CN116109993A - 一种无约束环境下变电站指针仪表读数识别方法 - Google Patents
一种无约束环境下变电站指针仪表读数识别方法 Download PDFInfo
- Publication number
- CN116109993A CN116109993A CN202310101638.3A CN202310101638A CN116109993A CN 116109993 A CN116109993 A CN 116109993A CN 202310101638 A CN202310101638 A CN 202310101638A CN 116109993 A CN116109993 A CN 116109993A
- Authority
- CN
- China
- Prior art keywords
- instrument
- image
- detection
- pointer
- dial
- 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 40
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract 1
- 238000013508 migration Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- 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
-
- 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
- G06V10/70—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
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/147—Determination of region of interest
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无约束环境下变电站指针仪表读数识别方法,涉及到变电站指针仪表读数领域,包括仪表自动检测、仪表目标定位、仪表图像消畸变和仪表读数识别。本发明可自动检测相机视野中的仪表目标,据此调整相机位置和缩放倍数,并通过透视变换消除表盘平面与相机平面偏差造成的仪表图像畸变,获得仪表目标高质量图像后,通过端到端的深度学习模型进行表盘检测、指针检测与刻度对应等步骤识别仪表最终读数,提出的方法不依赖于预先获取的高质量图像,避免了前期复杂的仪表位置标定工作,可以在不同变电站中方便的迁移部署,满足实际应用的需求。
Description
技术领域
本发明属于变电站指针仪表读数技术领域,具体为一种无约束环境下变电站指针仪表读数识别方法。
背景技术
变电站中存在大量仪表用来监测变电设备的工作状况,目前针对仪表自动读数方法的研究大多基于预先获取到的高质量图像,其中仪表目标位于图像中央且占比较大,仪表表盘与相机平面平行,这需要大量预先的仪表测量与相机标定工作,不能满足无约束实际变电站环境下的使用要求,在现有的一些仪表读数算法中,大都采用的是图像二值化的方法,将图像直接二值化处理虽然处理方法简单,极容易受到背景因素的影响,且对于光照因素非常敏感,对于拍摄照片的硬件设备摄像头的要求也比较高,如果拍摄的照片比较模糊,将损失指针仪表的刻度信息,这对于读数的精度的影响是巨大的,除了直接进行二值化处理之外,还有类似模板匹配融合指针旋转的方法来检测指针仪表的读数,该种方法同样受仪表的背景因素影响极大,因此提出一种无约束环境下变电站指针仪表读数识别方法。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供一种无约束环境下变电站指针仪表读数识别方法,有效的解决了目前针对仪表自动读数方法的研究大多基于预先获取到的高质量图像,其中仪表目标位于图像中央且占比较大,仪表表盘与相机平面平行,这需要大量预先的仪表测量与相机标定工作,不能满足无约束实际变电站环境下的使用要求,在现有的一些仪表读数算法中,大都采用的是图像二值化的方法,将图像直接二值化处理虽然处理方法简单,极容易受到背景因素的影响,且对于光照因素非常敏感,对于拍摄照片的硬件设备摄像头的要求也比较高,如果拍摄的照片比较模糊,将损失指针仪表的刻度信息,这对于读数的精度的影响是巨大的,除了直接进行二值化处理之外,还有类似模板匹配融合指针旋转的方法来检测指针仪表的读数,该种方法同样受仪表的背景因素影响极大的问题。
为实现上述目的,本发明提供如下技术方案:一种无约束环境下变电站指针仪表读数识别方法,包括仪表自动检测、仪表目标定位、仪表图像消畸变和仪表读数识别,具体包括以下操作步骤:
