CN117095246A - 基于偏振成像的深度学习指针仪表读数识别方法 - Google Patents
基于偏振成像的深度学习指针仪表读数识别方法 Download PDFInfo
- Publication number
- CN117095246A CN117095246A CN202311361187.3A CN202311361187A CN117095246A CN 117095246 A CN117095246 A CN 117095246A CN 202311361187 A CN202311361187 A CN 202311361187A CN 117095246 A CN117095246 A CN 117095246A
- Authority
- CN
- China
- Prior art keywords
- image
- dial
- pointer
- polarization
- deep learning
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000003384 imaging method Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 239000003595 mist Substances 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 230000003321 amplification Effects 0.000 claims abstract description 12
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于仪表数据采集技术领域，涉及基于偏振成像的深度学习指针仪表读数识别方法，通过无人机或者塔基摄像头采集获取指针仪表的若干第一图像；第一图像包括四个角度的偏振图像；对第一图像中的指针仪表进行表盘位置标注，得到第二图像；对标注好的第二图像进行随机数据扩增；使用扩增后的第二图像对RetinaNet目标检测模型进行训练，得到训练后的RetinaNet目标检测模型；使用训练好的RetinaNet目标检测模型检测巡检机器人实时拍摄的偏振图像中是否包含表盘，并裁剪表盘图像；对表盘图像进行去水雾处理，最后进行表盘指针读数。本发明能够实现在有水雾情况下依旧高效的全自动化获取指针仪表读数。
Description
技术领域
本发明属于仪表数据采集技术领域，具体涉及一种基于偏振成像的深度学习指针仪表读数识别方法。
背景技术
指针仪表广泛用于变电站系统，例如指针式油位表计、油压表计等等。传统获取这些指针仪表读取方法为定期或非定期人工检查，然而这种方式不仅耗时耗力效率较低并且准确性较差。除此之外，有一些时候由于大量设备在高温、高压、高海拔地区，工作人员难以进入到相关设备进行读数读取，并且读取后再进行集中统计效率较低无法达到实时性。工人每天都要进行大量的抄表工作，这些仪表需要一定的计算，高精度仪表读取比较困难，而且记录数据需要大量工作人员手动完成，这很容易导致员工疲劳，从而造成一些数据读取不正确，一些数据记录不正确，并且当时无法立即发现。长远来看可能会造成严重的经济损失。因此使用自动化读取仪表读数很有必要。
目前主流方法为传统方法，张文杰等提出了一种基于视觉显著性区域检测先验知识来获得指针区域的方法，再通过旋转仪表对比指针投影最大值，获取指针与横轴的夹角；Kim等提出了基于形态学的处理方法来进行指针仪表读数。传统方法都有一个前提，就是需要先把仪表的位置裁剪出来，再对仪表内指针进行读数，而裁剪的好坏将决定仪表读数的准确性，并且需要对图像进行裁剪预处理难以实现全自动化处理。随着人工智能技术的发展，基于深度学习的目标检测方法检测性能在大数据场景中展现出远超过传统方法的性能。然而由于环境高温，潮湿会导致指针仪表内有水雾，从而影响自动化读取的准确性，可能会造成严重的经济损失。而偏振图像能够很好的对水雾进行去除，目前并没有工作对指针仪表进行研究。
由于指针仪表周围的环境大多都是高温潮湿的环境，因此经常会出现仪表中有水雾的情况，现有方法在指针仪表中出现水雾情况下进行读数时会出现读数不准确，甚至无法读数，这就导致自动化系统无法准确记录读数，会带来潜在的经济损失。
发明内容
为了克服现有技术水雾情况下自动化获取指针仪表读数的缺陷，本发明提出了基于偏振成像的深度学习指针仪表读取识别方法，该方法使用两阶段来实现仪表读取，第一阶段采用深度学习的检测方法来获取表盘的位置，并将其裁剪出来作为第二阶段的输入，第二阶段采用基于偏振去水雾的方法对表盘进行预处理然后再进行表盘读数的获取，从而能够实现在有水雾情况下依旧高效的全自动化获取指针仪表读数。
本发明通过下述技术方案来实现，基于偏振成像的深度学习指针仪表读数识别方法，包括如下步骤：
步骤S1：通过摄像头采集获取指针仪表的若干第一图像；第一图像包括四个角度的偏振图像，四个角度的偏振图像均为灰度图像；
