CN109871726A - 一种基于qr码及图像识别的同类仪表示数预警方法 - Google Patents
一种基于qr码及图像识别的同类仪表示数预警方法 Download PDFInfo
- Publication number
- CN109871726A CN109871726A CN201910158794.7A CN201910158794A CN109871726A CN 109871726 A CN109871726 A CN 109871726A CN 201910158794 A CN201910158794 A CN 201910158794A CN 109871726 A CN109871726 A CN 109871726A
- Authority
- CN
- China
- Prior art keywords
- code
- early warning
- image
- image recognition
- similar instrument
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于QR码及图像识别的同类仪表示数预警方法,包括S1、制备QR码；S2、生成QR码识别模型；S3、解码阶段；S4、预警判定，通过以上四个阶段建立卷积神经网络算法模型并扫描QR码，识别预警阈值；本发明相比于普通的二维条码，QR码可以存储更多信息，中文汉字最多可以存储1800个字符，也能够对文字、URL地址和其他类型的数据加密，同时也无需像普通二维条码一样在扫描时需直线对准扫描器，利用QR码的以上特点，将QR码与火电厂化水站仪表示数预警相结合，能有效保障预警***的可靠性。
Description
技术领域
本发明涉及一种预警方法，尤其涉及一种基于QR码和图像识别的同类仪表数预警方法,属于机器人应用技术领域。
背景技术
火力发电厂化水站，是进行化水处理的地方，化水处理可以保证热力***各部分具有良好的水汽品质，以防止热力设备的结垢、腐蚀和积盐，对保证发电厂的安全、经济运行具有十分重要的意义。化水站内包含大量仪表，用于监测化水处理过程中工质和设备的温度、压力、电流等重要参数，各个参数的正常对化水处理过程正常运行具有重要意义，所以需要定时对化水站内仪表示数进行检查，判读是否超出阈值。在传统的人工巡检耗时耗力低效的背景下，电力巡检机器人应运而生。图像识别与巡检机器人结合已经有了成熟的研究和应用案例。
电厂化水站内仪表主要类别有压力表、温度表、流量表，其中不乏有外观相似或完全相同的仪表，而处于化水处理不同***中的仪表的阈值可能不同，因此采用传统的图像识别技术对仪表进行分类和预警时可能出现误报和漏报情况，威胁火电厂化水站的运行安全性和经济性，甚至影响整个火电机组的运行安全性和经济性。
因此如何在现有智能化技术的基础上实现仪表示数精准预警是本领域技术人员亟待解决的问题。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种能够实现仪表示数精准预警的基于QR码和图像识别的同类仪表示数预警方法。技术方案：为解决上述技术问题，本发明的一种基于QR码和图像识别的同类仪表示数预警方法，包括如下步骤:
S1、制备QR码：给每个待预警的同类仪表制备其特有的QR码并将所述QR码贴在其对应的仪表上，所述QR码包括的信息为：仪表编号和预警阈值；
S2、生成QR码识别模型：采集制备好的QR码图像，输入卷积神经网络算法模型中训练，得到能准确识别QR码图像的QR码识别模型；将此QR码识别模型嵌入巡检机器人***中；
S3、解码阶段：巡检机器人在巡检过程中采集仪表对应的QR码，启动步骤S3中生成的QR码识别模型对采集的QR码进行解码，获得该仪表的编号和预警阈值信息；
S4、预警判定：巡检机器人采集仪表读数信息并与解析出的QR码中携带的预警阈值信息对比，若读数信息在预警阈值范围内，则巡检机器人继续执行巡检操作；若读数信息不在预警阈值范围内，则进行预警。
进一步地，S3中的卷积神经网络算法模型通过误差反向传播算法训练。
进一步地，误差反向传播算法包括向前传播阶段和向后传播阶段；
向前传播阶段的算法为：从S2中得到的QR码图像中选取一个样本(X,Y),其中X是QR码图像，Y是该QR码对应的设备编号,将X输入以下函数A中得到实际输出Op；
Op＝Fn(…(F2(F1(X·W(1))W(2))…)W(n))；
其中F1为第1层网络激活函数，F2为第2层网络激活函数，Fn为第n层网络激活函数，W1为第1层网络权重矩阵，W2为第2层网络权重矩阵，Wn为第n层网络权重矩阵；
向后传播阶段的算法为：计算向前传播阶段得出的实际输出Op与相应理想输出Y的差值；即为模型计算值与真实值的误差；差值即为模型计算值与真实值的误差，将该误差作为反馈修正各层网络的系数。
随后按照极小化误差的方法将误差反向传播，采用梯度下降法调整权重矩阵。
进一步地，灰度化的操作方法为采用平均值法，将原有RGB彩色图像转化为灰度图像。
进一步地，图像去噪的操作方法为采用中值滤波法，有效去除图像中的随机噪声。
进一步地，二值化的操作方法为采用大津算法将图像进行二值化处理，将原来具有256个灰度级的图像转化为灰度级只有2的黑白图像，减小存储空间和操作复杂度。
