公共文化服务平台

搜索到1175篇“ 仪表识别“的相关文章

基于改进UNet的指针式仪表识别方法、装置及介质: 本发明公开一种基于改进UNet的指针式仪表识别方法、装置及介质，涉及轨道交通安全技术领域。该方法包括：构建仪表盘数据集，并利用所述仪表盘数据集训练改进UNet网络，获得仪表盘识别模型；获取实时仪表盘图像，将所述实时仪表盘...; 薛腾辉叶国靖邓长佳

适用于地下工程的多类型工业仪表识别系统及其工作方法: 适用于地下工程的多类型工业仪表识别系统及其工作方法，属于仪表识别技术领域。包括图像采集模块，对多类型工业仪表图像进行采集处理，并将采集到的多类型工业仪表图像输入到工业仪表类型识别模型中；工业仪表类型识别模块，用于将图像采...; 唐亮谢立海孔祥勋凌贤长蔡万强欧阳荣富马聪王永炬郑展鹏黄东

基于HRNet的指针式仪表识别方法、装置及介质: 本发明公开一种基于HRNet的指针式仪表识别方法、装置及介质，涉及轨道交通智能技术领域。该方法包括：基于仪表数据集，通过HRNet网络训练得到仪表识别模型；获取仪表实时图像，根据预设感兴趣区域对所述仪表实时图像进行裁剪后...; 薛腾辉叶国靖邓长佳

基于计算机视觉的数据机房工业仪表识别研究: 2025年; 数据机房作为保障数据安全的重要设施,其内部的各种仪器仪表对于监控数据机房的安全至关重要。然而,传统的仪表识别依赖人工操作,易出错且效率低下。为了解决数据机房中工业仪表在复杂场景下准确率低的问题,研究提出了一种结合渐进式注意力机制与目标检测网络的仪表识别算法。此外,研究还引入了幽灵模块以增强特征表达能力,提高模型的识别准确率。实验结果表明,在不同复杂场景下的仪表识别任务中该模型均表现出较高的准确率。例如,在光照不均或有遮挡的场景A中,准确率达到了92.15%,召回率为89.47%,F_(1)分数为90.78%,处理时间为34.21 ms;在背景复杂或多仪表密集的场景B中,准确率提升至93.24%,召回率为90.85%,F_(1)分数达到92.02%,处理时间为35.17 ms。因此研究所提出的基于计算机视觉的数据机房工业仪表识别模型在复杂场景下的工业仪表识别任务中取得了显著成果,显示出较高的实用价值。; 蔡登江; 关键词：计算机视觉仪表识别

基于深度学习的自动化指针式仪表识别方法: 本发明公开了一种基于深度学习的自动化指针式仪表识别方法。该基于深度学习的自动化指针式仪表识别方法，包括以下步骤：采集指针式仪表图片，对采集的指针式仪表图片进行图片分割处理，得到仪表表盘区域图片；对指针式仪表图片和仪表表盘...; 周正阳朱冰莲

面向变电站嵌入式设备的指针式仪表识别方法: 2025年; 针对变电站嵌入式设备在识别指针式仪表时常面临实时性差以及小目标和密集目标场景漏检的问题,提出了一种基于YOLOv5s-BCGS的变电站指针式仪表识别模型。该模型以YOLOv5s为基础网络,首先在其网络颈部引入协调注意力机制,并将路径聚合网络替换为加权双向特征金字塔网络,以更好地融合特征图中的位置和细节信息,从而增强模型对目标位置和尺寸的敏感性。其次,原网络中的传统卷积被轻量化的幽灵卷积替代,既加快了推理速度,又减小了模型体积。最后,将原网络中的CIoU损失函数替换为SIoU损失函数,提高了模型训练速度并改善了远距离小目标的推理精度。实验结果表明,改进后的模型在自制变电站指针仪表数据集上的表现优于YOLOv5s,mAP0.5提高了2.2%,mAP0.75提高了3.8%,mAP0.5~0.95提高了6.7%,同时模型体积减少了34.07%。与常用的Faster R-CNN、YOLOv4-tiny、YOLOv7-tiny和YOLOv8n等模型相比,本模型在精度和速度上均具有明显优势,展现了良好的泛化能力和鲁棒性,且模型体积仅为18.0 MB,实现了轻量化部署。在PC和Jetson Xavier NX开发板上的推理速度分别为154.7 FPS和18.7 FPS,能够满足嵌入式设备在变电站指针仪表巡检中的实际工程需求。; 胡欣刘瑞峰肖剑段承志程鸿亮罗诗伟; 关键词：变电站轻量化嵌入式设备

一种基于机器视觉的工业仪表识别系统的方法: 本发明提供一种基于机器视觉的工业仪表识别系统。本发明的设计方案结合了高清视觉传感器、OCR算法、容器化部署及多协议支持，实现了工业仪表的高效自动化识别；通过基准图像匹配算法解决了摄像头位置变动引起的识别误差，确保识别区域...; 尹海滨潘涛袁海燕蔡鸿斌

一种变电站用仪表识别自动化机器: 本申请涉及巡检机器人领域，具体公开了一种变电站用仪表识别自动化机器，包括机体，所述机体下方设置有四个机械足，所述机体上方设置有摄像头，所述机体内对称设置有两个伸缩器；所述伸缩器包括外壳以及卷绕在所述外壳内的伸缩带，所述伸...; 邢海青徐刚乔永亮王锦煜屠水东史丛林徐章岳童晋方周龙飞宣晓琦

基于卷积神经网络的机器人仪表识别技术研究: 2025年; 伴随着现代工业与智能技术的不断进步,机器人在自动化制造、设备监控及维护等领域的应用需求持续增长。作为机器人视觉系统中的一项重要技术,仪表识别技术主要用于辨识工业环境中的各种类型仪表,如数字式、模拟式以及指针式仪表等。本文研究了基于深度学习的机器人仪表识别技术,旨在提高机器人在工业自动化环境中对仪表界面信息的识别能力。我们使用卷积神经网络(CNN)进行训练,并结合数据增强、迁移学习和强化学习等技术,优化识别模型。结果表明,标准的CNN模型在10,000张图像训练后,达到了95.2%的测试精度和4.8%的误识别率。通过增加训练数据量和应用数据增强技术,模型的精度提高至97.8%,误识别率降至2.2%。采用迁移学习的ResNet模型,精度为96.4%,有效减少了训练数据量的需求。进一步引入强化学习后,模型的精度达到了98.1%,误识别率降至1.9%,显示出在复杂环境下的优异性能。结果表明,基于深度学习的仪表识别技术在提高精度、降低误识别率、增强环境适应性方面具有显著优势,为机器人在自动化生产和设备监控中的应用提供了强有力的技术支持。; 蔡婷婷; 关键词：机器人仪表识别自动化

一种指针仪表识别读数方法: 本发明适用于图像识别领域，公开了指针仪表识别读数方法，包括：对待读数图像进行目标检测，根据检测结果对待读数图像进行裁剪，得到指针仪表区域图像；对指针仪表区域图像进行语义分割，得到指针仪表区域图像中指针和刻度的多通道掩膜；...; 付守棋高翔许金鹏周德成温志庆张裕斌

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