CN113705564A - 一种指针式仪表识别读数方法 - Google Patents
一种指针式仪表识别读数方法 Download PDFInfo
- Publication number
- CN113705564A CN113705564A CN202110914541.5A CN202110914541A CN113705564A CN 113705564 A CN113705564 A CN 113705564A CN 202110914541 A CN202110914541 A CN 202110914541A CN 113705564 A CN113705564 A CN 113705564A
- Authority
- CN
- China
- Prior art keywords
- pointer
- instrument
- image
- reading
- pointer 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种指针式仪表识别读数方法，方法包括拍摄仪表图像，使用YOLOv4深度学***分线算法的结合求得指针的位置，最终结合角度算法求出仪表读数。与现有技术相比，本发明利用YOLOv4深度学习网络模型进行指针图像的提取，提高了拍摄的指针图像的清晰度，又使用了改进的霍夫算法使得对于指针角度的判断更为精准，可准确读取仪表读数。
Description
技术领域
本发明涉及指针表读数领域，尤其是涉及一种指针式仪表识别读数方法。
背景技术
在发电行业中，火力发电厂在生产过程中的充满着高温高压、煤气、酸碱、强电等复杂环境，发电机组中设备多种多样，工艺繁杂，管线密布，发电设备高速运转，时常发生跑冒滴漏现象，存在着各种安全隐患。目前对火电厂中指针式仪表的读数主要依靠工人巡检，存在风险性高、可靠性差、追溯性低等缺点。
随着科技的发展，吴杰提出了一种基于轮廓拟合与径向分割的指针式仪表读数算法，这种算法在在一定的误差范围内，能适应不同的宽窄指针、拍摄远近和表盘背景等其他复杂因素的干扰，具有一定的自适应能力。郁飞等人提出一种优化的指示仪表机器识别方法，该方法用采集到的指针式油位仪表图像，对仪表边缘检测的基础上进行再进行二值化操作，获取完整清楚的仪表图像后再利用霍夫变换得到指针的方向，从而实现仪表的自动读数和识别。人们也开始使用巡检机器人来对火电厂指针进行拍摄，但是拍摄图像效果不佳，清晰度低。要获得准确的指针读数对所拍摄图像的清晰度有一定的要求，同时也需要光照适中并且尽量有较少的背景干扰，才能准确地将仪表指针和表盘区分开。且由于指针仪表的读数由指针角度确定，现有的算法对于指针式仪表中指针位置的判断仍然存在识别不够精确的问题，无法满足对指针仪表的智能化读数。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种指针式仪表识别读数方法，解决了目前指针式仪表读数精确度较低的问题。
本发明的目的可以通过以下技术方案来实现：
一种指针式仪表识别读数方法，包括以下步骤：
S1、拍摄含有指针仪表的图像，并使用YOLOv4深度学习网络模型初步定位指针仪表。
S2、根据初步定位结果调整拍摄焦距，使得拍摄镜头对焦于图像中初步定位的指针仪表上，重新拍摄仪表图像，使得拍摄的仪表图像清晰度及角度达到图像提取要求。
S3、再次使用YOLOv4深度学习网络模型第二次定位指针仪表，进行倾斜校正后提取指针仪表图像。
S4、对指针仪表图像进行预处理，得到已处理图像。
S5、使用霍夫变换算法与角平分线算法的结合算法检测所述已处理图像中的指针位置及圆心位置，结合角度算法得到仪表读数。
进一步地，步骤S5中具体包括：
使用霍夫变换算法检测出指针边缘的两条线段及指针的圆心。
以圆心为原点判断出指针在仪表盘中的象限区间，将两条线段延长拟合为两条直线并求出直线交点。
根据该直线交点与两条直线结合角平分线算法得出角平分线，再根据检测出的圆心位置，在所述角平分线选取合适长度的线段，该线段就是指针所在的具***置。
进一步地，所述直线交点的计算公式如下：
式中，两条线段分别表示为la和lb，la线段两端端点分别为(x1，y1)和(x2，y2)，lb线段两端端点分别为(x3，y3)和(x4，y4)，两条线段的斜率分别为ka、kb，(x0，y0)为直线交点坐标。
进一步地，步骤S5中所述的角度算法处理步骤包括：，
通过检测到的指针位置，结合指针所在的象限区间进行计算，设指针与x轴夹角为θ，起始点的刻度为m，终点的刻度为M，起始刻度与最大刻度之间的夹角为Ф，α为偏转角，计算表达式如下：
根据指针所在象限区间不同作如下判断：
如果仪表指针在第一、二象限区间时，读数T的关系表达式如下：
如果仪表指针在第三象限区间时，读数T的关系表达式如下：
如果仪表指针在第四象限区间时，读数T的关系表达式如下：
进而得到指针仪表的读数。
进一步地，YOLOv4深度学习网络模型的定位步骤包括：
输入待定位的图像后，以图像左上角为坐标原点，划分单元格。
在含有仪表图像的每个单元格中预测多个边框，每个边框会预测出多个基本参数，包括边框的左上角坐标与宽和高、置信度以及目标类别，根据边框位置完成对指针仪表的定位。
进一步地，若边框区域的中心相对于坐标原点有偏移，则对边框进行修正，得到修正边框，最终根据修正边框位置完成对指针仪表的定位。
所述边框的修正计算表达式如下：
