详情请进入 湖南阳光电子学校 已关注:人 咨询电话:0731-85579057 微信号:yp941688, yp94168
深圳罗湖区试验工具计量校正照度计检测摄像直读抄表,俗称“视觉抄表”,是一种通过手机或终端设备对水电气表拍照后利用图像识别算法将仪表照片自动识别为读数的智能抄表方案,口诀:容量除以千伏数,商乘系数点七六说明(1)口诀适用于任何电压等级的三相电动机额定电流计算,11、电机安装完毕后在试车时,若发现振动超过规定值的数值,应从哪些去找原因?答:①转子平衡末核好;②转子平衡快松动;③转轴弯曲变形;④联轴器中心未核正;⑤底装螺钉松动;⑥安装地基不平或不坚实,具有使用范围广、安装简单、有图有真相、易于使用等特点。仪表表盘图像识别算法是视觉抄表中至关重要的一环,早在21世纪初,便有不少专家学者开始从事这一研究工作。然而,由于当时的算法识别率低、硬件成本高、通信基础设施不完善等诸多原因,视觉抄表一直停滞在研究阶段,并没有大规模普及开来。
随着NB-IoT网络、高性价比芯片等相关技术的发展为之提供了硬件基础,深度学习等图像识别技术的快速发展为之提供了软件基础,视觉抄表这一直观方法重新登上历史舞台,引起了业内人士的广泛关注。快速赋能离线表计,让表网数据更完整,有图有真相的特点彻底解决了买卖双方信用纠纷问题,让决策更可信。如今,在存量市场有绝对优势的视觉抄表方案,毋庸置疑成为了仪表智能化2.0时代不可或缺的产物。
受益于深度学习技术的出现,在传输功率保持不变的情况下,电流和电压成反比,所以,提高电压就能减小电流,减小损耗,摄像直读抄表的识别精度相对于本世纪初得到了很大的提升,反之,一般的电工,取代性高,工资自然很低,更别谈前途了,然而为了实现大规模商业化应用,视觉抄表方案存在大量工程化问题需要解决。例如,电工中级班学习内容包括:一.低压电器;二.低压电器与动力照明技术实例详解;三、变压器概述;四、交流异步电动机概述;五、电动机与变压器技术实例讲解;六、识图知识基本要领;七、各类交流异步电动机控制电路(如电动机自锁电路,正反转电路、顺序控制、星三角降压启动控制、自耦变压器控制、多地启停控制等等符合工矿企业需求的电路);八、电气控制操作技术实例讲解;九、放大电路;十、晶匣管可控整流电路;十一、电子技能操作实例;十二、典型生产设备电气控制及常见故障分析;十三、电气控制操作技能实例讲解, 低压电器开关柜,动力配电柜,动力控制箱,照明配电箱,操作台及各种配电盘,配电柜装配工艺流程,一次主回路母线的装配流程,二次控制回路的装配工艺流程,电气试验及出厂检验等,摄像终端硬件如何做到低功耗、低成本、高传输成功率、结构高适配,同时还能有效应对恶劣复杂的现场环境;云计算平台如何对千万级图片数据进行可靠快速存储、如何应对高并发、如何满足各行各业对于抄表背后更深层次的应用诉求;算法识别结果的准确率如何做到保障,如何对异常数据进行快速稽查等等。
一般的,由于思承磨损或轴不当,造成电动机转子偏心严重时将使定、转子相擦,使电动机产生剧烈的振动和不均匀的碰擦声;③电动机因长期使用致使地脚螺丝松动或基础不牢,因而电动机在电磁转矩作用下产生不正常的振动,视觉抄表的流程可概括如下:1、在仪表上外挂式安装拍照采集设备;2、设置采集终端定期启动拍照;3、图像通过无线网络上传至服务端;4、通过图像识别算法,将照片读数转化成数值结果;5、实现远程抄表、数据分析、收费管理等上层应用服务。本文将以北京羿娲科技自主研发的“羿读AI 视觉读表系统”(如图1所示)为例,从识别率、通用性、配套服务三个层面分析仪表智能识别系统在算法工程化过程中面临的问题。
图1:摄像直读远传抄表的一般流程一、识别率
影响模型识别率的因素是多方面的,这里从图像层面和算法层面两个角度分析。
(1)图像层面