步骤S2：对第一图像中的指针仪表进行表盘位置标注，得到第二图像；
步骤S3：对标注好的第二图像进行随机数据扩增；
步骤S4：使用扩增后的第二图像对RetinaNet目标检测模型进行训练，得到训练后的RetinaNet目标检测模型；RetinaNet目标检测模型包括图像拼接模块、归一化模块、RetinaNet主干网络；
步骤S5：使用训练好的RetinaNet目标检测模型检测实时拍摄的偏振图像中是否包含表盘，并裁剪表盘图像；
步骤S6：对表盘图像进行去水雾处理；
步骤S7：表盘指针读数。
进一步优选，所述四个角度的偏振图像包括0°、45°、90°和135°的偏振图像。
进一步优选，第二图像也包括四个角度的偏振图像，图像拼接模块将四个角度的偏振图像直接在通道维度拼接在一起，得到w*h*4大小的拼接图像，w表示表盘宽度，h表示表盘高度；归一化模块将拼接图像归一化，归一化使用的通道均值根据RetinaNet主干网络使用的预训练模型选择。
进一步优选，RetinaNet主干网络包括ResNet50网络、特征金字塔网络和头网络，将归一化处理后的拼接图像输入RetinaNet主干网络中，输入大小为w*h*4，然后通过一个3*3的卷积进行特征提取与通道整合，输出w*h*3大小的特征，然后通过ResNet50网络、特征金字塔网络和头网络，头网络包括分类分支和回归分支，特征金字塔网络输出多层特征图，分类分支得到预测的各个类别的概率，回归分支得到预测的目标在图像中的位置。
进一步优选，步骤S6根据偏振暗通道先验去雾技术进行水雾去除，对在0°, 45°,90°与135°下的偏振图像进行去水雾处理，然后计算出线偏振度DOLP图。
进一步优选，步骤S6中，Stokes 矢量用来表征光偏振态有四个参量：
；
其中，S代表Stokes 矢量，S0代表入射光的总光强，是偏振强度信息；S1、S2、S3分别是光在45°, 90°与135°角度方向上的强度之差，I表示光强信息，Q表示线偏振的方向，U表示线偏振的强度，V表示圆偏振分量，I0、I45、I90、I135分别为0°, 45°, 90°与135°角度下光的强度， Iright和Ileft分别表示右旋圆偏振光与左旋圆偏振光；
线偏振度DOLP计算方式为：
；
线偏振度DOLP计算后得到线偏振度DOLP图。
进一步优选，表盘指针读数过程为：将去水雾后的表盘图像进行同态滤波处理，在同态滤波处理后进行仪表的矫正，从而得到表盘正立图像，对表盘正立图像进行二值化操作和形态学处理，最后使用角度法获取表盘的读数值。
进一步优选，随机数据扩增方式包括：翻转、颜色空间变换、裁剪、旋转、锐化、模糊和混合。
本发明的有益效果：
本发明第一阶段使用RetinaNet目标检测模型将偏振图像进行检测，从而获取当前图像中的指针仪表的表盘位置，如果当前图像中未检测出表盘则不做后续的去水雾以及读数处理，如果当前图像中检测到了表盘则进行去水雾及读数处理。第二阶段进行去水雾和读数处理；
因为偏振图像先天就有去水雾以及识别不同材质的潜力，因此使用偏振图像作为RetinaNet目标检测模型的输入能够提升指针仪表的检测概率，从而提升检测性能。
本发明的RetinaNet目标检测模型与原始RetinaNet模型相比，在输入时增加了一个3*3的卷积来进行特征提取与通道整合，从而能够使用预训练的ResNet50网络，其余部分均与原始RetinaNet模型一致。
本发明解决了在表盘中出现水雾时准确高效的进行指针仪表读取识别，这是现有方法的一个痛点，解决了该问题后为真正意义上的全自动化获取指针仪表读数提供了一个方案，具有潜在的经济价值。
附图说明
图1为本发明的流程图。
图2为RetinaNet主干网络示意图。
具体实施方式
下面结合附图和实施例进一步详细阐明本发明。
参照图1，基于偏振成像的深度学习指针仪表读数识别方法，包括如下步骤：
步骤S1：通过无人机或者塔基搭载摄像头采集获取指针仪表的若干第一图像。第一图像包括四个角度的偏振图像（0°、45°、90°和135°），这四张四个角度的偏振图像均为灰度图像；
步骤S2：对第一图像中的指针仪表进行表盘位置标注，得到第二图像。指针仪表的表盘位置标注为（x,y,w,h），其中（x,y）表示悬挂指针仪表区域的中心点坐标，w表示表盘宽度，h表示表盘高度；指针仪表的类别标注为L，不同类别的指针仪表的量程已知。
步骤S3：对标注好的第二图像进行随机数据扩增。随机数据扩增方式包括：翻转、颜色空间变换、裁剪、旋转、锐化、模糊和混合。因此，对于每幅第二图像，随机采用上述的七种随机数据扩增方式中的至少一种对第二图像进行预处理，当采用至少两种随机数据扩增方式处理时，至少两种随机数据扩增方式的顺序不限，这样，每种随机数据扩增方式都有1/7的概率对第二图像进行扩增，从而能够获得7×7种可能扩增的结果，能够很好地对原始数据进行扩增，弥补已有数据集样本少的缺陷，更好地模拟真实场景的情况。
步骤S4：使用扩增后的第二图像对RetinaNet目标检测模型进行训练，得到训练后的RetinaNet目标检测模型。RetinaNet目标检测模型包括图像拼接模块、归一化模块、RetinaNet主干网络。
