一、智能型指针式仪表识别系统的研究(论文文献综述)
孙芝强[1](2021)在《基于机器视觉的指针式仪表读数自动识别研究与实现》文中研究指明在设备监测领域,指针式仪表抗电磁干扰能力强,且能适应高温高压等恶劣的工业现场环境,被广泛应用于电力行业以及环境较为恶劣的工业制造现场。采用人工巡检读表的方式人力成本高,效率低,当设备运转异常时不能够及时发现,极易发生安全事故。随着机器视觉技术的发展,通过巡检机器人对指针式仪表进行读数自动识别成为一种新的趋势。然而巡检机器人获取的仪表图像存在背景干扰大、仪表类型多样、仪表倾斜等问题,导致传统算法无法适应巡检机器人进行自动读数。针对上述问题,本文从表盘区域定位、仪表类型识别和仪表自动读数三个方面展开研究,提出了基于机器视觉的指针式仪表读数自动识别算法,搭建了指针式仪表读数自动识别系统。其主要研究内容包括:(1)针对仪表图像背景中含有管道设施、仪器按钮等背景干扰问题,引入深度学习中的Mask R-CNN网络模型对表盘区域直接检测。然后针对表盘的形状特点优化了网络模型锚框比例,并且在网络模型中设计了表盘分割环节。优化后的网络模型能够精确定位表盘区域,并且能够得到滤除背景干扰的表盘图像和对应的二值掩膜图像,为后续算法的实现奠定了基础。(2)得到表盘图像后,为了识别仪表类型从而获取仪表量程等信息,建立了指针式仪表模板库,并且在SURF算法的基础上提出了仪表类型识别算法。针对识别过程中相似特征点的干扰问题,提出设置匹配点阈值的方法来消除干扰。该算法具有较高的仪表类型识别准确率,能够为后续的仪表自动读数算法提供仪表量程、刻度线覆盖范围等信息。(3)在表盘区域定位算法和仪表类型识别算法的基础上,提出了仪表自动读数算法。针对指针提取过程中仪表图像倾斜的问题,提出了基于二值掩膜图像极端点检测的透视变换校正方法。然后使用图像的形态学操作对仪表指针进行提取,并且针对提取的仪表指针粗细不均影响偏转角计算的问题,采用快速并行细化算法进行优化。最后使用Hough变换算法得到指针偏转角,通过角度法得到了最终仪表示数。(4)在表盘定位算法、仪表类型识别算法和仪表自动读数算法的基础上,搭建了指针式仪表示数自动识别系统,开发了上位机界面,并对表盘区域定位算法、仪表类型识别算法、仪表自动读数算法进行实验验证,实验表明本文所提出的指针式仪表读数自动识别算法具有较高的准确性和实时性。
靳一丹[2](2021)在《基于机器视觉的模拟仪表自动识别与监控方法研究》文中提出随着工业现代化时代的到来,尽管出现了读数更直观的数显式仪表,但是模拟仪表相对数显式仪表结构简单,价格低廉,并且能通过指示物体的变化情况直接的看到被测物体的变化情况,因此模拟仪表依旧在工业测量中占据着重要的地位。目前在工业中模拟仪表的数据采集大多由人工读取,成本高,实时性差,且易受人的主观因素影响使得模拟仪表的读数不准确,从而影响工作效率,同时一些危险的工作环境会对人体造成严重的危害,不适合人类长期工作。因此,选用机器视觉代替人类视觉实现模拟仪表的自动识别与监控具有重大的现实意义。本文针对工业中常用的两种模拟仪表指针式仪表跟浮子流量计,研究了一种基于机器视觉技术的模拟仪表自动识别与监控方法。该方法可以适应上述两种模拟仪表数据采集过程中可能遇见的背景复杂、光照不均匀、过曝光、欠曝光、量程不同、仪表倾斜、尺度变化等情况,满足浮子流量计的实时监控与指针式仪表自动读数的要求。本文的主要研究内容如下:(1)为了适应复杂的背景环境、过曝光、欠曝光等情况,本文首先研究了图像亮度调整算法将图像亮度调整到适当的范围内,然后将深度学习SSD算法应用在指针式仪表跟浮子流量计的分类与定位任务中,并根据分类结果采用不同的算法。(2)针对指针式仪表,在使用深度学习算法SSD提取到仪表后,将传统图像处理算法与卷积神经网络相结合,并选用角度法进行指针式仪表的自动读数。整个过程解决了系统对光照敏感,背景复杂,且无法自动提取仪表量程等问题。实验验证了该方法有较高的准确度。(3)本文针对浮子流量计研究了一种自动监控方法。该方法结合颜色空间转换,图像色彩增强等来寻找工作范围,并使用一种多模板多尺度的模板匹配对漏检的浮子进行检测。实验验证了该方法计算速度快,精度高,实现了仪表的自动监控。
党磊[3](2020)在《基于机器视觉的指针式仪表读数识别方法及其应用》文中研究指明机械式仪表具有结构简单、便于维修且价格低廉等优点,在石油勘探、油田设备运行监测中普遍使用,是获取机械设备信息,实现设备状态监测的重要手段。一般,仪表信息的获取是由指针示数或偏转值来表达的,经人工读表或抄表的方式获取示数。读数过程容易受到各种主客观因素的影响,如人眼分辨能力、观察角度、现场光线及各种环境因素等。人工读表既浪费时间和精力,且不能保证准确读数,容易产生误差,导致不能准确、及时地获取机械设备运行中参数的变化。应用数字图像处理技术,结合Hough变换算法,本文提出了一种指针式仪表读数的自动识别方法。有三个主要的步骤:首先是图像预处理,包括缩放与图像调正,灰度化、平滑去噪、二值化以及边缘检测,以提高图像的信噪比。其中,使用轮廓跟踪法进行表盘区域与指针区域的分割,同时进行了降噪处理;其次是指针直线的检测,包括使用形态学的方法进行仪表指针细化,通过Hough变换法实现了指针位置检测与指针方向的确定。其中,利用剪影法确定了仪表回转中心;最后使用角度与刻度线关系确定仪表盘有效量程,完成了指针式仪表示数的自动读数识别。通过GUI平台进行了实验与结果分析,对指针直线检测的误差和指针与刻度线重合的误差进行了分析,并提出了相应的解决方案。完成了三类共20余幅有代表性的指针式仪表图像处理及读数识别实验,实验结果表明:通过Hough变换法的指针式仪表读数识别精度明显高于人工读数识别。本文所提出的自动读数识别方法更准确、可靠且读数效率高,省时省力,对油田机械设备的状态监测具有明显的现实意义。
吴晓伟[4](2020)在《指针式仪表智能识别在矿井中的研究》文中研究表明随着煤矿智能化、信息化的建设,指针式仪表的数据监测功能起到了非常重要的作用,对煤矿安全高效的生产具有重大意义。目前,在矿井中指针式仪表的识别主要靠煤矿工人观察并记录,为了提高仪表识别的准确性、实时性、快速性,本文针对煤矿中指针式仪表的智能识别进行了研究。主要的研究内容如下:首先,针对传统目标检测算法不能同时检测多种类别的目标、运算时间长、鲁棒性差,因此本文采用了基于深度学习的Mask R-CNN检测算法对图像中的指针式仪表进行了识别与提取,并搭建了Mask R-CNN网络模型,制作了相应的数据集。然后对模型进行了训练和测试,仿真实验结果表明,Mask R-CNN检测算法能够迅速准确的检测和提取各种不同类型的指针式仪表。其次,对指针式仪表图像进行图像预处理和仪表的特征提取。采用了图像灰度化、图像滤波、图像二值化和图像形态学处理,从而得到了清晰的表盘信息。采用了梯度霍夫变换算法来检测圆形仪表的表盘和圆心。针对非圆形仪表刻度区的圆弧特征,采用了梯度算子来强化与刻度线正交方向的信息来识别圆弧。然后,采用三点共圆弧的方式来确定圆心,从而定位仪表指针的旋转中心。最后,仪表指针的拟合及仪表示数的判定。通过径向灰度算法,拟合出指针直线并定位指针所在的位置。然后,应用角度判读法实现了仪表示数的读取。选取了25MPa的压力表和400A的电流表进行了测试,实验结果表明:压力表的绝对误差在0.2MPa以下,电流表的绝对误差在5A以下,引用误差都小于2%。结果表明,本系统在实际应用中可以准确的识别指针式仪表的示数。
曹思佳[5](2020)在《基于视觉的机械手表读数自动识别技术研究》文中认为根据机械手表评价细则,高精度的机械手表需满足《高精度机械手表SQL/HSTU 009-2017》标准才可获得认证。为了生产出合格的机械手表,手表行业在机械手表出厂前将进行走时精度测量实验,即观测机械手表读数相对标准计时的偏差,对不合格的手表重新进行校正。传统的机械手表读数检测采用的人工读数方法效率低,易受工作人员状态影响。为了提高合格机械手表的出品量,更快地适应需求量飞速上升的市场,要求设计出一种自动测量机械手表读数的方法。自动读数识别技术的研究领域中,针对仪表的读数识别技术众多,对机械手表的读数识别技术较少。由于机械手表相对仪表具有表盘花纹复杂,指针众多,容易互相遮挡等识别技术上的难点,本文提出了一种基于视觉的机械手表自动读数识别方法,研究内容可划分为表盘区域提取、指针和刻度区域提取、读数识别和系统设计等几个部分。具体实现如下:1)针对各类背景下的机械手表,采用了一种结合边缘信息的图像金字塔模板匹配算法用于表盘区域的提取,同时和现有的提取方法进行了对比,相较其他方法出现的背景干扰和畸变问题,本文算法具有更高的鲁棒性。2)针对使用传统方法进行指针和刻度识别时出现的参数难以设定,分割不清晰,指针遮挡和多样刻度带来的识别困难问题,提出了一种结合上下文信息的改进后的Mask R-CNN网络,能够适应各类颜色抖动和噪声干扰下的指针和刻度提取,同时制作了机械手表指针和刻度的数据集,可用于深度学习网络的训练。3)读数识别问题中,针对传统指针中轴线识别方法中需要依靠细化算法有效性,易受干扰的问题,提出了一种改进的最小二乘距离法,能够准确地定位出指针中轴线。同时利用结合先验信息的最小二乘法拟合了表盘内圆,确定了表盘中心。根据各指针中轴线相对于表盘中心与刻度中心的连线的角度关系,计算了机械手表的读数。为了进一步提高机械手表读数识别的精度,根据各指针间隐含的角度关系,提出了误差矫正原则。4)基于本文提出的机械手表读数自动识别方案,设计了一个机械手表自动读数测量的软件系统,包含了界面和数据库设计,并对复杂机械手表的实验结果进行了误差分析,读数误差在1s以内。同时利用本算法实现了机械手表的精度测量,能够提高测量效率。