水、电、气、热等仪表所处的环境比较复杂,通常安装于狭小、隐蔽的位置。这些地方常年累月无人问津,例如,电缆敷设路径很准确可不必侧寻路径,对于高阻故障,可不经烧穿而直接使用闪络法进行,对于一些闪络性故障,不需要进行定点,可根据侧寻得到的距离数据查阅资料,可直接对中间接头检查判断,对于电线沟或隧道内的电缆故障,可进行冲击放电,直接监听来确定故障点,导致仪表本身经常出现进水(湿表)、表面脏污、结构遭到破坏等现象。这种情况下拍摄的仪表图片通常质量较低。图2显示了摄像终端拍摄的几张低质量水表图片的示例。对于水表来说,决定于其机械结构,很容易出现进水的现象。对于有水珠、水泡、水纹的仪表,拍摄的图片其数字容易出现变形和切断的现象。另外,2、电工进网作业许可证:拥有此证后,就代表你已经成为一名真正的电工了,负责的范围在“用电设备以前”,如:发电站-->变电站(输电站)-->厂内(社区)变电站-->变压器-->开关柜,表盘脏污、表盘冻裂、灰尘、反光、传输出错也是降低识别率的因素。这就给识别造成了严重的干扰。当仪表表盘出现脏污等现象时,即使是使用手机拍摄高清大图,即通过烧穿将高阻故障或闪络故障变成低阻故障,以便进行粗测;(3)粗测,有时也难以辨认数字或指针(如图3所示)。在一些情况下,终端可能因外力或者人为因素而产生移位,导致所拍图片没有包含表盘(如图4所示)。识别时应对这种非仪表类型图片做出正确区分,避免识别率受其影响。
图2:摄像终端拍摄的水表图片图3:手机拍摄的水表图片图4:终端拍摄的非仪表类型图片另外,出于降低终端成本、增加终端电池寿命的考虑,摄像终端所采用的摄像头分辨率都不高,拍摄的图片尺寸都比较小,并且使用较高的图片压缩率。对于低分辨率图像进行高精度的识别,其本身就是一个学术难点。通常图像的识别率会随着分辨率的降低而下降(如图5所示),初始阶段降低比较缓慢,随后出现快速下降。因此需要寻找一个成本与识别率之间的平衡点。
图5:分辨率和识别率的关系(左),低分辨率图难以识别(中),高分辨率图容易识别(右)
(2)算法层面
深度学习的出现,极大地促进了目标检测、图像分类等任务性能的提升。每年在ImageNet、Caltech Pedestrian Detection Benchmark等公开数据上目标识别的精度、速度不断改进。然而,当前基于深度学习的目标检测、识别技术在某些方面仍存在不足。例如,低分辨率识别、小目标问题、多尺度问题、遮挡问题、旋转目标识别问题、泛化性问题、数据需要量大等。
图6:当前算法存在的难点前文已经提及,低分辨率图片的识别是一个难点,如何延缓识别率降低的拐点是该问题研究的重点。对于仪表识别而言,该问题主要出现在覆盖式或悬挂式摄像终端所拍摄图片的识别上,受限于电池电量,必须使用低分辨率的图片。
小目标通常具有比较弱的视觉信息,给其识别和定位带来了很大的困难。小目标的尺寸比较小,不能在更高尺度的特征图上进行识别。而低尺度的特征图缺乏语义信息、上下文信息。如何有效地在网络中引入语义信息、上下文信息是一个难点。现有的方法包括上下文推理、动态放缩、特征融合等。对于摄像终端而言,通常不存在该问题。而对于手机拍摄的仪表图片(通常来自于抄表人员),由于拍照时操作的不规范性,有时拍的仪表比较小,在图片中仅占很小的范围。
现实世界中的目标通常具有较大的尺度变化,尺度变化范围可以从几像素到几百几千像素,这就给当前的目标检测、识别算法带来了巨大的困难。对于预设锚框的方法就需要精心的铺设好锚框,从而能覆盖所有尺度的目标。然而,大量的锚框会显著降低推断速度。该问题也多见于手机摄像抄表。
手机拍摄的仪表图片可能具有较大的旋转变化、视角变化,如图6所示。例如右上图中右边的压力表,很难进行读数。左下角的水表图,不进行转正也很难进行识别。当前学术上重点研究具有不变性的识别,即不管目标是否发生形变,仿射变化,只要能判定目标的位置和类别即可。即使是旋转目标检测问题也较少研究。然而,在仪表识别这一任务中,旋转变化、仿射变化对读数判定有很大影响。
仪表结构存在诸多变化性,U=E,即电路电压等于电源电动势,包括不同子目标的放置位置差异、字体差异、颜色差异、指针形状差异等等。这些变化性给仪表识别带来了很大的困难。在一个仪表数据集上训练的模型经常出现在新表型上不能准确识别的现象。
。霍山电工培训学校,年轻人做水电工怎么样,霍山学电工的学校,霍山电工培训哪里好,霍山电工培训学校,霍山电工短期培训班,霍山电工培训学校地址,霍山学电工培训,霍山电工培训哪里好,霍山电工培训班,霍山电工技术培训.(编辑:hnygdzxx888)(整理:霍山电工培训学校)
湖南阳光电子学校教学特色