步骤一、仪表自动检测,变电站自动巡检平台进入仪表检测与识别工作模式后,相机获取当前视野图像,通过仪表目标检测模块从复杂的背景中检测仪表目标的位置;
步骤二、仪表目标定位,根据检测结果计算相机所需的位置及缩放倍数调整量,使得仪表目标位于视野中央且占比较大,完成目标定位;
步骤三、仪表图像消畸变,通过透视变换消除表面角度倾斜造成的仪表图像畸变,得到仪表的高质量图像;
步骤四、仪表读数识别,对仪表高质量图像进行降噪、图像增强、灰度化等预处理后,通过指针和刻度识别方法检测表盘与指针,计算指针在表盘中与零刻线的夹角,根据角度量程和读数量程换算最终得到仪表读数结果。
优选的,在步骤一和步骤二中,仪表位置的行为采用四个点坐标绘制矩形区域,仪表定位主要采用深度学习网络模型的方式,也就是采用目标检测的模型进行识别位置。
优选的,所述深度学习网络模型的输入层为整个网络输入数据,且深度学习网络模型的训练阶段输入的数据包括图像数据、ROI区域包围框、标定的目标框及其所属类别的标签;检测阶段的输入层输入的数据包括图像数据和仪表区域图像数据;
深度学习网络模型在通用基础网络的基础上,最后倒数三层分别接入5层1*1和3*3卷积核组成的卷积层单元;倒数第一层接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,倒数第二层通过合并层接入倒数第一层的5层卷积层单元,同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,同样,倒数第三层通过合并层接入第二层的5层卷积层单元,同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,深度学习网络模型采用通用的预训练模型,resnet52或inception-v3等,之后建立一个两层的堆叠LSTM融合提取后的特征应用softMax进行目标多类别识别。
优选的,在步骤三仪表图像消畸变中,经过仪表目标检测与定位后获得的待检仪表图像中,仪表表盘平面与相机平面存在一定角度的偏差,当仪表表盘与相机平面平行时表盘成像为圆形,可获得待检仪表正面图像,当仪表表盘与相机平面不平行时表盘成像为椭圆形,且椭圆形长轴与短轴相差越大,表盘倾斜角度越大,此时待检仪表图像为畸变图像,通过透视变换对畸变图像进行处理,将其修正为正面视角图像以减小读数误差;
透视变换可将图像从当前视平面投影至新的视平面,达到改变图像成像细节的目的,其变换规则如下式:
(x,y,w′)=(u,v,w)·T=(u,v,w)·
A11A12A13
A21A22A23
A31A32A
式中:是(U,V)原图中某点的坐标,(X,Y)是该点在变换后视平面中的坐标,(u,v,w)与(x,y,w′)分别为(U,V)与(X,Y)的齐次坐标系表达式,w与w′取1;
T为原视平面至新视平面间的转移矩阵,该矩阵可通过两个视平面中4个不同点的对应坐标值唯一确定,选择椭圆表盘的长短轴端点作为变换矩阵的计算依据以实现表盘视角修正。
优选的,在步骤四仪表读数识别中,识别出表盘图像上的半指针、表盘中心、和刻度字符为目标对象,使用基于yolov5框架基础上的端到端模型进行检测,根据检测结果连接表盘中心和指针的针尖构成指针线,同时根据检测的刻度中心点通过欧式距离寻找指针的近邻刻度线,仪表指针一般都比较粗,通过Hough变换检测图像中的轮廓作为表盘检测结果,图像坐标系中圆的方程为:
(x-a) 2 +(y-b) 2 =r2 (9)
式中:(a,b)为圆心,r为半径,一组(a,b,r)参数在(a,b,r)参数空间构成了一个圆锥面,多个圆锥面的公共点代表图像空间的一个圆,对图像空间内的所有像素点的搜索,完成对图像中圆的检测,仪表指针检测可通过对仪表图像的Hough直线检测实现,类似于圆检测,Hough直线检测可将图像坐标系中的像素点变换至(k,b)参数空间的一条直线,其中k为直线的斜率,b为直线的截距,(k,b)参数空间内若干直线的公共点代表图像空间的一条直线,对图像空间内的所有像素点的搜索,完成对图像中直线的检测,获得指针检测结果后可计算得到指针与仪表零刻线的夹角,再根据仪表角度量程以及读数量程,通过等比例换算得到当前仪表的读数。
本发明的技术效果和优点:
1、本发明由仪表自动检测、仪表目标定位、图像消畸变和仪表读数识别部分组成,该方法可自动检测相机视野中的仪表目标,据此调整相机位置和缩放倍数,并通过透视变换消除表盘平面与相机平面偏差造成的仪表图像畸变,获得仪表目标高质量图像后,通过端到端的深度学习模型进行表盘检测、指针检测与刻度对应等步骤识别仪表最终读数,提出的方法不依赖于预先获取的高质量图像,避免了前期复杂的仪表位置标定工作,可以在不同变电站中方便的迁移部署,满足实际应用的需求。