输入的第二图像也包括四个角度的偏振图像（0°、45°、90°和135°），图像拼接模块将四个角度的偏振图像直接在通道维度拼接在一起，得到w*h*4大小的拼接图像；
归一化模块将拼接图像归一化，归一化使用的通道均值根据RetinaNet主干网络使用的预训练模型选择；
如图2所示，RetinaNet主干网络包括ResNet50网络、特征金字塔网络（FPN）和头网络，将归一化处理后的拼接图像输入RetinaNet主干网络中，输入大小为w*h*4（w表示表盘宽度，h表示表盘高度），然后通过一个3*3的卷积进行特征提取与通道整合，输出w*h*3大小的特征，然后通过ResNet50网络、特征金字塔网络和头网络，头网络包括分类分支和回归分支，特征金字塔网络输出多层特征图，分类分支得到预测的各个类别的概率，回归分支得到预测的目标在图像中的位置。
由于加入了特征金字塔网络，可在多个尺度上进行特征检测。为了提高RetinaNet目标检测模型正例分配的效率，使用自动正例分配方法：特征图上的每个位置上的向量代表一个样本例子的特征，在这个特征上使用分类分支和回归分支预测的向量为样本的预测向量，分类分支的预测向量反映这个样本是目标的置信度大小，回归分支的预测向量反映了此样本的位置与真实的位置之间需要调整的坐标大小。根据样本中心点位置，给每一个真实样本选择9个距离最近的样本例子作为正例，其余样本作为负例；对分配的正例和负例构造模型的损失函数：分类分支的损失函数由正例和负例预测向量和目标、背景之间的二元交叉熵损失函数组成。回归分支的损失函数由正例的回归预测向量与真实坐标偏移之间的smoothl1损失函数组成；RetinaNet目标检测模型在数据集上训练12轮，并保存训练好的RetinaNet目标检测模型参数备用。
步骤S5：使用训练好的RetinaNet目标检测模型检测无人机或者塔基搭载摄像头实时拍摄的偏振图像中是否包含表盘，并裁剪表盘图像。如果场景中没有检测出表盘，则没有后续读数的需求，则继续进行检测这一步骤，如果检测出了表盘则根据RetinaNet目标检测模型检测出来的表盘位置将其中指针仪表的表盘区域裁剪出来，用于后续读数操作。
具体来说，对输入的偏振图像使用RetinaNet目标检测模型进行检测，根据分类向量中的目标置信度选择超过阈值的目标，得到这些目标的分类置信度与位置信息，再使用非极大值抑制算法对超过阈值的矩形框进行冗余框去除，从而得到最终的预测结果，若最终的预测结果中不包含矩形框，说明灰度图像中没有指针仪表的表盘，否则说明有指针仪表表盘：记录指针仪表的表盘位置，供后续算法使用。
步骤S6：对表盘图像进行去水雾处理。根据偏振暗通道先验去雾技术进行水雾去除。对在0°, 45°, 90°与135°下的偏振图像进行去水雾处理，然后计算出线偏振度DOLP图。具体理论如下：
Stokes 矢量一般用来表征光偏振态有四个参量(S0,S1,S2,S3)，这时偏振图像的采集为四个角度：
；
其中，S代表Stokes 矢量，S0代表入射光的总光强，是偏振强度信息；S1、S2、S3分别是光在45°, 90°与135°角度方向上的强度之差，I表示光强信息，Q表示线偏振的方向，U表示线偏振的强度，V表示圆偏振分量，I0、I45、I90、I135分别为0°, 45°, 90°与135°角度下光的强度，在获取偏振信息的实验中，通常选择的偏振角度为 0°、45°、90°和 135°。其中，Iright和Ileft分别表示右旋圆偏振光与左旋圆偏振光，但在实际应用中圆偏振光一般很小，默认为 0。
线偏振度DOLP来表示完全偏振光所占比例，也就是完全偏振光光强与总光强的比值。不同材料、粗糙度的目标的DOLP不同，因此DOLP图像可以增大目标与背景之间的差异度。AOP 表示偏振光振动方向与参考方向的夹角，可以反映目标轮廓变化信息。Stokes 矢量各参数与线偏振度（DOLP）存在如下关系：
；
由以上操作可以得到线偏振度DOLP图。
步骤S7：表盘指针读数。
1）预处理
将去水雾后的表盘图像进行同态滤波处理，从而增强图像的对比度。同态滤波处理可采用现有技术的方法。
2）二值化和形态学处理
对表盘正立图像进行二值化操作和形态学处理，二值化采用阈值法，形态学处理采用腐蚀膨胀操作进行处理。
3）仪表读数自动读取
由于条件DETR目标检测模型（Conditional DETR）在检测时会获取指针仪表的类别信息，根据先验信息可以知道当前类别指针仪表的量程，因此使用角度法便能够获取表盘的读数值。角度法的计算公式如式所示：
；
式中，Lmax 表示指针仪表的最大量程，Lmin 表示仪表的最小量程，θmax表示指针仪表的最大量程对应的角度，θmin表示指针仪表的最小量程对应的角度，θ 表示指针的倾斜角，R 表示指针仪表的读数值。
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 (8)
1.基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，包括如下步骤：
步骤S1：通过摄像头采集获取指针仪表的若干第一图像；第一图像包括四个角度的偏振图像，四个角度的偏振图像均为灰度图像；
步骤S2：对第一图像中的指针仪表进行表盘位置标注，得到第二图像；
步骤S3：对标注好的第二图像进行随机数据扩增；
步骤S4：使用扩增后的第二图像对RetinaNet目标检测模型进行训练，得到训练后的RetinaNet目标检测模型；RetinaNet目标检测模型包括图像拼接模块、归一化模块、RetinaNet主干网络；
步骤S5：使用训练好的RetinaNet目标检测模型检测实时拍摄的偏振图像中是否包含表盘，并裁剪表盘图像；
步骤S6：对表盘图像进行去水雾处理；
步骤S7：表盘指针读数。
2.根据权利要求1所述的基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，所述四个角度的偏振图像包括0°、45°、90°和135°的偏振图像。
3.根据权利要求1所述的基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，第二图像也包括四个角度的偏振图像，图像拼接模块将四个角度的偏振图像直接在通道维度拼接在一起，得到w*h*4大小的拼接图像，w表示表盘宽度，h表示表盘高度；归一化模块将拼接图像归一化，归一化使用的通道均值根据RetinaNet主干网络使用的预训练模型选择。
4.根据权利要求3所述的基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，RetinaNet主干网络包括ResNet50网络、特征金字塔网络和头网络，将归一化处理后的拼接图像输入RetinaNet主干网络中，输入大小为w*h*4，然后通过一个3*3的卷积进行特征提取与通道整合，输出w*h*3大小的特征，然后通过ResNet50网络、特征金字塔网络和头网络，头网络包括分类分支和回归分支，特征金字塔网络输出多层特征图，分类分支得到预测的各个类别的概率，回归分支得到预测的目标在图像中的位置。
5.根据权利要求2所述的基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，步骤S6根据偏振暗通道先验去雾技术进行水雾去除，对在0°, 45°, 90°与135°下的偏振图像进行去水雾处理，然后计算出线偏振度DOLP图。
6.根据权利要求5所述的基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，步骤S6中，Stokes 矢量用来表征光偏振态有四个参量：
；
其中，S代表Stokes 矢量，S0代表入射光的总光强，是偏振强度信息；S1、S2、S3分别是光在45°, 90°与135°角度方向上的强度之差，I表示光强信息，Q表示线偏振的方向，U表示线偏振的强度，V表示圆偏振分量，I0、I45、I90、I135分别为0°, 45°, 90°与135°角度下光的强度， Iright和Ileft分别表示右旋圆偏振光与左旋圆偏振光；
线偏振度DOLP计算方式为：
；
线偏振度DOLP计算后得到线偏振度DOLP图。
7.根据权利要求1所述的基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，表盘指针读数过程为：将去水雾后的表盘图像进行同态滤波处理，在同态滤波处理后进行仪表的矫正，从而得到表盘正立图像，对表盘正立图像进行二值化操作和形态学处理，最后使用角度法获取表盘的读数值。
8.根据权利要求1所述的基于偏振成像的深度学习指针仪表读数识别方法，其特征在于，随机数据扩增方式包括：翻转、颜色空间变换、裁剪、旋转、锐化、模糊和混合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311361187.3A CN117095246A (zh) | 2023-10-20 | 2023-10-20 | 基于偏振成像的深度学习指针仪表读数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311361187.3A CN117095246A (zh) | 2023-10-20 | 2023-10-20 | 基于偏振成像的深度学习指针仪表读数识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117095246A true CN117095246A (zh) | 2023-11-21 |
Family
ID=88783351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311361187.3A Pending CN117095246A (zh) | 2023-10-20 | 2023-10-20 | 基于偏振成像的深度学习指针仪表读数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095246A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117351448A (zh) * | 2023-12-04 | 2024-01-05 | 长春理工大学 | 一种基于YOLOv8改进的偏振图像道路目标检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951900A (zh) * | 2017-04-13 | 2017-07-14 | 杭州申昊科技股份有限公司 | 一种避雷器仪表读数的自动识别方法 |
| CN108960237A (zh) * | 2018-06-29 | 2018-12-07 | 上海海事大学 | 一种指针式油位计读数识别方法 |
| CN113344006A (zh) * | 2021-05-21 | 2021-09-03 | 中国人民解放军陆军炮兵防空兵学院 | 一种采用可学习参量融合网络的偏振图像解析方法 |
| CN113837178A (zh) * | 2021-09-15 | 2021-12-24 | 国网河北省电力有限公司 | 一种基于深度学习的变电站表计自动定位与统一分割方法 |
| 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 |
| CN115409803A (zh) * | 2022-08-31 | 2022-11-29 | 广东电网有限责任公司广州供电局 | 配电房变压器油位辨别方法、系统及介质 |
| CN115424115A (zh) * | 2022-09-11 | 2022-12-02 | 西北农林科技大学 | 一种基于偏振成像和深度学习的透明目标检测方法 |
| CN116188755A (zh) * | 2022-11-25 | 2023-05-30 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的仪表角度校正与示数识别装置 |
| CN116386019A (zh) * | 2023-03-15 | 2023-07-04 | 山东科技大学 | 一种基于深度学习的指针式仪表识别及读数方法 |
| CN116503761A (zh) * | 2023-04-23 | 2023-07-28 | 深圳供电局有限公司 | 高压线路异物检测方法、模型训练方法和装置 |
-
2023
- 2023-10-20 CN CN202311361187.3A patent/CN117095246A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951900A (zh) * | 2017-04-13 | 2017-07-14 | 杭州申昊科技股份有限公司 | 一种避雷器仪表读数的自动识别方法 |
| CN108960237A (zh) * | 2018-06-29 | 2018-12-07 | 上海海事大学 | 一种指针式油位计读数识别方法 |
| CN113344006A (zh) * | 2021-05-21 | 2021-09-03 | 中国人民解放军陆军炮兵防空兵学院 | 一种采用可学习参量融合网络的偏振图像解析方法 |
| CN113837178A (zh) * | 2021-09-15 | 2021-12-24 | 国网河北省电力有限公司 | 一种基于深度学习的变电站表计自动定位与统一分割方法 |
| 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 |
| CN115409803A (zh) * | 2022-08-31 | 2022-11-29 | 广东电网有限责任公司广州供电局 | 配电房变压器油位辨别方法、系统及介质 |
| CN115424115A (zh) * | 2022-09-11 | 2022-12-02 | 西北农林科技大学 | 一种基于偏振成像和深度学习的透明目标检测方法 |
| CN116188755A (zh) * | 2022-11-25 | 2023-05-30 | 国网山西省电力公司大同供电公司 | 一种基于深度学习的仪表角度校正与示数识别装置 |
| CN116386019A (zh) * | 2023-03-15 | 2023-07-04 | 山东科技大学 | 一种基于深度学习的指针式仪表识别及读数方法 |
| CN116503761A (zh) * | 2023-04-23 | 2023-07-28 | 深圳供电局有限公司 | 高压线路异物检测方法、模型训练方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| RACHEL BLIN等: "Adapted learning for Polarization-based car detection", 《PROCEEDINGS OF SPIE》, pages 1 - 7 * |
