CN111598109A - 一种变电站指针仪表读数智能识别方法 - Google Patents

一种变电站指针仪表读数智能识别方法 Download PDF

Info

Publication number
CN111598109A
CN111598109A CN202010377687.6A CN202010377687A CN111598109A CN 111598109 A CN111598109 A CN 111598109A CN 202010377687 A CN202010377687 A CN 202010377687A CN 111598109 A CN111598109 A CN 111598109A
Authority
CN
China
Prior art keywords
image
pointer instrument
pointer
reading
theta
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
Application number
CN202010377687.6A
Other languages
English (en)
Other versions
CN111598109B (zh
Inventor
陈云辉
陈缨
范松海
刘益岑
刘小江
吴天宝
马小敏
罗磊
龚奕宇
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202010377687.6A priority Critical patent/CN111598109B/zh
Publication of CN111598109A publication Critical patent/CN111598109A/zh
Application granted granted Critical
Publication of CN111598109B publication Critical patent/CN111598109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

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

Abstract

本发明涉及一种变电站指针仪表读数智能识别方法，包括图像采集、图像校正、灰度化、中值滤波去噪、高斯滤波去噪、双边滤波去噪、图像二值化、canny算子边缘检测、腐蚀运算、膨胀运算、Hough圆变换检测表盘和圆心、进行Hough直线变换检测指针、输出识别读数。本发明可以在复杂环境下准确识别变电站各类指针仪表读数，包括指针较细的避雷器电流表，拍摄到仪表图片后，可以自动识别该仪表类别并配置相应的识别方法，并准确地识别仪表的读数，该方法具有通用性、较强的鲁棒性，且读数更加准确。

