CN114037993A - 变电站指针仪表读数方法、装置、存储介质以及电子设备 - Google Patents
变电站指针仪表读数方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN114037993A CN114037993A CN202111129644.7A CN202111129644A CN114037993A CN 114037993 A CN114037993 A CN 114037993A CN 202111129644 A CN202111129644 A CN 202111129644A CN 114037993 A CN114037993 A CN 114037993A
- Authority
- CN
- China
- Prior art keywords
- pointer
- dial
- dial plate
- image
- substation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种变电站指针仪表读数方法、装置、存储介质以及电子设备,该方法包括:获取无人机采集的变电站内若干指针仪表的图像,将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像,将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像,根据所述指针图像,获得变电站内若干指针仪表的读数,从而提高了指针仪表读数效率和精度,降低了人工成本。
Description
技术领域
本发明涉及工业仪表仪器技术技术领域,特别是涉及一种变电站指针仪表读数方法、装置、存储介质以及电子设备。
背景技术
指针仪表由于具备结构简单、维护方便、抗电磁干扰能力强等优点,在电力变电站得到了广泛使用。
然而,在电力变电站中使用的大量指针仪表中,由于指针仪表种类不同,对每个指针仪表进行人工读数,需要大量人工成本,不同种类的指针仪表读数规则也不同,要求专业人员进行读数识别,而且人工读数存在一定误差,甚至可能因为误判引发一些事故。
发明内容
基于此,本发明的目的在于,提供一种变电站指针仪表读数方法、装置、存储介质以及电子设备,其具有指针仪表读数效率和精度、降低人工成本的优点。
根据本申请实施例的第一方面,提供一种变电站指针仪表读数方法,包括如下步骤:
获取无人机采集的变电站内若干指针仪表的图像;
将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像;
将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像;
根据所述指针图像,获得变电站内若干指针仪表的读数。
根据本申请实施例的第二方面,提供一种变电站指针仪表读数装置,包括:
图像获取模块,用于获取无人机采集的变电站内若干指针仪表的图像;
表盘图像获得模块,用于将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像;
指针图像获得模块,用于将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像;
读数获得模块,用于根据所述指针图像,获得变电站内若干指针仪表的读数。
根据本申请实施例的第三方面,提供一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如上述任意一项所述的变电站指针仪表读数方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的变电站指针仪表读数方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明变电站指针仪表读数方法的流程示意图;
图2为本发明变电站指针仪表读数方法中训练表盘识别模型的流程示意图;
图3为本发明变电站指针仪表读数方法中训练语义分割模型的流程示意图;
图4为本发明变电站指针仪表读数方法中S40的流程示意图;
图5为本发明变电站指针仪表读数装置的结构框图;
图6为本发明变电站指针仪表读数装置读数获得模块54的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,本发明实施例提供一种变电站指针仪表读数方法,包括的步骤如下:
S10.获取无人机采集的变电站内若干指针仪表的图像。
数字仪表在大多数场景下已取代指针仪表,但变电站内通常存在电磁干扰,数字仪表容易受到影响,所以在变电站内使用指针仪表仍是第一选择,变电站内的油位检测、压力检测和电流检测等都采用指针仪表,例如变电站内的油枕油位表、断路器压力表、避雷器电流表等指针仪表。
在本申请实施例中,设置无人机在变电站内的巡检航线,无人机根据所述巡检航线进行自动巡检,在巡检过程中对各个指针仪表进行图片采集。
S20.将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像。
在本申请实施例中,将所述若干指针仪表的图像输入至表盘识别模型,所述表盘识别模型能够识别不同类型的表盘,获得指针仪表的表盘图像。
S30.将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像。
语义分割(Semantic Segmentation)是图像处理和是机器视觉技术中关于图像理解的重要一环,也是AI领域中一个重要的分支。语义分割即是对图像中每一个像素点进行分类,确定每个点的类别(如属于背景、人或车等),从而进行区域划分。
在本申请实施例中,将所述表盘图像输入至语义分割模型,所述语义分割模型将所述表盘图像中的指针和刻度进行分割,获得指针仪表的指针图像。
