[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108875739A - 一种数显仪表读数的精确检测方法 - Google Patents

一种数显仪表读数的精确检测方法 Download PDF

Info

Publication number
CN108875739A
CN108875739A CN201810608757.7A CN201810608757A CN108875739A CN 108875739 A CN108875739 A CN 108875739A CN 201810608757 A CN201810608757 A CN 201810608757A CN 108875739 A CN108875739 A CN 108875739A
Authority
CN
China
Prior art keywords
image
meter reading
network model
training
instrument image
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
Application number
CN201810608757.7A
Other languages
English (en)
Inventor
金连文
高学
孙增辉
罗灿杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen City Cloud Technology Co Ltd
South China University of Technology SCUT
Original Assignee
Shenzhen City Cloud Technology Co Ltd
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen City Cloud Technology Co Ltd, South China University of Technology SCUT filed Critical Shenzhen City Cloud Technology Co Ltd
Priority to CN201810608757.7A priority Critical patent/CN108875739A/zh
Publication of CN108875739A publication Critical patent/CN108875739A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • 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)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了模式识别与人工智能技术领域中的一种数显仪表读数的精确检测方法，包括（1）数据获取：采用摄像设备拍摄包含读数区域的仪表图像；（2）数据处理：对仪表读数值进行人工标注，并进行仪表图像的随机旋转、拉伸以及平移变换；（3）深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练；（4）仪表读数检测：输入仪表图像，系统返回规范的仪表读数图像。本发明克服现有仪表读数提取方法的不足，充分利用深度网络模型的参数学习能力，基于深度网络模型的对抗式学习能力和反传残差的物理意义，通过学习数据样本的分布，对数显仪表读数进行精确检测，具有实时性强、准确率高等特点，具有较好的实用价值。

Description

一种数显仪表读数的精确检测方法
技术领域
本发明涉及模式识别与人工智能技术领域，具体的说，是涉及一种数显仪表读数的精确检测方法。
背景技术
仪表读数的提取在各种测量和监测系统中具有广泛的应用，例如水电气热的抄表计费应用中，需要定期读取仪表读数；在监测系统中，也需要定期或实时地读取仪表读数，以实现对系统的监测与控制。
仪表读数的提取目前主要有两种方式：一是采用人工读取的方式，例如人工抄表。这种方式费时费力，也不利于系统的自动化。二是采用对测量仪表进行数字化改造，可以直接输出数字化读数。这种方式往往需要较大的成本投入。例如对现有水表进行数字化改造，需要更换数字化水表，投入较大，也给使用带来不便。
基于计算机视觉的仪表读数提取，通过摄像头拍摄仪表图像，利用计算机视觉技术自动提取仪表读数。该方法具有即装即用，无需改造原有测量仪表，成本低廉等特点。但是目前基于计算机视觉的仪表读数提取方法，主要采用传统图像处理的方法，通过图像二值化、边缘检测、图像分割等分离模块，实现仪表读取区域的提取。该方法容易受到图像噪声的干扰，准确率不高；并且检测速度慢、实用性低。
上述缺陷，值得解决。
发明内容
为了克服现有仪表读数提取方法的不足，充分利用深度网络模型的参数学习能力，基于深度网络模型的对抗式学习能力和反传残差的物理意义，通过学习数据样本的分布，提供一种数显仪表读数的精确检测方法，本发明具有实时性强、准确率高等特点，具有较好的实用价值。
本发明技术方案如下所述：
一种数显仪表读数的精确检测方法，其特征在于，包括以下步骤：
S1：数据获取：采用摄像设备拍摄包含读数区域的仪表图像；
S2：数据处理：对仪表读数值进行人工标注，并进行仪表图像的小角度随机旋转、以及小尺度的拉伸和平移变换；
S3：深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练，训练过程中采用识别模型做弱监督参数学习；
S4：仪表读数检测：输入仪表图像，系统返回一张规范的仪表读数图像。
根据上述方案的本发明，其特征在于，在所述步骤S1中，在拍摄的仪表图像中，仪表表盘读数部分占据图像面积的三分之二以上。
根据上述方案的本发明，其特征在于，在所述步骤S2中，对拍摄的图像进行标注，标注内容为仪表读数，读数的每个数字之间使用“，”隔开。
根据上述方案的本发明，其特征在于，所述步骤S3具体包括：
S31：构建深度神经网络模型；
S32：网络模型训练参数设定；
S33：在随机初始化参数下进行深度神经网络的训练。
进一步的，所述步骤S32中的深度神经网络模型包括参数预测模块和重采样模块：所述参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的参数；所述重采样模块根据预测的参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的仪表图像。
进一步的，所述步骤S32中的网络模型训练参数包括迭代次数、优化器、学习率以及权重衰减系数。
更进一步的，所述迭代次数为1000000，所述优化器采用ADADELTA方法，所述学习率为1.0，所述权重衰减系数为0.0005。
进一步的，在所述步骤S33中，网络模型训练中采用残差回传算法，通过从最后一层计算传递残差，逐层传递，更新网络模型的所有参数。
进一步的，在所述步骤S33中，训练过程采用弱监督训练策略，步骤如下：
(1)利用采集的仪表图像和标注信息，训练一个通用的深度网络识别模型，当输入一张图像时，输出为图像中的字符序列，训练的损失函数为CTC loss函数；
(2)将精确检测网络模型与通用深度网络识别模型对接在一起，精确检测网络模型的输出为通用深度网络识别模型的输入；
(3)最后，继续使用上述仪表图像和标注信息进行训练，即将仪表图像输入到精确检测网络模型，根据通用深度网络识别模型的输出计算CTC loss，并进行梯度回传，进行精确检测网络模型的训练。
根据上述方案的本发明，其特征在于，所述步骤S4具体操作步骤为：输入一张仪表图像，深度网络模型对图像进行精确检测，并返回一张规范的表盘图像。
根据上述方案的本发明，其有益效果在于：
(1)本发明从图像数据中自动学习目标位置分布，学习得到的参数更能适应真实场景的图像特点，预测成功概率更高。
(2)网络训练中不需要严格的坐标标注，节省了大量的人力物力；通过弱监督方式，利用识别模型回传的具有物理意义的梯度信息，对参数预测模块进行有效指导，从而通过网络的自适应能力，找到一个最能降低识别难度的图像变换。实际应用中可以有效提高检测准确率，也有利于后续检测结果的准确识别。
(3)采用残差反传算法，自动调整卷积核参数，从而得到更鲁棒的滤波器，能够适应图像模糊、透视变换、光线变化等应用场景。
(4)相对人工方式，本发明可以自动完成读数区域的检测，可以节省人力物力。
(5)相对传统基于计算机视觉的检测方法，本发明无需进行显式的图像二值化及分割过程等，具有检测精度高、检测速度快。将仪表读数图像规范化后，更能适应图像旋转等应用场景。
附图说明
图1为本发明的整体流程图。
图2为本发明深度网络模型的结构框图。
图3为本发明的仪表精确检测结果实例的示意图。
具体实施方式
下面结合附图以及实施方式对本发明进行进一步的描述：
如图1所示，一种数显仪表读数的精确检测方法，包括数据获取、数据处理、深度网络模型构建及训练以及仪表读数检测等步骤。
一、数据获取：采用摄像设备拍摄包含读数区域的仪表图像，涵盖不同规格的待检测仪表。
采用手机、专用硬件等摄像设备拍摄仪表表盘图像。拍摄过程中，仪表表盘读数部分正对镜头，居中且占据图像面积的三分之二以上，仪表表盘允许一定程度倾斜，但读数区域需要拍摄完整。
所拍摄的仪表图像应涵盖不同规格的待检测仪表，仪表图像数量不少于100000张。
二、数据处理：对拍摄的图像进行标注，标注内容为仪表读数，读数的每个数字之间使用“，”隔开；然后，对拍摄的仪表图像进行小角度随机旋转，以及小尺度的拉伸和平移变换。
对于正在进位的读数位，标注格式为X.5，例如某读数位的值介于7和8之间，则需要标注为“7.5”。每位共有0-9即10个数字状态，加上进位状态，则每位共存在20类标注状态。标注内容无需包含任何坐标信息。
三、深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练，训练过程中采用识别模型做弱监督参数学习。具体包含以下步骤：
1、构建深度神经网络模型
如图2所示，所构建的深度神经网络模型包括参数预测模块和重采样模块。参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的6个参数；重采样模块根据预测的6个参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的仪表图像。
在此规范图像中，仪表读数区域位于图像中央，方向水平且读数区域占据图像超过90％的面积，可以用于仪表读数的自动识别、仪表图像数据的搜索及数据图像的存储等。
参数预测模块的网络结构如下表所示：
参数预测模块中：卷积层的贴边操作为，在原特征图上下左右四边各贴上一行/列像素点，像素值为0；非线性层采用ReLU激活函数；池化层采用最大池化方式。
参数预测模块在结构上采用池化层优先的策略。如上表所示，在输入层之后即为池化层，池化层位于卷积层之前。这样可以有效地减少计算量，避免大量噪音的输入，提高模块鲁棒性。
参数预测模块的输入为仪表表盘图像，输出为用于重采样模块的6个参数。参数预测模块使用了深度网络模型，上表中的神经网络层为顺序连接的形式，使用残差回传算法更新神经网络中的参数。该模块通过弱监督的训练，学习得到接近准确的预测结果。
重采样模块采用STN(Spatial Transformer Networks)网络结构，处理过程为：首先由STN网络进行重采样，得到规范的仪表读数图像；然后将规范的仪表读数图像送入识别模型，进行整体检测网络的弱监督参数训练。
其中，STN网络的采样过程如下式所示：
其中：θij，(i＝1，2；j＝1，2，3)共6个参数，为参数预测模块的输出。θ11，θ12，θ21，θ22将输入坐标点进行二维旋转和缩放，θ18，θ28将输入坐标点进行平移。在检测网络模型训练的开始阶段，将网络的全连接层偏置初始化为“1,0,0,0,1,0”，带入公式(1)中，则有STN网络输出的坐标与之前相同，为恒等变换。(xin,yin)为输入图像中像素点坐标，(xout,yout)为该像素点的重采样后坐标。
2、网络模型训练参数的设定：
迭代次数：1000000；
优化器：采用ADADELTA方法；
学习率：1.0(学习率更新策略：固定不变)；
Weight decay(权重衰减系数)：0.0005。
3、在随机初始化参数下进行深度神经网络的训练。网络模型训练中采用残差回传算法，通过从最后一层计算传递残差，逐层传递，更新网络模型的所有参数。训练过程采用弱监督训练策略，步骤如下：
(1)利用采集的仪表图像和标注信息，训练一个通用的深度网络识别模型，该识别模型一般由卷积层-长短时记忆单元组成。当输入一张图像时，输出为图像中的字符序列，训练的损失函数为CTC loss函数。
(2)将精确检测网络模型与该通用深度网络识别模型对接在一起，前者的输出为后者的输入。
(3)继续使用上述仪表图像和标注信息进行训练，即将仪表图像输入到精确检测网络模型，根据通用深度网络识别模型的输出计算CTC loss，并进行梯度回传，进行精确检测网络模型的训练。
由于在训练过程中不使用任何位置坐标信息，而是通过识别模型回传的具有位置信息物理意义的梯度，来监督精确检测网络模型的训练过程，是一个弱监督参数学习过程。当精确检测网络模型的预测接近正确时，识别网络模型的识别结果会更容易正确，置信度更高，从而在梯度回传时，正反馈于精确检测网络模型，提高检测精度。
四、仪表读数检测：输入一张仪表图像，深度网络模型对图像进行精确检测，并返回一张规范的仪表读数图像。
规范的仪表读数图像可以用于读数识别、仪表图像数据的搜索及数据图像的存储等。本发明可以自动完成读数区域的检测，无需进行显式的图像二值化及分割过程等
如图3所示，其显示了仪表读数图像的精确检测结果。本发明给出的模型在实际测试中，可以使得仪表读数区域占据检测得到图像超过90％的面积，检测精度高。其可以用于仪表读数的自动识别、仪表图像数据的搜索及数据图像的存储等。另外，本发明还具有检测速度快的特点，每张仪表图像检测时间不超过10毫秒，可以满足实时性应用的需要。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
上面结合附图对本发明专利进行了示例性的描述，显然本发明专利的实现并不受上述方式的限制，只要采用了本发明专利的方法构思和技术方案进行的各种改进，或未经改进将本发明专利的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (10)

1.一种数显仪表读数的精确检测方法，其特征在于，包括以下步骤：
S1：数据获取：采用摄像设备拍摄包含读数区域的仪表图像；
S2：数据处理：对仪表读数值进行人工标注，并进行仪表图像的随机旋转、拉伸以及平移变换；
S3：深度网络模型构建及训练：将仪表图像和相应标注数据输入到深度网络模型进行训练，训练过程中采用识别模型做弱监督参数学习；
S4：仪表读数检测：输入仪表图像，系统返回一张规范的仪表读数图像。
2.根据权利要求1所述的数显仪表读数的精确检测方法，其特征在于，在所述步骤S1中，在拍摄的仪表图像中，仪表表盘读数部分占据图像面积的三分之二以上。
3.根据权利要求1所述的数显仪表读数的精确检测方法，其特征在于，在所述步骤S2中，对拍摄的图像进行标注，标注内容为仪表读数，读数的每个数字之间使用“，”隔开。
4.根据权利要求1所述的数显仪表读数的精确检测方法，其特征在于，所述步骤S3具体包括：
S31：构建深度神经网络模型；
S32：网络模型训练参数设定；
S33：在随机初始化参数下进行深度神经网络的训练。
5.根据权利要求4所述的数显仪表读数的精确检测方法，其特征在于，所述步骤S32中的深度神经网络模型包括参数预测模块和重采样模块：所述参数预测模块从仪表图像中提取读数的位置特征信息，通过卷积神经网络得到高级特征图，并由高级特征图预测得到反映图像旋转、缩放和平移特性的参数；所述重采样模块根据预测的参数对图像进行旋转、缩放和平移，重新采样后得到一张规范的仪表图像。
6.根据权利要求4所述的数显仪表读数的精确检测方法，其特征在于，所述步骤S32中的网络模型训练参数包括迭代次数、优化器、学习率以及权重衰减系数。
7.根据权利要求6所述的数显仪表读数的精确检测方法，其特征在于，所述迭代次数为1000000，所述优化器采用ADADELTA方法，所述学习率为1.0，所述权重衰减系数为0.0005。
8.根据权利要求4所述的数显仪表读数的精确检测方法，其特征在于，在所述步骤S33中，网络模型训练中采用残差回传算法，通过从最后一层计算传递残差，逐层传递，更新网络模型的所有参数。
9.根据权利要求4所述的数显仪表读数的精确检测方法，其特征在于，在所述步骤S33中，训练过程采用弱监督训练策略，步骤如下：
（1）利用采集的仪表图像和标注信息，训练一个通用的深度网络识别模型，当输入一张图像时，输出为图像中的字符序列，训练的损失函数为CTC loss函数；
（2）将精确检测网络模型与通用深度网络识别模型对接在一起，精确检测网络模型的输出为通用深度网络识别模型的输入；
（3）最后，继续使用上述仪表图像和标注信息进行训练，即将仪表图像输入到精确检测网络模型，根据通用深度网络识别模型的输出计算CTC loss，并进行梯度回传，进行精确检测网络模型的训练。
10.根据权利要求1所述的数显仪表读数的精确检测方法，其特征在于，所述步骤S4具体操作步骤为：输入一张仪表图像，深度网络模型对图像进行精确检测，并返回一张规范的表盘图像。
CN201810608757.7A 2018-06-13 2018-06-13 一种数显仪表读数的精确检测方法 Pending CN108875739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810608757.7A CN108875739A (zh) 2018-06-13 2018-06-13 一种数显仪表读数的精确检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810608757.7A CN108875739A (zh) 2018-06-13 2018-06-13 一种数显仪表读数的精确检测方法

Publications (1)

Publication Number Publication Date
CN108875739A true CN108875739A (zh) 2018-11-23

Family

ID=64338278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810608757.7A Pending CN108875739A (zh) 2018-06-13 2018-06-13 一种数显仪表读数的精确检测方法

Country Status (1)

Country Link
CN (1) CN108875739A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840497A (zh) * 2019-01-30 2019-06-04 华南理工大学 一种基于深度学习的指针式水表读数检测方法
CN109871754A (zh) * 2019-01-08 2019-06-11 深圳禾思众成科技有限公司 一种仪表读取方法、设备及计算机可读存储介质
CN110097041A (zh) * 2019-03-08 2019-08-06 贵州电网有限责任公司 一种用于电力仪表巡检的标准字符快速识别方法
CN110717462A (zh) * 2019-10-12 2020-01-21 上海市建筑科学研究院 数字仪表读数识别方法、装置、设备和介质
CN111199194A (zh) * 2019-12-25 2020-05-26 吉林大学 基于机器视觉和深度学习的汽车智能座舱仪表测试方法
CN112001383A (zh) * 2020-08-10 2020-11-27 长沙奇巧匠人软件有限公司 一种基于卷积神经网络技术的水表码智能识别方法
CN113688817A (zh) * 2021-08-05 2021-11-23 同济人工智能研究院(苏州)有限公司 一种自动巡检的仪表识别方法及识别系统
CN113743405A (zh) * 2021-09-07 2021-12-03 南方电网数字电网研究院有限公司 电能表的智能抄表方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034838A (zh) * 2012-12-03 2013-04-10 中国人民解放军63963部队 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN106529537A (zh) * 2016-11-22 2017-03-22 亿嘉和科技股份有限公司 一种数字仪表读数图像识别方法
CN106909941A (zh) * 2017-02-27 2017-06-30 广东工业大学 基于机器视觉的多表字符识别系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034838A (zh) * 2012-12-03 2013-04-10 中国人民解放军63963部队 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN106529537A (zh) * 2016-11-22 2017-03-22 亿嘉和科技股份有限公司 一种数字仪表读数图像识别方法
CN106909941A (zh) * 2017-02-27 2017-06-30 广东工业大学 基于机器视觉的多表字符识别系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SHUTAO ZHAO ET AL: "Research on Remote Meter Automatic Reading Based on Computer Vision", 《 2005 IEEE/PES TRANSMISSION & DISTRIBUTION CONFERENCE & EXPOSITION: ASIA AND PACIFIC》 *
YUEZHONG LI ET AL: "Research on water meter reading system based on LoRa communication", 《2017 IEEE INTERNATIONAL CONFERENCE ON SMART GRID AND SMART CITIES (ICSGSC)》 *
唐梦婷: "基于机器视觉的仪表示值识别系统设计", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *
肖佳: "基于机器视觉的数字仪表自动读数方法研究", 《万方学位论文库》 *
莫宇琨等: "深度卷积神经网络在水表字符图像识别上的应用", 《供水技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871754A (zh) * 2019-01-08 2019-06-11 深圳禾思众成科技有限公司 一种仪表读取方法、设备及计算机可读存储介质
CN109840497A (zh) * 2019-01-30 2019-06-04 华南理工大学 一种基于深度学习的指针式水表读数检测方法
CN110097041A (zh) * 2019-03-08 2019-08-06 贵州电网有限责任公司 一种用于电力仪表巡检的标准字符快速识别方法
CN110717462A (zh) * 2019-10-12 2020-01-21 上海市建筑科学研究院 数字仪表读数识别方法、装置、设备和介质
CN110717462B (zh) * 2019-10-12 2023-02-28 上海市建筑科学研究院 数字仪表读数识别方法、装置、设备和介质
CN111199194A (zh) * 2019-12-25 2020-05-26 吉林大学 基于机器视觉和深度学习的汽车智能座舱仪表测试方法
CN112001383A (zh) * 2020-08-10 2020-11-27 长沙奇巧匠人软件有限公司 一种基于卷积神经网络技术的水表码智能识别方法
CN112001383B (zh) * 2020-08-10 2024-09-10 长沙奇巧匠人软件有限公司 一种基于卷积神经网络技术的水表码智能识别方法
CN113688817A (zh) * 2021-08-05 2021-11-23 同济人工智能研究院(苏州)有限公司 一种自动巡检的仪表识别方法及识别系统
CN113743405A (zh) * 2021-09-07 2021-12-03 南方电网数字电网研究院有限公司 电能表的智能抄表方法及装置

Similar Documents

Publication Publication Date Title
CN108875739A (zh) 一种数显仪表读数的精确检测方法
CN109145830B (zh) 一种智能水尺识别方法
CN107229930B (zh) 一种指针式仪表数值智能识别方法
CN106156734B (zh) 一种基于卷积神经网络图像识别的水流测速方法
CN109800697B (zh) 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法
CN109583324A (zh) 一种基于单点多盒检测器的指针仪表读数自动识别方法
CN111141653B (zh) 一种基于神经网络的隧道渗漏速率预测方法
CN105243386A (zh) 人脸活体判断方法以及系统
CN110263790A (zh) 一种基于卷积神经网络的电厂电表字符定位和识别方法
CN108921177A (zh) 变电站巡检机器人的仪表定位方法
CN116229052B (zh) 一种基于孪生网络的变电站设备状态变化检测方法
CN112669348A (zh) 一种鱼体姿势估计和鱼体表型数据测量方法及装置
CN115115672B (zh) 基于目标检测和特征点速度约束的动态视觉slam方法
CN114861761B (zh) 一种基于孪生网络特征与几何验证的回环检测方法
CN109840497A (zh) 一种基于深度学习的指针式水表读数检测方法
CN112349057A (zh) 基于深度学习的室内烟雾和火灾检测方法
CN110427943A (zh) 一种基于r-cnn的智能电表数值识别方法
Peng et al. Research on oil leakage detection in power plant oil depot pipeline based on improved YOLO v5
CN112001964A (zh) 一种基于深度学习的洪水演进过程淹没范围测量方法
CN113034359A (zh) 发电机组定转子缺陷智能诊断方法、装置、计算机设备及存储介质
CN117372854A (zh) 一种大坝深水结构隐患病害实时检测方法
CN116883893A (zh) 基于红外热成像的隧道掌子面地下水智能判识方法及系统
CN114913523A (zh) 基于yolox的植物气孔多功能实时智能识别系统
CN117809227B (zh) 一种基于视频帧的冰流速识别方法
CN109360289B (zh) 融合巡检机器人定位信息的电力表计检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181123

RJ01 Rejection of invention patent application after publication