Description

一种变电站指针仪表读数智能识别方法
技术领域
本发明属于变电站指针仪表读数技术领域，尤其涉及一种变电站指针仪表读数智能识别方法。
背景技术
随着时代发展，数字仪表在大多数场景下已取代指针仪表，但变电站通常存在电磁干扰，数字仪表容易受到影响，所以在变电站指针仪表仍是第一选择，变电站的油枕油位表、断路器压力表、避雷器电流表等大多采用指针仪表。指针的仪表的缺点是需要人工读数，人工读数存在一定误差，甚至可能因为误判引发一些事故。
另外，人工记录还需要把数据手动输入到电脑，非常繁琐，并且不能实时显示仪表读数，带来一些潜在的隐患。
申请号(CN201610661013.2)，公开了一种变电站指针仪表读数自动识别方法，该技术提供一种图像自动拍摄及无线传输装置，对所述拍摄图像进行预处理，对所述处理过的照片进行指针定位，接着对定位后的指针式仪表值进行自动判读，如果所述读数超过量程范围或无法识别，将图像另外存储，并人工进行读数。然而该方法存在一些缺陷，一是该方法只能用于一种指针仪表，而变电站中通常有多种指针仪表，油枕油位表、断路器压力表属于普通仪表，避雷器电流表输入细指针仪表，所以该方法不具有通用性；二是只处理了光照问题，对细指针仪表图像的预处理不够，在复杂环境中的鲁棒性较差；三是没有考虑到采集角度倾斜时，读数误差的问题。
发明内容
本发明针对背景技术中的缺点和问题加以改进和创新提供了一种在复杂环境下准确识别变电站各类指针仪表读数，包括指针较细的避雷器电流表，拍摄到仪表图片后，可以自动识别该仪表类别并配置相应的识别方法，并准确地识别仪表的读数，该方法具有通用性、较强的鲁棒性，且读数更加准确。
本发明的技术方案是构造一种变电站指针仪表读数智能识别方法，所述步骤如下：
S1：采集变电站指针仪表图像；
S2：基于Hough变换检测表盘边框，获取倾斜角度并对图像进行校正，选用极坐标，ρ＝cos(θ)×x+sin(θ)×y＝A sin(α+θ)，对提取的直线进行阈值控制，将阈值范围以外的倾斜角度去掉，将阈值以内的倾斜角度使用最小二乘法求得合适的角度，设留下的倾斜角度θ1，θ2θ3θ4...θn，最适合角度为θ，(θ-θ1)2+(θ-θ2)2+(θ-θn)2最小,利用最小二乘法求得最适合角度
Figure BDA0002480812270000021
S3：识别图像中的指针仪表；
S4：图像进行灰度化、中值滤波去噪、高斯滤波去噪，若识别为细指针还需要双边滤波去噪，
灰度化：Gray＝R*0.299+G*0.587+B*0.114；
中值滤波去噪：把以当前像素为中心的小窗口内的所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值；
增加双边滤波去噪：
Figure BDA0002480812270000022
其中，ωij为当前像素权值，Pij为当前像素信息，Pi为当前像素邻域均值，Cij为当前像素位置信息，Ci为当前像素平均位置信息，σ1与σ2分别为当前像素信息、当前像素位置标准差；
高斯滤波去噪：
Figure BDA0002480812270000023
其中σ为正态分布的标准偏差，其值决定了高斯函数的变化幅度，对应的就是滤波器的权值；
S5：图像二值化、canny算子边缘检测(x，y)；
S6：针对采集角度倾斜时读数误差问题，对图像进行开运算；
S7：进行Hough圆变换，检测表盘和圆心，采用极坐标：
y＝y0+r sinθ
y＝y0+r sinθ，
对每个像素点转换到极坐标对应圆的中心，极坐标强度累计，在极坐标空间中，对强度值归一化，让强度范围在0-255之间，寻找强度最大的点，根据中心点绘制检测结果。
S8：进行Hough直线变换，检测指针并获取角度，采用极坐标：
r＝x cosθ+y sinθ，
其中r为直线到原点的距离，θ为直线与x轴的夹角，通过直线在平面θ-r寻找交于一点的曲线数量来检测，设置阈值来确定直线和角度。
优选地，S3中所述识别图像中的指针仪表，利用人工神经网络训练好的模型，识别出细指针仪表和非细指针仪表。
优选地，S5中Canny算子边缘检测：计算图中每个像素点的梯度强度和方向，应用非极大值抑制，消除边缘检测带来的杂散响，应用双阈值检测来确定真是的和潜在的边缘，通过抑制孤立的弱边缘完成边缘检测。
优选地，S6中所述开运算为先腐蚀运算再膨胀运算。
本发明有益效果：
本发明可以在复杂环境中能准确读取变电站指针仪表的读数，针对不同的指针仪表配置了不同的识别方法，具有较强通用性和较强鲁棒性，解决了变电站指针仪表人工读数繁琐和现有读数方法不够智能的问题。
附图说明
图1为本发明方法流程图；
图2为仪表原图；
图3为灰度化后图像；
图4为中值滤波去噪后图像；
图5为双边滤波去噪后图像；
图6为高斯滤波去噪后图像；
图7为边缘检测后图像；
图8为霍夫圆变换检测圆盘及圆心；
图9为霍夫直线变换检测指针。
具体实施方式
下面结合实施例和说明书附图的图1～图9对本发明作进一步详细的描述，但本发明的实施方式不限于此。本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
本发明提出了一种变电站指针仪表读数智能识别方法。本领域工程技术人员可根据本发明所公开的方法编写程序，将所编写的程序下载到计算机等智能设备中，实现准确的、较强通用性和较强鲁棒性的智能读数，发明流程图如图1所示。
实施例1：
一种变电站指针仪表读数智能识别方法，所述步骤如下：
S1：采集变电站指针仪表图像；
S2：基于Hough变换检测表盘边框，获取倾斜角度并对图像进行校正，选用极坐标，ρ＝cos(θ)×x+sin(θ)×y＝A sin(α+θ)，对提取的直线进行阈值控制，将阈值范围以外的倾斜角度去掉，将阈值以内的倾斜角度使用最小二乘法求得合适的角度，设留下的倾斜角度θ1，θ2θ3θ4...θn，最适合角度为θ，(θ-θ1)2+(θ-θ2)2+(θ-θn)2最小,利用最小二乘法求得最适合角度
Figure BDA0002480812270000041
S3：识别图像中的指针仪表；
S4：图像进行灰度化、中值滤波去噪、高斯滤波去噪，若识别为细指针还需要双边滤波去噪，
灰度化：Gray＝R*0.299+G*0.587+B*0.114；
中值滤波去噪：把以当前像素为中心的小窗口内的所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值；
双边滤波去噪：
Figure BDA0002480812270000042
其中，ωij为当前像素权值，Pij为当前像素信息，Pi为当前像素邻域均值，Cij为当前像素位置信息，Ci为当前像素平均位置信息，σ1与σ2分别为当前像素信息、当前像素位置标准差；
高斯滤波去噪：
Figure BDA0002480812270000043
其中σ为正态分布的标准偏差，其值决定了高斯函数的变化幅度，对应的就是滤波器的权值；
S5：图像二值化、canny算子边缘检测(x，y)；
S6：针对采集角度倾斜时读数误差问题，对图像进行开运算；
S7：进行Hough圆变换，检测表盘和圆心，采用极坐标：
y＝y0+r sinθ
y＝y0+r sinθ，
对每个像素点转换到极坐标对应圆的中心，极坐标强度累计，在极坐标空间中，对强度值归一化，让强度范围在0-255之间，寻找强度最大的点，根据中心点绘制检测结果。
S8：进行Hough直线变换，检测指针并获取角度，采用极坐标：
r＝x cosθ+y sinθ，
其中r为直线到原点的距离，θ为直线与x轴的夹角，通过直线在平面θ-r寻找交于一点的曲线数量来检测，设置阈值来确定直线和角度。
S1步骤提供图像采集模块，采集变电站指针仪表图像；
S4中所述的中值滤波去噪是一种非线性滤波，它能在滤除噪声的同时很好的保持图像边缘；
S4中所述的双边滤波去噪不仅考虑到像素信息，也考虑到了像素位置信息；
S4中所述的高斯滤波去噪这一步的目的是对图像的边缘进行扩展，使噪声点的灰度降低，从而减少边缘检测中的噪声数量；
S6是针对采集角度倾斜时读数误差问题，对图像进行开运算(先腐蚀运算再膨胀运算)来降低采集角度倾斜时指针阴影带来的影响；
S7中所述的强度最大的点，一般为一般为圆形中心点。
实施例2：
在实施例1的基础上，S3中所述识别图像中的指针仪表，利用人工神经网络训练好的模型，识别出细指针仪表和非细指针仪表。
实施例3：
在实施例1的基础上，S5中Canny算子边缘检测：计算图中每个像素点的梯度强度和方向，应用非极大值抑制，消除边缘检测带来的杂散响，应用双阈值检测来确定真是的和潜在的边缘，通过抑制孤立的弱边缘完成边缘检测。
实施例4：
在实施例1的基础上，S6中所述开运算为先腐蚀运算再膨胀运算。腐蚀运算消除小且无意义的目标物，膨胀运算使目标区域变大，可以消除来降低采集角度倾斜时指针阴影带来的影响。