S40.根据所述指针图像,获得变电站内若干指针仪表的读数。
在本申请实施例中,根据所述指针图像中指针的位置以及刻度位置,获得变电站内若干指针仪表的读数。
应用本发明实施例,通过获取无人机采集的变电站内若干指针仪表的图像,将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像,将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像,根据所述指针图像,获得变电站内若干指针仪表的读数,从而实现了自动获取各个变电站内指针仪表读数、提高指针仪表读数效率和精度,不需要人工参与,降低了人工成本。
请参阅图2,在本申请的一个实施例中,所述变电站指针仪表读数方法还包括训练表盘识别模型,所述训练表盘识别模型包括S21~S23:
S21.将指针仪表的样本图像进行表盘区域和背景区域的分割,获得表盘样本图像;
S22.对所述表盘样本图像进行表盘类型标注,获得表盘的类型信息;
S23.将所述指针仪表的样本图像作为输入,将所述表盘的类型信息作为输出,输入到YOLOv5神经网络进行训练学习,获得表盘识别模型。
YOLO(You Only Look Once)神经网络将目标检测重新定义为一个回归问题,将单个卷积神经网络应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框。在本申请实施例中,将指针仪表的样本图像进行表盘区域和背景区域的分割,所述表盘区域包括表盘、刻度圈和装饰圈等,所述背景区域为所述表盘区域之外的区域,获得表盘样本图像。基于YOLOv5神经网络作为训练网络,将各个指针仪表的样本图像划分为训练集和验证集,利用训练集对表盘识别模型进行训练,利用验证集对预训练后的表盘识别模型进行测试,得到输出表盘的类型信息的表盘识别模型。
请参阅图3,在本申请的一个实施例中,所述变电站指针仪表读数方法还包括训练语义分割模型,所述训练语义分割模型包括S31~S32:
S31.将表盘样本图像进行指针和刻度的分割,获得指针样本图像;
S32.将所述表盘样本图像作为输入,所述指针样本图像作为输出,输入至DEEPLAB V3神经网络进行训练学习,获得语义分割模型。
DEEP LAB是针对语义分割任务提出的深度学习神经网络。在本申请实施例中,基于DEEP LAB V3神经网络作为训练网络,将各个表盘样本图像划分为训练集和验证集,利用训练集对语义分割模型进行训练,利用验证集对预训练后的语义分割模型进行测试,得到输出指针样本图像的语义分割模型。
在一个可选的实施例中,请参阅图4,所述步骤S40,包括S41~S43,具体如下:
S41.获取所述指针图像中指针位置、起始刻度位置和起始刻度数值、终止刻度位置和终止刻度数值;
S42.计算所述指针位置与所述刻度起点位置之间的第一距离,所述刻度起点位置和所述刻度终点位置的第二距离;
S43.将所述第一距离与所述第二距离的比值,同起始刻度数值和终止刻度数值之差相乘,获得变电站内若干指针仪表的读数。
在本申请实施例中,经过语义分割后的所述指针图像为一矩形图像,通过同心圆采样法将所述指针图像的圆形表盘区域展平为矩形区域。在矩形区域中,刻度自左向右均匀排布,指针下端靠近表盘中心,上端靠近刻度。具体地,同心圆采样法步骤如下:
S1.计算语义分割后矩形图像的两边长及几何中心,将所述两边长中的较短边长作为初始同心圆的直径,将所述几何中心作为初始同心圆的圆心。
S2.指定初始旋转角及展平后矩形区域的宽和高,所述初始旋转角用于生成每个同心圆的初始采样点,所述展平后矩形区域的宽对应为每个同心圆上采样的次数,所述展平后矩形区域的高对应为采样同心圆数量。其中,以初始同心圆的圆心为原点建立直角坐标系,起始刻度线与x轴正方向的夹角为起始角度,终止刻度线与x轴正方向的夹角为终止角度,所述初始旋转角处于起始角度与终止角度之间。
S3.从同心圆的初始采样点开始,按照顺时针方向在同心圆的圆周上对像素值进行均匀采样,采样次数对应S2中指定的展平后矩形区域的宽。
S4.以同心圆中心为圆心,半径缩短1个像素单位,生成新同心圆。
S5.重复S3~S4步骤进行采样,重复次数对应S2中指定的展平后矩形区域的高,最终得到圆形表盘区域对应的展平后矩形区域。
所述展平后矩形区域反映在图像像素上就是展平后的二维矩阵,将所述展平后的二维矩阵分别对表盘刻度按照矩阵高方向向矩阵宽方向投影,得到刻度的一维特征,对每段刻度取线段中点坐标作为刻度特征点,进而将一维特征进一步压缩为能够表示刻度位置的刻度中心坐标集合。同时,对展平后的二维矩阵从上到下逐行扫描指针像素,以扫描到指针的首行所有的指针像素位置均值作为,以所述指针尖端坐标表示指针位置。
刻度中心坐标集合首刻度坐标对应为起始刻度位置,末刻度坐标对应为终止刻度位置,计算指针尖端坐标与起始刻度位置的第一距离,并计算终止刻度位置与起始刻度位置的第二距离。将所述第一距离与第二距离的比值乘以该类型表计总量程,获得变电站内若干指针仪表的读数。
相应于上述方法实施例,请参阅图5,本发明实施例提供一种变电站指针仪表读数装置5,包括:
图像获取模块51,用于获取无人机采集的变电站内若干指针仪表的图像;
表盘图像获得模块52,用于将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像;
指针图像获得模块53,用于将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像;
读数获得模块54,用于根据所述指针图像,获得变电站内若干指针仪表的读数。
可选的,所述变电站指针仪表读数装置还包括训练表盘识别模型,所述训练表盘识别模型,包括:
第一图像分割单元,用于将指针仪表的样本图像进行表盘区域和背景区域的分割,获得表盘样本图像;
