CN116758266A - 一种指针式仪表的读数方法 - Google Patents
一种指针式仪表的读数方法 Download PDFInfo
- Publication number
- CN116758266A CN116758266A CN202310734791.XA CN202310734791A CN116758266A CN 116758266 A CN116758266 A CN 116758266A CN 202310734791 A CN202310734791 A CN 202310734791A CN 116758266 A CN116758266 A CN 116758266A
- Authority
- CN
- China
- Prior art keywords
- image
- instrument
- pointer
- dial
- meter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007689 inspection Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000002146 bilateral effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 108091005725 scavenger receptor cysteine-rich superfamily Proteins 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种指针式仪表的读数方法,包括如下步骤:获取巡检中拍摄的仪表图像;将巡检中拍摄的所得的仪表图像和预先设置的标准仪表模板进行对比,并调整到和标准仪表模板相同;提取调整后仪表图像的表盘和指针;对提取后的表盘和指针读数,通过计算两张图片之间的单应性变换关系,将巡检红拍摄到的仪表图像纠正到与标准仪表模板中的仪表具有相同的位置,保证在提取到的巡检中拍摄的仪表图像具有一致性,减少移动设备平台拍摄的不确定性,从而保证指针式的仪表读数方法更加的稳健和鲁棒。
Description
技术领域
本发明涉及工业仪表读数领域,尤其涉及一种指针式仪表的读数方法。
背景技术
随着移动巡检机器人领域的发展,对于其下游应用的水电、光伏、风电发电站、升压站移动巡检机械人也在不断发展并越来越完善,移动巡检机械人发展前景较为广阔。
当前大部分水电、光伏、风电发电站、升压站指针式表盘的读数抄表,采用人工抄表或者是采用固定点位摄像头检测的方法,传统的人工抄表工作效率低下,且工作强度大,不符合智能巡检的趋势,而采用固定点位进行仪表读数的方法,问题在于需要事先布置大量的固定摄像头,其本身的***部署和***维护比较复杂。
发明内容
发明目的:本发明提供一种指针式仪表的读数方法,能解决移动巡检机械人在巡检过程中由于定位误差,导致每次所拍摄的图像会出现一定程度的偏差的方法,提升读表的准确性。
技术方案:一种指针式仪表的读数方法,包括如下步骤:
S1:获取巡检中拍摄的仪表图像;
S2:将S1步骤所得的仪表图像和预先设置的标准仪表模板进行对比,并调整到和标准仪表模板相同;
S3:提取S2步骤中调整后仪表图像的表盘和指针;
S4:对提取后的表盘和指针读数。
进一步的,S2步骤中设置的标准仪表模板是:先获取正向仪表图像,再根据正向仪表图像的仪表中心、仪表半径、仪表刻度盘的起始位置和仪表刻度盘的结束位置制作的。
进一步的,S2步骤中将S1步骤所得的仪表图像调整到和标准仪表模板相同的方法是:对步骤S1所得的仪表图像先进行sift角点检测,再用flann方法计算配对角点,然后再计算与标准仪表模板之间单应性变换矩阵,最后利用透视变换将其变换为和标准仪表模板相同。
进一步的,在提取S3步骤中的表盘和指针之前先对S2步骤中调整后的仪表图像进行清晰度处理,清晰度处理后便于后面的步骤。
进一步的,清晰度处理还包括对S2步骤中调整后的仪表图像进行去模糊处理。
进一步的,清晰度处理还包括去除S2步骤中调整后的仪表图像上的噪点、强化表盘和指针特征。
进一步的,S3步骤中提取仪表图像的表盘和指针方法是:利用U-Net分割网络模型从调整后的仪表图像中提取出表盘对应的图像像素点和指针对应的图像像素点,并利用图像二值化算法将提取到的表盘图像像素点和指针图像像素点转为二值图像,二值图像中的黑色像素是表盘图像和指针图像。
