CN116092091A - 一种基于Labview视觉***的仪表读数识别方法 - Google Patents
一种基于Labview视觉***的仪表读数识别方法 Download PDFInfo
- Publication number
- CN116092091A CN116092091A CN202310157424.8A CN202310157424A CN116092091A CN 116092091 A CN116092091 A CN 116092091A CN 202310157424 A CN202310157424 A CN 202310157424A CN 116092091 A CN116092091 A CN 116092091A
- Authority
- CN
- China
- Prior art keywords
- instrument
- meter
- vision system
- edge
- pointer
- 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
Images
Classifications
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
- G06V30/18067—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections 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
- G06V10/40—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
- 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
- G06V10/82—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
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19107—Clustering techniques
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Labview视觉***的仪表读数识别方法,属于计算机视觉技术领域;本发明利用YOLOv3目标检测算法识别出图片中的指针式仪表,然后对获取到的仪表图片进行预处理操作,预处理技术主要包括:缩放和变换、灰度化、去噪和平滑、膨胀和腐蚀,提高仪表图片的清晰度。再利用改进的Canny边缘检测算法、改进的Hough圆变换和Hough直线检测技术提取仪表中的关键信息:圆心坐标以及仪表指针。最后,通过Labview视觉***得到仪表初始和最大量程线上的坐标,结合利用图像处理技术得到的圆心坐标,可以准确地得出仪表示数。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于Labview视觉***的仪表读数识别方法。
背景技术
指针式仪表作为比较传统的测量仪表,以其结构简单、维护方便、价格便宜、可靠性高、适应能力强、受环境影响小等优点,被广泛应用于科学实验、工业生产等领域中,使其在数字仪表出现后仍具有不可替代的地位。目前,指针式仪表示数的获取大多采用的依然是人工观测仪表表盘指针读数的方法,这种方法受主观因素和客观条件影响较大。比如读数人的观测角度、观测距离以及判断估读能力不同,都会造成读数的较大误差,可靠性不高,一旦需要实时监控需要工作人员值守,增加了劳动强度,降低安全性;另一方面,如果仪表使用安装的环境较为恶劣,也可能不利于人工读数,比如安装的位置离地面过高,或者工作环境高温等。因此,随着计算机视觉技术、图像处理技术等技术的不断发展和日渐成熟,在仪表读数上引入计算机视觉技术是一个必然的发展趋势。
如专利CN109558871B中提出了一种指针式仪表读数识别方法及装置,其采用KCF视觉跟踪算法对表盘区域进行定位提取,根据指针的角度得到指针在目标矩形刻度图中的横坐标,进而计算表盘的读数。该方法虽确实能有效降低误差,提高精度,但是在实际识别指针读数时,仍需在矩形刻度图中按照刻度距离***刻度,因此实际操作时计算仍较为繁琐,费时费力;且该方法适用范围较小,无法快速有效的完成不同类型指针式仪表的读数,更无法同时实现多个仪表的识别和读数工作;针对上述问题,本发明提出了一种基于Labview视觉***的仪表读数识别方法。
发明内容
本发明所解决的技术问题是:现有指针式仪表读数方法实际读取识别时,计算量较大,效率较低,且适用范围较小,无法实现同时识别、读取多个仪表读数。
为了解决上述问题,本发明采用了如下技术方案:
一种基于Labview视觉***的仪表读数识别方法,具体包括以下步骤:
S1、对YOLOv3网格结构中的特征提取网络进行改进,利用改进后的网络对仪表图片进行检测,并在图片上标记出先验框;
S2、基于S1中利用先验框标记处的仪表图片,进一步检测、识别出图片中仪表的边缘、圆心和指针信息;
S3、利用Labview视觉***绘制一条穿过仪表刻度线初始量程和最大量程的直线,获得直线与两条量程线的交点坐标,
S4、将S3中所得的交点坐标信息与S2中所得的圆心坐标信息一同导入仪表读数识别模块中,完成仪表读数的识别。