表盘类型标注单元,用于对所述表盘样本图像进行表盘类型标注,获得表盘的类型信息;
表盘识别模型获得单元,用于将所述指针仪表的样本图像作为输入,将所述表盘的类型信息作为输出,输入到YOLOv5神经网络进行训练学习,获得表盘识别模型。
可选的,所述变电站指针仪表读数装置还包括训练语义分割模型,所述训练语义分割模型包括:
第二图像分割单元,用于将表盘样本图像进行指针和刻度的分割,获得指针样本图像;
语义分割模型获得单元,用于将所述表盘样本图像作为输入,所述指针样本图像作为输出,输入至DEEP LAB V3神经网络进行训练学习,获得语义分割模型。
可选的,请参阅图6,所述读数获得模块54,包括:
位置获取单元542,用于获取所述指针图像中指针位置、起始刻度位置和起始刻度数值、终止刻度位置和终止刻度数值;
距离计算单元544,用于计算所述指针位置与所述刻度起点位置之间的第一距离,所述刻度起点位置和所述刻度终点位置的第二距离;
读数获得单元546,用于将所述第一距离与所述第二距离的比值,同起始刻度数值和终止刻度数值之差相乘,获得变电站内若干指针仪表的读数。
应用本发明实施例,通过获取无人机采集的变电站内若干指针仪表的图像,将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像,将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像,根据所述指针图像,获得变电站内若干指针仪表的读数,从而实现了自动获取各个变电站内指针仪表读数、提高指针仪表读数效率和精度,不需要人工参与,降低了人工成本。
本申请还提供一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述实施例的方法步骤。
本申请还提供一种计算机可读存储介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述实施例的方法步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种变电站指针仪表读数方法,其特征在于,包括:
获取无人机采集的变电站内若干指针仪表的图像;
将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像;
将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像;
根据所述指针图像,获得变电站内若干指针仪表的读数。
2.根据权利要求1所述的变电站指针仪表读数方法,其特征在于,还包括训练表盘识别模型,所述训练表盘识别模型,包括:
将指针仪表的样本图像进行表盘区域和背景区域的分割,获得表盘样本图像;
对所述表盘样本图像进行表盘类型标注,获得表盘的类型信息;
将所述指针仪表的样本图像作为输入,将所述表盘的类型信息作为输出,输入到YOLOv5神经网络进行训练学习,获得表盘识别模型。
3.根据权利要求1所述的变电站指针仪表读数方法,其特征在于,还包括训练语义分割模型,所述训练语义分割模型,包括:
将表盘样本图像进行指针和刻度的分割,获得指针样本图像;
将所述表盘样本图像作为输入,所述指针样本图像作为输出,输入至DEEP LAB V3神经网络进行训练学习,获得语义分割模型。
4.根据权利要求1所述的变电站指针仪表读数方法,其特征在于,所述根据所述指针图像,获得变电站内若干指针仪表的读数,包括:
获取所述指针图像中指针位置、起始刻度位置和起始刻度数值、终止刻度位置和终止刻度数值;
计算所述指针位置与所述刻度起点位置之间的第一距离,所述刻度起点位置和所述刻度终点位置的第二距离;
将所述第一距离与所述第二距离的比值,同起始刻度数值和终止刻度数值之差相乘,获得变电站内若干指针仪表的读数。
5.一种变电站指针仪表读数装置,其特征在于,包括:
图像获取模块,用于获取无人机采集的变电站内若干指针仪表的图像;
表盘图像获得模块,用于将所述若干指针仪表的图像输入至表盘识别模型,获得指针仪表的表盘图像;
指针图像获得模块,用于将所述表盘图像输入至语义分割模型,获得指针仪表的指针图像;
读数获得模块,用于根据所述指针图像,获得变电站内若干指针仪表的读数。
6.根据权利要求5所述的变电站指针仪表读数装置,其特征在于,还包括训练表盘识别模型,所述训练表盘识别模型,包括:
第一图像分割单元,用于将指针仪表的样本图像进行表盘区域和背景区域的分割,获得表盘样本图像;
表盘类型标注单元,用于对所述表盘样本图像进行表盘类型标注,获得表盘的类型信息;
表盘识别模型获得单元,用于将所述指针仪表的样本图像作为输入,将所述表盘的类型信息作为输出,输入到YOLOv5神经网络进行训练学习,获得表盘识别模型。
7.根据权利要求5所述的变电站指针仪表读数装置,其特征在于,还包括训练语义分割模型,所述训练语义分割模型,包括:
第二图像分割单元,用于将表盘样本图像进行指针和刻度的分割,获得指针样本图像;
语义分割模型获得单元,用于将所述表盘样本图像作为输入,所述指针样本图像作为输出,输入至DEEP LAB V3神经网络进行训练学习,获得语义分割模型。
8.根据权利要求5所述的变电站指针仪表读数装置,其特征在于,所述读数获得模块,包括:
位置获取单元,用于获取所述指针图像中指针位置、起始刻度位置和起始刻度数值、终止刻度位置和终止刻度数值;
距离计算单元,用于计算所述指针位置与所述刻度起点位置之间的第一距离,所述刻度起点位置和所述刻度终点位置的第二距离;
读数获得单元,用于将所述第一距离与所述第二距离的比值,同起始刻度数值和终止刻度数值之差相乘,获得变电站内若干指针仪表的读数。
9.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1至4中任意一项所述的变电站指针仪表读数方法。
