513
的方向；
(d)根据仪表边缘图
Figure BDA00031316856400000514
将
Figure BDA00031316856400000515
分解为多个不相交区域的集合{Si}；
(e)取一个空集
Figure BDA00031316856400000516
以
Figure BDA00031316856400000517
中心为核，随机近邻聚合
Figure BDA00031316856400000518
直到
Figure BDA00031316856400000519
面积大于
Figure BDA00031316856400000520
*∑area of Si；
(f)取
Figure BDA0003131685640000061
外包络作为仪表包络，取仪表包络对应的
Figure BDA0003131685640000062
子集
Figure BDA0003131685640000063
每个
Figure BDA0003131685640000064
对应Si的轮廓包络点集，按照边缘点在包络上的相邻关系重新排列
Figure BDA0003131685640000065
(g)取
Figure BDA0003131685640000066
对应的方向角{αj},αj∈[0,2π]；
(h)对″j-αj″曲线进行滑动中值滤波，滑动窗口大小为
Figure BDA0003131685640000067
其中a为
Figure BDA0003131685640000068
行、列中较小的值，即(a＝min(max(i)，max(j)))；
(i)对滤波后的″j-αj″曲线进行极值检测，该曲线可以表示出轮廓的凸性，若极值点数不为1则认为未检测到仪表，终止识别；若极值点数为1则进入下一步；
(j)用最小二乘法将″j-αj″拟合为直线，计算拟合方差δj；
(k)重复(e)-(j)过程10次，取使得δj最小的集合
Figure BDA0003131685640000069
作为仪表实际轮廓B。
完成步骤4后接着进入步骤5。
步骤5：将
Figure BDA00031316856400000610
属于仪表实际轮廓B外部区域的像素赋值为0。
步骤6：将
Figure BDA00031316856400000611
的像素质心作为表盘中心O，像素质心的坐标为
Figure BDA00031316856400000612
步骤7：对
Figure BDA00031316856400000613
进行概率霍夫直线检测，得到候选线段族
Figure BDA00031316856400000614
步骤8：获取
Figure BDA00031316856400000615
中每条线段两端到表盘中心O的向量
Figure BDA00031316856400000616
若
Figure BDA00031316856400000617
则从
Figure BDA00031316856400000618
中剔除li组成新的
Figure BDA00031316856400000619
步骤9：取
Figure BDA00031316856400000620
中最长线段
Figure BDA00031316856400000621
步骤10：计算
Figure BDA00031316856400000622
两端与表盘中心O的距离，取最远端与表盘中心的连线段作为仪表指针
Figure BDA00031316856400000623
步骤11：根据仪表信息确定当前仪表读数。
为了更精准地识别，步骤209中的仪表信息包括量程、表盘圆周角范围、表盘起始圆周角、表盘数据递增方向和零位圆周角。

Claims (4)