丁永泽[6](2019)在《变电站仪表精准读数和可靠度估计方法研究》文中进行了进一步梳理随着国家经济的飞速发展,社会对电力的需求越来越大,依赖也越来越强,电力系统的安全也变得越来越重要。变电站作为电力系统的核心组成部分,正朝着无人巡检智能化的方向迈进,机器人正在逐步取代人工来完成变电站设备的巡检工作。机器人的巡检主要包括读表与测温工作。本文针对变电站场景中指针式仪表起始、终止刻度线提取不够准确、传统的基于Hough直线的指针识别方法不够精确、对现有的仪表读数没有可靠度估计模型等问题,提出了更精准的仪表读数算法以及相应的读数可靠度估计模型;此外,针对雨天环境造成仪表图像质量下降、致使机器人读数困难的问题,还提出了多细节残差网络去雨模型,较好的解决了雨天环境下仪表的精准读数问题。本文的主要研究内容和贡献如下:(1)针对指针式仪表起始以及终止刻度线位置提取不够准确,标准的Hough直线改进算法受参数影响容易产生指针定位偏差的问题,提出了一种自适应的仪表读数算法。通过Hough圆环检测算法获取刻度线所在圆环,再利用圆环边缘处的阈值判定进行刻度线起始以及终止位置的提取;结合刻度线所在圆环,再通过缩减圆环半径进一步提取指针尖端位置,实现了一种自适应的仪表读数算法。实验结果表明所提算法读数精确度平均上升4.5%,且稳定可靠。(2)针对现有仪表读数算法需要大量的超参数,在参数调整不当时会出现较大的读数偏差,且目前尚没有可用模型来判断读数可靠度的问题,本文提出了一种读数可靠度判决模型。该模型采用聚类思想实现了仪表特征一致显着性关联约束检测,用于确定仪表中心指针区域位置;之后构建了三维高斯混合可靠度模型,对指针识别结果是否满足读数标准评估,实现了指针式仪表读数算法可靠度估计。(3)针对雨水天气导致机器人巡检采集到的图像噪点增多、清晰度下降,致使后续读数困难的问题,提出了一种多细节残差网络模型,对拍摄得到的带有雨水的指针式仪表图像进行引导滤波,然后再进行多次分解获得平滑图像和不同频率的细节图像。利用细节图像,通过多细节残差网络学习有雨图像和无雨图像间的残差映射关系,去除了雨水的干扰,解决了雨天环境下指针式仪表读数困难的问题,为变电站机器人实现全天候巡检奠定了技术基础。
肖帆[7](2019)在《变电站巡检机器人的图像处理关键技术研究》文中指出在当今电力系统中,变电站作为电网输电配电的中转站,在变换电压、传递电能和分配能量起着关键性作用,是沟通发电站和电网用户的桥梁。在变电站中,电力设备是输电配电的关键设备,设备运行的稳定性和安全性关系到变电站整体的日常正常工作运转。设备的典型外观缺陷与仪表数据的记录等日常巡检工作已经向自动化与智能化发展,结合相应的图像处理算法完成巡检任务。因此,研究变电站巡检机器人所涉及的关键技术具有重要的研究意义。本论文围绕变电站巡检机器人的图像处理技术开展研究工作。首先,对变电站巡检机器人进行系统进行集成设计,设计一款能搭载高速处理器和多种传感器的机器人平台,在变电站中对仪表数据和设备状况等各种物理信息进行识别分析,通过物联网技术与远程客户端互联,直接面向监控人员并接受其对机器人进行操作和显示机器人传回的图像视频、系统状态、传感器数据等。在此基础上对电机驱动、超声波测距、云台控制进行硬件模块化设计,并以PID算法作为机器人移动控制算法,高精度陀螺仪用于机器人移动时水平面上姿态的测量,实现变电站巡检机器人视觉终端的控制实现。然后,分析定位误差、机械磨损、光照环境等外在因素对典型外观缺陷与仪表指针识别的影响,构建并实现了视觉终端的控制,重点研究其所涉及的图像处理算法。通过研究图像匹配方法消除定位误差与机械磨损造成检测对象的视觉偏移,包括基于模板匹配、SIFT变换、SURF变换三种方法在变电站视觉巡检中的实现,并通过实验验证其匹配效果。在此基础上通过背景噪声建模获得表面缺陷识别,并设计了基于区域分块的Hough变换指针识别方法。最后,对开发研制的变电站巡检机器人系统样机进行运行测试,视觉终端控制运行正常;对基于背景噪声建模的典型外观缺陷识别方法与分块区域的Hough变换检测方法进行实验测试,实验结果表明均可以有效地提高识别的准确率。上述研究工作的完成,丰富了变电站巡检机器人的图像处理技术,具有一定的理论意义与工程应用参考价值。
朱丽萍,王冰,张笛,李承阳,金学锋,刘志刚[8](2019)在《基于计算机视觉的指针式仪表智能示数读取研究》文中研究指明在石油化工企业现场巡检中,指针式仪表的示数校准大多采用人工读数的方法,而目前的计算机图像处理方法获取仪表读数也存在诸多问题。据此,本文提出基于深度学习和图像处理的指针式仪表读数方法。智能示数读取方法可分为以下三个步骤:基于深度学习YOLOv3目标检测算法和霍夫圆检测算法的仪表盘定位、基于连通域分析算法和区域轮廓像素点法的指针定位、基于重标刻度表盘和角度法的示数读取。在四川省川中油井现场环境中测试,本文提出的方法对各种条件下的指针式仪表的示数读取有较大的性能提升。
王迪[9](2019)在《线性指针式仪表识别方法的研究》文中研究说明指针式仪表因其结构简单、使用便利、示数识别可靠性高、成本低且易于用在各类环境恶劣的场合等优点而被广泛应用在军事、医疗、教育、工业生产和生活之中。虽然数显仪表技术发展十分迅猛,但是指针式仪表在工业生产过程中仍占据主要地位。目前指针式仪表数据的获取大多数是由人手工抄表,手动记录并分析数据,在处理数据时劳动强度大、效率低,容易受到外界因素的影响,这些因素都会对识别得到的指针式仪表示数准确性产生影响。相比于传统的人工获取仪表信息的方式,计算机视觉技术的应用,极大地降低了劳动成本、提高了仪表检测的自动化水平,具有广阔的应用前景。目前,实现指针式仪表的自动识别任务是图像处理与模式识别领域研究的重点,其识别的关键在于如何快速准确对指针直线进行特征提取。因此,为避免上述问题的发生和提高线性指针式仪表识别的自动化水平,本文提出一种新的指针检测与示数识别方法,具体完成如下工作:首先,图像预处理。在进行图像识别工作之前要对待识别图像进行灰度化处理、图像滤波以及边缘检测等预处理操作,详细分析各部分完成的内容和相应的实现效果,通过对比分析确定合适的算法进行线性指针式仪表自动识别的预处理过程。其次,仪表指针提取与示数识别工作。分析现有识别算法中存在的不足,综合考虑图像特征提取过程中,无法高效地提取图像中的仪表指针,导致识别算法效率过低。因此本文提出一种基于阈值处理的Freeman链码仪表指针提取方法。通过对预处理后得到的图像进行Freeman链码操作,经过阈值筛选,获得图像中的仪表指针特征,根据链码方向参数计算指针偏转角度,采用角度法进行指针示数的识别工作。经比较分析验证本文提出的算法具有准确性、通用性和高效性。最后,倾斜线性指针仪表图像的校正和识别。图像获取过程中会由于某些外界条件的限制而无法获取正视图,导致出现图像倾斜的问题。分析倾斜的各种类型,针对图像发生畸变倾斜情况下,获取图像的特征点和匹配点,利用透视变换进行一次校正,使图像变为水平倾斜;再根据仪表倾斜特点计算出新一组特征点和匹配点,利用透视变换进行二次校正,从而完成指针式仪表倾斜校正的过程。通过不同的仪表图像和相关参数验证本文提出的方法能快速地校正倾斜图像后准确地得到对应的示数。
李逸[10](2019)在《基于计算机视觉的巡检机器人指针式表盘自动识别研究》文中提出伴随着时代的发展,电力在国家经济发展与人民生活扮演着举足轻重的角色,电网系统稳定运行与否对社会有极大的影响。在我们国家电力系统中变电站属于最核心的部分,为了确保变电站中变电设备稳定运行必须要对变电站设备进行定期巡检,目前在变电站中主要是通过读表来判断变电设备运行状态。如今大部分是通过人工巡检读表来监测变电设备,此种巡检方式不仅成本高且读数精度低。现在虽然已经有很多关于计算机视觉技术应用到表盘自动识别的研究来替代人工巡检,但在识别算法中都是有许多约束条件下才能有好的识别效果且不考虑检测效率,故很难适应复杂多变的变电站环境。本文围绕着现有关于指针式表盘自动识别存在的缺点与局限性,系统的研究了表盘定位算法、表盘读数区域定位算法、指针定位方法等,实现了一种适用于变电站环境的基于计算机视觉的巡检机器人指针式表盘智能读数方法。本文核心的工作与研究内容如下:(1)在表盘区域定位方面,提出了基于SSD模型改进的指针式表盘区域定位算法。针对传统特征点匹配算法对于大尺寸的图片检测耗时长且鲁棒性差等问题,本文将指针式表盘区域定位问题转换为深度学习领域中目标检测问题,并将迁移学习策略来改进基于SSD模型的指针式表盘定位检测,采用数据增强方法来进一步提升表盘定位效果。本文所提出的表盘定位算法不仅降低了定位耗时而且还提高了对噪声、光照变化、旋转等干扰因素的适应性。(2)在表盘读数区域分割方面,提出了基于SURF算法改进的多任务模板特征点匹配算法。针对室外光照变化大所造成制作的模板与所检测图像相差大从而导致匹配不精准的问题,本文通过制作多张光照相差大的模板,采用多线程技术同时与检测图像进行特征点检测,并且利用本文提出的改进的双向匹配法来获取匹配点,从而提高了表盘读数区域分割的准确率且增强了匹配算法对光照变化大的鲁棒性。(3)在图像预处理方面,研究适用于变电站复杂工作场景的图像预处理算法,通过灰度处理、图像对比度拉伸与滤波去燥的预处理技术,得到图像质量好又便于后续分割指针的图像。(4)指针定位识别方面,提出了基于分割扇形区域的指针定位法。针对光照不足与复杂背景干扰等原因从而使得指针难以分割的问题,本文基于表盘指针一直在某一个扇形区域转动变化这一特性,创新地提出基于分割扇形区域的指针定位法,通过对指针活动区域分割,选择合适阈值分割算法与指针拟合算法,来对指针进行定位。本文所提出的指针定位方法能够准确的拟合指针直线,有良好的鲁棒性。根据本文所提出的基于计算机视觉的指针式表盘自动识别方案,从而设计并制作了基于计算机视觉的指针式表盘识别软件系统。通过实验验证,本方案的识别率与准确率均达到了实用化的要求且具有较高的稳定性和检测效率,具有一定的实用价值。
二、智能型指针式仪表识别系统的研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、智能型指针式仪表识别系统的研究(论文提纲范文)
(1)基于机器视觉的指针式仪表读数自动识别研究与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 指针式仪表自动识别读数研究现状 |
1.2.2 深度学习在机器视觉领域研究现状 |
1.3 主要研究内容及结构安排 |
第二章 表盘区域定位算法研究 |
2.1 指针式仪表表盘区域定位算法 |
2.1.1 传统表盘区域定位算法分析 |
2.1.2 基于深度学习的表盘区域定位算法 |
2.2 Mask R-CNN网络模型分析 |
2.2.1 主干网络 |
2.2.2 区域建议网络RPN |
2.2.3 兴趣区域池化 |
2.3 表盘区域定位算法改进与实现 |
2.3.1 Mask R-CNN网络模型改进 |
2.3.2 数据集建立 |
2.3.3 Mask R-CNN的训练 |
2.4 本章小结 |
第三章 仪表类型识别算法研究 |
3.1 SURF算法分析 |
3.1.1 检测特征点 |
3.1.2 特征点描述子 |
3.1.3 结合FLANN的特征点匹配 |
3.2 指针式仪表类型识别算法设计与实现 |
3.2.1 仪表类型识别算法总体设计 |
3.2.2 建立仪表模板库 |
3.2.3 匹配点阈值选取 |
3.2.4 仪表类型识别算法实现 |
3.3 本章小结 |
第四章 仪表自动读数算法研究 |
4.1 仪表自动读数算法总体设计 |
4.2 仪表图像校正 |
4.3 指针式仪表表盘图像预处理 |
4.3.1 仪表图像灰度化 |
4.3.2 仪表图像二值化 |
4.4 仪表指针提取 |
4.4.1 提取指针区域 |
4.4.2 指针区域细化 |
4.4.3 指针直线拟合 |
4.5 仪表示数计算 |
4.6 本章小结 |
第五章 指针式仪表读数自动识别系统实现及实验分析 |
5.1 指针式仪表读数自动识别系统搭建 |
5.1.1 指针式仪表读数自动识别系统硬件架构设计 |
5.1.2 指针式仪表读数自动识别软件系统设计 |
5.2 实验结果与分析 |
5.2.1 表盘区域定位实验与分析 |
5.2.2 仪表类型识别实验与分析 |
5.2.3 指针式仪表自动读数实验与分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 研究工作总结 |
6.2 研究工作展望 |
参考文献 |
在读期间发表的学术论文及研究成果 |
致谢 |
(2)基于机器视觉的模拟仪表自动识别与监控方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状及存在的问题 |
1.2.1 指针式仪表 |
1.2.2 浮子流量计 |
1.3 本文的主要工作安排及结构安排 |
1.3.1 本文完成的主要工作 |
1.3.2 本文的结构安排 |
第二章 基于SSD的模拟仪表自动识别与监控方法相关理论 |
2.1 基于SSD的模拟仪表自动识别与监控方法框架设计 |
2.2 SSD的基本原理与实现 |
2.2.1 SSD算法原理 |
2.2.2 基于SSD算法的模拟仪表分类与定位 |
2.3 数字图像处理常用方法 |
2.3.1 图像的二值化 |
2.3.2 色彩空间转换 |
2.4 本章小结 |
第三章 指针式仪表盘的定位与提取 |
3.1 表盘预处理 |
3.1.1 图像亮度调整算法 |
3.1.2 霍夫变换 |
3.1.3 连通区域分析 |
3.2 仪表盘定位与提取 |
3.3 本章小结 |
第四章 指针式仪表读数识别 |
4.1 指针检测及指针角度计算 |
4.1.1 定位指针区域及仪表圆心 |
4.1.2 细化指针与直线拟合 |
4.1.3 指针方向判断机制 |
4.2 检测最大刻度及其角度计算 |
4.2.1 边缘检测 |
4.2.2 最大刻度区域检测及计算最大刻度角度 |
4.3 最大量程数字识别 |
4.3.1 最大量程数字的提取与分割 |
4.3.2 常用的数字字符识别算法 |
4.3.3 基于CNN的数字字符识别算法 |
4.4 读数计算 |
4.4.1 刻度法 |
4.4.2 角度法 |
4.5 实验结果与分析 |
4.6 本章小结 |
第五章 浮子流量计自动监控方法研究 |
5.1 浮子流量计自动监控方法设计 |
5.1.1 工作范围的定位与提取 |
5.1.2 漏检的浮子检测 |
5.1.2.1 模板匹配 |
5.1.2.2 漏检浮子检测流程 |
5.2 实验结果与分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(3)基于机器视觉的指针式仪表读数识别方法及其应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 课题研究的目的及意义 |
1.3 国内外研究现状 |
1.3.1 国内研究现状 |
1.3.2 国外发展现状 |
1.4 研究内容与结构 |
1.4.1 课题来源 |
1.4.2 主要研究内容 |
第二章 背景技术与仪表读数识别方案设计 |
2.1 数字图像处理技术 |
2.1.1 数字图像处理概述 |
2.1.2 数字图像处理技术的主要内容 |
2.2 仪表图像采集 |
2.3 仪表自动读数识别方案设计 |
2.4 本章小结 |
第三章 指针式仪表预处理 |
3.1 仪表图像缩放 |
3.2 仪表图像调正 |
3.3 仪表图像灰度化 |
3.3.1 真彩色模型概述 |
3.3.2 仪表图像灰度化 |
3.4 仪表图像平滑 |
3.4.1 图像噪声 |
3.4.2 图像去噪 |
3.5 图像二值化 |
3.6 边缘检测 |
3.7 本章小结 |
第四章 指针式仪表自动读数识别 |
4.1 表盘区域分割 |
4.1.1 仪表表盘分割 |
4.1.2 表盘、指针区域定位 |
4.1.3 图像细化操作 |
4.2 指针定位 |
4.2.1 指针位置检测 |
4.2.2 指针回转中心定位 |
4.2.3 指针方向确定 |
4.2.4 仪表量程确定 |
4.3 读数识别及误差分析 |
4.3.1 指针读数识别 |
4.3.2 实验结果与误差分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读学位期间所取得的相关科研成果 |
致谢 |
(4)指针式仪表智能识别在矿井中的研究(论文提纲范文)
中文摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要工作 |
1.4 论文的结构安排 |
第二章 基于深度学习的图像检测与识别 |
2.1 引言 |
2.2 传统目标检测的相关算法 |
2.2.1 模板匹配 |
2.2.2 SIFT系列算法 |
2.2.3 SIFT系列算法的改进 |
2.3 基于深度学习的目标表盘定位与检测 |
2.3.1 算法概述 |
2.3.2 One-Stage目标检测算法 |
2.3.3 Two-Stage目标检测算法 |
2.4 基于Mask R-CNN的仪表表盘定位 |
2.4.1 Mask R-CNN算法原理 |
2.4.2 卷积神经网络 |
2.4.3 损失函数 |
2.5 数据集 |
2.6 实验结果与分析 |
2.7 本章小结 |
第三章 仪表图像的预处理 |
3.1 引言 |
3.2 灰度化(色彩空间转换) |
3.3 图像降噪 |
3.3.1 中值滤波 |
3.3.2 双边滤波 |
3.4 图像二值化 |
3.5 图像的形态学处理 |
3.5.1 图像腐蚀 |
3.5.2 图像膨胀 |
3.6 本章小结 |
第四章 仪表特征的提取 |
4.1 引言 |
4.2 圆形仪表特征提取 |
4.2.1 随机霍夫变换圆检测 |
4.2.2 梯度霍夫变换 |
4.3 非圆形表盘特征提取 |
4.3.1 仪表表盘处理 |
4.3.2 指针旋转中心的定位 |
4.4 本章小结 |
第五章 仪表指针的拟合及其示数的判定 |
5.1 引言 |
5.2 指针的定位和拟合 |
5.2.1 Hough直线检测 |
5.2.2 LSD直线检测算法 |
5.2.3 径向灰度算法 |
5.3 仪表示数的读取 |
5.3.1 距离判读法 |
5.3.2 角度判读法 |
5.4 实验结果及误差分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文与研究成果 |
(5)基于视觉的机械手表读数自动识别技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 自动读数识别技术研究现状 |
1.2.1 表盘区域提取方法研究现状 |
1.2.2 指针区域和刻度的提取算法研究现状 |
1.2.3 指针中轴线的检测算法研究现状 |
1.3 基于深度学习的分割提取算法研究现状 |
1.4 本文主要研究内容 |
第2章 手表表盘区域提取 |
2.1 传统表盘区域提取方法 |
2.1.1 投影法 |
2.1.2 特征匹配 |
2.2 基于多尺度模板匹配的表盘区域提取 |
2.2.1 总体方案 |
2.2.2 多尺度模板匹配 |
2.3 实验结果分析 |
2.4 本章小结 |
第3章 手表指针和刻度区域检测分割 |
3.1 基于传统方法的指针和刻度区域分割 |
3.1.1 颜色空间映射 |
3.1.2 图像滤波 |
3.1.3 腐蚀和膨胀 |
3.1.4 连通域分析 |
3.2 基于改进的Mask R-CNN网络分割提取算法 |
3.2.1 Mask R-CNN简介 |
3.2.2 数据集制作 |
3.2.3 Mask R-CNN网络的改进与实现 |
3.3 实验结果分析 |
3.3.1 最优模型的选择 |
3.3.2 Mask R-CNN改进效果 |
3.3.3 实验效果分析 |
3.4 本章小结 |
第4章 手表指针读数识别 |
4.1 指针中轴线提取算法研究 |
4.1.1 基于LSD算法的指针中轴线提取 |
4.1.2 基于改进后最小二乘距离法的中轴线提取 |
4.2 表盘中心提取算法研究 |
4.2.1 基于Hough算法的表盘中心提取 |
4.2.2 基于最小二乘法的表盘中心提取 |
4.3 读数计算 |
4.3.1 角度计算 |
4.3.2 读数计算 |
4.4 误差校正 |
4.5 本章小结 |
第5章 机械手表读数识别系统设计 |
5.1 系统功能和总体架构 |
5.2 数据库设计 |
5.3 界面设计 |
5.4 精度测量指标 |
5.5 实验结果分析 |
5.5.1 读数识别 |
5.5.2 精度计算 |
5.6 本章小结 |
总结与展望 |
参考文献 |
附录A 攻读学位期间所发表的学术成果 |
致谢 |
(6)变电站仪表精准读数和可靠度估计方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 指针式仪表读数研究现状 |
1.2.2 仪表可靠度评价模型研究现状 |
1.2.3 雨水消除方法研究现状 |
1.3 本文的主要研究内容 |
1.4 论文结构安排 |
第2章 指针式仪表精准读数方法研究 |
2.1 指针式仪表模板匹配 |
2.2 仪表读数识别算法 |
2.2.1 Hough算法原理 |
2.2.2 图像预处理 |
2.2.3 起始刻度线与终止刻度线检测 |
2.2.4 仪表指针提取算法 |
2.3 仪表读数计算 |
2.4 实验结果分析 |
2.4.1 起始、终止刻度线及指针识别结果 |
2.4.2 读数算法误差率 |
2.5 本章小结 |
第3章 指针式仪表读数可靠度估计模型 |
3.1 视觉显着性 |
3.1.1 视觉显着性原理 |
3.1.2 视觉显着性检测 |
3.2 指针式仪表一致显着性检测 |
3.3 指针式仪表读数可靠度估计模型 |
3.3.1 高斯混合模型与极大似然估计 |
3.3.2 可靠度模型参数 |
3.3.3 可靠度高斯混合模型 |
3.4 实验结果分析 |
3.4.1 一致显着性图像读数结果对比 |
3.4.2 高斯模型分布图 |
3.4.3 读数算法可靠度模型测试结果 |
3.5 本章小结 |
第4章 基于多细节残差网络的变电站仪表图像去雨方法研究 |
4.1 卷积神经网络结构 |
4.1.1 卷积层 |
4.1.2 BN层 |
4.1.3 激活函数 |
4.1.4 损失函数 |
4.2 残差网络 |
4.3 基于引导滤波的雨水细节图像获取 |
4.3.1 引导滤波 |
4.3.2 雨水细节图像获取 |
4.4 基于多细节的残差网络去雨模型构建 |
4.4.1 网络结构设计 |
4.4.2 损失函数 |
4.5 实验结果分析 |
4.5.1 数据集构建及评价指标选取 |
4.5.2 训练环境配置 |
4.5.3 合成雨水图像测试实验结果 |
4.5.4 有雨图像与去雨图像比较 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(7)变电站巡检机器人的图像处理关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 变电站巡检机器人的图像处理技术研究现状 |
1.3 课题的主要工作和内容安排 |
第二章 变电站巡检机器人视觉终端的控制实现 |
2.1 引言 |
2.2 视觉载体的集成设计 |
2.2.1 系统的硬件构成 |
2.2.2 系统软件构成 |
2.2.3 机器人客户端设计 |
2.2.4 系统通信方案 |
2.3 云台终端的控制与实现 |
2.3.1 运动控制 |
2.3.2 云台控制 |
2.3.3 超声波测距 |
2.3.4 陀螺仪姿态控制 |
2.4 本章小结 |
第三章 机器视觉巡检的图像匹配关键技术 |
3.1 引言 |
3.2 图像匹配 |
3.2.1 模板匹配 |
3.3 基于SIFT的目标特征匹配 |
3.3.1 尺度空间搭建 |
3.3.2 极值点检测 |
3.3.3 分配方向 |
3.3.4 生成特征点描述子 |
3.3.5 SIFT的目标特征匹配实验 |
3.4 基于SURF的仪表特征匹配 |
3.4.1 积分图像计算Hessian矩阵 |
3.4.2 构建尺度空间 |
3.4.3 特征点过滤与定位 |
3.4.4 确定主方向与生成SURF描述子 |
3.4.5 特征点匹配 |
3.4.6 基于SURF的仪表特征匹配实验 |
3.5 本章小结 |
第四章 机器视觉巡检的图像识别关键技术 |
4.1 引言 |
4.2 仪表图像的预处理 |
4.3 霍夫变换 |
4.3.1 霍夫线变换与圆变换 |
4.3.2 分块区域霍夫变换 |
4.3.3 图像分割与区域坐标建立 |
4.4 指针读数计算 |
4.5 建立仪表数据集 |
4.6 仪表指针识别结果 |
4.7 本章小结 |
第五章 变电站巡检机器人的系统运行测试 |
5.1 引言 |
5.2 机器人视觉终端的系统的软硬件测试 |
5.3 仪表识别系统功能测试 |
5.3.1 人机交互界面 |
5.3.2 通信连接 |
5.3.3 建立仪表数据集 |
5.3.4 指针识别测试 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
致谢 |
攻读学位期间的主要科研成果 |
(9)线性指针式仪表识别方法的研究(论文提纲范文)
摘要 |
ABSTRACT |
创新点摘要 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外发展现状 |
1.2.1 国外发展现状 |
1.2.2 国内发展现状 |
1.3 论文主要研究内容 |
1.4 论文结构安排 |
第二章 线性指针式仪表识别图像预处理 |
2.1 引言 |
2.2 灰度化处理 |
2.3 图像滤波 |
2.3.1 均值滤波 |
2.3.2 中值滤波 |
2.3.3 高斯滤波 |
2.3.4 维纳滤波 |
2.4 边缘检测 |
2.4.1 Canny边缘检测算子 |
2.4.2 Roberts边缘检测算子 |
2.4.3 Prewitt边缘检测算子 |
2.4.4 Sobel边缘检测算子 |
2.5 本章小结 |
第三章 线性指针式仪表自动识别方法 |
3.1 引言 |
3.2 图像预处理的实现 |
3.2.1 图像灰度化处理 |
3.2.2 图像滤波 |
3.2.3 边缘检测处理 |
3.3 Freeman链码 |
3.3.1 Freeman链码图像描述 |
3.3.2 链码边缘表述 |
3.4 线性指针式仪表自动识别 |
3.4.1 Freeman链码指针特征提取 |
3.4.2 阈值设定 |
3.4.3 仪表读数计算 |
3.5 对比分析 |
3.6 本章小结 |
第四章 基于二次校正的线性指针式仪表自动识别 |
4.1 引言 |
4.2 图像获取 |
4.3 二次校正方法 |
4.3.1 透视变换 |
4.3.2 二次校正 |
4.4 算法验证 |
4.4.1 倾斜校正验证 |
4.4.2 校正图读数识别验证 |
4.5 本章小结 |
结论 |
参考文献 |
发表文章目录 |
致谢 |
(10)基于计算机视觉的巡检机器人指针式表盘自动识别研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状与分析 |
1.3 课题来源 |
1.4 本文的创新点 |
1.5 本文内容结构安排 |
第二章 基于SSD模型的指针式表盘区域定位构建 |
2.1 卷积神经网络基本结构简介 |
2.1.1 卷积层 |
2.1.2 池化层 |
2.1.3 激活函数 |
2.1.4 全连接层 |
2.2 SSD模型检测算法原理 |
2.2.1 SSD模型结构 |
2.2.2 特征层默认框映射 |
2.2.3 目标损失函数 |
2.3 基于SSD改进的表盘定位方法设计与实现 |
2.3.1 基础网络的选择 |
2.3.2 数据增强 |
2.3.3 数据集制作 |
2.3.4 模型迁移训练方法与参数优化 |
2.4 本章小结 |
第三章 指针式表盘读数区域图像配准分割方法设计 |
3.1 特征点提取方法概述 |
3.2 SURF特征点匹配算法 |
3.2.1 计算特征积分 |
3.2.2 尺度空间的生成与特征点检测 |
3.2.3 特征点主方向与描述算子 |
3.2.4 特征点双向匹配法 |
3.3 基于SURF算法改进的多任务模板特征匹配算法设计与实现 |
3.3.1 表盘标定 |
3.3.2 改进的双向匹配法 |
3.3.3 RANSAC匹配特征点筛选 |
3.4 本章小结 |
第四章 指针式识别算法设计与优化 |
4.1 图像预处理 |
4.1.1 图像灰度处理 |
4.1.2 图像对比度拉伸 |
4.1.3 图像滤波去燥 |
4.2 PSS(Pointer positioning method based on segmented sector)算法设计 |
4.2.1 指针活动区域分割 |
4.2.2 图像阈值分割 |
4.2.3 拟合指针 |
4.3 表盘读数计算 |
4.3.1 距离法 |
4.3.2 角度法 |
4.4 本章小结 |
第五章 巡检机器人指针式表盘智能读数系统实现和实验与分析 |
5.1 系统的构建 |
5.2 指针式表盘识别软件设计实现 |
5.3 本文实验结果与分析 |
5.3.1 基于SSD模型的表盘区域定位实验与分析 |
5.3.2 表盘读数区域配准分割实验与分析 |
5.3.3 指针直线定位实验与分析 |
5.3.4 表盘读数与系统时间性能实验与分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
参考文献 |
在学期间学术成果情况 |
致谢 |
四、智能型指针式仪表识别系统的研究(论文参考文献)
- [1]基于机器视觉的指针式仪表读数自动识别研究与实现[D]. 孙芝强. 曲阜师范大学, 2021
- [2]基于机器视觉的模拟仪表自动识别与监控方法研究[D]. 靳一丹. 电子科技大学, 2021(01)
- [3]基于机器视觉的指针式仪表读数识别方法及其应用[D]. 党磊. 西京学院, 2020(04)
- [4]指针式仪表智能识别在矿井中的研究[D]. 吴晓伟. 太原科技大学, 2020(03)
- [5]基于视觉的机械手表读数自动识别技术研究[D]. 曹思佳. 湖南大学, 2020(07)
- [6]变电站仪表精准读数和可靠度估计方法研究[D]. 丁永泽. 天津大学, 2019(01)
- [7]变电站巡检机器人的图像处理关键技术研究[D]. 肖帆. 广西大学, 2019(06)
- [8]基于计算机视觉的指针式仪表智能示数读取研究[A]. 朱丽萍,王冰,张笛,李承阳,金学锋,刘志刚. 第六届数字油田国际学术会议论文集, 2019
- [9]线性指针式仪表识别方法的研究[D]. 王迪. 东北石油大学, 2019(01)
- [10]基于计算机视觉的巡检机器人指针式表盘自动识别研究[D]. 李逸. 广东工业大学, 2019(02)