优选地,所述S1具体包括以下内容:
S1.1、去除EfficientNet中最后的全局平均池化层和全连接层,优化网络结构;
S1.2、将YOLOv3网格结构中的特征提取网络替换为S1.1中所得的优化后的EfficientNet;
S1.3、利用K-means++聚类方法得到先验框,在图像中将仪表区域标记出来。
优选地,所述S2具体包括以下内容:
S2.1、将原Canny边缘检测算法中的2×2领域修改为5×5领域,对梯度幅值阵列中的任一像素沿梯度方向进行梯度幅值的差值,提高对仪表边缘的检测精度;
S2.2、利用圆的几何性质改进Hough圆变换算法,使用仪表外壳圆上的点确定圆心与半径,减少虚假圆的产生,减少计算量,将得到的圆心坐标信息以txt文件格式存入相应文件夹中;
S2.3、使用Hough直线检测算法检测识别出仪表的指针。
优选地,S3中所述穿过仪表刻度线初始量程和最大量程的直线由Labview视觉***中的Edge Detectorg边缘检测功能绘制完成,具体为:通过Simple Edge Tool(简单边缘工具)完成量程线坐标的选定,通过Broken Line Tool(折线工具)确定出量程线上的坐标信息X和Y。
优选地,S4中所述利用仪表读数识别模块完成仪表读数识别具体包括如下内容:
S4.1、使用两个IMAQ Convert Line to ROI函数指定仪表的初始值和满量程值位置;
S4.2、使用IMAQ Group ROI对两个线段ROI进行组合,作为仪表学习函数IMAQ GetMeter的输入;
S4.3、学习过程完成后,输出仪表指针的旋转中心位置和一个数组;其中数组元素代表仪表初始值和满量程值之间一条沿着刻度的弧线上各点的位置;
S4.4、基于S4.3中的输出完成,IMAQ Read Meter,通过检测仪表指针的位置确定当前度数所在位置占满量程的百分比,进而基于该百分比和满量程值完成仪表度数计算和识别。
与现有技术相比,本发明提供了一种基于Labview视觉***的仪表读数识别方法,具备以下有益效果:
(1)本发明能够快速、准确地检测出图片中不同种类的指针式仪表;
(2)利用本发明改进后的图像处理技术(改进的Canny边缘检测算法,改进的Hough圆变换)可以在得到更准确的仪表信息的同时,减少了计算量;
(3)与传统的仪表图像处理方法相比,利用Labview视觉***可以确定仪表初始和最大量程线上的坐标,不需要对仪表的刻度线进行提取,减少了仪表图像处理算法的复杂程度,也可以完成对不同种类指针式仪表的读数。如需完成多个指针式仪表的读数识别,则可以利用While循环结构使程序完成多个仪表的同时识别。
附图说明
图1为本发明提出的一种基于Labview视觉***的仪表读数识别方法的流程图;
图2为本发明实施例1中改进后YOLOv3算法检测效果图;
图3为本发明实施例1中改进后Canny算法检测效果图;
图4为本发明实施例1中仪表边缘圆及圆心点识别示意图;
图5为本发明实施例1中端点坐标及交点坐标示意图;
图6为本发明实施例1中仪表读数识别结果图;
图7为本发明实施例2中Canny边缘检测算法改进前后识别效果对比图;
图8为本发明实施例2中霍夫圆检测算法识别效果图;
图9为本发明实施例2中Vision Assistant软件操作界面示意图;
图10为本发明实施例2中Simple Edge Tool参数设置示意图;
图11为本发明实施例2中Advanced Edge Tool参数设置示意图;
图12为本发明实施例2中获取量程线上的坐标信息操作界面示意图;
图13为本发明实施例2中Labview读数识别模块示意图;
图14为本发明实施例2中仪表读数识别结果图;
图15为本发明实施例3中多种仪表读数结果图,其中(a)表示仪表A读数识别;(b)表示仪表B读数识别;(c)表示仪表C读数识别;(d)表示仪表D读数识别。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1:
请参阅图1-7,一种基于Labview视觉***的仪表读数识别方法,具体包括以下步骤:
S1、对YOLOv3网格结构中的特征提取网络进行改进,利用改进后的网络对仪表图片进行检测,并在图片上标记出先验框;
S1具体包括以下内容:
S1.1、去除EfficientNet中最后的全局平均池化层和全连接层,优化网络结构;
S1.2、将YOLOv3网格结构中的特征提取网络替换为S1.1中所得的优化后的EfficientNet;
S1.3、利用K-means++聚类方法得到先验框,在图像中将仪表区域标记出来,如图2所示。
S2、基于S1中利用先验框标记处的仪表图片,进一步检测、识别出图片中仪表的边缘、圆心和指针信息;
S2具体包括以下内容:
S2.1、将原Canny边缘检测算法中的2×2领域修改为5×5领域,对梯度幅值阵列中的任一像素沿梯度方向进行梯度幅值的差值,提高对仪表边缘的检测精度,采用改进后的Canny算法检测效果示意图如图3所示;
S2.2、利用圆的几何性质改进Hough圆变换算法,使用仪表外壳圆上的点确定圆心与半径,减少虚假圆的产生,减少计算量,将得到的圆心坐标信息以txt文件格式存入相应文件夹中;
结合由几何学的知识可知,圆形具有如下性质:
(1)圆周上的任一点必有另外一个圆周上的点与之关于圆心对称;
(2)圆的任意一条直径与圆的两个交点,与圆上的除这两个点之外的一点,可以组成一个直角三角形;
