CN116071604A - 一种基于图像的指针表识别方法及装置 - Google Patents

一种基于图像的指针表识别方法及装置 Download PDF

Info

Publication number
CN116071604A
CN116071604A CN202310205843.4A CN202310205843A CN116071604A CN 116071604 A CN116071604 A CN 116071604A CN 202310205843 A CN202310205843 A CN 202310205843A CN 116071604 A CN116071604 A CN 116071604A
Authority
CN
China
Prior art keywords
image
pointer
dial
point position
position array
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
Application number
CN202310205843.4A
Other languages
English (en)
Inventor
赵凤艳
张洪军
李红
王佳俊
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.)
Beijing Nelda Technology Co ltd
Original Assignee
Beijing Nelda 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 Beijing Nelda Technology Co ltd filed Critical Beijing Nelda Technology Co ltd
Priority to CN202310205843.4A priority Critical patent/CN116071604A/zh
Publication of CN116071604A publication Critical patent/CN116071604A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于图像的指针表识别方法及装置，通过提取仪表图片特征将表盘位置提前；根据分割算法将表盘分割为刻度、指针和文字图像；将指针图像进行轮廓处理得到第一点位数组，根据第一点位数组拟合出表盘的圆心和半径；将文字图像进行轮廓处理得到第二点位数组；根据第一点位数组和第二点位数组的欧式距离匹配绑定表盘数字和刻度；获取指针图像中距离圆心最远的点；遍历第一点位数组，从第一点位数组中取出若干个点，计算取出的点与圆心、距离圆心最远的点的夹角；筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值，提高了仪表检测精度、检测速度及鲁棒性。

