CN114627463A - 一种基于机器识别的非接触式配电数据识别方法 - Google Patents
一种基于机器识别的非接触式配电数据识别方法 Download PDFInfo
- Publication number
- CN114627463A CN114627463A CN202210314789.2A CN202210314789A CN114627463A CN 114627463 A CN114627463 A CN 114627463A CN 202210314789 A CN202210314789 A CN 202210314789A CN 114627463 A CN114627463 A CN 114627463A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- pixel
- power distribution
- identification
- 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 40
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 238000003702 image correction Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 7
- 238000013480 data collection Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请属于配电检测方法技术领域，尤其涉及一种基于机器识别的非接触式配电数据识别方法。包括如下步骤：图像获取和预处理，获取原始图像，通过中值滤波进行处理；配电数据区域识别，通过图像中颜色以及阈值的分布来确定配电数据所在区域对图像进行关键区域的识别和抽取；图像修正：特征识别数据提取，对各数字图块进行识别以确定数值；本申请的基于机器识别的非接触式配电数据识别方法能够高效准确的从各类巡检影像资料中快速提取配电数据并进行街区和识别截取和识别，实现自动化配电数据收集整理。
Description
技术领域
本申请属于配电检测方法技术领域，尤其涉及一种基于机器识别的非接触式配电数据识别方法。
背景技术
在电网的信息化升级改造过程中，许多早期建设的配电设施或结构依然采用来时数据仪表盘，短时间内无法完全实现信息化自动化数据数据收集，在巡检检测过程中，往往需要作业人员到达现场进行数据收集和处理，影响了电网整体的工作效率，同时随着无人机等自动化巡检设备的应用，人工巡检工作逐渐被自动巡检作业设备所取代，在此过程中，需要将前述表盘等数据显示设备所表达的配电数据进行有效识别和分析，采用人工方案虽然也能够实现，但效率过低。
发明内容
本申请的目的在于，基于实际需求，提供一种用于从自动巡检设备所获取的资料中提取分析配电数据，提高对前述配电数据的获取效率和准确性的基于机器识别的非接触式配电数据识别方法。
为实现上述目的，本申请采用如下技术方案。
一种基于机器识别的非接触式配电数据识别方法，包括如下步骤：
步骤1.图像获取和预处理，获取原始图像，通过中值滤波进行处理；
步骤2.配电数据区域识别，通过图像中颜色以及阈值的分布来确定配电数据所在区域对图像进行关键区域的识别和抽取；具体包括：
2.1.基于待识别配电设备对象的若干典型图像数据，提取对应的轮廓边缘形状及其对应的区域颜色阈值；
2.2.基于前述区域颜色对待识别图像进行阈值分割，从各图像中提取含有数据的显示界面区域，保留颜色阈值负荷前述区域颜色阈值的数据，其他颜色数据进行祛除；
2.3.基于前述轮廓边缘形状，对经过阈值分割的图像进行形状匹配和切割，保留具有对应轮廓形状的图形区域以及区域内部数据；
2.4.对前述仅保留对应轮廓形状的图形区域以及区域内部数据的图形进行二值化处理；
步骤3.图像修正，具体包括：
3.1.对前述二值化图像进行水平方向和竖直方向的像素值进行投影叠加，得到水平方向的像素叠加图和竖直方向的像素叠加图；
3.2.根据水平方向的像素叠加图上每个突变位置来确定每个数据的水平方向边界，以水平方向边界为基础进行切割，得到含有独立数字的横向分割图块；
3.3根据竖直方向的像素叠加图第一次和最后一次出现明显像素值突变位置对确定每个横向分割图块的竖直方向边界，以前述竖直方向边界为基础切割横向分割图块，即可得到仅含有独立数字的数字分割图块；
3.4.对前述数字分割图块根据配列顺序进行编码标记，以便于后续进行数值的识别判断；
步骤4.特征识别数据提取，对各数字图块进行识别以确定数值，具体包括：
4.1.统一数字图块像素
统一数字图块的像素值，使得所有的数字图块具有相同的像素S×T；
4.2.根据每个S×T数字图块中各像素点的分布，通过统计分析得到与每个数字相对应的像素点分布特征属性，建立每个数字以及小数点以及常用符号的字符特征库；