(3)圆的任意两条直径相交于圆心;
(4)如果以圆上的一个点为直角点,在圆内构造出一个直角三角形,则其余两个点的连线必为此圆的直径,即两点的中心位置为圆的圆心。
请参阅图4,随机处理一个边缘点,并以先假设此边缘点为圆上的一个点,构造圆上的多个直角三角形,如果其余点均满足圆形的几何性质,则将这些点确定的圆形和半径加入候选圆心半径的队列,供后续处理。具体的算法步骤如下:
(a)对图像进行预处理,经过高斯去噪、二值化、边缘提取等步骤,将图像的边缘像素信息保存在集合S中;
(b)在集合S中随机的抽取一个像素点X,构造三个直角三角形,分别沿着水平方向和垂直方向构造直角三角形A1,沿着-45度和45度构造直角三角形A2,沿着-15度和75度构造直角三角形A3;
(c)A1,A2,A3的直径相交于一点B,以B为中心,得到X的对称点Y;
(d)如果A1,A2,A3的斜边和X与Y组成的直线满足圆形的几何性质,则将此圆的圆形和半径信息加入集合C中。
S2.3、使用Hough直线检测算法检测识别出仪表的指针,得到的结果如图5所示。
S3、利用Labview视觉***绘制一条穿过仪表刻度线初始量程和最大量程的直线,获得直线与两条量程线的交点坐标;
S4、将S3中所得的交点坐标信息与S2中所得的圆心坐标信息一同导入仪表读数识别模块中,完成仪表读数的识别,如表1和图6所示。
表1初始量程线和最大量程线上的坐标值
Results | 1 | 2 |
X Position(Pix.) | 158.49377 | 422.11697 |
Y Position(Pix.) | 382.06223 | 408.60803 |
实施例2:
基于实施例1但有所不同之处在于,
(1)仪表圆心提取
首先,对得到的仪表图片进行预处理操作。通过改进的Canny边缘检测算法和改进的霍夫圆变换完成仪表图片的圆心提取,结果如图7-8所示。
(2)仪表量程范围获取
利用Vision Assistant软件打开所需检测的仪表图片(如图9所示),打开图片后,在左下方的选项中选择Machine Vision,利用该选项中的Edge Detector(边缘检测)工具,定位并且计算图像中沿某条线上的亮度变化点。这里的某条线,实际上也就是R0I-兴趣区域。利用R0I工具进行设置,可以为直线、折线、手绘线、矩形、旋转矩形、椭圆(圆)、环、封闭折线、封闭手续线。设置好R0I后,函数就在此R0I上寻找强度有变化的点。
这里Edge Detector边缘检测有两个功能,包括包括Simple Edge Tool(简单边缘工具)和Advanced Edge Tool(高级边缘工具)。
Simple Edge Tool简单边缘工具参数设置面便如图10所示,其中的参数有:
1)Look for(查找边缘点类型):分为第一点,第一点和最后一点,所有点,最佳点四个选项;
2)Threshold Level(指定强度水平):表示无论在像素值或作为一个百分比,一个边缘就可以在图像中构成;例如,当设定绝对价值128,边时就会发生转型,从低于128到128以上;
3)Level Type(水平类型):有绝对值和相对值;
4)Line Profile(直线剖面):沿着搜索线上的边缘对比度图示;
5)Edges Found:找到的边缘数量。
Advanced Edge Tool高级边缘工具参数设置面板如图11所示,其中的参数有:
1)Look for(查找边缘点类型):分为第一点,第一点和最后一点,所有点,最佳点四个选项;
2)Edge Polarity(边缘点极性):分为所有点,仅从黑到白(暗到亮)的点,仅从白到黑(亮到暗)的点;
3)Kernel Size(内核尺寸):边缘检查内核的尺寸;
4)Interpolation Type(插值类型):Zero Order(零阶插值),Bilinear(双线性插值),Bilinear Fixed(固定双线性插值);
5)Width(投影宽度):指定与搜索方向垂直的方向上的像素数,以计算沿着兴趣区域上所有点的边缘剖面强度;
6)Minimum Edge Strength(最小边缘强度):即边缘点与其周围点的亮度差的最小值;
7)Edge Strength Profile(边缘强度剖面图):沿着搜索线上的边缘对比度图示;
8)Edges Found:找到的边缘数量。
本发明只需要得到量程线的坐标信息,因此利用Simple Edge Tool完成坐标的选定。
利用Broken Line Tool(折线工具)确定出量程线上的坐标信息X和Y。如图12所示。
将以上步骤获取到的坐标信息分别输入仪表读数识别模块(如图13所示)中,完成仪表示数的读取。整个过程可分为读数和学习两个阶段。在学习阶段,程序先使用两个IMAQConvert Line to ROI函数指定了仪表的初始值和满量程值位置。随后IMAQ Group ROI对两个线段ROI进行组合,作为仪表学习函数IMAQ Get Meter的输人。学习过程完成后,会输出仪表指针的旋转中心位置和一个数组。其中数组元素代表仪表初始值和满量程值之间一条沿着刻度的弧线上各点的位置,这些点将用于在读数阶段计算仪表的读数。
读数阶段基于学习阶段的输出来完成,IMAQ Read Meter可以通过检测仪表指针的位置来确定当前读数所在位置占满量程的百分比。而基于该百分比和满量程值,就可以计算仪表的真实读数。如图14所示,图14所示的运行结果中,除了显示读数值,还在图像中显示了ROI、学习过程所返回数组中的各点以及指针指向的位置。
