摘要：仪表定位精度是保证指针式仪表示数准确识别的前提。复杂工业场景下仪表样本难以采集,小样本情况下,现有指针式仪表定位检测方法存在检测精度低、实时性差的问题。为此,提出了基于元学习的小样本指针式仪表检测方法Sparse-Meta-DETR。并以Meta-DETR为目标检测基线模型,采用元学习训练策略,在元训练阶段构建多个小样本任务训练Sparse-Meta-DETR模型,增强特征相关聚合模块对特征空间中支持集和查询集类别的余弦距离的度量能力,使模型能够在元测试阶段小样本任务中识别图像包含的类别,快速适应新类小样本任务,检测复杂工业场景图像中包含的指针式仪表;引入轻量级主干网络Efficientnet b1作为特征提取器,减少模型的计算复杂度和参数量;设计评分网络对查询特征稀疏采样,构建稀疏化遮罩选取前景特征,引导Transformer编/解码器对前景特征进行处理,进一步减少计算量并提高检测精度。使用Sparse-Meta-DETR模型,20-shot时指针式仪表定位检测精度指标AP^(50)和AP^(75)分别达到了94.2%和87.5%,10-shot时的AP^(50)达到了91.1%;相较于最初的基线模型,改进模型的时间复杂度下降了74.5%。实验结果表明,Sparse-Meta-DETR不仅能够保证样本匮乏时仪表定位的精度,还可以有效地提高仪表定位的实时性,其整体性能优于Meta-RCNN等小样本深度学习算法。

摘要：针对风电机舱内指针式仪表的数据读取,提出一种指针式仪表读数算法。首先,创建机舱仪表信息数据字典,录入机舱内各种仪表的基本信息;其次,设计表盘信息检测算法,通过该算法得到表盘类别和仪表特征关键点的位置信息;最后,设计表盘读数识别算法,借助其获取仪表指针偏转角度,进一步计算得到仪表读数。经过测试,所提算法能够准确读取机舱内仪表的示数,误差不超过1.5%。

摘要：针对精密指针式仪表自动读数算法自适应性较差的问题,提出一种基于ICM的精密指针式仪表自动读数方法。该方法基于二值化后仪表图像的噪声信息分布特性,利用ICM点火时序矩阵在图像相邻像素间的并行递进关系,研究和实现图像的腐蚀和膨胀,并设计加权最大类间方差法自适应地计算迭代次数,消除刻度周边噪声,提取到刻度圆弧所在位置。最后根据圆弧极径、极角等信息对刻度区域做极坐标变换输出图像,采用距离法对极坐标变换后图像进行读数判读。实验表明,自动读数结果与实际数值相比误差均小于0.2%,算法稳定可靠。

摘要：目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低。并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值。因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高。首先构建了融合卷积注意力模块的双路异构卷积神经网络,强化了对仪表图像特征的提取,改善了特征的类型和分布,提高了仪表读数识别的准确率;然后采取了软区间分级回归的策略,极大地简化了模型的体积,使得模型易于部署;最后通过算例对比了所提方法和基于指针线段检测的深度学习、机器学习模型识别仪表读数的准确率和效率。算例表明,所提方法在仪表图像读数识别准确率和效率之间取得了较好的平衡。

摘要：随着人工智能和自动化水平的提高,机器人被越来越广泛地应用于变电站巡检,为图像采集带来了便利,但是指针式仪表图像的读数识别准确性问题尚未很好解决,成为了瓶颈。基于Faster R-CNN目标检测和U-Net图像分割技术,提出了指针式仪表读数自动识别方法。首先引入Faster R-CNN检测仪表图像中的表盘、指针所在区域,并对仪表进行分类;然后以图像分割技术取代图形检测算法,结合仪表图像特点,改进了U-Net网络,有效提取了区域中的刻度线和指针。针对分割类别不平衡问题,构造了U-Net的Dice损失函数;针对仪表旋转问题,提出了基于图像分割信息的透视变换方法对图像进行校准。最后通过算例对比了文中方法和传统机器学习算法、霍夫变换在指针式仪表图像读数识别上的效果。结果表明,文中方法在检测识别复杂图像中小目标的准确性和实用性上提升明显。