Description

一种基于图像的指针表识别方法及装置
技术领域
本申请涉及表计识别技术领域，具体涉及一种基于图像的指针表识别方法及装置。
背景技术
仪表作为设备状态数据的显示终端，在变电站中有着广泛的应用，能够有效地保障变电站的安全稳定运转。指针式仪表因其能够在变电站室外环境中、恶劣的天气以及强电磁等条件下稳定的工作，所以在变电站中大量安装。在变电站中，仪表数据的读取与抄录，通常采用人工巡检的方式完成，但人工巡检经济成本高，有一定安全风险，且人工巡检工作内容单调重复，依赖工人经验，工人长时间工作易引起眼疲劳，导致误读，不利于管理水平提升。
现有的仪表读数自动识别方法采用目标检测的方式，通过识别指针式表盘和指针，得到指针的顶点point1和终点point2的像素坐标，计算出两点连线的角度A，然后调用后台配置接口得到指针表指示量程范围，与角度A进行等比换算得到指针读数。但是该方法无法精准的回归定位到指针点的位置，对于存在表盘旋转的情况，无法准确的从角度换算读数值，导致仪表读数识别精度差，且无法对颜色、光照变化有很好的鲁棒性。
发明内容
为此，本申请提供一种基于图像的指针表识别方法及装置，以解决现有技术存在的仪表读数自动识别方法对颜色和光照的鲁棒性差以及仪表读数识别精度差的问题。
为了实现上述目的，本申请提供如下技术方案：
第一方面，一种基于图像的指针表识别方法，包括：
利用预先训练好的卷积神经网络模型提取仪表图片特征；
通过目标检测算法将表盘位置提前；
根据分割算法将表盘分割为刻度图像、指针图像和文字图像；
将所述指针图像进行轮廓处理得到指针轮廓点，将所述指针轮廓点组成第一点位数组；
根据所述第一点位数组拟合出表盘的圆心和半径；
将所述文字图像进行轮廓处理得到表盘数字，将所述表盘数字位置存入第二点位数组；
计算所述第一点位数组和所述第二点位数组的欧式距离，根据所述欧式距离匹配绑定表盘数字和刻度；
获取所述指针图像中距离所述圆心最远的点；
遍历所述第一点位数组，从所述第一点位数组中取出若干个点，计算取出的点与所述圆心、距离所述圆心最远的点的夹角；
筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值。
作为优选，所述目标检测算法为YOLOV4。
作为优选，所述刻度图像、所述指针图像和所述文字图像均为mask图像。
作为优选，所述将所述指针图像进行轮廓处理得到指针轮廓点之前还包括：将所述指针图像进行腐蚀膨胀处理。
作为优选，所述将所述文字图像进行轮廓处理得到表盘数字，具体包括：
将所述文字图像进行轮廓处理；
根据轮廓将数字分割定位出来；
识别得到表盘数字。
作为优选，所述识别得到表盘数字时是通过ocr模型识别的。
作为优选，所述计算出当前指针表所指示的值时是根据第一公式计算得到的：
所述第一公式为：
Figure BDA0004112030730000021
其中，a1，a2为最小的两个夹角，t1，t2为两个最小的夹角所对应的数字。
第二方面，一种基于图像的指针表识别装置，包括：
特征提取模块，用于利用预先训练好的卷积神经网络模型提取仪表图片特征；
表盘位置提前模块，用于通过目标检测算法将表盘位置提前；
分割模块，用于根据分割算法将表盘分割为刻度图像、指针图像和文字图像；
指针轮廓处理模块，用于将所述指针图像进行轮廓处理得到指针轮廓点，将所述指针轮廓点组成第一点位数组；
拟合模块，用于根据所述第一点位数组拟合出表盘的圆心和半径；
文字轮廓处理模块，用于将所述文字图像进行轮廓处理得到表盘数字，将所述表盘数字位置存入第二点位数组；
第一计算模块，用于计算所述第一点位数组和所述第二点位数组的欧式距离，根据所述欧式距离匹配绑定表盘数字和刻度；
获取模块，用于获取所述指针图像中距离所述圆心最远的点；
遍历模块，用于遍历所述第一点位数组，从所述第一点位数组中取出若干个点，计算取出的点与所述圆心、距离所述圆心最远的点的夹角；
第二计算模块，用于筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于图像的指针表识别方法的步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于图像的指针表识别方法的步骤。
相比现有技术，本申请至少具有以下有益效果：
本申请提供了一种基于图像的指针表识别方法及装置，包括：通过提取仪表图片特征将表盘位置提前；根据分割算法将表盘分割为刻度、指针和文字图像；将指针图像进行轮廓处理得到第一点位数组，根据第一点位数组拟合出表盘的圆心和半径；将文字图像进行轮廓处理得到第二点位数组；根据第一点位数组和第二点位数组的欧式距离匹配绑定表盘数字和刻度；获取指针图像中距离圆心最远的点；遍历第一点位数组，从第一点位数组中取出若干个点，计算取出的点与圆心、距离圆心最远的点的夹角；筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值。本申请通过仪表区域的检测提取，利用最小夹角点的方式来确定距离顶点最近的两个刻度点，从而计算度数，提高了仪表检测精度、检测速度及鲁棒性。
附图说明
为了更直观地说明现有技术以及本申请，下面给出几个示例性的附图。应当理解，附图中所示的具体形状、构造，通常不应视为实现本申请时的限定条件；例如，本领域技术人员基于本申请揭示的技术构思和示例性的附图，有能力对某些单元(部件)的增/减/归属划分、具体形状、位置关系、连接方式、尺寸比例关系等容易作出常规的调整或进一步的优化。