附图说明
图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的深度学习网络模型示意图;
图2为本发明的网络训练模型识别示意图。
具体实施方式
本发明提供了如图1-2所示的一种无约束环境下变电站指针仪表读数识别方法,包括仪表自动检测、仪表目标定位、仪表图像消畸变和仪表读数识别,具体包括以下操作步骤:
步骤一、仪表自动检测,变电站自动巡检平台进入仪表检测与识别工作模式后,相机获取当前视野图像,通过仪表目标检测模块从复杂的背景中检测仪表目标的位置;
步骤二、仪表目标定位,根据检测结果计算相机所需的位置及缩放倍数调整量,使得仪表目标位于视野中央且占比较大,完成目标定位;
步骤三、仪表图像消畸变,通过透视变换消除表面角度倾斜造成的仪表图像畸变,得到仪表的高质量图像;
步骤四、仪表读数识别,对仪表高质量图像进行降噪、图像增强、灰度化等预处理后,通过指针和刻度识别方法检测表盘与指针,计算指针在表盘中与零刻线的夹角,根据角度量程和读数量程换算最终得到仪表读数结果。
同时,在步骤一和步骤二中,仪表位置的行为采用四个点坐标绘制矩形区域,仪表定位主要采用深度学习网络模型的方式,也就是采用目标检测的模型进行识别位置,能够减少周围物体对仪表检测的干涉和减少在检测过程中的计算量,达到提升检测速率和检测精度的效果。
如图1和图2所示,所述深度学习网络模型的输入层为整个网络输入数据,且深度学习网络模型的训练阶段输入的数据包括图像数据、ROI区域包围框、标定的目标框及其所属类别的标签;检测阶段的输入层输入的数据包括图像数据和仪表区域图像数据;
深度学习网络模型在通用基础网络的基础上,最后倒数三层分别接入5层1*1和3*3卷积核组成的卷积层单元;倒数第一层接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,倒数第二层通过合并层接入倒数第一层的5层卷积层单元,同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,同样,倒数第三层通过合并层接入第二层的5层卷积层单元,同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,深度学习网络模型采用通用的预训练模型,resnet52或inception-v3等,之后建立一个两层的堆叠LSTM融合提取后的特征应用softMax进行目标多类别识别。
另外,在步骤三仪表图像消畸变中,经过仪表目标检测与定位后获得的待检仪表图像中,仪表表盘平面与相机平面存在一定角度的偏差,当仪表表盘与相机平面平行时表盘成像为圆形,可获得待检仪表正面图像,当仪表表盘与相机平面不平行时表盘成像为椭圆形,且椭圆形长轴与短轴相差越大,表盘倾斜角度越大,此时待检仪表图像为畸变图像,通过透视变换对畸变图像进行处理,将其修正为正面视角图像以减小读数误差;
透视变换可将图像从当前视平面投影至新的视平面,达到改变图像成像细节的目的,其变换规则如下式:
(x,y,w′)=(u,v,w)·T=(u,v,w)·
A11A12A13
A21A22A23
A31A32A
式中:是(U,V)原图中某点的坐标,(X,Y)是该点在变换后视平面中的坐标,(u,v,w)与(x,y,w′)分别为(U,V)与(X,Y)的齐次坐标系表达式,w与w′取1;
T为原视平面至新视平面间的转移矩阵,该矩阵可通过两个视平面中4个不同点的对应坐标值唯一确定,选择椭圆表盘的长短轴端点作为变换矩阵的计算依据以实现表盘视角修正。
还有,在步骤四仪表读数识别中,识别出表盘图像上的半指针、表盘中心、和刻度字符为目标对象,使用基于yolov5框架基础上的端到端模型进行检测,根据检测结果连接表盘中心和指针的针尖构成指针线,同时根据检测的刻度中心点通过欧式距离寻找指针的近邻刻度线,仪表指针一般都比较粗,通过Hough变换检测图像中的轮廓作为表盘检测结果,图像坐标系中圆的方程为:
(x-a) 2 +(y-b) 2 =r2 (9)
式中:(a,b)为圆心,r为半径,一组(a,b,r)参数在(a,b,r)参数空间构成了一个圆锥面,多个圆锥面的公共点代表图像空间的一个圆,对图像空间内的所有像素点的搜索,完成对图像中圆的检测,仪表指针检测可通过对仪表图像的Hough直线检测实现,类似于圆检测,Hough直线检测可将图像坐标系中的像素点变换至(k,b)参数空间的一条直线,其中k为直线的斜率,b为直线的截距,(k,b)参数空间内若干直线的公共点代表图像空间的一条直线,对图像空间内的所有像素点的搜索,完成对图像中直线的检测,获得指针检测结果后可计算得到指针与仪表零刻线的夹角,再根据仪表角度量程以及读数量程,通过等比例换算得到当前仪表的读数。
