在工业数字化、智能化不断深入普及的今天,指针式仪表因其结构简单、性能可靠、价格低廉等多方面的优点,仍然是监视变电站运行状态的重要工具。目前,指针式仪表大多由人工抄表,受主观因素的影响,随着单次巡检时间的增加,人工抄表的精度和效率都会不同程度的降低,给变电站的安全运行带来隐患,因此,采用深度学习算法,研究指针式仪表读数自动识别技术,具有十分重要的现实意义。针对现有指针式仪表读数识别技术受现场环境影响大、准确性和实时性差等问题,本文研究一种基于深度学习的变电站指针式仪表数据的自动识读技术,主要研究内容如下:(1)研究一种基于YOLOv3网络改进的目标检测网络结构,据此提出一种基于深度学习的目标检测算法,以解决变电站复杂背景环境下指针式仪表数据的自动检测和提取问题。(2)针对图像采集设备采集到的仪表图像存在的噪声干扰、光照不均等妨碍仪表读数识别的问题,采用高斯滤波、Gamma校正、Retinex图像增强等算法处理图像,提高图像可读性;针对因拍摄角度造成的仪表图像倾斜问题,在改进的YOLOv3网络结构的基础上,采用改进后的Mobile Net v3替代Dark Net 53寻找关键点,将其作为透视变换的特征点并进行图像校正,消除表盘形变对数据识读的干扰。(3)针对表盘上含有的丰富信息,提出一种基于区域分割的表盘信息提取算法。该算法通过图像区域分割减少数据量、计算量,降低算法复杂度,通过对分割后的图像进行连通区域分析、表盘信息轮廓提取,结合图像校正时采集的关键点信息,完成指针中心线的拟合及仪表量程量纲信息的提取。(4)本文在角度法的基础上,借鉴距离法读数的思想,研究一种指针式仪表读数新的计算方法,该方法无需判断指针指向,且解决了传统方法仅适用于均匀刻度仪表而不适用于非均匀刻度仪表的问题。(5)设计包括仪表目标的实时检测、仪表示数的读取以及历史数据记录、展示等三个模块的可视化软件,通过可视化的用户管理界面,为管理人员提供直观精准的指针式仪表识读数据。
暂无评论