图1为本申请实施例一提供的一种基于图像的指针表识别方法流程图；
图2为本申请实施例一提供的指针分割示意图；
图3为本申请实施例一提供的文字定位分割示意图；
图4为本申请实施例一提供的识别结果示例图。
具体实施方式
以下结合附图，通过具体实施例对本申请作进一步详述。
在本申请的描述中：除非另有说明，“多个”的含义是两个或两个以上。本申请中的术语“第一”、“第二”、“第三”等旨在区别指代的对象，而不具有技术内涵方面的特别意义(例如，不应理解为对重要程度或次序等的强调)。“包括”、“包含”、“具有”等表述方式，同时还意味着“不限于”(某些单元、部件、材料、步骤等)。
本申请中所引用的如“上”、“下”、“左”、“右”、“中间”等的用语，通常是为了便于对照附图直观理解，而并非对实际产品中位置关系的绝对限定。在未脱离本申请揭示的技术构思的情况下，这些相对位置关系的改变，当亦视为本申请表述的范畴。
实施例一
请参阅图1，本实施例提供了一种基于图像的指针表识别方法，包括：
S1：利用预先训练好的卷积神经网络模型提取仪表图片特征；
S2：通过目标检测算法将表盘位置提前；
S3：根据分割算法将表盘分割为刻度图像、指针图像和文字图像；
请参阅图2和图3，具体的，刻度图像、指针图像和文字图像均为mask图像。
S4：将指针图像进行轮廓处理得到指针轮廓点，将指针轮廓点组成第一点位数组；
具体的，将指针图像进行轮廓处理得到指针轮廓点之前需要将指针mask图像进行腐蚀膨胀处理，然后再找轮廓，筛选轮廓，从而得到第一点位数组L1。
S5：根据第一点位数组L1拟合出表盘的圆心center和半径r；
S6：将文字图像进行轮廓处理得到表盘数字，将表盘数字位置存入第二点位数组；
具体的，将文字mask图像进行轮廓处理后，分割定位出文字，通过预先准备好的ocr模型识别出表盘数字，把表盘数字位置信息存入第二点位数组L2。
S7：计算所述第一点位数组L1和所述第二点位数组L2的欧式距离，根据欧式距离匹配绑定表盘数字和刻度；
S8：获取指针图像中距离圆心center最远的点P；
S9：遍历第一点位数组L1，从第一点位数组L1中取出若干个点P0～Pn，计算取出的点与圆心center、距离所述圆心最远的点P的夹角；
S10：筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值。
具体的，当前指针表所指示的值为：
Figure BDA0004112030730000061
其中，a1，a2为最小的两个夹角，t1，t2为两个最小的夹角所对应的数字。
请参阅图4，图4为根据本实施例提供的方法得到的指针表识别结果。
本实施例提供的一种基于图像的指针表识别方法利用基于卷积神经网络的YOLOV4目标检测方法进行仪表检测提取，通过仪表图像数据训练指针式仪表检测模型，实现了仪表区域的检测提取，提升仪表检测精度、检测速度及鲁棒性。
本实施例提供的基于图像的指针表识别方法可以结合移动机器人、网络通讯等技术，将巡检机器人相关程序与基于图像的指针表识别方法进行整合，编写软件界面，最后建立变电站巡检机器人仪表读数识别系统，实现高效地人机交互。
实施例二
本实施例提供了一种基于图像的指针表识别装置，包括：
特征提取模块，用于利用预先训练好的卷积神经网络模型提取仪表图片特征；
表盘位置提前模块，用于通过目标检测算法将表盘位置提前；
分割模块，用于根据分割算法将表盘分割为刻度图像、指针图像和文字图像；
指针轮廓处理模块，用于将所述指针图像进行轮廓处理得到指针轮廓点，将所述指针轮廓点组成第一点位数组；
拟合模块，用于根据所述第一点位数组拟合出表盘的圆心和半径；
文字轮廓处理模块，用于将所述文字图像进行轮廓处理得到表盘数字，将所述表盘数字位置存入第二点位数组；
第一计算模块，用于计算所述第一点位数组和所述第二点位数组的欧式距离，根据所述欧式距离匹配绑定表盘数字和刻度；
获取模块，用于获取所述指针图像中距离所述圆心最远的点；
遍历模块，用于遍历所述第一点位数组，从所述第一点位数组中取出若干个点，计算取出的点与所述圆心、距离所述圆心最远的点的夹角；
第二计算模块，用于筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值。
关于基于图像的指针表识别装置的具体限定可以参见上文中对于基于图像的指针表识别方法的限定，在此不再赘述。
实施例三
本实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于图像的指针表识别方法的步骤。
实施例四
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于图像的指针表识别方法的步骤。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾)，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述；这些未明确写出的实施例，也都应当认为是本说明书记载的范围。
上文中通过一般性说明及具体实施例对本申请作了较为具体和详细的描述。应当理解，基于本申请的技术构思，还可以对这些具体实施例作出若干常规的调整或进一步的创新；但只要未脱离本申请的技术构思，这些常规的调整或进一步的创新得到的技术方案也同样落入本申请的权利要求保护范围。