4.3.将每个S×T数字图块中的像素分布与字符特征库进行匹配，确定特征属性相似度进行分类，最终完成数据的识别。
对前述基于机器识别的非接触式配电数据识别方法的进一步改进或者优选实施方案，所述步骤2还包括边缘分析的步骤，具体是指：
将原始图像进行灰度转换之后，对齐像素值进行拉普拉斯卷积处理，得到新的灰度值数据之后，即可利用图像的标准差数值大小来确定其清晰度指标：其指标可表示为
其中fi,j为图像中坐标为(i，j)的点的原始灰度值；Fi,j为图像中坐标为(i，j)的点经过拉普拉斯卷积处理后的灰度值；W×H为图片的像素值；
对前述基于机器识别的非接触式配电数据识别方法的进一步改进或者优选实施方案，对于同一个采集对象获取的图像，应当至少保留原有数据中70％的图像，对于保留图像中可能存在的清晰度指标低于设定阈值的，则单独进行进一步清晰化处理；
对前述基于机器识别的非接触式配电数据识别方法的进一步改进或者优选实施方案，还包括对图像进行领域像素插值处理，以使所有图像具有相对一致的像素尺寸的步骤。
对前述基于机器识别的非接触式配电数据识别方法的进一步改进或者优选实施方案，所述中值滤波处理包括：
对于同一个采集角度获取的多个同目标对象的凸显构成数据组，基于数据组内的所有图像，统计其灰度直方图的高度值，按照高度值由低到高的顺序祛除其中的40％～50％后计算期平均高度得到直方图高度高值，按照高度值由高到低的顺序祛除其中的40％～50％后计算期平均高度得到直方图高度低值，以前述直方图高度低值和直方图高度高值为阈值对异常组内所有图像进行处理，将超出阈值范围的部分祛除，得到预处理图像；祛除比例的大小基于图像本身的质量，本身质量越好，噪声越小，则祛除比例越低。
对前述基于机器识别的非接触式配电数据识别方法的进一步改进或者优选实施方案，所述步骤2.4具体包括：根据典型图像的特征指定二值化阈值，将与之匹配的图像中灰度值超过阈值的像素点置为0，将灰度值低于阈值的像素置位255。
其有益效果在于：
本申请的基于机器识别的非接触式配电数据识别方法能够高效准确的从各类巡检影像资料中快速提取配电数据并进行街区和识别截取和识别，实现自动化配电数据收集整理。
附图说明
图1是基于机器识别的非接触式配电数据识别方法的流程示意图。
具体实施方式
以下结合具体实施例对本申请作详细说明。
本申请的基于机器识别的非接触式配电数据识别方法主要用于对各类自动化巡检设备获取的配电设备或设施上的表盘等数据显示终端表达的配电数据进行自动收集整理，以便为现自动化巡检和数据收集提供基础。
其基本步骤包括：
步骤1.图像获取和预处理
机器识别技术基于待识别对象的影像资料，本申请中，主要基于在日常巡检和作业过程中，基于各类记录设备获取的配电设备的影像资料，由于原始图像中含有大量干扰信息，首先通过中值滤波得到初始图像数据，在巡检过程过程中，由于拍摄角度以及光源的变化，会导致在同一个角度获取的图像的明暗度发生较大的差异突变，影响目标对象的准确判断识别，目标对象是指各类故障类别所对应的故障设备或结构，因此针对同一个采集角度获取的图像，需要进行一定的明暗度恢复处理，具体是指：
对于同一个采集角度获取的多个同目标对象的凸显构成数据组，基于数据组内的所有图像，统计其灰度直方图的高度值，按照高度值由低到高的顺序祛除其中的40％～50％后计算期平均高度得到直方图高度高值，按照高度值由高到低的顺序祛除其中的40％～50％后计算期平均高度得到直方图高度低值，以前述直方图高度低值和直方图高度高值为阈值对异常组内所有图像进行处理，将超出阈值范围的部分祛除，得到预处理图像；其中，祛除比例的大小基于图像本身的质量，本身质量越好，噪声越小，则祛除比例越低。
步骤2.边缘分析
图像的机器识别过程中主要利用图像中特征元素进行关系映射，为保证能够有效获取图像中关键的特征元素，需要保证带识别图像具有较好的可辨识度，因此，作为可选的优化方案，可以对待识别图形进行边缘分析，获取图形的可辨识度，并根据可辨识度确定其权重，以进行针对性处理，例如对边缘可见性较差的图形进行图形优化提高边缘可见性，或者进行删除等操作；
在实际实施过程中，图像的边缘可识别性越高，则图像像素的突变程度越明显，其相应的像素值得方差值越高，因此，通过将原始图像进行灰度转换之后，对齐像素值进行拉普拉斯卷积处理，得到新的灰度值数据之后，即可利用图像的标准差数值大小来确定其清晰度指标：其指标可表示为
其中fi,j为图像中坐标为(i，j)的点的原始灰度值；Fi,j为图像中坐标为(i，j)的点经过拉普拉斯卷积处理后的灰度值；W×H为图片的像素值；
根据总体图片清晰质量，指定清晰度指标阈值，根据指标值由高到低选取，保留满足指标需求的图片，祛除不达标或者指标较低的图像，特别的是，对于同一个采集对象获取的图像，应当保留至少原有数据中70％的图像，对于保留图像中可能存在的清晰度指标低于设定阈值的，则单独进行进一步清晰化处理；