Claims (4)

1.一种变电站指针仪表读数智能识别方法，其特征在于，所述步骤如下：
S1：采集变电站指针仪表图像；
S2：基于Hough变换检测表盘边框，获取倾斜角度并对图像进行校正，选用极坐标，ρ＝cos(θ)×x+sin(θ)×y＝A sin(α+θ)，对提取的直线进行阈值控制，将阈值范围以外的倾斜角度去掉，将阈值以内的倾斜角度使用最小二乘法求得合适的角度，设留下的倾斜角度θ1，θ2θ3θ4...θn，最适合角度为θ，方差最小时最稳定，方差为
Figure RE-FDA0002564409370000011
再利用最小二乘法求得最适合角度
Figure RE-FDA0002564409370000012
S3：识别图像中的指针仪表；
S4：图像进行灰度化、中值滤波去噪、高斯滤波去噪，若识别为细指针还需要双边滤波去噪，
灰度化：Gray＝R*0.299+G*0.587+B*0.114；
中值滤波去噪：把以当前像素为中心的小窗口内的所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值；
增加双边滤波去噪：
Figure RE-FDA0002564409370000013
其中，ωij为当前像素权值，Pij为当前像素信息，Pi为当前像素邻域均值，Cij为当前像素位置信息，Ci为当前像素平均位置信息，σ1与σ2分别为当前像素信息、当前像素位置标准差；
高斯滤波去噪：
Figure RE-FDA0002564409370000014
其中σ为正态分布的标准偏差，其值决定了高斯函数的变化幅度，对应的就是滤波器的权值；
S5：图像二值化、canny算子边缘检测(x，y)；
S6：针对采集角度倾斜时读数误差问题，对图像进行开运算；
S7：进行Hough圆变换，检测表盘和圆心，采用极坐标：
y＝y0+r sinθ
y＝y0+r sinθ，
对每个像素点转换到极坐标对应圆的中心，极坐标强度累计，在极坐标空间中，对强度值归一化，让强度范围在0-255之间，寻找强度最大的点，根据中心点绘制检测结果。
S8：进行Hough直线变换，检测指针并获取角度，采用极坐标：
r＝x cosθ+y sinθ，
其中r为直线到原点的距离，θ为直线与x轴的夹角，通过直线在平面θ-r寻找交于一点的曲线数量来检测，设置阈值来确定直线和角度。
2.根据权利要求1所述的一种变电站指针仪表读数智能识别方法，其特征在于，S3中所述识别图像中的指针仪表，利用人工神经网络训练好的模型，识别出细指针仪表和非细指针仪表。
3.根据权利要求1所述的一种变电站指针仪表读数智能识别方法，其特征在于，S5中Canny算子边缘检测：计算图中每个像素点的梯度强度和方向，应用非极大值抑制，消除边缘检测带来的杂散响，应用双阈值检测来确定真是的和潜在的边缘，通过抑制孤立的弱边缘完成边缘检测。
4.根据权利要求1所述的一种变电站指针仪表读数智能识别方法，其特征在于，S6中所述开运算为先腐蚀运算再膨胀运算。
CN202010377687.6A 2020-05-07 2020-05-07 一种变电站指针仪表读数智能识别方法 Active CN111598109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010377687.6A CN111598109B (zh) 2020-05-07 2020-05-07 一种变电站指针仪表读数智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010377687.6A CN111598109B (zh) 2020-05-07 2020-05-07 一种变电站指针仪表读数智能识别方法

