CN109993166A - 基于刻度查找的指针式仪表读数自动识别方法 - Google Patents

基于刻度查找的指针式仪表读数自动识别方法 Download PDF

Info

Publication number
CN109993166A
CN109993166A CN201910266384.4A CN201910266384A CN109993166A CN 109993166 A CN109993166 A CN 109993166A CN 201910266384 A CN201910266384 A CN 201910266384A CN 109993166 A CN109993166 A CN 109993166A
Authority
CN
China
Prior art keywords
scale
image
pointer
formula
dial plate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910266384.4A
Other languages
English (en)
Other versions
CN109993166B (zh
Inventor
赖豪文
康琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910266384.4A priority Critical patent/CN109993166B/zh
Publication of CN109993166A publication Critical patent/CN109993166A/zh
Application granted granted Critical
Publication of CN109993166B publication Critical patent/CN109993166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于刻度查找的指针式仪表读数自动识别方法。本发明一种基于刻度查找的指针式仪表读数自动识别方法，包括：S1：获取包含待识别读数的指针式仪表表盘的图像；S2：利用训练好的目标检测网络对S1中所的图像进行检测，获得仪表表盘区域的顶点坐标，并提取该区域作为表盘图像，缩放至统一大小；S3：对表盘图像进行灰度化、图像滤波、细节增强及二值化等预处理操作，得到只有前景和背景的表盘二值化图像。本发明的有益效果：(1)基于刻度查找的方法识别指针式仪表的读数，不仅能够应用于均匀刻度仪表，也能应用于非均匀刻度仪表，方法适应性更强，应用范围更广。

Description

基于刻度查找的指针式仪表读数自动识别方法
技术领域
本发明涉及图像处理领域，具体涉及一种基于刻度查找的指针式仪表读数自动识别方法。
背景技术
现代工业生产中广泛存在着各式各样的监控仪表，它们指示生产中各环节的状态，在保证生产有序高效地进行中起到了不可或缺的作用。目前常见的仪表有指针式仪表和数字式仪表两种，指针式仪表由于具有抗电磁干扰、抗震、耐油污等特点，在矿井、采油、电力、计量、军工等领域广泛应用。另外由于防冻防水、价格低廉等原因，在制造业、能源化工领域仍存在大量的指针式仪表。
为了监控监测当前生产状态及系统异常等信息，需要获取各种仪表的读数。传统的人工判读方法不仅存在低效率、管理困难和实时性差等问题，由于有人的参与，因此难以避免会受到各种人为因素的干扰，例如人眼视觉对表盘观测角度的问题、人员本身的视觉疲劳问题、观测距离造成的误差以及光照对指针的影响所造成偏差等。为了解决以上问题，已有不少借助计算机图像处理进行指针式仪表读数自动识别的方法提出。
传统技术存在以下技术问题：
现有的技术大多通过获取转动中心、检测指针并计算指针与零刻度线的夹角、根据角度比例关系计算指针式仪表读数。这将带来以下几个问题：第一，其计算读数的方式决定了其只能用于均匀刻度的仪表，对于非均匀刻度的仪表不适用；第二，对于指针转动中心不明显的仪表不适用；第三，需要人工提供大量先验知识，如零刻度线位置、最大量程、最大量程对应的角度等，有些还要提前做好模板，部署繁琐且工作量大。
相关技术1：