本发明的工作流程为：首先统计火电厂化水站中具有相同型号的仪表设备，给每个仪表进行编号，并对每个仪表单独设定预警阈值，利用QR码生成器，制作包含仪表编号和预警阈值信息QR码。将QR码打印并外加PVC保护套，安装在对应的仪表下方5cm处。
采集QR码图像，对图像进行预处理，将处理后的图像输入卷积神经网络算法模型中训练，得到能准确识别QR码图像的模型，将已训练完成的QR码识别模型嵌入巡检机器人***中。
巡检机器人行走至该仪表位置附近，利用高清摄像头对周围环境进行拍摄，当QR码识别模型检测到拍摄内容中出现QR码后，扫描QR码，对其中的信息进行解码，获得该仪表的编号和预警阈值。然后对仪表进行图像识别读数，判断该仪表示数是否在阈值内，如果不在阈值内，将预警信号传送至后台监控室；如果未超出阈值范围，则不执行操作。将仪表编号和示数录入后台数据库，然后继续执行上述巡检操作，直到完成本次巡检任务。
有益效果：(1)相比于普通的二维条码，QR码可以存储更多信息，中文汉字最多可以存储1800个字符，也能够对文字、URL地址和其他类型的数据加密，同时也无需像普通二维条码一样在扫描时需直线对准扫描器，利用QR码的以上特点，将QR码与火电厂化水站仪表示数预警相结合，能有效保障预警***的可靠性；(2)本方法实施简单，成本低，提高巡检机器人仪表识别精度，从而有效提高火电厂化水站运行的安全性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例
为了实现背景技术中指出的仪表示数精准预警的问题，本申请引入QR码，QR码是二维条码的一种，比普通条码可储存更多资料，亦无需像普通条码般在扫描时需直线对准扫描器，而QR码本身的编码和解码技术是公知技术，本申请只是利用这项技术做进行的仪表的识别，因此，不再具体赘述。
本发明提供一种能够实现仪表示数精准预警的基于QR码和图像识别的同类仪表示数预警方法，包括如下步骤:
S1、制备QR码：给每个待预警的同类仪表制备其特有的QR码并将所述QR码贴在其对应的仪表上，所述QR码包括的信息为：仪表编号和预警阈值；
S2、生成QR码识别模型：采集制备好的QR码图像，输入卷积神经网络算法模型中训练，得到能准确识别QR码图像的QR码识别模型；将此QR码识别模型嵌入巡检机器人***中；
S3、解码阶段：巡检机器人在巡检过程中采集仪表对应的QR码，启动步骤S3中生成的QR码识别模型对采集的QR码进行解码，获得该仪表的编号和预警阈值信息；
S4、预警判定：巡检机器人采集仪表读数信息并与解析出的QR码中携带的预警阈值信息对比，若读数信息在预警阈值范围内，则巡检机器人继续执行巡检操作；若读数信息不在预警阈值范围内，则进行预警。
S3中的卷积神经网络算法模型通过误差反向传播算法训练。
误差反向传播算法包括向前传播阶段和向后传播阶段；
向前传播阶段的算法为：从S2中得到的QR码图像中选取一个样本(X,Y),其中X是QR码图像，Y是该QR码对应的设备编号,将X输入以下函数A中得到实际输出Op；
Op＝Fn(…(F2(F1(X·W(1))W(2))…)W(n))；
其中F1为第1层网络激活函数，F2为第2层网络激活函数，Fn为第n层网络激活函数，W1为第1层网络权重矩阵，W2为第2层网络权重矩阵，Wn为第n层网络权重矩阵；
向后传播阶段的算法为：计算向前传播阶段得出的实际输出Op与相应理想输出Y的差值；即为模型计算值与真实值的误差；差值即为模型计算值与真实值的误差，将该误差作为反馈修正各层网络的系数。
随后按照极小化误差的方法将误差反向传播，采用梯度下降法调整权重矩阵。
灰度化的操作方法为采用平均值法，将原有RGB彩色图像转化为灰度图像。图像去噪的操作方法为采用中值滤波法，有效去除图像中的随机噪声。二值化的操作方法为采用大津算法将图像进行二值化处理，将原来具有256个灰度级的图像转化为灰度级只有2的黑白图像，减小存储空间和操作复杂度。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (7)
1.一种基于QR码及图像识别的同类仪表示数预警方法，其特征在于包括如下步骤:
S1、制备QR码：给每个待预警的同类仪表制备其特有的QR码并将所述QR码贴在其对应的仪表上，所述QR码包括的信息为：仪表编号和预警阈值；
S2、生成QR码识别模型：采集制备好的QR码图像，输入卷积神经网络算法模型中训练，得到能准确识别QR码图像的QR码识别模型；将此QR码识别模型嵌入巡检机器人***中；
S3、解码阶段：巡检机器人在巡检过程中采集仪表对应的QR码，启动步骤S3中生成的QR码识别模型对采集的QR码进行解码，获得该仪表的编号和预警阈值信息；
S4、预警判定：巡检机器人采集仪表读数信息并与解析出的QR码中携带的预警阈值信息对比，若读数信息在预警阈值范围内，则巡检机器人继续执行巡检操作；若读数信息不在预警阈值范围内，则进行预警。
2.根据权利要求1所述的一种基于QR码及图像识别的同类仪表示数预警方法，其特征在于：所述S2中的卷积神经网络算法模型通过误差反向传播算法训练。
3.根据权利要求2所述的一种基于QR码及图像识别的同类仪表示数预警方法，其特征在于：所述误差反向传播算法包括向前传播阶段和向后传播阶段；