1.一种高精度指针式仪表识别方法，其特征在于，包括以下步骤：
步骤1：获取仪表场景RGB图，获取仪表实时图{Ii，j}和预置仪表图{′i，j}，匹配预置图像特征点进行投影变换，求取透视矩阵A，将{Ii，j}的坐标用透视矩阵A映射得到{I″i，j}；
步骤2：根据预先转入的仪表区域信息{x，y，w，h}，对{I″i，j}进行裁剪，用裁剪区域作为新的仪表实时图{Ii，j}，同时对预置仪表图{′i，j}进行裁剪，用裁剪区域作为新{I′i，j}；
步骤3：将{Ii，j}从RGB空间变换到灰度空间得到
Figure FDA0003131685630000011
Figure FDA0003131685630000012
Figure FDA0003131685630000013
和
Figure FDA0003131685630000014
分别代表对应点在红、绿和蓝通道的值；
步骤4：求取检测仪表的实际轮廓B；
步骤5：将
Figure FDA0003131685630000015
属于仪表实际轮廓B外部区域的像素赋值为0；
步骤6：将
Figure FDA0003131685630000016
的像素质心作为表盘中心0，像素质心的坐标为
Figure FDA0003131685630000017
步骤7：对
Figure FDA0003131685630000018
进行概率霍夫直线检测，得到候选线段族
Figure FDA0003131685630000019
步骤8：获取
Figure FDA00031316856300000110
中每条线段两端到表盘中心0的向量
Figure FDA00031316856300000111
若
Figure FDA00031316856300000112
则从
Figure FDA00031316856300000113
中剔除li组成新的
Figure FDA00031316856300000114
步骤9：取
Figure FDA00031316856300000115
中最长线段
Figure FDA00031316856300000116
步骤10：计算
Figure FDA00031316856300000117
两端与表盘中心0的距离，取最远端与表盘中心的连线段作为仪表指针
Figure FDA00031316856300000118
步骤11：根据仪表信息确定当前仪表读数。
2.根据权利要求1所述的一种高精度指针式仪表识别方法，其特征在于，所述步骤1包括以下步骤：
步骤101：获取仪表实时图{Ii，j}；
步骤102：获取预置仪表图{′i，j}；
步骤103：分别提取仪表实时图和预置仪表图的ORB特征点，分别提取仪表实时图和预置仪表图的主方向，然后分别对仪表实时图和预置仪表图的进行旋转不变性处理，分别提取仪表实时图和预置仪表图的BRIEF特征描述子；
步骤104：比较仪表实时图的特征描述子和预置仪表图的相对应的特征描述子之间的汉明距离，获得其中的最小汉明距离distHmin；
步骤105：分别从仪表实时图和预置仪表图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对，i为特征点的序号，p和q中序号一致的组成一个特征点对，其中：
Figure FDA0003131685630000021
步骤106：PA≈Q，其中A为求透视矩阵且
Figure FDA0003131685630000022
Figure FDA0003131685630000023
用最小二乘法求A的最优解；
步骤107：将{Ii，j}的坐标用A映射到{I″i，j}。
3.根据权利要求2所述的一种高精度指针式仪表识别方法，其特征在于，所述步骤4包括以下步骤：
(a)对变幻到灰度空间的
Figure FDA0003131685630000024
进行高斯模糊，高斯核为3x3，σ＝0.1；
(b)利用canny算子获取仪表边缘图
Figure FDA0003131685630000025
(c)计算每一个边缘点处，边缘的切线矢量是
Figure FDA0003131685630000026
对
Figure FDA0003131685630000027
的5x5邻域非零像素点坐标集合
Figure FDA0003131685630000028
进行PCA分解，将分解得到的正方向作为
Figure FDA0003131685630000029
的方向；
(d)根据仪表边缘图
Figure FDA0003131685630000031
将
Figure FDA0003131685630000032
分解为多个不相交区域的集合{Si}；
(e)取一个空集
Figure FDA0003131685630000033
以
Figure FDA0003131685630000034
中心为核，随机近邻聚合
Figure FDA0003131685630000035
直到
Figure FDA0003131685630000036
面积大于
Figure FDA0003131685630000037
(f)取
Figure FDA0003131685630000038
外包络作为仪表包络，取仪表包络对应的
Figure FDA0003131685630000039
子集
Figure FDA00031316856300000310
每个
Figure FDA00031316856300000311
对应Si的轮廓包络点集，按照边缘点在包络上的相邻关系重新排列
Figure FDA00031316856300000312
(g)取
Figure FDA00031316856300000313
对应的方向角{αj}，αj∈[0，2π]；
(h)对″j-αj″曲线进行滑动中值滤波，滑动窗口大小为
Figure FDA00031316856300000314
其中a为
Figure FDA00031316856300000315
行、列中较小的值，即(a＝min(max(i)，max(j)))；
(i)对滤波后的″j-αj″曲线进行极值检测，若极值点数不为1则认为未检测到仪表，终止识别；若极值点数为1则进入下一步；
(j)用最小二乘法将″j-αj″拟合为直线，计算拟合方差δj；
(k)重复(e)-(j)过程10次，取使得δj最小的集合
Figure FDA00031316856300000316
作为仪表实际轮廓B。
4.根据权利要求2所述的一种高精度指针式仪表识别方法，其特征在于：所述步骤11中的仪表信息包括量程、表盘圆周角范围、表盘起始圆周角、表盘数据递增方向和零位圆周角。
CN202110706865.XA 2021-06-24 2021-06-24 一种高精度指针式仪表识别方法 Active CN113591875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110706865.XA CN113591875B (zh) 2021-06-24 2021-06-24 一种高精度指针式仪表识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110706865.XA CN113591875B (zh) 2021-06-24 2021-06-24 一种高精度指针式仪表识别方法

Publications (2)

Publication Number Publication Date
CN113591875A true CN113591875A (zh) 2021-11-02
CN113591875B CN113591875B (zh) 2023-09-08

Family

ID=78244551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110706865.XA Active CN113591875B (zh) 2021-06-24 2021-06-24 一种高精度指针式仪表识别方法

Country Status (1)

