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：为解决指针式仪表的人工读数效率低、识读精度不高等问题,提出一种基于改进GA-Otsu与RANSAC回归(随机抽样一致性)的指针式仪表识读方法。利用ABF(自适应双边滤波器)对指针式仪表图像进行纹理和噪声滤除,结合Hough梯度法与Mask掩膜法对仪表图像进行表盘提取。基于改进GA-Otsu的图像分割算法得到分离的指针区域,经过形态学处理提取指针细化图。采用RANSAC算法拟合得到指针中心所在直线,计算其角度值,并结合量程信息与角度法完成仪表读数识读。实验结果表明,该算法能有效地分离指针目标与背景,相较改进前识读速度提升了约42.34%、识读平均相对误差小于1.15%,并对不同光照和阴影干扰均有较强的鲁棒性。

摘要：指针式仪表在传统行业中应用广泛,如何自动获取其读数是目前工业生产领域中急需解决的问题。设计了一种基于智能摄像头的指针式仪表读数自动获取算法,采集仪表表盘图像后进行二值化预处理,采用数学形态学分析和霍夫变换提取指针位置,计算指针在表盘刻度上的角度,最后获取指针的准确读数。实验结果表明,该算法可以稳定可靠地自动获取仪表读数,识别精度符合工业要求。

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：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：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：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：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：随着技术的进步,巡检机器人已在天然气站场中有了较为广泛的应用,代替人工进行设备巡查工作。但巡检机器人存在仪表识别精度不高,场景适应实用性低,无法实时处理等问题。为此,设计了一种区域分割的图像处理算法与深度学习目标检测算法相结合的方法,使得指针式仪表自动识别算法趋于稳定,对环境的适应性变强。实验结果表明,该方法不仅检测精度高、速度快,而且实用性强,满足机器人巡检要求。

摘要：系统设计使用PHP、Python进行开发,采用B/S架构,应用ThinkPHP、Flask、Vue框架开发Web服务器,使用MySQL和Redis作为数据库存储数据。系统通过Web服务器与算法服务器配合,利用视频流对仪表进行识别,产生告警信息,可定时读数,并通过平台进行展示,以此替代了目前繁重且高成本的人工抄表,实现了智能化工作与管理。