10.一种计算机可读存储介质,其上储存有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的变电站指针仪表读数方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129644.7A CN114037993B (zh) | 2021-09-26 | 2021-09-26 | 变电站指针仪表读数方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129644.7A CN114037993B (zh) | 2021-09-26 | 2021-09-26 | 变电站指针仪表读数方法、装置、存储介质以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037993A true CN114037993A (zh) | 2022-02-11 |
CN114037993B CN114037993B (zh) | 2023-06-23 |
Family
ID=80140199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111129644.7A Active CN114037993B (zh) | 2021-09-26 | 2021-09-26 | 变电站指针仪表读数方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037993B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063699A (zh) * | 2022-05-30 | 2022-09-16 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740856A (zh) * | 2016-01-28 | 2016-07-06 | 宁波理工监测科技股份有限公司 | 一种基于机器视觉的指针式仪表示数读取方法 |
CN105975979A (zh) * | 2016-04-22 | 2016-09-28 | 浙江大学 | 一种基于机器视觉的仪表检测方法 |
CN106355204A (zh) * | 2016-08-31 | 2017-01-25 | 武汉大学 | 基于贝叶斯学习和增量子空间学习的目标跟踪方法 |
CN106529559A (zh) * | 2016-12-30 | 2017-03-22 | 山东鲁能软件技术有限公司 | 一种指针式圆形多仪表盘实时读数识别方法 |
CN107240109A (zh) * | 2017-05-11 | 2017-10-10 | 安徽慧视金瞳科技有限公司 | 一种仪表刻度线位置自动检测方法 |
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 |
CN111046881A (zh) * | 2019-12-02 | 2020-04-21 | 许昌北邮万联网络技术有限公司 | 基于计算机视觉和深度学习的指针式仪表读数识别方法 |
CN111507186A (zh) * | 2020-03-13 | 2020-08-07 | 郑州航空工业管理学院 | 一种变电站指针式仪表读数识别方法 |
CN111539329A (zh) * | 2020-04-17 | 2020-08-14 | 西安英诺视通信息技术有限公司 | 一种自适应的变电站指针仪表识别方法 |
CN111738258A (zh) * | 2020-06-24 | 2020-10-02 | 东方电子股份有限公司 | 一种基于机器人巡检的指针式仪表读数识别方法 |
CN111950559A (zh) * | 2020-08-05 | 2020-11-17 | 宁波中国科学院信息技术应用研究院 | 一种基于径向灰度的指针仪表自动读数方法 |
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 |
CN112949564A (zh) * | 2021-02-02 | 2021-06-11 | 电子科技大学 | 一种基于深度学习的指针式仪表自动读数方法 |
CN112966711A (zh) * | 2021-02-01 | 2021-06-15 | 北京大学 | 基于卷积神经网络的指针式仪表示数识别方法及系统 |
-
2021
- 2021-09-26 CN CN202111129644.7A patent/CN114037993B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740856A (zh) * | 2016-01-28 | 2016-07-06 | 宁波理工监测科技股份有限公司 | 一种基于机器视觉的指针式仪表示数读取方法 |
CN105975979A (zh) * | 2016-04-22 | 2016-09-28 | 浙江大学 | 一种基于机器视觉的仪表检测方法 |
CN106355204A (zh) * | 2016-08-31 | 2017-01-25 | 武汉大学 | 基于贝叶斯学习和增量子空间学习的目标跟踪方法 |
CN106529559A (zh) * | 2016-12-30 | 2017-03-22 | 山东鲁能软件技术有限公司 | 一种指针式圆形多仪表盘实时读数识别方法 |
CN107240109A (zh) * | 2017-05-11 | 2017-10-10 | 安徽慧视金瞳科技有限公司 | 一种仪表刻度线位置自动检测方法 |
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 |