Claims (10)

1.一种基于图像的指针表识别方法，其特征在于，包括：
利用预先训练好的卷积神经网络模型提取仪表图片特征；
通过目标检测算法将表盘位置提前；
根据分割算法将表盘分割为刻度图像、指针图像和文字图像；
将所述指针图像进行轮廓处理得到指针轮廓点，将所述指针轮廓点组成第一点位数组；
根据所述第一点位数组拟合出表盘的圆心和半径；
将所述文字图像进行轮廓处理得到表盘数字，将所述表盘数字位置存入第二点位数组；
计算所述第一点位数组和所述第二点位数组的欧式距离，根据所述欧式距离匹配绑定表盘数字和刻度；
获取所述指针图像中距离所述圆心最远的点；
遍历所述第一点位数组，从所述第一点位数组中取出若干个点，计算取出的点与所述圆心、距离所述圆心最远的点的夹角；
筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值。
2.根据权利要求1所述的基于图像的指针表识别方法，其特征在于，所述目标检测算法为YOLOV4。
3.根据权利要求1所述的基于图像的指针表识别方法，其特征在于，所述刻度图像、所述指针图像和所述文字图像均为mask图像。
4.根据权利要求1所述的基于图像的指针表识别方法，其特征在于，所述将所述指针图像进行轮廓处理得到指针轮廓点之前还包括：将所述指针图像进行腐蚀膨胀处理。
5.根据权利要求1所述的基于图像的指针表识别方法，其特征在于，所述将所述文字图像进行轮廓处理得到表盘数字，具体包括：
将所述文字图像进行轮廓处理；
根据轮廓将数字分割定位出来；
识别得到表盘数字。
6.根据权利要求5所述的基于图像的指针表识别方法，其特征在于，所述识别得到表盘数字时是通过ocr模型识别的。
7.根据权利要求1所述的基于图像的指针表识别方法，其特征在于，所述计算出当前指针表所指示的值时是根据第一公式计算得到的：
所述第一公式为：
Figure FDA0004112030720000021
其中，a1，a2为最小的两个夹角，t1，t2为两个最小的夹角所对应的数字。
8.一种基于图像的指针表识别装置，其特征在于，包括：
特征提取模块，用于利用预先训练好的卷积神经网络模型提取仪表图片特征；
表盘位置提前模块，用于通过目标检测算法将表盘位置提前；
分割模块，用于根据分割算法将表盘分割为刻度图像、指针图像和文字图像；
指针轮廓处理模块，用于将所述指针图像进行轮廓处理得到指针轮廓点，将所述指针轮廓点组成第一点位数组；
拟合模块，用于根据所述第一点位数组拟合出表盘的圆心和半径；
文字轮廓处理模块，用于将所述文字图像进行轮廓处理得到表盘数字，将所述表盘数字位置存入第二点位数组；
第一计算模块，用于计算所述第一点位数组和所述第二点位数组的欧式距离，根据所述欧式距离匹配绑定表盘数字和刻度；
获取模块，用于获取所述指针图像中距离所述圆心最远的点；
遍历模块，用于遍历所述第一点位数组，从所述第一点位数组中取出若干个点，计算取出的点与所述圆心、距离所述圆心最远的点的夹角；
第二计算模块，用于筛选出最小的两个夹角及其对应的表盘数字，计算出当前指针表所指示的值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202310205843.4A 2023-03-03 2023-03-03 一种基于图像的指针表识别方法及装置 Pending CN116071604A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310205843.4A CN116071604A (zh) 2023-03-03 2023-03-03 一种基于图像的指针表识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310205843.4A CN116071604A (zh) 2023-03-03 2023-03-03 一种基于图像的指针表识别方法及装置