由于图像采集过程和采集设备的差异，在实际实施过程中，获取到的图像在尺寸方面存在差异，为便于后续进行统一处理，提高数据分析的效率，本实施例中，还包括对图像进行领域像素插值处理，以使所有图像具有相对一致的像素尺寸的步骤。
步骤3.配电数据区域识别
基于实际经验，配电网内部的各类电子仪表的数据显示界面相对统一，在图像上表现为规则形状的灰色或者白色等特定颜色区域，黑色或者亮色字符包含于前述特定颜色区域内部，且大部分字符位于灰色区域中心，因此可以方便的通过图像中颜色以及阈值的分布来确定配电数据所在区域，进而对图像进行关键区域的识别和抽取；具体包括如下步骤：
3.1.基于待识别配电设备对象的若干典型图像数据，提取对应的轮廓边缘形状及其对应的区域颜色阈值；
3.2.基于前述区域颜色对待识别图像进行阈值分割，从各图像中提取含有数据的显示界面区域，既保留颜色阈值负荷前述区域颜色阈值的数据，其他颜色数据进行祛除；
3.3.基于前述轮廓边缘形状，对经过阈值分割的图像进行形状匹配和切割，保留具有对应轮廓形状的图形区域以及区域内部数据；
3.4.对前述仅保留对应轮廓形状的图形区域以及区域内部数据的图形进行二值化处理，具体实施时，为保证二值化处理后的图像中数据或符号的边缘更加准确清晰；根据典型图像的特征指定二值化阈值，将与之匹配的图像中灰度值超过阈值的像素点置为0，将灰度值低于阈值的像素置位255；
步骤4.图像修正
基于前述步骤，我们可以获得仅含有数据显示区域的二值化图像，大部分无效数据和图块被切除或无效化，本实施例中，为了进一步提高后续数据识别的难度，提高识别效率，还可以进一步对前述图形区域内非数据显示区进行切割，考虑到实际显示界面中，数字沿水平方向进行逐一显示，每个数字的左右侧均有明显可区分的空挡区，而在竖直方向上，所有数字均有明确的最高点和最低点且中间连续；据此，可以基于如下步骤对前述显示区域进行进一步处理：
4.1.对前述二值化图像进行水平方向和竖直方向的像素值进行投影叠加得到水平方向的像素叠加图和竖直方向的像素叠加图；
基于该步骤，可以将数据所在区域
4.2.由于二值化处理时数字显示区和空挡区数据的存在，在水平方向的像素叠加图上，数字的两侧边缘和非显示区之间存在明显的像素值界限，即像素叠加值的突变，据此可以根据每个突变位置来确定每个数据的水平方向边界，以前述水平方向边界为基础进行切割，得到含有独立数字的横向分割图块；
4.3同样的原理，竖直方向数据的最高点和最低点与非显示区之间存在明显的像素突变界线，因此，在竖向第一次和最后一次出现明显像素值突变位置对前述即可确定数字的竖直方向边界，以前述竖直方向边界为基础切割横向分割图块，即可得到仅含有独立数字的数字分割图块；
4.4.对前述数字分割图块根据配列顺序进行编码标记，以便于后续进行数值的识别判断；
步骤5.特征识别数据提取
基于前述步骤，获得包含有独立数字的数字图块之后(同时也可以识别对应的小数点)，需要对各数字图块进行识别以确定数值，具体步骤如下：
5.1.统一数字图块像素
由于不同显示方式的差异，获得的数字图片的尺寸等并不一致，为便于保证数据属别的准确性，使所有相同的数字具有相对一致特征属性，首先需要统一数字图块的像素值，使得所有的数字图块具有相同的像素S×T；
5.2.根据每个S×T数字图块中各像素点的分布，通过统计分析，可以得到与每个数字相对应的像素点分布特征属性，可以建立每个数字以及小数点以及常用的正负号等符号的字符特征库；
5.3.获得字符特征库以后，将每个S×T数字图块中的像素分布与字符特征库进行匹配，确定特征属性相似度进行分类，最终完成数据的识别；
最后应当说明的是，以上实施例仅用以说明本申请的技术方案，而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细地说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。
Claims (6)
1.一种基于机器识别的非接触式配电数据识别方法，其特征在于，包括如下步骤：
步骤1.图像获取和预处理，获取原始图像，通过中值滤波进行处理；
步骤2.配电数据区域识别，通过图像中颜色以及阈值的分布来确定配电数据所在区域对图像进行关键区域的识别和抽取；具体包括：
2.1.基于待识别配电设备对象的若干典型图像数据，提取对应的轮廓边缘形状及其对应的区域颜色阈值；
2.2.基于前述区域颜色对待识别图像进行阈值分割，从各图像中提取含有数据的显示界面区域，保留颜色阈值负荷前述区域颜色阈值的数据，其他颜色数据进行祛除；
2.3.基于前述轮廓边缘形状，对经过阈值分割的图像进行形状匹配和切割，保留具有对应轮廓形状的图形区域以及区域内部数据；
2.4.对前述仅保留对应轮廓形状的图形区域以及区域内部数据的图形进行二值化处理；
步骤3.图像修正，具体包括：
3.1.对前述二值化图像进行水平方向和竖直方向的像素值进行投影叠加，得到水平方向的像素叠加图和竖直方向的像素叠加图；