进一步的,S4步骤中具体方法是:将表盘图像和指针图像的二值图像,从笛卡尔坐标系转为极坐标形式,再将表盘图像和指针图像由几何圆形转换成几何矩形,统计每列黑色像素数目,计算黑色像素数目最大的列,该列所对应的位置即为指针指向刻度盘的位置,然后通过指针指向列在整个量程中的比例,再结合仪表量程起始值,计算仪表读数。
有益效果:本发明的优点是将拍摄到的图像与标准仪表模板图片进行匹配,通过计算两张图片之间的单应性变换关系,将巡检中拍摄到的仪表图像纠正到与标准仪表模板中的仪表具有相同的位置,保证在提取到的巡检中拍摄的仪表图像具有一致性,减少移动设备平台拍摄的不确定性,从而保证指针式的仪表读数方法更加的稳健和鲁棒。
附图说明
图1为一种指针式仪表的读数方法步骤示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
一种指针式仪表的读数方法,如图1所示,包括以下步骤:S1~S4:
S1:获取巡检中拍摄的仪表图像,具体是:在抄表的时候由巡检机器人在固定的点位对仪表进行拍摄,将拍摄的仪表图像传输给处理***。
S2:将S1步骤所得的仪表图像和预先设置的标准仪表模板进行对比并调整到和标准仪表模板相同,相同可以理解为大小和角度都一样,预先设置的标准仪表模板是用相机镜头光轴正向垂直于仪表盘正面拍摄获取正向的仪表图像,将正向仪表图像传输给***作为标准仪表模板,***接收到正向仪表图像后,根据正向仪表图像的仪表中心、仪表半径、仪表刻度盘的起始位置和仪表刻度盘的结束位置制作标准仪表模板,具体的是:以仪表中心、仪表半径、仪表刻度盘的起始位置和仪表刻度盘的结束位置为参考对仪表图像进行定位,此步骤的目的是在***内制作标准的仪表模板,给巡检中拍摄的仪表图像作为参考使巡检中拍摄的仪表图像与标准的仪表模板进行匹配调整。
将巡检中拍摄的仪表图像调整到和标准仪表模板相同的方法是:先进行sift角点检测,角点检测是一种经典的计算机视觉算法,用于检测图像中的关键点和提取局部特征,再采用flann方法计算配对角点,flann是一种用于高效计算最近邻的方法,常用于计算机视觉和模式识别任务中,然后再计算巡检中拍摄的仪表图像与标准仪表模板之间单应性变换矩阵,单应性变换矩阵,也称为单应矩阵,是在计算机视觉中用于描述两个平面之间的投影关系的矩阵,它可以将一个平面上的点映射到另一个平面上的对应点,从而实现平面之间的几何变换,如透视变换、仿射变换等,此矩阵是3x3矩阵,最后利用透视变换其变换为标准仪表图,透视变换,也称为投影变换,是一种计算机视觉中的几何变换技术,用于将一个三维场景投影到一个二维平面上,同时考虑到了透视效果,透视变换可以用于校正图像的透视畸变、将图像投影到不同视角、图像扭曲校正等应用场景。
Sift特征点匹配算法包含两部分,首先提取出对于尺度、旋转等具有不变性的特征集,然后对特征集中的特征向量进行匹配,图像特征集的生成主要分为四步:第一,对全图像进行搜索,找到可能感兴趣的点,这些潜在关键点具有方向不变性和尺度不变性的特点;第二,基于其稳定性的度量选择关键点,然后进行关键点定位,在每个候选位置,都可以使用详细的模型来确定其位置和比例;第三,每个关键点基于局部图像的梯度方向可以确定一个或者多个方向,由于后续操作是在此基础上对图像数据进行方向、尺度的相关变换,因此保持了后面操作的方向、尺度变换的不变性;第四,在确定特征点的位置、方向后,保证了关键点的尺度旋转不变性,最后对关键点进行描述,保证了特征点对光照和噪声的鲁棒性。
S3:提取S2步骤中调整后仪表图像表盘和指针,在提取调整后仪表图像表盘和指针之前需要对调整后仪表图像先进行清晰度处理,清晰度处理目的是使巡检中拍摄的仪表图像更加清晰便于后续步骤的数据精准。
清晰度处理包括对S2步骤中调整后的仪表图像进行亮度调节,具体是:若S2步骤中调整后的仪表图像较暗,对其增亮处理,若S2步骤中调整后的仪表图像较亮,对其变暗处理,当巡检机器人拍摄仪表时,由于拍摄的时候受到环境的影响较大,有时候拍摄时是逆光拍摄获取的仪表图像会比较暗,此时需要对图像进行增量处理,有时候顺光拍摄图像又比较亮容易曝光过渡,此时需要对图片进行变暗处理,使拍摄的仪表图像亮度适中容易识别。
清晰度处理还包括对S2步骤中调整后的仪表图像进行去模糊处理,在巡检机中拍摄受到各种因素的干扰,拍摄的图像成像模糊,主要是剔除由于字符、指针等重要信息模糊导致无法读取示数图像,此时需要对模糊的仪表图像进行去模糊处理,提升仪表图像的清晰度,使其能更加清晰易于被识别,去模糊处理是采用拉普拉斯方差算法,此算法是一种基于像素值的统计方差算法,若图像具有较大方差,则具有较广的频率范围,代表聚焦准确且图像中边缘数量较多,图像清晰可用;若图像具有较小方差,则具有较窄的频率范围,代表图像中边缘数量很少,而边缘数越少,图像越模糊。