Publications (1)

Publication Number Publication Date
CN116071604A true CN116071604A (zh) 2023-05-05

Family

ID=86169908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310205843.4A Pending CN116071604A (zh) 2023-03-03 2023-03-03 一种基于图像的指针表识别方法及装置

Country Status (1)

Country Link
CN (1) CN116071604A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021190640A1 (zh) * 2020-03-27 2021-09-30 京东方科技集团股份有限公司 指针定位方法、装置及仪表
CN113570631A (zh) * 2021-08-28 2021-10-29 西安安森智能仪器股份有限公司 一种基于图像的指针式仪表智能识别方法及设备
CN114549981A (zh) * 2022-02-11 2022-05-27 国网河南省电力公司电力科学研究院 一种基于深度学习的智能巡检指针式仪表识别及读数方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021190640A1 (zh) * 2020-03-27 2021-09-30 京东方科技集团股份有限公司 指针定位方法、装置及仪表
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
CN113570631A (zh) * 2021-08-28 2021-10-29 西安安森智能仪器股份有限公司 一种基于图像的指针式仪表智能识别方法及设备
CN114549981A (zh) * 2022-02-11 2022-05-27 国网河南省电力公司电力科学研究院 一种基于深度学习的智能巡检指针式仪表识别及读数方法

Similar Documents

Publication Publication Date Title
CN103207987B (zh) 一种指针式仪表的示数识别方法
CN106339707B (zh) 一种基于对称性特征的仪表指针图像识别方法
CN112288693B (zh) 圆孔检测方法、装置、电子设备及存储介质
CN103839058A (zh) 一种基于标准模版的文档图像的信息定位方法
CN112149667A (zh) 一种基于深度学习的指针式仪表的自动读数的方法
CN108664860B (zh) 房间平面图的识别方法及装置
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN114399677A (zh) 一种基于文本区域读取的指针仪表识别方法
CN113420580B (zh) 用于对二维码进行辅助定位符定位的方法及装置、二维码扫描设备、存储介质
CN114820789A (zh) 一种不规则目标智能识别及定位方法与系统
CN112990064A (zh) 一种基于颜色分割与概率模型的表盘指针识别方法
CN117496521A (zh) 一种表格关键信息抽取方法、系统、装置及可读存储介质
CN116071604A (zh) 一种基于图像的指针表识别方法及装置
CN114898347A (zh) 一种指针式仪表机器视觉识别方法
CN114373144B (zh) 一种用于高速视频中圆形标识点的自动识别方法
CN113191351B (zh) 数字电表的示数识别方法及装置、模型训练方法及装置
CN113689378B (zh) 试纸带精准定位的判定方法、装置、存储介质及终端
CN112507838B (zh) 一种指针表计识别方法、装置和电力巡检机器人
CN112750172A (zh) 一种摄影测量中点状编码标志的改进方法
CN111626299A (zh) 一种基于轮廓的数字字符识别方法
CN111814619A (zh) 一种户型图的比例尺值获取方法
CN111932491B (zh) 一种部件检测方法、装置及存储介质
CN116403204B (zh) 一种圆形指针表智能读数的方法
CN113537197B (zh) 基于机器视觉的表计自动建模方法
CN103198452B (zh) 基于定位图形顶点的快速响应矩阵码第四顶点的定位方法

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