3.2.根据水平方向的像素叠加图上每个突变位置来确定每个数据的水平方向边界，以水平方向边界为基础进行切割，得到含有独立数字的横向分割图块；
3.3根据竖直方向的像素叠加图第一次和最后一次出现明显像素值突变位置对确定每个横向分割图块的竖直方向边界，以前述竖直方向边界为基础切割横向分割图块，即可得到仅含有独立数字的数字分割图块；
3.4.对前述数字分割图块根据配列顺序进行编码标记，以便于后续进行数值的识别判断；
步骤4.特征识别数据提取，对各数字图块进行识别以确定数值，具体包括：
5.1.统一数字图块像素
统一数字图块的像素值，使得所有的数字图块具有相同的像素S×T；
5.2.根据每个S×T数字图块中各像素点的分布，通过统计分析得到与每个数字相对应的像素点分布特征属性，建立每个数字以及小数点以及常用符号的字符特征库；
5.3.将每个S×T数字图块中的像素分布与字符特征库进行匹配，确定特征属性相似度进行分类，最终完成数据的识别。
2.根据权利要求1所述的一种基于机器识别的非接触式配电数据识别方法，其特征在于，所述步骤2还包括边缘分析的步骤，具体是指：
将原始图像进行灰度转换之后，对齐像素值进行拉普拉斯卷积处理，得到新的灰度值数据之后，即可利用图像的标准差数值大小来确定其清晰度指标：其指标可表示为
其中fi,j为图像中坐标为(i，j)的点的原始灰度值；Fi,j为图像中坐标为(i，j)的点经过拉普拉斯卷积处理后的灰度值；W×H为图片的像素值。
3.根据权利要求2所述的一种基于机器识别的非接触式配电数据识别方法，其特征在于，对于同一个采集对象获取的图像，应当至少保留原有数据中70％的图像，对于保留图像中可能存在的清晰度指标低于设定阈值的，则单独进行进一步清晰化处理。
4.根据权利要求3所述的一种基于机器识别的非接触式配电数据识别方法，其特征在于，还包括对图像进行领域像素插值处理，以使所有图像具有相对一致的像素尺寸的步骤。
5.根据权利要求1所述的一种基于机器识别的非接触式配电数据识别方法，其特征在于，所述中值滤波处理包括：
对于同一个采集角度获取的多个同目标对象的凸显构成数据组，基于数据组内的所有图像，统计其灰度直方图的高度值，按照高度值由低到高的顺序祛除其中的40％～50％后计算期平均高度得到直方图高度高值，按照高度值由高到低的顺序祛除其中的40％～50％后计算期平均高度得到直方图高度低值，以前述直方图高度低值和直方图高度高值为阈值对异常组内所有图像进行处理，将超出阈值范围的部分祛除，得到预处理图像；祛除比例的大小基于图像本身的质量，本身质量越好，噪声越小，则祛除比例越低。
6.根据权利要求1所述的一种基于机器识别的非接触式配电数据识别方法，其特征在于，所述步骤2.4具体包括：根据典型图像的特征指定二值化阈值，将与之匹配的图像中灰度值超过阈值的像素点置为0，将灰度值低于阈值的像素置位255。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210314789.2A CN114627463B (zh) | 2022-03-29 | 2022-03-29 | 一种基于机器识别的非接触式配电数据识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210314789.2A CN114627463B (zh) | 2022-03-29 | 2022-03-29 | 一种基于机器识别的非接触式配电数据识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627463A true CN114627463A (zh) | 2022-06-14 |
| CN114627463B CN114627463B (zh) | 2024-02-23 |
Family
ID=81903187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210314789.2A Active CN114627463B (zh) | 2022-03-29 | 2022-03-29 | 一种基于机器识别的非接触式配电数据识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627463B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998887A (zh) * | 2022-08-08 | 2022-09-02 | 山东精惠计量检测有限公司 | 一种电能计量表智能识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021086379A (ja) * | 2019-11-27 | 2021-06-03 | 東京電力ホールディングス株式会社 | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 |