普拉斯方差算法突出了像素值快速变化的区域,并用于测量图像的二阶导数,可以检测边缘,强调图像中灰度的突变,将h定义为像素灰度值,x、y为图像列行号,定义二阶微分的差分格式为:
在x方向上,差分公式为:
在y方向上,差分公式为:
遵循上述三个公式,两个变量的离散拉普拉斯算子是:
实现上式所用的滤波器W为:
在数字图像中,RGB(红、绿、蓝)模型是最通用的模型,我们所获取到的仪表图像信息也是以RGB模型存储,如果将R、G、B分别定义为原彩色图像中的三分量,R(i,j)、G(i,j)、B(i,j)对应各分量中第i行、第j列的像素值,Ig(i,j)为原图像的灰度图,Ig表示灰度图中第i行、第j列的像素值,取三分量亮度的最大值作为灰度图的灰度值:
Ig(i,j)=max{R(i,j),G(i,j),B(i,j)}
对灰度图像中的像素值进行拉普拉斯卷积运算,重新得到Ig(i,j),假设W×H表示图像的大小,其中W是图像宽,H是图像高,μ表示图像的均值,ε表示图像的标准差,则有:
得到的ε2即为图像清晰度的评价值,此算法需要设置合适的阈值,阈值太低或太高均会导致图像的误判,阈值低会导致剔除无效图像不完全,为后续识别读数造成影响,阈值高会使有效图像被误认为模糊,获取到的仪表图像得不到有效利用,通过实验确定阈值,拍摄100张图像作为数据集,其中包括了清晰图像和无法识别的图像,首先将拉普拉斯算子作用于数据集中的每张图像,得到边缘信息图像后,对每张边缘图像像素做方差,得到的结果作为图像清晰度的评价值,在数据集中难以识别的图像在做卷积运算后,方差均在150以下,因此取150作为本方法的阈值。
清晰度处理还包括去除S2步骤中调整后的仪表图像上的噪点、强化表盘和指针特征,由于仪表盘是暴露在外部的,仪表盘表面容易有污渍等,在拍摄时候图片会产生噪点影响对取巡检中拍摄的仪表图像的处理,去除噪点即是去除巡检中拍摄的仪表图像上的无关的信息,增强表盘和指针的可检测性和最大限度地简化数据,从而改进指针特征抽取、仪表图像分割、匹配和识别的可靠性。
噪点的处理利用双边滤波,双边滤波算法不仅考虑了像素间如欧氏距离、城市街区距离、棋盘距离等距离关系,还结合了像素值间如卷积核像素与中心像素的相似度,成功地在去除噪声的同时保留了图像的边缘信息,相比于高斯滤波后的边缘模糊,双边滤波算法有效地保护了图像中相邻区域之间灰度变化快的细节信息,针对仪表图像识别问题,保留边缘信息极其重要,因此,本算法中利用双边滤波方法对仪表图像进行去噪处理。
输入待过滤的图像I,根据以当前像素x为中心的窗口w内的像素值,xi为领域内低i个像素,计算权重wp,从而获得双边过滤后的图像If:
其中,
Fr为用于平滑强度差异的范围内核,gs为用于平滑坐标差异的空间内核,wp使用了空间接近度和强度差来分配权重,考虑一个位于(i,j)的像素,需要使用其相邻像素对图像进行去噪,其中一个相邻像素位于(m,n),为像素(m,n)分配权重对像素(i,j)进行去噪,由下式给出:
其中,σd和σr为平滑参数,I(i,j)和I(m,n)分别是对应像素(i,j)和(m,n)的亮度,其中i、j是像素I(i,j)的行列,m、n是I(i,j)的行列,计算权重后,若D是对像素(i,j)的去噪强度,则将它们标准化为:
本检测算法中在滤波过程中,滤波器分为颜色空间和坐标空间两种,对于两种滤波器的σd和σr值分别设置的为50和12.25,对于图像中每个像素的邻域,其直径设置为25,对原图像采用双边滤波算法处理。
强化表盘和指针特征是基于Retinex算法的图像增强,化表盘和指针特征采用MSRCR算法,有效地增强在拍摄过程中受光线雾气等影响而导致成像效果不好的图像,MSR输出是不同SSR输出的加权和,定义u和v为图像坐标,n为标度数,Rnk为第n标度的第k个分量,MSRCR是MSR输出的第k个频谱分量,Wn是与第n个标度相关的权重,则MSR的数学表示为:
RMSR=∑wm,Rmk,k=1,2,...,n
在MSR中,环绕函数由下式给出RMSR
Fn(u,v)=K exp(-r2/Cn 2)
其中,Cn是高斯环绕空间常数,K需满足以下两个条件:
r=(u2+v2)1/2
由上几式可计算获得MSR,通过添加颜色恢复功能来修改MSR,进而恢复颜色,计算MSRCR的第K个光谱带RMSRCR:
RMSRCR=Ck(u,v)RMSRk(u,v)
其中,最佳整体颜色恢复功能的函数CK为:
Ck(u,v)=βlog[αI′k(u,v)]
I′k(u,v)=Ik(u,v)∑Ik(u,v),k=1...S
其中,α为控制非线性的强度,β为增益常数,S为光谱通道的数量,对于RGB图像,S值通常为3,IK(u,v)表示颜色恢复函数(CRF)的第K个光谱带,最终的增益调整是将对数转换到显示域,G和b表示最终增益和偏移值,F(u,v)是环绕函数,则MSRCR为:
RMSRCR=G[Ck(u,v){log Ik(u,v)log[F(u,v)*Ik(u,v)]}b]
对S3步骤中提取S2步骤中调整后的仪表图像的表盘和指针方法是:利用U-Net分割网络模型从调整后的仪表图像中提取出来的指针对应的图像像素点和表盘对应的图像像素点,U-Net是一种经典的深度学习分割网络模型,用于图像分割任务,U-Net分割网络模型后利用图像二值化算法将提取到的表盘图像像素点和指针图像像素点转为二值图像,图像二值化是将图像转换为只包含两个像素值(通常是黑和白)的图像的过程,它常用于图像处理和计算机视觉任务中,例如字符识别、边缘检测等,二值图像中指针对应的图像像素点和表盘对应的图像像素点是黑色点。
S4:对提取后的表盘和指针读数,具体是:将表盘图像和指针图像的二值图像,从笛卡尔坐标系转为极坐标形式,笛卡尔坐标系是平面几何中常用的坐标系,极坐标是一种用于描述点位置的坐标***,与笛卡尔坐标系相对应。极坐标使用极径和极角来确定点的位置,相比于笛卡尔坐标系更适合于描述圆形、环形和径向对称的几何结构,具体的是将表盘图像和指针图像的由几何圆形转换成几何矩形,统计每列黑色像素数目,计算黑色像素数目最大的列,该列所对应的位置即为指针指向刻度盘的位置,然后通过指针指向列在整个量程中的比例,再结合仪表量程起始值,计算仪表读数。
本发明的优点是将拍摄到的图像与标准仪表模板图片进行匹配,通过计算两张图片之间的单应性变换关系,将巡检红拍摄到的仪表图像纠正到与标准仪表模板中的仪表具有相同的位置,保证在提取到的巡检中拍摄的仪表图像具有一致性,减少移动设备平台拍摄的不确定性,从而保证指针式的仪表读数方法更加的稳健和鲁棒。
Claims (8)
1.一种指针式仪表的读数方法,其特征在于,包括如下步骤:
S1:获取巡检中拍摄的仪表图像;
S2:将S1步骤所得的仪表图像和预先设置的标准仪表模板进行对比,并调整到和标准仪表模板相同;
S3:提取S2步骤中调整后仪表图像的表盘和指针;
S4:对提取后的表盘和指针读数。
2.根据权利要求1所述的一种指针式仪表的读数方法,其特征在于,S2步骤中设置的标准仪表模板是:先获取正向仪表图像,再根据正向仪表图像的仪表中心、仪表半径、仪表刻度盘的起始位置和仪表刻度盘的结束位置制作的。
3.根据权利要求1所述的一种指针式仪表的读数方法,其特征在于,S2步骤中将S1步骤所得的仪表图像调整到和标准仪表模板相同的方法是:对步骤S1所得的仪表图像先进行sift角点检测,再用flann方法计算配对角点,然后再计算与标准仪表模板之间单应性变换矩阵,最后利用透视变换将其变换为和标准仪表模板相同。
4.根据权利要求1所述的一种指针式仪表的读数方法,其特征在于,在提取S3步骤中的表盘和指针之前先对S2步骤中调整后的仪表图像进行清晰度处理。
5.根据权利要求4所述的一种指针式仪表的读数方法,其特征在于,清晰度处理还包括对S2步骤中调整后的仪表图像进行去模糊处理。
6.根据权利要求4所述的一种指针式仪表的读数方法,其特征在于,清晰度处理还包括去除S2步骤中调整后的仪表图像上的噪点、强化表盘和指针特征。
7.根据权利要求1所述的一种指针式仪表的读数方法,其特征在于,S3步骤中提取仪表图像的表盘和指针方法是:利用U-Net分割网络模型从调整后的仪表图像中提取出表盘对应的图像像素点和指针对应的图像像素点,并利用图像二值化算法将提取到的表盘图像像素点和指针图像像素点转为二值图像,二值图像中的黑色像素是表盘图像和指针图像。
8.根据权利要求7所述的一种指针式仪表的读数方法,其特征在于,S4步骤中具体方法是:将表盘图像和指针图像的二值图像,从笛卡尔坐标系转为极坐标形式,再将表盘图像和指针图像由几何圆形转换成几何矩形,统计每列黑色像素数目,计算黑色像素数目最大的列,该列所对应的位置即为指针指向刻度盘的位置,然后通过指针指向列在整个量程中的比例,再结合仪表量程起始值,计算仪表读数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734791.XA CN116758266A (zh) | 2023-06-20 | 2023-06-20 | 一种指针式仪表的读数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310734791.XA CN116758266A (zh) | 2023-06-20 | 2023-06-20 | 一种指针式仪表的读数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116758266A true CN116758266A (zh) | 2023-09-15 |