本发明工作原理:本发明由仪表自动检测、仪表目标定位、图像消畸变和仪表读数识别部分组成,该方法可自动检测相机视野中的仪表目标,据此调整相机位置和缩放倍数,并通过透视变换消除表盘平面与相机平面偏差造成的仪表图像畸变,获得仪表目标高质量图像后,通过端到端的深度学习模型进行表盘检测、指针检测与刻度对应等步骤识别仪表最终读数,提出的方法不依赖于预先获取的高质量图像,避免了前期复杂的仪表位置标定工作,可以在不同变电站中方便的迁移部署,满足实际应用的需求。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种无约束环境下变电站指针仪表读数识别方法,其特征在于:包括仪表自动检测、仪表目标定位、仪表图像消畸变和仪表读数识别,具体包括以下操作步骤:
步骤一、仪表自动检测,变电站自动巡检平台进入仪表检测与识别工作模式后,相机获取当前视野图像,通过仪表目标检测模块从复杂的背景中检测仪表目标的位置;
步骤二、仪表目标定位,根据检测结果计算相机所需的位置及缩放倍数调整量,使得仪表目标位于视野中央且占比较大,完成目标定位;
步骤三、仪表图像消畸变,通过透视变换消除表面角度倾斜造成的仪表图像畸变,得到仪表的高质量图像;
步骤四、仪表读数识别,对仪表高质量图像进行降噪、图像增强、灰度化等预处理后,通过指针和刻度识别方法检测表盘与指针,计算指针在表盘中与零刻线的夹角,根据角度量程和读数量程换算最终得到仪表读数结果。
2.根据权利要求1所述的一种无约束环境下变电站指针仪表读数识别方法,其特征在于:在步骤一和步骤二中,仪表位置的行为采用四个点坐标绘制矩形区域,仪表定位主要采用深度学习网络模型的方式,也就是采用目标检测的模型进行识别位置。
3.根据权利要求2所述的一种无约束环境下变电站指针仪表读数识别方法,其特征在于:所述深度学习网络模型的输入层为整个网络输入数据,且深度学习网络模型的训练阶段输入的数据包括图像数据、ROI区域包围框、标定的目标框及其所属类别的标签;检测阶段的输入层输入的数据包括图像数据和仪表区域图像数据;
深度学习网络模型在通用基础网络的基础上,最后倒数三层分别接入5层1*1和3*3卷积核组成的卷积层单元;倒数第一层接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,倒数第二层通过合并层接入倒数第一层的5层卷积层单元,同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,同样,倒数第三层通过合并层接入第二层的5层卷积层单元,同时接入5层1*1和3*3卷积核组成的卷积层后在输出层之前接入一个卷积层单元,深度学习网络模型采用通用的预训练模型,resnet52或inception-v3等,之后建立一个两层的堆叠LSTM融合提取后的特征应用softMax进行目标多类别识别。
4.根据权利要求3所述的一种无约束环境下变电站指针仪表读数识别方法,其特征在于:在步骤三仪表图像消畸变中,经过仪表目标检测与定位后获得的待检仪表图像中,仪表表盘平面与相机平面存在一定角度的偏差,当仪表表盘与相机平面平行时表盘成像为圆形,可获得待检仪表正面图像,当仪表表盘与相机平面不平行时表盘成像为椭圆形,且椭圆形长轴与短轴相差越大,表盘倾斜角度越大,此时待检仪表图像为畸变图像,通过透视变换对畸变图像进行处理,将其修正为正面视角图像以减小读数误差;
透视变换可将图像从当前视平面投影至新的视平面,达到改变图像成像细节的目的,其变换规则如下式:
(x,y,w′)=(u,v,w)·T=(u,v,w)·
A11A12A13
A21A22A23
A31A32A
式中:是(U,V)原图中某点的坐标,(X,Y)是该点在变换后视平面中的坐标,(u,v,w)与(x,y,w′)分别为(U,V)与(X,Y)的齐次坐标系表达式,w与w′取1;
T为原视平面至新视平面间的转移矩阵,该矩阵可通过两个视平面中4个不同点的对应坐标值唯一确定,选择椭圆表盘的长短轴端点作为变换矩阵的计算依据以实现表盘视角修正。
5.根据权利要求4所述的一种无约束环境下变电站指针仪表读数识别方法,其特征在于:在步骤四仪表读数识别中,识别出表盘图像上的半指针、表盘中心、和刻度字符为目标对象,使用基于yolov5框架基础上的端到端模型进行检测,根据检测结果连接表盘中心和指针的针尖构成指针线,同时根据检测的刻度中心点通过欧式距离寻找指针的近邻刻度线,仪表指针一般都比较粗,通过Hough变换检测图像中的轮廓作为表盘检测结果,图像坐标系中圆的方程为:
(x-a)2 +(y-b)2 =r2 (9)