Publications (2)

Publication Number Publication Date
CN111598109A true CN111598109A (zh) 2020-08-28
CN111598109B CN111598109B (zh) 2022-07-22

Family

ID=72185250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010377687.6A Active CN111598109B (zh) 2020-05-07 2020-05-07 一种变电站指针仪表读数智能识别方法

Country Status (1)

Country Link
CN (1) CN111598109B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529840A (zh) * 2020-11-06 2021-03-19 广东电网有限责任公司中山供电局 一种sf6充气设备压力下降缺陷图像识别装置
CN112836726A (zh) * 2021-01-12 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于视频信息的指针类仪表示数读取方法及装置
CN113449599A (zh) * 2021-05-27 2021-09-28 国网河北省电力有限公司行唐县供电分公司 一种基于图像识别技术的室内变电站智能运维辅助装置
CN113792616A (zh) * 2021-08-26 2021-12-14 南方电网深圳数字电网研究院有限公司 一种基于边缘计算的远程读表***及其工作方法
CN113837312A (zh) * 2021-09-30 2021-12-24 南方电网电力科技股份有限公司 一种氧化锌避雷器的运行状态评价方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080304698A1 (en) * 2007-06-08 2008-12-11 Jamie Rasmussen Selection of Regions Within an Image
CN103927507A (zh) * 2013-01-12 2014-07-16 山东鲁能智能技术有限公司 一种改进的变电站巡检机器人的多仪表读数识别方法
CN104392206A (zh) * 2014-10-24 2015-03-04 南京航空航天大学 一种指针式仪表读数自动识别的图像处理方法
CN104751187A (zh) * 2015-04-14 2015-07-01 山西科达自控股份有限公司 抄表图像自动识别方法
CN105550683A (zh) * 2015-12-07 2016-05-04 重庆大学 基于视觉的指针式仪表自动读取***和方法
CN107092863A (zh) * 2017-03-24 2017-08-25 重庆邮电大学 一种变电站巡检机器人的指针式仪表读数识别方法
CN107609557A (zh) * 2017-08-24 2018-01-19 华中科技大学 一种指针式仪表读数识别方法
CN108053374A (zh) * 2017-12-05 2018-05-18 天津大学 一种结合双边滤波与Retinex的水下图像增强方法
CN108960231A (zh) * 2018-05-31 2018-12-07 广东工业大学 一种基于机器视觉的细指针表盘识别读数方法
CN109146974A (zh) * 2018-09-07 2019-01-04 广东中粤电力科技有限公司 一种指针式仪表读数识别方法及***
JP6522869B1 (ja) * 2019-01-21 2019-05-29 株式会社ソルネット アナログメータの指針の指示値の自動読み取りシステム及び自動読み取り方法
CN110490145A (zh) * 2019-08-22 2019-11-22 国网四川省电力公司信息通信公司 一种指针式仪表读数识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080304698A1 (en) * 2007-06-08 2008-12-11 Jamie Rasmussen Selection of Regions Within an Image
CN103927507A (zh) * 2013-01-12 2014-07-16 山东鲁能智能技术有限公司 一种改进的变电站巡检机器人的多仪表读数识别方法
CN104392206A (zh) * 2014-10-24 2015-03-04 南京航空航天大学 一种指针式仪表读数自动识别的图像处理方法
CN104751187A (zh) * 2015-04-14 2015-07-01 山西科达自控股份有限公司 抄表图像自动识别方法
CN105550683A (zh) * 2015-12-07 2016-05-04 重庆大学 基于视觉的指针式仪表自动读取***和方法
CN107092863A (zh) * 2017-03-24 2017-08-25 重庆邮电大学 一种变电站巡检机器人的指针式仪表读数识别方法
CN107609557A (zh) * 2017-08-24 2018-01-19 华中科技大学 一种指针式仪表读数识别方法
CN108053374A (zh) * 2017-12-05 2018-05-18 天津大学 一种结合双边滤波与Retinex的水下图像增强方法
CN108960231A (zh) * 2018-05-31 2018-12-07 广东工业大学 一种基于机器视觉的细指针表盘识别读数方法
CN109146974A (zh) * 2018-09-07 2019-01-04 广东中粤电力科技有限公司 一种指针式仪表读数识别方法及***
JP6522869B1 (ja) * 2019-01-21 2019-05-29 株式会社ソルネット アナログメータの指針の指示値の自動読み取りシステム及び自動読み取り方法
CN110490145A (zh) * 2019-08-22 2019-11-22 国网四川省电力公司信息通信公司 一种指针式仪表读数识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAI WEN等: "Lightning Arrester Monitor Pointer Meter and Digits Reading Recognition Based on Image Processing", 《2018 IEEE 3RD ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》 *
张芳健等: "基于图像处理的细指针表盘识别方法研究", 《计算机测量与控制》 *
房桦等: "一种适用于变电站巡检机器人的仪表识别算法", 《自动化与仪表》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529840A (zh) * 2020-11-06 2021-03-19 广东电网有限责任公司中山供电局 一种sf6充气设备压力下降缺陷图像识别装置
CN112836726A (zh) * 2021-01-12 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于视频信息的指针类仪表示数读取方法及装置
CN112836726B (zh) * 2021-01-12 2022-06-07 云南电网有限责任公司电力科学研究院 一种基于视频信息的指针类仪表示数读取方法及装置
CN113449599A (zh) * 2021-05-27 2021-09-28 国网河北省电力有限公司行唐县供电分公司 一种基于图像识别技术的室内变电站智能运维辅助装置
CN113792616A (zh) * 2021-08-26 2021-12-14 南方电网深圳数字电网研究院有限公司 一种基于边缘计算的远程读表***及其工作方法
CN113837312A (zh) * 2021-09-30 2021-12-24 南方电网电力科技股份有限公司 一种氧化锌避雷器的运行状态评价方法及装置