Family
ID=87958585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310734791.XA Pending CN116758266A (zh) | 2023-06-20 | 2023-06-20 | 一种指针式仪表的读数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118115821A (zh) * | 2024-04-28 | 2024-05-31 | 国网辽宁省电力有限公司辽阳供电公司 | 基于图像特征提取的光伏板故障识别方法 |
-
2023
- 2023-06-20 CN CN202310734791.XA patent/CN116758266A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118115821A (zh) * | 2024-04-28 | 2024-05-31 | 国网辽宁省电力有限公司辽阳供电公司 | 基于图像特征提取的光伏板故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7780084B2 (en) | 2-D barcode recognition | |
CN109410207B (zh) | 一种基于ncc特征的无人机巡线图像输电线路检测方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN111429533B (zh) | 一种相机镜头畸变参数估计装置及方法 | |
CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和*** | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
CN113591967A (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
CN111739031B (zh) | 一种基于深度信息的作物冠层分割方法 | |
CN110111387B (zh) | 一种基于表盘特征的指针表定位及读数方法 | |
Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
CN116758266A (zh) | 一种指针式仪表的读数方法 | |
CN111145198B (zh) | 一种基于快速角点检测的非合作目标运动估计方法 | |
CN117876367B (zh) | 一种用于电路板印刷的曝光优化方法 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测***及方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN117315670B (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN113673515A (zh) | 一种计算机视觉目标检测算法 | |
CN114998571B (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 | |
CN116486092A (zh) | 一种基于改进Hu不变矩的电磁探头校准件的识别方法 | |
Chen et al. | Applying Image Processing Technology to Automatically Detect and Adjust Paper Benchmark for Printing Machine. | |
Sakharov et al. | Research and Development of Information Technology for Determining Shoe Size by Image | |
CN114648564B (zh) | 用于非稳态目标的可见光和红外图像优化配准方法及*** | |
CN110852146B (zh) | 一种无人机图像特征点检测方法 | |
CN117392201A (zh) | 一种基于视觉检测的靶纸弹孔识别及报靶方法 |
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 |