| RACHEL BLIN等: "Road scenes analysis in adverse weather conditions by polarization-encoded images and adapted deep learning", 《2019 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC)》, pages 27 - 32 * |
| SHENG GAO等: "RetinaNet-Based Compact Polarization SAR Ship Detection", 《IEEE JOURNAL ON MINIATURIZATION FOR AIR AND SPACE SYSTEMS》, vol. 3, no. 3, pages 146 - 152, XP011923530, DOI: 10.1109/JMASS.2022.3203214 * |
| 何冰: "雾天图像清晰化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2023, no. 3, pages 138 - 335 * |
| 韩浩等: "基于偏振信息图像增强的多目标检测", 《电子测量与仪器学报》, vol. 37, no. 3, pages 29 - 38 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117351448A (zh) * | 2023-12-04 | 2024-01-05 | 长春理工大学 | 一种基于YOLOv8改进的偏振图像道路目标检测方法 |
| CN117351448B (zh) * | 2023-12-04 | 2024-03-08 | 长春理工大学 | 一种基于YOLOv8改进的偏振图像道路目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN109145830B (zh) | 一种智能水尺识别方法 | |
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN117095246A (zh) | 基于偏振成像的深度学习指针仪表读数识别方法 | |
| CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
| CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
| CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
| CN113591592A (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
| CN111832760A (zh) | 一种基于视觉算法的井盖自动巡检方法 | |
| CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
| CN110599471B (zh) | 基于图像处理的雨量筒水平监测系统及其检测方法 | |
| CN117269193A (zh) | 合成革表观质量智能化检测方法 | |
| CN117079286A (zh) | 一种指针仪表的识别方法和识别系统 | |
| CN116930192A (zh) | 一种高精度铜管缺陷检测方法及系统 | |
| CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
| CN116485749A (zh) | 一种基于自编码器的镜头模组中脏污识别方法 | |
| CN116403085A (zh) | 一种基于多任务的变电站多指针仪表识别方法及装置 | |
| CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
| CN115713635A (zh) | 一种甚高灵敏度红外对海成像数据的高精度辐射定标方法 | |
| CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
| CN114119713A (zh) | 一种基于人工智能与无人机遥感的林地空秃检测方法 | |
| CN110189301B (zh) | 一种发电机定子铁心钢片叠装平台的异物检测方法 | |
| CN116310285B (zh) | 一种基于深度学习的指针式仪表自动读数方法及系统 | |
| CN114549449B (zh) | 小尺寸曲面构件全局缺陷精细定量识别方法 |
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 |