摘要：介绍了基于图像处理技术的表盘识别系统的组成及其识别过程,针对表盘面与镜头面不平行问题,设计了一种景深校平函数,并利用第二最近法则解决了指针误判问题。只要对系统参数稍作修改即可适用于其他类型的仪表。实验表明,该系统具有良好的实用性。

摘要：为解决现有指针式仪表识别方法依赖于预处理的有效性且泛化能力不足的问题,提出一种基于深度卷积神经网络与虚拟样本结合的识别方法.该方法利用深度卷积神经网络自适应地提取仪表图像关键特征,避免无关信息的干扰;采用先验知识构建指针式仪表虚拟样本生成模型,解决深度卷积神经网络面临的小样本难题.仿真数据、实验数据和现场实际应用结果表明,文中方法是可行有效的,且比传统的指针定位方法识别效果更好,尤其在更换仪表、局部信息缺失等复杂情况下具有很好的鲁棒性.

摘要：针对指针式仪表的小目标图像分割特点以及现有方法存在的局限性,提出融合空间细节与语义特征的双边路深度学习主干网络BiUnet,用于指针式仪表图像分割。该网络以BiSeNet V2算法作为出发点,重新设计其语义支路、细节支路以及双边融合层。首先,利用ConvNeXt卷积模块对细节支路进行调整和优化,提升算法对指针及刻度线边界细节的特征提取能力;其次,结合编码器-解码器U型结构能够融合不同尺度语义信息的优势对语义支路进行重新设计,提高语义支路对指针和刻度这类小目标的分割能力;最后,提出双引导拼接聚合层,用于更好地融合细节支路和语义支路特征。在自制仪表图像分割数据集上的消融实验证实了所提出的网络设计方案的有效性和可行性。在仪表数据集上与不同主干网络进行对比实验,实验结果表明,BiUnet对仪表的平均分割精度mIoU(mean intersection of union)达到了88.66%,相比于BiSeNet V2网络的80.02%提升8.64个百分点,并且这两种网络的分割精度均优于基于Transformer和纯卷积的常见主干网络。

摘要：针对现有方法中表盘关键信息提取过程繁琐、读数误差较大和相机抖动导致的运动模糊问题,提出了一种基于R-YOLOv7和MIMO-CTFNet的指针式仪表自动读数方法。首先,构建兼顾精度和轻量化的R-YOLOv7算法实现指针式仪表表盘和表盘关键信息检测;然后,设计了MIMO-CTFNet算法以实现运动模糊仪表图像的复原;最后,利用提取的表盘关键信息进行基于小刻度线的角度法读数。实验结果表明改进后的R-YOLOv7在表盘关键信息检测数据集上所需的参数量、FLOPs、ADT和mAP50:95分别为12M个、60.30G次、17.04ms和86.5%;改进后的MIMO-CTFNet算法在采集的运动模糊数据集上的PSNR和SSIM分别达到33.05 dB和0.9353;该读数方法的读数最大引用误差为0.35%,需要运动模糊处理和无需运动模糊处理的图像读数时间分别为0.561 s和0.128 s,从而验证了该方法的有效性。

摘要：针对工业应用中的指针式仪表自动检测识别任务,为解决指针式仪表检测过程中所涉及到的小目标检测性能不足与检测速度慢的问题,提出一种改进版本的YOLOv3检测算法。使用网络爬虫及数据增强扩充数据集,通过Kmeans++初始化的Mini Batch Kmeans方法对数据集聚类得到先验框;使用轻量级网络MobileNet框架与设计的适应样本的损失函数,得到改进模型。理论分析和实验结果表明,在指针式仪表检测任务中,所提算法的平均精度达92.8%,对小目标检测效果明显增强,实时性大大提高,帧率提高了67%,具有更高鲁棒性的同时提高了网络的综合性能,为后续仪表的准确读数提供了有利保障。