| CN114004962A (zh) * | 2021-11-02 | 2022-02-01 | 国网江苏省电力有限公司泰州供电分公司 | 一种电力营业厅发票ocr识别方法 |
-
2022
- 2022-03-29 CN CN202210314789.2A patent/CN114627463B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021086379A (ja) * | 2019-11-27 | 2021-06-03 | 東京電力ホールディングス株式会社 | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 |
| CN114004962A (zh) * | 2021-11-02 | 2022-02-01 | 国网江苏省电力有限公司泰州供电分公司 | 一种电力营业厅发票ocr识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998887A (zh) * | 2022-08-08 | 2022-09-02 | 山东精惠计量检测有限公司 | 一种电能计量表智能识别方法 |
| CN114998887B (zh) * | 2022-08-08 | 2022-10-11 | 山东精惠计量检测有限公司 | 一种电能计量表智能识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627463B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764229B (zh) | 一种基于计算机视觉技术的水尺图像自动识别方法 | |
| CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
| CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
| CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
| CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
| CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
| CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
| CN109858480A (zh) | 一种数字式仪表识别方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN109344820A (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN111783773A (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
| CN114627463B (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
| CN114708208A (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
| CN109271882B (zh) | 一种区分颜色的手写体汉字提取方法 | |
| CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN110378337B (zh) | 金属切削刀具图纸标识信息视觉输入方法及系统 | |
| CN112580659A (zh) | 一种基于机器视觉的矿石识别方法 | |
| CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
| CN111815542A (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
| CN110443166A (zh) | 一种雾霾天气的车牌识别方法 | |
| CN115619725A (zh) | 电子元器件检测方法、装置、电子设备及自动质检设备 | |
| CN110570437B (zh) | 一种基于边界识别的电力通道自动化巡检数据处理方法 | |
| CN106295642B (zh) | 一种基于容错率和纹理特征的车牌定位方法 | |
| CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 |
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 |