专利“变电站宽刻度指针式仪表自动识别方法”，申请号201810207331.0。该发明专利涉及一种变电站款刻度指针式仪表的自动识别方法，其首先读入图像并进行预处理，然后通过约束条件确定表盘内的矩形进而确定刻度。该方法通过椭圆拟合来获得表盘圆心及半径，并通过圆心及半径筛选LSD线段检测算法检测到的线段来获得指针位置。最后通过指针占两数字刻度之间的角度来计算读数。缺点：处理的表盘单一，椭圆拟合的方法使得其不能处理方形表盘；对表盘刻度有要求(宽刻度)。
相关技术2：
专利“一种指针式仪表读数自动识别方法”，申请号201611055991.9。该发明专利首先采集仪表模板，并把模板图、模板图中仪表最大最小量程、单位，以及模板仪表指针当前位置的读数，保存模板库中；然后利用SIFT特征匹配和模板库中的信息完成待测图中表盘的定位和校准；最后利用霍夫变换检测指针直线，结合角度法计算仪表读数。缺点：需要预先制作模板、预先告知最大最小量程等信息，工作量大；角度法计算仪表读数使得其无法用于非均匀刻度的仪表。
相关技术3：
专利“一种基于图像处理的指针式仪表读数自动识别方法”，申请号201810033421.2。该发明专利首先对图像进行灰度化，用Canny算子检测边缘并根据轮廓外接矩形占空比、宽高比的形状特征确定表盘轮廓，并提取表盘区域；然后利用LSD算法检测线段，通过判断线段的一个端点到线段另一端点与表盘区域图像中心连成的直线的距离来确定刻度线；接着，统计各刻度线上像素点与表盘中心的连线与x轴的夹角，通过关系式筛选得到特定角度，则该角度上的直线为主刻度线；通过霍夫变换检测指针，并通过字符OCR识别刻度数值；最后通过距离法，通过计算指针到左、右两侧最近主刻度线的距离，并利用已知主刻度线的值计算表盘读数。缺点：无法应用于方形表盘等转动中心不在表盘中央的指针式仪表；对于非均匀刻度的表盘，该方法会带来较大的读数误差。
发明内容
本发明要解决的技术问题是提供一种基于刻度查找的指针式仪表读数自动识别方法，本发明能够适用于均匀刻度与非均匀刻度、圆形表盘与方形表盘等多种形式的指针式仪表，在准确识别仪表读数的同时，无需人工干预及提供先验信息，大大方便了部署和应用过程，具有较强的适应性、鲁棒性及较高的准确性。
为了解决上述技术问题，本发明提供了一种基于刻度查找的指针式仪表读数自动识别方法，包括：
S1：获取包含待识别读数的指针式仪表表盘的图像；
S2：利用训练好的目标检测网络对S1中所的图像进行检测，获得仪表表盘区域的顶点坐标，并提取该区域作为表盘图像，缩放至统一大小；
S3：对表盘图像进行灰度化、图像滤波、细节增强及二值化等预处理操作，得到只有前景和背景的表盘二值化图像；
S4：利用累计概率霍夫变换检测表盘二值化图像中的线段，取最长线段作为指针，且判断指针始末端点；
S5：利用自适应刻度查找算法，根据指针末端点位置，对表盘二值化图像查找表盘刻度，得到表盘所有刻度位置；
S6：利用候选目标查找、候选目标筛选、单数字识别和数字组合的方法，对表盘二值化图像识别刻度标度；
S7：利用刻度数值推断算法，根据S6识别出的刻度标度，计算出S5查找到的所有刻度所代表的值；
S8：根据指针末端点位置及其两端最近刻度，计算仪表读数。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
(1)基于刻度查找的方法识别指针式仪表的读数，不仅能够应用于均匀刻度仪表，也能应用于非均匀刻度仪表，方法适应性更强，应用范围更广；
(2)方法实现过程中不依赖指针转动中心的获取，本发明可应用于圆形表和指针转动中心不明显或被遮挡的方形仪表；
(3)识别过程全自动，无需人工提供如零刻度线位置、最大量程、最大量程对应的角度等先验知识，大大节省了人力，便于本发明的部署应用；
(4)仪表表盘区域顶点坐标、网络模型参数、表盘刻度等信息可以保存至磁盘文件，重复识别读数时可以直接加载文件而无需重复训练或检测，加快了识别的速度。
附图说明
图1是本发明基于刻度查找的指针式仪表读数自动识别方法的流程示意图。
图2是本发明基于刻度查找的指针式仪表读数自动识别方法中的自适应刻度查找算法流程图。
图3是本发明基于刻度查找的指针式仪表读数自动识别方法中的同一仪表多次识别读数的流程示意图。
图4是本发明基于刻度查找的指针式仪表读数自动识别方法中的待处理的图像示意图。