式中，(bx,by)表示修正边框的中心坐标，(bw,bh)表示修正边框的长与宽，Pn表示目标类别，σ表示置信度，CxCy分别为边框区域的中心相对于坐标原点在x坐标上的偏移量和y坐标上的偏移量，(tx,ty)表示原边框的左上角坐标，twth分别表示原边框区域的宽和高。
进一步地，所述YOLOv4深度学习网络模型的结构包括CSPDarknet53网络、空间金字塔池SPP、路径聚合网络PAN和YOLOv3网络。
进一步地，所述CSPDarknet53网络由卷积层、批量标准化和跃层连接组成，采用Mish激活函数。
进一步地，步骤S1中所述含有仪表的图像由电力巡检机器人通过可见光摄像头拍摄获取。
进一步地，步骤S4中所述预处理操作包括滤波去噪处理、二值化处理、形态学处理，边缘检测处理等。
与现有技术相比，本发明具有以下优点：
1、通过使用YOLOv4算法对拍摄的图片进行指针检测定位，并根据检测结果调整拍摄的焦距等参数重新对仪表进行拍摄，解决了现有技术中机器人拍摄图片清晰度不佳的问题，使得后续对拍摄图像中指针读数提取的精确性更高。
2、使用改进了的霍夫算法识别仪表指针的角度，通过对传统霍夫变换算法和角平分线算法的结合，对于火电厂复杂运行环境下仪表检测的适应性更强，提高了检测的精度。
3、通过对拍摄图案进行倾斜校正以及预处理等，对指针图片的质量进行了进一步优化，使得最终测得的指针读数更精准。
附图说明
图1为本发明的流程示意图。
图2为本发明涉及到的YOLOv4深度学习网络模型过程中练迭代次数与损失量的关系图。
图3为本发明所检测仪表的边框预测信息示意图。
图4为本发明重新拍摄后得到的整体图像示意图。
图5为本发明对仪表图像的定位和校正示意图。
图6为本发明对仪表图像的预处理示意图。
图7为本发明对火电厂指针式仪表指针的直线检测与指针提取示意图。
图8为本发明针对不同型号指针式仪表定位示意图。
图9为本发明针对不同型号指针式仪表检测示意图。
图10a为本发明对指针式仪表角度法读数计算时指针位于第一象限示意图。
图10b为本发明对指针式仪表角度法读数计算时指针位于第二象限示意图。
图10c为本发明对指针式仪表角度法读数计算时指针位于第三象限示意图。
图10d为本发明对指针式仪表角度法读数计算时指针位于第四象限示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种指针式仪表识别读数方法，可分为仪表图像采集环节、图像中仪表预处理环节和仪表读数环节，如图1所示，本实施例中步骤S1-S2属于仪表图像采集环节，步骤S3-S4属于图像中仪表预处理环节，步骤S5属于仪表读数环节，具体包括：
步骤S1、使用电力巡检机器人通过可见光摄像头拍摄获取含有指针仪表的图像，并使用YOLOv4深度学习网络模型初步定位指针仪表。
YOLOv4深度学习网络模型是在YOLOv3网络基础上改进的深度学习回归方法，该算法能更准确高效的将仪表的位置预测和分类预测结合到网络中，从输入图像直接预测出目标位置、类别和识别率，从而实现实时仪表检测。YOLOv4深度学习网络模型的结构主要包括CSPDarknet53(Cross-Stage-Parital-connections Darknet53)、SPP(Spatial PyramidPooling)、PAN(Path Aggregation Network)和YOLOv3网络四部分，主要用于提取图像特征和多尺度预测，通过在三种尺度上进行预测的方法，有效增强了对不同大小物体及被遮挡物体的检测效果，并引入跃层连接以强化收敛效果，同时采用随机多尺度训练的方式增强了算法的鲁棒性。同时提出了新的提取图像特征的网络CSPDarknet53，作为全卷积网络，CSPDarknet53主要由卷积层、批量标准化和跃层连接组成，激活函数采用Mish激活函数，其中输入图像的尺寸为608×608×3，还包含CSPDarknet53骨架网络，主要作用是图像中特征的提取，其余部分为YOLOv3网络层。
本实施例选取了从某火电厂拍摄的指针式仪表在不同场景、不同视角下的1000张仪表图片作为数据集，其中800张各类仪表图片作为训练样本，200张各类仪表图片作为测试样本。标记样本之前先将训练样本处理成像素为608×608大小的图片。然后对样本进行了标记，并在实验平台上进行了训练。训练过程中的迭代次数与损失函数的关系示意图如图2所示。
完成对深度学习网络模型的训练后，开始对测试样本进行指针仪表定位，定位步骤具体如下：
输入待定位的图像后，以图像左上角为坐标原点，划分单元格。
在含有仪表图像的每个单元格中预测多个边框，每个边框会预测出多个基本参数，包括边框的左上角坐标与宽和高、置信度以及目标类别，根据边框位置完成对指针仪表的定位。
若边框区域的中心相对于坐标原点有偏移，则对边框进行修正，得到修正边框，最终根据修正边框位置完成对指针仪表的定位，如图3所示。边框的修正计算表达式如下：
式中，(bx,by)表示修正边框的中心坐标，(bw,bh)表示修正边框的长与宽，Pn表示目标类别，σ表示置信度，CxCy分别为边框区域的中心相对于坐标原点在x坐标上的偏移量和y坐标上的偏移量，(tx,ty)表示原边框的左上角坐标，twth分别表示原边框区域的宽和高。
步骤S2、根据初步定位结果调整拍摄焦距，使得拍摄镜头对焦于图像中初步定位的指针仪表上，并调整拍摄角度后重新拍摄仪表图像，如图4所示，使得拍摄的仪表图像清晰度及角度达到图像提取要求，并将结果上传至服务器端。
步骤S3、再次使用YOLOv4深度学习网络模型第二次定位指针仪表，提取指针仪表图像，后通过透视变换进行倾斜校正，如图5所示，左侧为提取后的指针仪表图像，右侧为进行了倾斜校正的图像。所用的透视变换公式是：
其中u,v是原始图片坐标，变换后的图片坐标为：
变化矩阵
能拆分成4个低阶矩阵，如
表示线性变换，即缩放、剪切和旋转。[a31 a32]用于平面内的图像移位。[a13 a23]T产生透视变换。整定上述关系式，得出以下关系式可实现从仪表图像关键点连线的不规则四边形向规则四边形的变换，从而实现对仪表图像的倾斜校正处理。
步骤S4、对指针仪表图像进行预处理，主要步骤包括灰度化处理、滤波去噪、二值化以及边缘检测，流程示意图如图6所示。首先进行灰度化操作，随后再进行平滑滤波处理。本方法采用高斯滤波算法，其基本原理是通过计图像中像素坐标点(i,j)处的高斯函数来定义的，该点的高斯函数定义为：
上式给出了高斯滤波算法系数的表达形式，将该模板与图像中每个像素点进行卷积运算，即实现高斯平滑处理。选择3*3大小的模板能在更好保留细节信息的情况下实现噪声的消除。
根据指针式仪表检测的特点，需对去除噪声后的仪表灰度图再进行二值化操作。在二值化操作中，首先考虑的是阈值的大小，自适应阈值的选取通常是使用Otsu法。二值化变换函数表达式是：
其中g(x,y)为某点(x,y)处的像素值，T为阈值，则处理后的二值图像为f(x,y)。进行二值化处理后的仪表图像，为突出仪表指针边缘轮廓，首先要使用边缘增强算子，并定义指针像素点的边缘强度，然后根据所提取仪表指针边缘点集的需求来设定特定阈值。在实际应用中常用的边缘检测算法有多种，主要有Sobel算子、Roberts算子、Prewitt算子和Canny算子，这些算子各有自己的优势，并且具有不同的适用条件。在各类的边缘检测算子中，本方法中选取了基于优化算法的Canny边缘检测算子，该算法有检测精度高、计算时间短等优势，故经常用于指针式仪表的识别研究。
步骤S5、使用霍夫变换算法(霍夫变换是一种能够检测特殊边缘形状的有效方法，经常被用来检测目标图像中的直线及圆)与角平分线算法的结合算法检测已处理图像中的指针位置及圆心位置，具体包括：
使用霍夫变换算法检测出指针边缘的两条线段及指针的圆心。
以圆心为原点判断出指针在仪表盘中的象限区间，将两条线段延长拟合为两条直线并求出直线交点，直线交点的计算公式如下：
式中，两条线段分别表示为la和lb，la线段两端端点分别为(x1,y1)和(x2,y2)，lb线段两端端点分别为(x3,y3)和(x4,y4)，两条线段的斜率分别为ka、kb，(x0,y0)为直线交点坐标。
根据该直线交点与两条直线结合角平分线算法得出角平分线，再根据检测出的圆心位置，在角平分线选取合适长度的线段，该线段就是指针所在的具***置，如图7所示，左侧为拟合的两条直线示意图，右侧为指针所在的线段示意图。
同时如图8、图9所示，图8是对各种型号的仪表的定位示意图，图9是对各种型号仪表的检测示意图，可看出对于不同型号的指针仪表本方法都能对指针边缘实现提取
结合角度算法，通过检测到的指针位置，结合指针所在的象限区间进行计算，设指针与x轴夹角为θ，起始点的刻度为m，终点的刻度为M，起始刻度与最大刻度之间的夹角为Ф，α为偏转角，计算表达式如下：
根据指针所在象限区间不同作如下判断，不同象限的示意图如图10a～图10d所示：
如果仪表指针在第一、二象限区间时，读数T的关系表达式如下：
如果仪表指针在第三象限区间时，读数T的关系表达式如下：
如果仪表指针在第四象限区间时，读数T的关系表达式如下：
最终得到指针仪表的读数，并将数据发送至前端，存储于数据库中。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种指针式仪表识别读数方法，其特征在于，包括以下步骤：
S1、拍摄含有指针仪表的图像，并使用YOLOv4深度学习网络模型初步定位指针仪表；
S2、根据初步定位结果调整焦距，使得拍摄镜头对焦于图像中初步定位的指针仪表上，重新拍摄仪表图像；
S3、再次使用YOLOv4深度学习网络模型第二次定位指针仪表，进行倾斜校正后提取指针仪表图像；
S4、对指针仪表图像进行预处理，得到已处理图像；
S5、使用霍夫变换算法与角平分线算法的结合算法检测所述已处理图像中的指针位置及圆心位置，结合角度算法得到仪表读数。
2.根据权利要求1所述的一种指针式仪表识别读数方法，其特征在于，步骤S5中具体包括：
使用霍夫变换算法检测出指针边缘的两条线段及指针的圆心；
以圆心为原点判断出指针在仪表盘中的象限区间，将两条线段延长拟合为两条直线并求出直线交点；
根据该直线交点与两条直线结合角平分线算法得出角平分线，再根据检测出的圆心位置，在所述角平分线选取合适长度的线段，该线段就是指针所在的具***置。
3.根据权利要求2所述的一种指针式仪表识别读数方法，其特征在于，所述直线交点的计算公式如下：
式中，两条线段分别表示为la和lb，la线段两端端点分别为(x1，y1)和(x2，y2)，lb线段两端端点分别为(x3，y3)和(x4，y4)，两条线段的斜率分别为ka、kb，(x0，y0)为直线交点坐标。
4.根据权利要求2所述的一种指针式仪表识别读数方法，其特征在于，步骤S5中所述的角度算法处理步骤包括：
通过检测到的指针位置，结合指针所在的象限区间进行计算，设指针与x轴夹角为θ，起始点的刻度为m，终点的刻度为M，起始刻度与最大刻度之间的夹角为Ф，α为偏转角，计算表达式如下：