Also Published As

Publication number Publication date
CN111598109B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN111598109B (zh) 一种变电站指针仪表读数智能识别方法
CN110580480B (zh) 基于图像处理的表计读数识别方法
CN106951900B (zh) 一种避雷器仪表读数的自动识别方法
CN112149667B (zh) 一种基于深度学习的指针式仪表的自动读数的方法
Ma et al. A robust and high-precision automatic reading algorithm of pointer meters based on machine vision
CN107301412B (zh) 一种基于图像处理的指针式仪表读数方法
CN112257676A (zh) 一种指针式仪表读数方法、***以及巡检机器人
CN109508709B (zh) 一种基于机器视觉的单指针仪表读数方法
CN111738229B (zh) 一种指针表盘刻度的自动读取方法
CN110415296B (zh) 一种有阴影光照下矩形状电器件的定位方法
CN109993154A (zh) 变电站单指针式六氟化硫型仪表智能识别方法
CN108764253A (zh) 指针式仪表数字化方法
CN111368906A (zh) 一种基于深度学习的指针式油位计读数识别方法
CN110633620A (zh) 指针式仪表刻度识别方法及电子设备
CN113408519B (zh) 一种基于模板旋转匹配的指针仪表读数的方法及***
CN110414521A (zh) 一种变电站内变压器油位计示数识别方法
CN116958514B (zh) 一种光学图像激波位置的亚像素定位方法
CN114066862A (zh) 一种基于色域和轮廓特征的指示器识别方法及***
CN113705350A (zh) 变电站的指针仪表读数识别方法、装置、介质和电子设备
CN116958983A (zh) 一种基于机器视觉的指针式压力表自动校验仪示值读数方法
CN112560839A (zh) 指针式仪表读数的自动识别方法及***
CN116958120A (zh) 一种基于梯度分布特性的微弱目标信号提取方法
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
CN116091818A (zh) 基于多神经网络级联模型的指针式仪表读数识别方法
CN114529803A (zh) 一种指针仪表识别增强检测方法

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
GR01 Patent grant
GR01 Patent grant