图5是本发明基于刻度查找的指针式仪表读数自动识别方法中的刻度查找结果示意图。
图6是本发明基于刻度查找的指针式仪表读数自动识别方法中的刻度标度识别结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参阅图1，一种基于刻度查找的指针式仪表读数自动识别方法，包括以下步骤：
S1：获取包含待识别读数的指针式仪表表盘的图像；
S2：利用训练好的目标检测网络对S1中所的图像进行检测，获得仪表表盘区域的顶点坐标，并提取该区域作为表盘图像，缩放至统一大小；
S3：对表盘图像进行灰度化、图像滤波、细节增强及二值化等预处理操作，得到只有前景和背景的表盘二值化图像；
S4：利用累计概率霍夫变换检测表盘二值化图像中的线段，取最长线段作为指针，且判断指针始末端点(本发明所述始端为靠近转动中心的一端，末端为远离转动中心的一端，对于刻度的始末端亦是如此，下同)；
S5：利用自适应刻度查找算法，根据指针末端点位置，对表盘二值化图像查找表盘刻度，得到表盘所有刻度位置；
S6：利用候选目标查找、候选目标筛选、单数字识别和数字组合的方法，对表盘二值化图像识别刻度标度；
S7：利用刻度数值推断算法，根据S6识别出的刻度标度，计算出S5查找到的所有刻度所代表的值；
S8：根据指针末端点位置及其两端最近刻度，计算仪表读数。
进一步地，所述S1中获取的包含待识别读数的指针式仪表表盘图像为RGB三通道彩色图像。
进一步地，所述S2中目标检测网络采用SSD-MobileNet模型，该模型采用MS COCO数据集进行训练。提取出表盘区域图像后，采用双线性插值法将表盘区域图像缩放至长宽为IMG_SIZE*IMG_SIZE。
进一步地，所述S3中进行预处理时，包含以下步骤：
S31：灰度化，采用加权平均法，对原RGB三通道彩色图像的每一个像素(R(x，y)，G(x，y)，B(x，y))，灰度图相应的像素灰度值gray(x，y)由以下公式确定：
gray(x，y)＝0.299·R(x，y)+0.578·G(x，y)+0.114·B(x，y)
S32：图像滤波，采用高斯滤波算法。高斯算子平滑模板大小为(g_size*g_size)，权值由下式给出：
式中σ为方差，方差越大图像越模糊。滤波后图像点(x0，y0)的值由下式算出：
其中
S33：细节增强，采用形态学黑帽操作，其结构元素采用blk_size*blk_size的矩形核，公式如下：
其中，h为黑帽操作后的图像，f为黑帽操作前的图像，b为结构元素，表示膨胀，表示腐蚀。
S34：二值化，采用高斯分布加权的局部阈值法，其高斯模板大小为bin_size*bin_size，二值化后的图像dst与二值化前的图像src之间的关系如下：
其中T为比较阈值，对于每个像素点(x0，y0)，其比较阈值T由下式决定：
式中g(x，y)为高斯函数，如上式(1)，D为点集，如上式(2)，C为常数。
进一步地，所述S4中查找指针并确定指针始末端的算法，步骤如下：
S41：给定累计概率霍夫变换的参数，距离分辨率rho，角度分辨率theta，累加器阈值threshold，最短线段长度minLineLength及最大线段间距maxLineGap，利用累计概率霍夫变换查找表盘二值化图像中的线段，其端点坐标(x1，y1，x2，y2)存入列表pin_list；
S42：对pin_list中的每一条线段，用以下公式计算其长度length：
S43：保留最长的线段作为指针线段pin，其端点坐标为(xp1，yp1，xp2，yp2)；
S44：判断指针pin的始末端点，步骤如下：
S441：取表盘区域图像中心(IMG_SIZE/2,IMG_SIZE/2)，利用上式(3)分别计算其与点(xp1，yp1)和点(xp2，yp2)的距离；
S442：与图像中心距离短的点确定为始端点(xp2，yp2)，与图像中心距离远的点确定为末端点(xp1，yp1)。
进一步地，所述S5中自适应刻度查找算法，步骤如下：
S51：设置查找方向标记dir为顺时针(CW)；
S52：初始化矩形搜索框长为l，宽为w,中心c(x0，y0)位于指针末端点，旋转角度α为指针的旋转角度，尝试次数m＝0，指定最大尝试次数M和单次步长s，其中指针旋转角度按下式计算：
S53：矩形搜索框按当前旋转角度α的法线方向平移s，即其中心
按以下公式更新：