Country Link
CN (1) CN113591875B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114371897A (zh) * 2021-12-30 2022-04-19 歌尔科技有限公司 一种表盘界面显示方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010055425A1 (en) * 2000-02-01 2001-12-27 Ming-Yee Chiu Method and apparatus for monitoring an analog meter
CN106599897A (zh) * 2016-12-09 2017-04-26 广州供电局有限公司 基于机器视觉的指针式仪表读数识别方法及装置
CN109948469A (zh) * 2019-03-01 2019-06-28 吉林大学 基于深度学习的巡检机器人仪表自动检测识别方法
CN112488030A (zh) * 2020-12-11 2021-03-12 华能华家岭风力发电有限公司 一种基于机器视觉的指针式仪表读表方法
CN112613429A (zh) * 2020-12-28 2021-04-06 上海智能制造系统创新中心有限公司 一种基于机器视觉适用于多视角图像指针式仪表读数方法
CN112699876A (zh) * 2021-03-24 2021-04-23 中海油能源发展股份有限公司采油服务分公司 一种用于集气站多类型仪表自动读数方法
US20210142102A1 (en) * 2019-11-13 2021-05-13 Battelle Energy Alliance, Llc Automated gauge reading and related systems, methods, and devices

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010055425A1 (en) * 2000-02-01 2001-12-27 Ming-Yee Chiu Method and apparatus for monitoring an analog meter
CN106599897A (zh) * 2016-12-09 2017-04-26 广州供电局有限公司 基于机器视觉的指针式仪表读数识别方法及装置
CN109948469A (zh) * 2019-03-01 2019-06-28 吉林大学 基于深度学习的巡检机器人仪表自动检测识别方法
US20210142102A1 (en) * 2019-11-13 2021-05-13 Battelle Energy Alliance, Llc Automated gauge reading and related systems, methods, and devices
CN112488030A (zh) * 2020-12-11 2021-03-12 华能华家岭风力发电有限公司 一种基于机器视觉的指针式仪表读表方法
CN112613429A (zh) * 2020-12-28 2021-04-06 上海智能制造系统创新中心有限公司 一种基于机器视觉适用于多视角图像指针式仪表读数方法
CN112699876A (zh) * 2021-03-24 2021-04-23 中海油能源发展股份有限公司采油服务分公司 一种用于集气站多类型仪表自动读数方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张雪飞 等: ""多类指针式仪表识别读数算法研究"", 《电测与仪表》, vol. 57, no. 16, pages 147 - 152 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114371897A (zh) * 2021-12-30 2022-04-19 歌尔科技有限公司 一种表盘界面显示方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113591875B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN103759758B (zh) 一种基于机械角度和刻度识别的汽车仪表指针的位置检测方法
CN108918526B (zh) 一种柔性ic封装基板线路的缺口缺陷检测方法
CN108960237B (zh) 一种指针式油位计读数识别方法
CN114549835B (zh) 一种基于深度学习的指针式仪表矫正识别方法及装置
CN112613429A (zh) 一种基于机器视觉适用于多视角图像指针式仪表读数方法
CN109284718B (zh) 面向巡检机器人的变视角多仪表同时识别方法
CN108573511B (zh) 点状分布合作编码标志及其识别定位方法
CN107145890A (zh) 一种远距离多视角环境下的指针式仪表盘自动读数方法
CN103292701A (zh) 基于机器视觉的精密器件在线尺寸测量方法
CN109409290B (zh) 一种温度表检定读数自动识别系统及方法
CN110111387B (zh) 一种基于表盘特征的指针表定位及读数方法
CN106557751A (zh) 一种带颜色指示信息的指针式压力表自动读数方法
CN103729631A (zh) 一种基于视觉的连接器表面特征自动识别方法
CN115713694A (zh) 一种土地测绘信息管理方法
CN116309577B (zh) 一种高强传送带物料智能检测方法及系统
CN110659637A (zh) 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法
CN111950559A (zh) 一种基于径向灰度的指针仪表自动读数方法
CN114792104A (zh) 一种环型编码点的识别解码方法
CN113591875A (zh) 一种高精度指针式仪表识别方法
CN114863129A (zh) 仪表数值分析方法、装置、设备及存储介质
CN115760860B (zh) 一种基于dxf文件导入的多类型工件尺寸视觉测量方法
CN111256607B (zh) 一种基于三通道标志点的变形测量方法
CN110689586B (zh) 中医智能舌诊中的舌像识别方法和用于该方法的便携式校正色卡
CN114998571A (zh) 基于固定尺寸标志物的图像处理及颜色检测方法

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
GR01 Patent grant
GR01 Patent grant