实施例3:
基于实施例1-2但有所不同之处在于,
利用本发明所述方法对多种仪表进行识别,识别结果如图15所示。
从图15中可以看出,本发明提出的仪表读数识别方法可以识别多种类仪表,精度较高,能够满足工业需求。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于Labview视觉***的仪表读数识别方法,其特征在于,具体包括以下步骤:
S1、对YOLOv3网格结构中的特征提取网络进行改进,利用改进后的网络对仪表图片进行检测,并在图片上标记出先验框;
S2、基于S1中利用先验框标记处的仪表图片,进一步检测、识别出图片中仪表的边缘、圆心和指针信息;
S3、利用Labview视觉***绘制一条穿过仪表刻度线初始量程和最大量程的直线,获得直线与两条量程线的交点坐标,
S4、将S3中所得的交点坐标信息与S2中所得的圆心坐标信息一同导入仪表读数识别模块中,完成仪表读数的识别。
2.根据权利要求1所述的一种基于Labview视觉***的仪表读数识别方法,其特征在于,所述S1具体包括以下内容:
S1.1、去除EfficientNet中最后的全局平均池化层和全连接层,优化网络结构;
S1.2、将YOLOv3网格结构中的特征提取网络替换为S1.1中所得的优化后的EfficientNet;
S1.3、利用K-means++聚类方法得到先验框,在图像中将仪表区域标记出来。
3.根据权利要求2所述的一种基于Labview视觉***的仪表读数识别方法,其特征在于,所述S2具体包括以下内容:
S2.1、将原Canny边缘检测算法中的2×2领域修改为5×5领域,对梯度幅值阵列中的任一像素沿梯度方向进行梯度幅值的差值,提高对仪表边缘的检测精度;
S2.2、利用圆的几何性质改进Hough圆变换算法,使用仪表外壳圆上的点确定圆心与半径,减少虚假圆的产生,减少计算量,将得到的圆心坐标信息以txt文件格式存入相应文件夹中;
S2.3、使用Hough直线检测算法检测识别出仪表的指针。
4.根据权利要求1所述的一种基于Labview视觉***的仪表读数识别方法,其特征在于,S3中所述穿过仪表刻度线初始量程和最大量程的直线由Labview视觉***中的EdgeDetectorg边缘检测功能绘制完成,具体为:通过Simple Edge Tool(简单边缘工具)完成量程线坐标的选定,通过Broken Line Tool(折线工具)确定出量程线上的坐标信息X和Y。
5.根据权利要求1所述的一种基于Labview视觉***的仪表读数识别方法,其特征在于,S4中所述利用仪表读数识别模块完成仪表读数识别具体包括如下内容:
S4.1、使用两个IMAQ Convert Line to ROI函数指定仪表的初始值和满量程值位置;
S4.2、使用IMAQ Group ROI对两个线段ROI进行组合,作为仪表学习函数IMAQ GetMeter的输入;
S4.3、学习过程完成后,输出仪表指针的旋转中心位置和一个数组;其中数组元素代表仪表初始值和满量程值之间一条沿着刻度的弧线上各点的位置;
S4.4、基于S4.3中的输出完成,IMAQ Read Meter,通过检测仪表指针的位置确定当前度数所在位置占满量程的百分比,进而基于该百分比和满量程值完成仪表度数计算和识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157424.8A CN116092091A (zh) | 2023-02-23 | 2023-02-23 | 一种基于Labview视觉***的仪表读数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157424.8A CN116092091A (zh) | 2023-02-23 | 2023-02-23 | 一种基于Labview视觉***的仪表读数识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116092091A true CN116092091A (zh) | 2023-05-09 |
Family
ID=86210210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310157424.8A Pending CN116092091A (zh) | 2023-02-23 | 2023-02-23 | 一种基于Labview视觉***的仪表读数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092091A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215060A (zh) * | 2020-08-27 | 2021-01-12 | 河海大学 | 一种基于霍夫变换的高精度机械式仪表示数识别方法 |
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*** |
CN112906694A (zh) * | 2021-03-25 | 2021-06-04 | 中国长江三峡集团有限公司 | 变电站倾斜式指针式仪表图像的读数矫正***及方法 |