S54：给定累计概率霍夫变换(PPHT)的参数，距离分辨率rho，角度分辨率theta，累加器阈值threshold，最短线段长度minLineLength及最大线段间距maxLineGap。利用PPHT检测搜索框的直线段。若为空，则m+＝1,若m＞M，则退出，否则重新返回S53；若检测直线段不为空，清空尝试次数m＝0，进入S55；
S55：利用公式(3)计算线段长度，取检测结果中最长的线段，记录端点信息；
S56：利用公式(4)计算线段旋转角度，更新搜索框旋转角度α为该线段旋转角度，同时搜索框长l+＝1；
S57：利用PPHT检测搜索框的直线段。若为空，取上次记录作为该刻度最终结果，返回S53；若不为空，利用公式(3)计算检测结果中所有线段的长度，若最大值比上次搜索结果大，返回S56继续查找，否则取上次记录作为该刻度最终结果，返回S53。
上述步骤为顺时针(CW)查找刻度的算法，若要逆时针查找，只需在S51把查找方向dir标记为逆时针(CCW)。
进一步地，对于S5所有查找到的刻度，按S44所述的方法判断每条刻度的始末端，并把每条刻度的始末端点按顺时针方向储存在列表scales里。
进一步地，对于S6所述识别刻度标度，具体步骤如下：
S61：候选目标查找，采用连通域分析的方法，并根据目标矩形框长宽比、连通区域密度等条件锁定候选目标，步骤如下：
S611：采用两步法(two-pass)分析表盘二值图像中所有的连通区域，用最小外接矩形框标记所获得的连通域，把所有矩形框顶点存入列表connected_area；
S612：给定高宽比下限hw_ratio_low，高宽比上限hw_ratio_high，连通域密度下限density_low和连通域密度上限density_high。对于connected_area中的每个矩形框，排除不符合下两式者：
其中height为矩形高，width为矩形宽，pixel_count为该连通域像素点数。此时剩下的连通域即为候选目标，仍将其矩形框顶点存入列表connected_area。
S62：候选目标筛选，利用距离法进一步筛选connected_area中的目标，步骤如下：
S621：对于connected_area中的每一个矩形，判断S5查找到的刻度是否有刻度中心落在矩形框内，若有，将该矩形框排除；
S622：给定最大距离NUM_SCALE_DIST，对于connected_area中的每一个矩形，利用公式(3)判断其中心点与每一条刻度始端点的距离，若其与所有刻度的距离均大于NUM_SCALE_DIST，则将该矩形框排除；
S623：经上述步骤排除剩下的矩形框存入列表num_candidates。
S63：对num_candidates中的候选目标进行单数字识别。本发明采用卷积神经网络识别候选目标代表的数字，具体步骤如下：
S631：构建卷积神经网络，本发明所用网络含有3个卷积层，其卷积核维度分别为[5,5,1,32]，[5,5,32,64]和[5,5,64,64]，每个卷积层均后均有窗口大小为2,步长为2的最大池化操作。之后接两个全连接层，维度分别为[1024,512]和[512,10]，并进行softmax操作。该网络所有非线性化均采用修正线性单元ReLU函数。该网络输入为28*28的单通道图像，输出为十个数字可能的概率；
S632：利用MNIST手写数字数据集对上述卷积神经网络进行训练，保存训练好的模型参数；
S633：利用上述模型预测num_candidates中的每个目标，并保存其预测数字值；
S64：在预测出每个目标所代表的数字之后，需要把数字组合成实际有意义的数值，本方法采用的数字组合方法步骤如下：
S641：给定矩形宽比例widthRatio，高比例heightRatio，对于num_candidates中的每一个单数字目标，搜索其自身宽度乘widthRatio、自身高度乘heightRatio范围内是否有其他单数字目标，若有，则分为一组；
S642：对每一个分组中的单数字进行排序，使得其x坐标小的位于分组开头；
S643：采用“按权相加”的方法，把已分组排序的单数字组合成整数，公式如下所示；
其中v为整数结果，n为分组中数字个数，dn-1为位于分组开头的第1个数字，分组可表示为
S644：判断是否存在数字0位于分组开头且数字个数大于1的分组，若有，表示所有分组均是小数，采用定点数，小数点固定于分组开头第一个数字之后。
进一步地，所述S7中刻度数值推断算法，步骤如下：
S71：为了区分刻度的长、中、短(或长、短)类型，对scales列表里的刻度运用K均值(K-means)算法对其长度进行聚类，聚簇个数k分别指定为2和3；
S72：给定聚簇中心最小距离∈，排除聚簇中心距离小于∈的k取值，得到唯一聚类方案及每一条刻度的类型；
S73：把S6识别出的刻度标度分配给其距离最近的长刻度；
S74：如果有未分配标度的长刻度，则查找其两侧已有标度的长刻度，按比例关系分配，公式如下，否则转至S75；
其中v01，v02分别为左右两侧已有标度的长刻度值，n为未分配标度的刻度数，vi为第i条未分配标度的刻度值；
S75：如果有中刻度，则根据其两侧长刻度标度，按比例关系分配，计算公式如式(6)，否则直接到S76；
S76：对所有短刻度，查找其两侧最近的中刻度或长刻度，按比例关系分配标度，计算公式如式(6)。
进一步地，所述S8中计算仪表读数的方法，具体步骤如下：
S81：根据S4找到的指针末端点(xp1，yp1)，利用公式(3)计算其与各刻度始端点的距离；
S82：选取上述距离最短的两条刻度，此两刻度即为分布于指针末端点两侧最近的刻度，并按下式计算其直线表达式ax+by+c＝0中的系数：
a＝ys2-ys1
b＝xs1-xs2
c＝(xs2-xs1)ys1-(ys2-ys1)xs1
其中(xs1，ys1)为刻度末端点，(xs2，ys2)为刻度始端点。
S83：按下式分别计算指针末端点到两刻度线的距离：
S84：设计算得到的距离分别为l1,l2，对应刻度值分别为v1，v2，则按以下公式计算仪表读数r：
进一步地，所述S2中检测到的仪表表盘区域顶点坐标，可以保存存至磁盘文件，重复识别读数时只需加载数据文件而无需重新检测。
进一步地，所述S2及S6中用到的网络模型，只需预先训练一次，可把网络模型参数保存至磁盘文件，应用本发明进行读数识别时只需加载参数文件而无需重新训练。
进一步地，本发明所述方法S5-S7查找到的表盘刻度scales，可以保存至磁盘文件，重复识别读数时只需加载刻度文件而无需重新检测。
进一步地，本发明所述方法S1-S8适用于仪表初次识别读数，重复识别读数时可按以下步骤：首先加载表盘区域坐标文件、网络模型参数文件、刻度文件，然后依次执行步骤S1，S2，S3，S4，S8，即可得到仪表读数。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
下面介绍本发明的一个具体应用场景：
本实施例为功率因数表读数自动识别，如图2所示为本发明的整体流程图，具体实现包括以下步骤：
步骤S1：获取包含待识别读数的指针式仪表表盘图像，此时图像为RGB三通道彩色图像，本实施例待处理的图像如图4所示；
步骤S2：利用训练好的SSD-MobileNet模型对仪表图像进行目标检测操作，得到仪表表盘区域坐标。根据表盘区域坐标提取图像，采用双线性插值法将表盘区域图像缩放至长宽为400*400；
步骤S3：对缩放后的表盘区域图像进行预处理，包括灰度化、图像滤波、细节增强和二值化等四项操作，具体步骤如下：
步骤S31：灰度化，采用加权平均法，对原RGB三通道彩色图像的每一个像素(R(x，y)，G(x，y)，B(x，y))，由式子gray(x，y)＝0.299·R(x，y)+0.578·G(x，y)+0.114·B(x，y)计算灰度图相应的像素灰度值gray(x，y)；
步骤S32：图像滤波，采用高斯滤波算法。高斯算子平滑模板大小g_size＝3，方差σ＝0.1，权值由式计算，滤波后图像点(x0，y0)的值可由式g′(x0，y0)＝∑(x，y)∈Dg(x0+x，y0+y)·gray(x0+x，y0+y)计算，其中点集D由模板大小g_size确定，表达式为
步骤S33：细节增强，采用形态学黑帽操作，取blk_size＝30，即结构元素b为30*30的矩形核，如公式所示滤波图像与结构元素先膨胀后腐蚀，然后再与滤波图像作差；
步骤S34：二值化，采用高斯分布加权的局部阈值法，取高斯模板bin_size＝23，方差σ＝3.8，常数C＝10，点集对每个像素点(x0，y0)，其比较阈值为T(x0，y0)＝Σ(x，y)∈Dg(x0+x，y0+y)·src(x0+x，y0+y)-C，二值化后目标图像值为
步骤S4：对表盘二值化图像查找指针并确定指针始末端，步骤如下：
步骤S41：给定参数距离分辨率rho＝2，角度分辨率theta＝π/360，累加器阈值threshold＝100，最短线段长度minLineLength＝60及最大线段间距maxLineGap＝2，利用累计概率霍夫变换查找表盘二值化图像中的线段，把查找到的线段端点坐标(x1，y1，x3，y2)存入列表pin_list；
步骤S42：利用公式计算pin_list中每条线段的长度；
步骤S43：保留最长的线段作为指针线段pin，其端点坐标为(xp1，yp1，xp2，yp2)；
步骤S44：判断指针pin的始末端点，步骤如下：
步骤S441：取表盘区域图像中心(200,200)，利用公式
分别计算其与点(xp1，yp1)和点(xp2，yp2)的距离；
步骤S442：与图像中心距离短的点确定为始端点并保存为(xp2，yp2)，与图像中心距离远的点确定为末端点并保存为(xp1，yp1)。
步骤S5：根据步骤S442找到的指针末端点位置，利用自适应刻度查找算法，对表盘二值化图像查找表盘刻度，算法流程图见图1，步骤如下：
步骤S51：设置查找方向标记dir为顺时针(CW)；
步骤S52：初始化矩形搜索框长l＝34，宽为w＝8,中心c(x0，y0)＝(xp1，yp1)即指针末端点，旋转角度α为指针的旋转角度，尝试次数m＝0，指定最大尝试次数M＝6和单次步长s＝4，其中指针旋转角度按下式计算：
步骤S53：矩形搜索框按当前旋转角度α的法线方向平移s＝4，即其中心C按公式更新；
步骤S54：给定累计概率霍夫变换(PPHT)的参数，距离分辨率rho＝1，角度分辨率theta＝π/360，累加器阈值threshold＝15，最短线段长度minLineLength＝10及最大线段间距maxLineGap＝1。利用PPHT检测搜索框的直线段。若为空，则m+＝1,若m＞M，则退出，否则重新返回步骤S53；若检测直线段不为空，清空尝试次数m＝0，进入步骤S55；
步骤S55：利用公式计算线段长度，取检测结果中最长的线段，记录端点信息；
步骤S56：利用公式(4)计算线段旋转角度，更新搜索框旋转角度α为该线段旋转角度，同时搜索框长l+＝1；
步骤S57：利用PPHT检测搜索框的直线段。若为空，取上次记录作为该刻度最终结果，返回步骤S53；若不为空，利用公式计算检测结果中所有线段的长度，若最大值比上次搜索结果大，返回步骤S56继续查找，否则取上次记录作为该刻度最终结果，返回步骤S53；
上述步骤顺时针(CW)查找表盘刻度，在完成后把查找方向dir标记为逆时针(CCW)，步骤S53更新公式改为重复步骤S51-步骤S57逆时针查找刻度。完成后把所有刻度按顺时针排列，按步骤S44所述的方法判断每条刻度的始末端，把端点储存于列表scales中。本实施例刻度查找结果如图5所示。
步骤S6：利用候选目标查找、候选目标筛选、单数字识别和数字组合的方法，对表盘二值化图像识别刻度标度，具体步骤如下：
步骤S61：候选目标查找，采用连通域分析的方法，并根据目标矩形框长宽比、连通区域密度等条件锁定候选目标，步骤如下：
步骤S611：采用两步法(two-pass)分析表盘二值图像中所有的连通区域，用最小外接矩形框标记所获得的连通域，把所有矩形框顶点存入列表connected_area；
步骤S612：给定高宽比下限hw_ratio_low＝1.2，高宽比上限hw_ratio_high＝5.2，连通域密度下限density_low＝0.23和连通域密度上限density_high＝0.83。排除connected_area中不符合关系式和的矩形框。
其中height为矩形高，width为矩形宽，pixel_count为该连通域像素点数。此时剩下的连通域即为候选目标，仍将其矩形框顶点存入列表connected_area；
步骤S62：候选目标筛选，利用距离法进一步筛选connected_area中的目标，步骤如下：
步骤S621：对于connected_area中的每一个矩形，判断步骤S5查找到的刻度是否有刻度中心落在矩形框内，若有，将该矩形框排除；
步骤S622：给定最大距离NUM_SCALE_DIST＝45，对于connected_area中的每一个矩形，利用公式判断其中心点与每一条刻度始端点的距离，若其与所有刻度的距离均大于NUM_SCALE_DIST，则将该矩形框排除。其中(xc，yc)为矩形框中心点，(x2，y2)为刻度始端点；
步骤S623：经上述步骤排除剩下的矩形框存入列表num_candidates；
步骤S63：对num_candidates中的候选目标，采用卷积神经网络进行单数字识别。首先加载训练好的卷积神经网络模型参数，然后利用上述模型预测num_candidates中的每个目标，并保存其预测数字值；
步骤S64：在预测出每个目标所代表的数字之后，需要把数字组合成实际有意义的数值，本方法采用的数字组合方法步骤如下：
步骤S641：给定矩形宽比例widthRatio＝2.0，高比例heightRatio＝1.0，对于num_candidates中的每一个单数字目标，搜索其自身宽度乘widthRatio、自身高度乘heightRatio范围内是否有其他单数字目标，若有，则分为一组,记为group，所有的分组储存于列表num_groups；
步骤S642：对num_groups中每一个分组group进行单数字排序，使得其x坐标小的位于分组开头；
步骤S643：采用“按权相加”的方法，利用公式把group中的单数字组合成整数，其中v为整数结果，n为分组中数字个数，dn-1为位于分组开头的第1个数字，分组可表示为
步骤S644：判断是否存在数字0位于分组开头且数字个数大于1的分组，即dn-1＝0且n＞1，若有，表示所有分组均是小数，采用定点数，小数点固定于分组开头第一个数字之后。
实施例刻度标度识别结果如图6所示：
步骤S7：利用刻度数值推断算法，根据S6识别出的刻度标度，计算出S5查找到的所有刻度所代表的值，具体步骤如下：
步骤S71：为了区分刻度的长、中、短(或长、短)类型，对scales列表里的刻度运用K均值(K-means)算法对其长度进行聚类，聚簇个数k分别指定为2和3；
步骤S72：给定聚簇中心最小距离∈＝0.5，排除聚簇中心距离小于∈的k取值，得到唯一聚类方案k＝2及每一条刻度的类型；
步骤S73：把步骤S6识别出的刻度标度分配给其距离最近的长刻度；
步骤S74：对于未分配标度的长刻度，查找其两侧已有标度的长刻度，按公式进行比例关系分配，其中v01，v02分别为左右两侧已有标度的长刻度值，n为未分配标度的刻度数，vi为第i条未分配标度的刻度值；
步骤S75：本实施例没有中刻度，直接计算其所有短刻度的标度值。查找其两侧最近长刻度，按公式进行比例关系分配。
步骤S8：根据指针末端点位置及其两端最近刻度，计算仪表读数，具体步骤如下：
步骤S81：根据步骤S4找到的指针末端点(xp1，yp1)，利用公式计算其与各刻度始端点的距离，其中(xs2，ys2)为刻度始端点；
步骤S82：选取上述距离最短的两条刻度，此两刻度即为分布于指针末端点两侧最近的刻度，其直线表达式ax+by+c＝0中的系数分别按公式a＝ys2-ys1，b＝xs1-xs2和c＝(xs2-xs1)ys1-(ys2-ys1)xs1计算，其中(xs1，ys1)为刻度末端点；
步骤S83：按公式分别计算指针末端点(xp1，yp1)到两刻度线的距离：
步骤S84：按公式计算仪表读数r，其中l1，l2分别为步骤S83计算得到的距离，v1，v2分别为对应的刻度值。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种基于刻度查找的指针式仪表读数自动识别方法，其特征在于，包括：
S1：获取包含待识别读数的指针式仪表表盘的图像。
S2：利用训练好的目标检测网络对S1中所的图像进行检测，获得仪表表盘区域的顶点坐标，并提取该区域作为表盘图像，缩放至统一大小；
S3：对表盘图像进行灰度化、图像滤波、细节增强及二值化等预处理操作，得到只有前景和背景的表盘二值化图像；
S4：利用累计概率霍夫变换检测表盘二值化图像中的线段，取最长线段作为指针，且判断指针始末端点；
S5：利用自适应刻度查找算法，根据指针末端点位置，对表盘二值化图像查找表盘刻度，得到表盘所有刻度位置；
S6：利用候选目标查找、候选目标筛选、单数字识别和数字组合的方法，对表盘二值化图像识别刻度标度；