所述向前传播阶段的算法为：从S2中得到的QR码图像与对应设备组成数据集，从中选取一个样本（X,Y）,其中X为QR码图像，Y为该QR码对应的设备编号,将X输入以下函数A中得到实际输出Op；
Op=Fn(…(F2(F1(X·W(1)) W(2))…) W(n))；
其中F1为第1层网络激活函数，F2为第2层网络激活函数，Fn为第n层网络激活函数，W1为第1层网络权重矩阵，W2为第2层网络权重矩阵，Wn为第n层网络权重矩阵;
所述向后传播阶段的算法为：计算向前传播阶段得出的实际输出Op与相应理想输出Y的差值，即为模型计算值与真实值的误差；
随后按照极小化误差的方法将误差反向传播，采用梯度下降法调整权重矩阵。
4.根据权利要求1所述的一种基于QR码及图像识别的同类仪表示数预警方法，其特征在于：步骤S2中采集制备好的QR码图像后，进行预处理，所述预处理步骤包括灰度化、图像去噪和二值化处理。
5.根据权利要求4所述的一种基于QR码及图像识别的同类仪表示数预警方法，其特征在于：所述灰度化的操作方法为采用平均值法，将原有RGB彩色图像转化为灰度图像。
6.根据权利要求4所述的一种基于QR码及图像识别的同类仪表示数预警方法，其特征在于：所述图像去噪的操作方法为采用中值滤波法。
7.根据权利要求4所述的一种基于QR码及图像识别的同类仪表示数预警方法，其特征在于：所述二值化的操作方法为采用大津算法将图像进行二值化处理，将原来具有256个灰度级的图像转化为灰度级只有2 的黑白图像。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811622247 | 2018-12-28 | ||
| CN2018116222471 | 2018-12-28 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109871726A true CN109871726A (zh) | 2019-06-11 |
Family
ID=66919600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910158794.7A Pending CN109871726A (zh) | 2018-12-28 | 2019-03-04 | 一种基于qr码及图像识别的同类仪表示数预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109871726A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962231A (zh) * | 2021-10-13 | 2022-01-21 | 杭州胜铭纸业有限公司 | 包装箱信息码光学识别比对方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955694A (zh) * | 2014-04-09 | 2014-07-30 | 广州邦讯信息***有限公司 | 图像识别抄表***及方法 |
| CN104700062A (zh) * | 2015-03-20 | 2015-06-10 | 中国联合网络通信集团有限公司 | 一种识别二维码的方法及设备 |
| CN106442553A (zh) * | 2016-09-12 | 2017-02-22 | 佛山市南海区广工大数控装备协同创新研究院 | 一种铜环柱面喷码检测识别装置及方法 |
| US20180052053A1 (en) * | 2015-05-12 | 2018-02-22 | Don Atkinson | Universal color tag and tracing system |
| CN108269371A (zh) * | 2017-09-27 | 2018-07-10 | 缤果可为（北京）科技有限公司 | 商品自动结算方法、装置、自助收银台 |
| CN108520193A (zh) * | 2018-03-27 | 2018-09-11 | 康体佳智能科技（深圳）有限公司 | 基于神经网络的二维码识别***及识别方法 |
| CN108890657A (zh) * | 2018-07-11 | 2018-11-27 | 清华大学合肥公共安全研究院 | 一种配电房智能巡检机器人 |
-
2019
- 2019-03-04 CN CN201910158794.7A patent/CN109871726A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955694A (zh) * | 2014-04-09 | 2014-07-30 | 广州邦讯信息***有限公司 | 图像识别抄表***及方法 |
| CN104700062A (zh) * | 2015-03-20 | 2015-06-10 | 中国联合网络通信集团有限公司 | 一种识别二维码的方法及设备 |
| US20180052053A1 (en) * | 2015-05-12 | 2018-02-22 | Don Atkinson | Universal color tag and tracing system |
| CN106442553A (zh) * | 2016-09-12 | 2017-02-22 | 佛山市南海区广工大数控装备协同创新研究院 | 一种铜环柱面喷码检测识别装置及方法 |