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 |
CN113705564A (zh) * | 2021-08-10 | 2021-11-26 | 上海电力大学 | 一种指针式仪表识别读数方法 |
CN114005108A (zh) * | 2021-11-08 | 2022-02-01 | 国网上海市电力公司 | 一种基于坐标变换的指针式仪表度数识别方法 |
-
2023
- 2023-02-23 CN CN202310157424.8A patent/CN116092091A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215060A (zh) * | 2020-08-27 | 2021-01-12 | 河海大学 | 一种基于霍夫变换的高精度机械式仪表示数识别方法 |
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 |
CN112906694A (zh) * | 2021-03-25 | 2021-06-04 | 中国长江三峡集团有限公司 | 变电站倾斜式指针式仪表图像的读数矫正***及方法 |
CN113705564A (zh) * | 2021-08-10 | 2021-11-26 | 上海电力大学 | 一种指针式仪表识别读数方法 |
CN114005108A (zh) * | 2021-11-08 | 2022-02-01 | 国网上海市电力公司 | 一种基于坐标变换的指针式仪表度数识别方法 |
Non-Patent Citations (3)
Title |
---|
不脱发的程序猿: "LabVIEW仪表盘识别(实战篇--6)", pages 4 - 7, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/458563187> * |
姚洋 等: "基于改进Canny检测与Hough变换的仪表图像识别算法", 《上海电力大学学报》, vol. 36, no. 2, pages 2 * |
韩进,周昊: "树莓派的YOLOv3轻量化算法研究及应用", 《单片机与嵌入式***该应用》, pages 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659636B (zh) | 基于深度学习的指针式仪表读数识别方法 | |
CN110580480B (zh) | 基于图像处理的表计读数识别方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN111414934A (zh) | 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法 | |
CN109426814B (zh) | 一种***图片特定板块的定位、识别方法、***、设备 | |
CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
CN107145890B (zh) | 一种远距离多视角环境下的指针式仪表盘自动读数方法 | |
CN109558871B (zh) | 一种指针式仪表读数识别方法及装置 | |
CN111368906B (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
CN111476246B (zh) | 应用于复杂环境下指针仪表鲁棒高效智读方法 | |
CN111046881B (zh) | 基于计算机视觉和深度学习的指针式仪表读数识别方法 | |
CN113643276B (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN112149667A (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN111325164B (zh) | 指针表示数识别方法、装置和电子设备 | |
CN112734729A (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN115082658A (zh) | 一种指针表读数的识别方法及装置 | |
CN107492093B (zh) | 基于图像处理的轴承异常检测方法 | |
CN111553345B (zh) | 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法 | |
CN112560839A (zh) | 指针式仪表读数的自动识别方法及*** | |
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 | |
CN116092091A (zh) | 一种基于Labview视觉***的仪表读数识别方法 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
CN114898198A (zh) | 一种用于指针式压力表自动读数的图像处理方法 |
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 |