式中:(a,b)为圆心,r为半径,一组(a,b,r)参数在(a,b,r)参数空间构成了一个圆锥面,多个圆锥面的公共点代表图像空间的一个圆,对图像空间内的所有像素点的搜索,完成对图像中圆的检测,仪表指针检测可通过对仪表图像的Hough直线检测实现,类似于圆检测,Hough直线检测可将图像坐标系中的像素点变换至(k,b)参数空间的一条直线,其中k为直线的斜率,b为直线的截距,(k,b)参数空间内若干直线的公共点代表图像空间的一条直线,对图像空间内的所有像素点的搜索,完成对图像中直线的检测,获得指针检测结果后可计算得到指针与仪表零刻线的夹角,再根据仪表角度量程以及读数量程,通过等比例换算得到当前仪表的读数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101638.3A CN116109993A (zh) | 2023-02-09 | 2023-02-09 | 一种无约束环境下变电站指针仪表读数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101638.3A CN116109993A (zh) | 2023-02-09 | 2023-02-09 | 一种无约束环境下变电站指针仪表读数识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109993A true CN116109993A (zh) | 2023-05-12 |
Family
ID=86257791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310101638.3A Pending CN116109993A (zh) | 2023-02-09 | 2023-02-09 | 一种无约束环境下变电站指针仪表读数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109993A (zh) |
-
2023
- 2023-02-09 CN CN202310101638.3A patent/CN116109993A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764257B (zh) | 一种多视角的指针式仪表识别方法 | |
CN111950330B (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN112257676B (zh) | 一种指针式仪表读数方法、系统以及巡检机器人 | |
CN109883533B (zh) | 基于机器视觉的低频振动测量方法 | |
CN109948469A (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
CN110675376A (zh) | 一种基于模板匹配的pcb缺陷检测方法 | |
CN111260731A (zh) | 一种棋盘格亚像素级角点自适应检测的方法 | |
CN104657711B (zh) | 一种鲁棒的指针式仪表读数自动识别方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN111368906B (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN111814919A (zh) | 一种基于深度学习的仪表定位与识别系统 | |
CN113077392B (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
CN111738229B (zh) | 一种指针表盘刻度的自动读取方法 | |
CN110852213B (zh) | 基于模版匹配的指针式仪表多情况自动化读数方法 | |
CN109974618A (zh) | 多传感器视觉测量系统的全局标定方法 | |
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 | |
CN115546795A (zh) | 一种基于深度学习的圆形指针式仪表自动读数方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN105654042B (zh) | 玻璃温度计的检定温度字符识别方法 | |
CN112833821A (zh) | 高密度ic焊点的微分几何立体微视觉检测系统及方法 | |
CN117315670A (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN112990190A (zh) | 指针式仪表读数的识别方法、装置 |
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 |