根据指针所在象限区间作如下判断：
如果仪表指针在第一、二象限区间时，读数T的关系表达式如下：
如果仪表指针在第三象限区间时，读数T的关系表达式如下：
如果仪表指针在第四象限区间时，读数T的关系表达式如下：
进而得到指针仪表的读数。
5.根据权利要求1所述的一种指针式仪表识别读数方法，其特征在于，YOLOv4深度学习网络模型的定位步骤包括：
输入待定位的图像后，以图像左上角为坐标原点，划分单元格；
在含有仪表图像的每个单元格中预测多个边框，每个边框会预测出多个基本参数，包括边框的左上角坐标与宽和高、置信度以及目标类别，根据边框位置完成对指针仪表的定位。
6.根据权利要求5所述的一种指针式仪表识别读数方法，其特征在于，若边框区域的中心相对于坐标原点有偏移，则对边框进行修正，得到修正边框，最终根据修正边框位置完成对指针仪表的定位；
所述边框的修正计算表达式如下：
式中，(bx，by)表示修正边框的中心坐标，(bw，bh)表示修正边框的长与宽，Pn表示目标类别，σ表示置信度，CxCy分别为边框区域的中心相对于坐标原点在x坐标上的偏移量和y坐标上的偏移量，(tx，ty)表示原边框的左上角坐标，twth分别表示原边框区域的宽和高。
7.根据权利要求1所述的一种指针式仪表识别读数方法，其特征在于，所述YOLOv4深度学习网络模型的结构包括CSPDarknet53网络、空间金字塔池SPP、路径聚合网络PAN和YOLOv3网络。
8.根据权利要求7所述的一种指针式仪表识别读数方法，其特征在于，所述CSPDarknet53网络由卷积层、批量标准化和跃层连接组成，采用Mish激活函数。
9.根据权利要求1所述的一种指针式仪表识别读数方法，其特征在于，步骤S1中所述含有仪表的图像由电力巡检机器人通过可见光摄像头拍摄获取。
10.根据权利要求1所述的一种指针式仪表识别读数方法，其特征在于，步骤S4中所述预处理操作包括滤波去噪处理、二值化处理、形态学处理，边缘检测处理等。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914541.5A CN113705564B (zh) | 2021-08-10 | 2021-08-10 | 一种指针式仪表识别读数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914541.5A CN113705564B (zh) | 2021-08-10 | 2021-08-10 | 一种指针式仪表识别读数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705564A true CN113705564A (zh) | 2021-11-26 |
| CN113705564B CN113705564B (zh) | 2024-03-12 |
Family
ID=78652095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110914541.5A Active CN113705564B (zh) | 2021-08-10 | 2021-08-10 | 一种指针式仪表识别读数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705564B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612648A (zh) * | 2022-03-07 | 2022-06-10 | 广州计量检测技术研究院 | 一种基于可信ai的指针式压力表示值读取方法及装置 |
| CN116092091A (zh) * | 2023-02-23 | 2023-05-09 | 河北工程大学 | 一种基于Labview视觉***的仪表读数识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
| CN109993154A (zh) * | 2019-04-19 | 2019-07-09 | 山东大学 | 变电站单指针式六氟化硫型仪表智能识别方法 |
| CN111368906A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 一种基于深度学习的指针式油位计读数识别方法 |
| CN111738258A (zh) * | 2020-06-24 | 2020-10-02 | 东方电子股份有限公司 | 一种基于机器人巡检的指针式仪表读数识别方法 |
| CN112818988A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 一种指针式仪表自动识别读数方法及*** |
| 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 |
-
2021
- 2021-08-10 CN CN202110914541.5A patent/CN113705564B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590498A (zh) * | 2017-09-27 | 2018-01-16 | 哈尔滨工业大学 | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 |
| US20190095739A1 (en) * | 2017-09-27 | 2019-03-28 | Harbin Institute Of Technology | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier |
| CN109993154A (zh) * | 2019-04-19 | 2019-07-09 | 山东大学 | 变电站单指针式六氟化硫型仪表智能识别方法 |
| CN111368906A (zh) * | 2020-02-29 | 2020-07-03 | 华南理工大学 | 一种基于深度学习的指针式油位计读数识别方法 |
| CN111738258A (zh) * | 2020-06-24 | 2020-10-02 | 东方电子股份有限公司 | 一种基于机器人巡检的指针式仪表读数识别方法 |
| CN112818988A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 一种指针式仪表自动识别读数方法及*** |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 李俊 等: "基于YOLOv4 的指针式仪表自动检测和读数方法研究", 机电工程, vol. 38, no. 7, 31 July 2021 (2021-07-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612648A (zh) * | 2022-03-07 | 2022-06-10 | 广州计量检测技术研究院 | 一种基于可信ai的指针式压力表示值读取方法及装置 |
| CN116092091A (zh) * | 2023-02-23 | 2023-05-09 | 河北工程大学 | 一种基于Labview视觉***的仪表读数识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705564B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
| CN110543878A (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| CN109948469A (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
| CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
| CN109584215A (zh) | 一种电路板在线视觉检测*** | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及*** | |
| CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别*** | |
| Chen et al. | A comprehensive review of deep learning-based PCB defect detection | |
| CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
| CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及*** | |
| CN112561885B (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
| CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
| CN113781419A (zh) | 一种柔性pcb板缺陷检测方法、视觉***、装置及介质 | |
| Sun et al. | Cascaded detection method for surface defects of lead frame based on high-resolution detection images | |
| Zhou et al. | An adaptive clustering method detecting the surface defects on linear guide rails | |
| Sowah et al. | An intelligent instrument reader: using computer vision and machine learning to automate meter reading | |
| CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
| CN110889418A (zh) | 一种气体轮廓识别方法 | |
| CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 |
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 |