| CN108269371A (zh) * | 2017-09-27 | 2018-07-10 | 缤果可为（北京）科技有限公司 | 商品自动结算方法、装置、自助收银台 |
| CN108520193A (zh) * | 2018-03-27 | 2018-09-11 | 康体佳智能科技（深圳）有限公司 | 基于神经网络的二维码识别***及识别方法 |
| CN108890657A (zh) * | 2018-07-11 | 2018-11-27 | 清华大学合肥公共安全研究院 | 一种配电房智能巡检机器人 |
Non-Patent Citations (3)
| Title |
|---|
| 樊重俊等: "《大数据分析与应用》", 31 January 2016, 立信会计出版社 * |
| 陈玲等: "《图像目标分割方法》", 30 November 2016, 哈尔滨工程大学出版社 * |
| 高宏伟等: "《电子封装工艺与装备技术基础教程》", 30 June 2017 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113962231A (zh) * | 2021-10-13 | 2022-01-21 | 杭州胜铭纸业有限公司 | 包装箱信息码光学识别比对方法及*** |
| CN113962231B (zh) * | 2021-10-13 | 2024-03-26 | 杭州胜铭纸业有限公司 | 包装箱信息码光学识别比对方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399419A (zh) | 基于二维递归网络的自然场景图像中中文文本识别方法 | |
| CN113160123B (zh) | 一种基于YOLOv5的皮革缺陷检测方法、***及装置 | |
| CN115951584B (zh) | 用于滚筒杀青机的温度控制***及方法 | |
| CN107749058B (zh) | 一种锅炉管道表面缺陷的机器视觉检测方法及*** | |
| CN109165376A (zh) | 基于少量样本的风格字符生成方法 | |
| CN107492098A (zh) | 一种基于pca和cnn的高温锻件表面缺陷在位检测方法 | |
| CN111652233B (zh) | 一种针对复杂背景的文本验证码自动识别方法 | |
| CN108403111A (zh) | 一种基于卷积神经网络的癫痫脑电识别方法和*** | |
| CN102194275A (zh) | 一种车票自动检票方法 | |
| CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、***及介质 | |
| CN110830489B (zh) | 基于内容抽象表示的对抗式欺诈网站检测方法及*** | |
| CN110146792A (zh) | 基于生成对抗网络的变压器局部放电图谱生成方法 | |
| WO2013043338A1 (en) | Processes and systems for optical character recognition using generated font templates | |
| CN113190846A (zh) | 一种基于生成对抗网络模型的恶意域名训练数据生成方法 | |
| CN109871726A (zh) | 一种基于qr码及图像识别的同类仪表示数预警方法 | |
| CN109102029A (zh) | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 | |
| CN115497107B (zh) | 一种基于笔画和部首分解的零样本汉字识别方法 | |
| CN112506797A (zh) | 一种针对医学影像识别***的性能测试方法 | |
| Chaban et al. | Machine learning attack on copy detection patterns: are $1\times 1$ patterns cloneable? | |
| Zhang et al. | Automatic detection of prohibited items with small size in X-ray images | |
| CN109829527A (zh) | 一种地表水环境监测的水质样品跟踪方法和跟踪*** | |
| CN104481508A (zh) | 用信息熵结合灰度关联矩阵实现油田抽油机井故障诊断的方法 | |
| CN107886093A (zh) | 一种字符检测方法、***、设备及计算机存储介质 | |
| CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测*** | |
| CN117373111A (zh) | 一种基于AutoHOINet的人-物交互检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |