为了提高集气站仪表读数的信息化程度、减少人力资源成本,应用机器视觉和深度学习算法对指针式仪表的自动读数进行了研究.首先,对图像进行预处理,对白天采集的图像使用双边滤波进行降噪处理,对晚间采集的图像使用单尺度Retinex进行增强处理;接着,使用Mask基于区域的卷积神经网络(RCNN)获取采集图像中仪表的具体位置;然后,使用连通域算法确定指针区域,使用查表法和累计概率Hough变换进行了指针的拟合;最后,对仪表的表盘进行了建模,结合指针得到仪表指示的最终示数.创新性地提出了一套针对指针式仪表的算法流程.利用上述算法流程对测试图像进行处理,仪表的人工读数和算法读数误差在0.5％以内,误差率达到了工业应用的要求,可以极大地减少人工读数的工作量.

Mask基于区域的卷积神经网络;机器视觉;深度学习;指针式仪表;自动读数;集气站;单尺度Retinex;累计概率Hough变换

中海油能源发展股份有限公司采油服务分公司,天津 塘沽 300452;东南大学自动化学院,江苏 南京 210096

[1]江涛;陶健成;范旭-.基于深度学习的集气站指针式仪表读数研究)[J].自动化仪表,2022(02):18-22

集气站,指针式仪表,仪表读数,信息化程度,人力资源成本,机器视觉,深度学习算法,自动读数,白天,双边滤波,降噪处理,晚间,Retinex,Mask,RCNN,采集图像,具体位置,连通域,查表法,累计概率,Hough,表盘,工读,和算,误差率,工业应用

0.272515