CN111046881A (zh) * | 2019-12-02 | 2020-04-21 | 许昌北邮万联网络技术有限公司 | 基于计算机视觉和深度学习的指针式仪表读数识别方法 |
CN111507186A (zh) * | 2020-03-13 | 2020-08-07 | 郑州航空工业管理学院 | 一种变电站指针式仪表读数识别方法 |
CN111539329A (zh) * | 2020-04-17 | 2020-08-14 | 西安英诺视通信息技术有限公司 | 一种自适应的变电站指针仪表识别方法 |
CN111738258A (zh) * | 2020-06-24 | 2020-10-02 | 东方电子股份有限公司 | 一种基于机器人巡检的指针式仪表读数识别方法 |
CN111950559A (zh) * | 2020-08-05 | 2020-11-17 | 宁波中国科学院信息技术应用研究院 | 一种基于径向灰度的指针仪表自动读数方法 |
CN112966711A (zh) * | 2021-02-01 | 2021-06-15 | 北京大学 | 基于卷积神经网络的指针式仪表示数识别方法及系统 |
CN112949564A (zh) * | 2021-02-02 | 2021-06-11 | 电子科技大学 | 一种基于深度学习的指针式仪表自动读数方法 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063699A (zh) * | 2022-05-30 | 2022-09-16 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
CN115063699B (zh) * | 2022-05-30 | 2023-11-28 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114037993B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951900B (zh) | 一种避雷器仪表读数的自动识别方法 | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
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 | |
CN108182433B (zh) | 一种表计读数识别方法及系统 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN108009515A (zh) | 一种基于fcn的无人机航拍图像的输电线定位识别方法 | |
CN110378227B (zh) | 修正样本标注数据的方法、装置、设备及存储介质 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN115372877B (zh) | 基于无人机的变电站的避雷器泄露电流表计巡检方法 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN111896549A (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN114266881A (zh) | 一种基于改进型语义分割网络的指针式仪表自动读数方法 | |
JPH08508128A (ja) | 分布マップを用いる画像の分類方法及び装置 | |
CN114037993B (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
CN112419402B (zh) | 一种基于多光谱影像和激光点云的定位方法及系统 | |
CN113705350A (zh) | 变电站的指针仪表读数识别方法、装置、介质和电子设备 | |
CN113592839A (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN113076730A (zh) | 一种试验报告智能管理方法、装置、系统及存储介质 | |
CN113516177A (zh) | 基于光谱纹理特征和支持向量机的小麦倒伏区域识别方法 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN113642582B (zh) | 电表读数识别方法、装置、电子设备和存储介质 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN114255458A (zh) | 一种巡检场景下指针仪表读数的识别方法与系统 | |
CN105023016B (zh) | 基于压缩感知分类的目标感知方法 | |
CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, device, storage medium, and electronic equipment for reading pointer instruments in substations Granted publication date: 20230623 Pledgee: Bank of China Limited Guangzhou Yuexiu Branch Pledgor: Foshan Zhongke yuntu Intelligent Technology Co.,Ltd. Registration number: Y2024980008964 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |