为了满足对变电站巡检机器人识读指针仪表的实时性和准确性要求,提出了一种基于一维测量线映射的指针仪表图像智能识读方法。该方法使用加速稳健特征(speeded up robust features,SURF)算法进行图像匹配,利用单应矩阵确定表盘位置并将...为了满足对变电站巡检机器人识读指针仪表的实时性和准确性要求,提出了一种基于一维测量线映射的指针仪表图像智能识读方法。该方法使用加速稳健特征(speeded up robust features,SURF)算法进行图像匹配,利用单应矩阵确定表盘位置并将模板图像的一维测量线映射到待测图像,通过遍历待测图像上一维测量线路径上的像素点检测指针位置计算读数,最后对机器人在某500kV变电站巡检拍摄的指针仪表图像进行了算法有效性测试。结果表明,该方法简单实用,具有很好的鲁棒性和高精度,并且能达到实时性要求,适用于巡检机器人对变电站环境下各类指针仪表的自动识读。展开更多
变电站视频监控目标检测中,海量高清视频数据传输会对网络带宽、延迟等提出极高的要求,而传统处理方法在应用中存在诸多难以克服的问题,为此提出了一种面向边缘端优化的深度卷积神经网络目标检测方法。首先在粗粒度检测方面利用在线困...变电站视频监控目标检测中,海量高清视频数据传输会对网络带宽、延迟等提出极高的要求,而传统处理方法在应用中存在诸多难以克服的问题,为此提出了一种面向边缘端优化的深度卷积神经网络目标检测方法。首先在粗粒度检测方面利用在线困难实例挖掘(online hard example mining,OHEM)方法和损失函数改进优化模型性能,并借助标签平滑方法防止过拟合;其次采用主干网络替换和剪枝方法实现模型压缩,保持算法推理实时性;最后从细粒度分类方面对所采用的SmallerVGGNet进行网络裁剪修改和多标签分类,确保算法在低功耗前端的轻量化运行。实验结果表明:该方法在粗粒度检测方面相比较于传统算法性能优越,推理速度达到了前端应用的实时性要求,在细粒度分类上也达到了变电站场景下具备不同属性目标的准确分类要求。展开更多
文摘为了满足对变电站巡检机器人识读指针仪表的实时性和准确性要求,提出了一种基于一维测量线映射的指针仪表图像智能识读方法。该方法使用加速稳健特征(speeded up robust features,SURF)算法进行图像匹配,利用单应矩阵确定表盘位置并将模板图像的一维测量线映射到待测图像,通过遍历待测图像上一维测量线路径上的像素点检测指针位置计算读数,最后对机器人在某500kV变电站巡检拍摄的指针仪表图像进行了算法有效性测试。结果表明,该方法简单实用,具有很好的鲁棒性和高精度,并且能达到实时性要求,适用于巡检机器人对变电站环境下各类指针仪表的自动识读。
文摘变电站视频监控目标检测中,海量高清视频数据传输会对网络带宽、延迟等提出极高的要求,而传统处理方法在应用中存在诸多难以克服的问题,为此提出了一种面向边缘端优化的深度卷积神经网络目标检测方法。首先在粗粒度检测方面利用在线困难实例挖掘(online hard example mining,OHEM)方法和损失函数改进优化模型性能,并借助标签平滑方法防止过拟合;其次采用主干网络替换和剪枝方法实现模型压缩,保持算法推理实时性;最后从细粒度分类方面对所采用的SmallerVGGNet进行网络裁剪修改和多标签分类,确保算法在低功耗前端的轻量化运行。实验结果表明:该方法在粗粒度检测方面相比较于传统算法性能优越,推理速度达到了前端应用的实时性要求,在细粒度分类上也达到了变电站场景下具备不同属性目标的准确分类要求。