S7：利用刻度数值推断算法，根据S6识别出的刻度标度，计算出S5查找到的所有刻度所代表的值；
S8：根据指针末端点位置及其两端最近刻度，计算仪表读数。
2.如权利要求1所述的基于刻度查找的指针式仪表读数自动识别方法，其特征在于，所述S3中进行预处理时，包含以下步骤：
S31：灰度化，采用加权平均法，对原RGB三通道彩色图像的每一个像素(R(x，y)，G(x，y)，B(x，y))，灰度图相应的像素灰度值gray(x，y)由以下公式确定：
gray(x，y)＝0.299·R(x，y)+0.578·G(x，y)+0.114·B(x，y)
S32：图像滤波，采用高斯滤波算法。高斯算子平滑模板大小为(g_size*g_size)，权值由下式给出：
式中σ为方差，方差越大图像越模糊。滤波后图像点(x0，y0)的值由下式算出：
其中
S33：细节增强，采用形态学黑帽操作，其结构元素采用blk_size*blk_size的矩形核，公式如下：
其中，h为黑帽操作后的图像，f为黑帽操作前的图像，b为结构元素，表示膨胀，表示腐蚀。
S34：二值化，采用高斯分布加权的局部阈值法，其高斯模板大小为bin_size*bin_size，二值化后的图像dst与二值化前的图像src之间的关系如下：
其中T为比较阈值，对于每个像素点(x0，y0)，其比较阈值T由下式决定：
式中g(x，y)为高斯函数，如上式(1)，D为点集，如上式(2)，C为常数。
3.如权利要求1所述的基于刻度查找的指针式仪表读数自动识别方法，其特征在于，所述S4中查找指针并确定指针始末端的算法，步骤如下：
S41：给定累计概率霍夫变换的参数，距离分辨率rho，角度分辨率theta，累加器阈值threshold，最短线段长度minLineLength及最大线段间距maxLineGap，利用累计概率霍夫变换查找表盘二值化图像中的线段，其端点坐标(x1，y1，x2，y2)存入列表pin_list；
S42：对pin_list中的每一条线段，用以下公式计算其长度length：
S43：保留最长的线段作为指针线段pin，其端点坐标为(xp1，yp1，xp2，yp2)；
S44：判断指针pin的始末端点，步骤如下：
S441：取表盘区域图像中心(IMG_SIZE/2，IMG_SIZE/2)，利用上式(3)分别计算其与点(xp1，yp1)和点(xp2，yp2)的距离；
S442：与图像中心距离短的点确定为始端点(xp2，yp2)，与图像中心距离远的点确定为末端点(xp1，yp1)。
4.如权利要求1所述的基于刻度查找的指针式仪表读数自动识别方法，其特征在于，所述S5中自适应刻度查找算法，步骤如下：
S51：设置查找方向标记dir为顺时针(CW)；
S52：初始化矩形搜索框长为l，宽为w，中心c(x0，y0)位于指针末端点，旋转角度α为指针的旋转角度，尝试次数m＝0，指定最大尝试次数M和单次步长s，其中指针旋转角度按下式计算：
S53：矩形搜索框按当前旋转角度α的法线方向平移s，即其中心c按以下公式更新：
S54：给定累计概率霍夫变换(PPHT)的参数，距离分辨率rho，角度分辨率theta，累加器阈值threshold，最短线段长度minLineLength及最大线段间距maxLineGap。利用PPHT检测搜索框的直线段。若为空，则m+＝1，若m＞M，则退出，否则重新返回S53；若检测直线段不为空，清空尝试次数m＝0，进入S55；
S55：利用公式(3)计算线段长度，取检测结果中最长的线段，记录端点信息；
S56：利用公式(4)计算线段旋转角度，更新搜索框旋转角度α为该线段旋转角度，同时搜索框长l+＝1；
S57：利用PPHT检测搜索框的直线段。若为空，取上次记录作为该刻度最终结果，返回S53；若不为空，利用公式(3)计算检测结果中所有线段的长度，若最大值比上次搜索结果大，返回S56继续查找，否则取上次记录作为该刻度最终结果，返回S53。
上述步骤为顺时针(CW)查找刻度的算法，若要逆时针查找，只需在S51把查找方向dir标记为逆时针(CCW)。
5.如权利要求1所述的基于刻度查找的指针式仪表读数自动识别方法，其特征在于，对于S6所述识别刻度标度，具体步骤如下：
S61：候选目标查找，采用连通域分析的方法，并根据目标矩形框长宽比、连通区域密度等条件锁定候选目标，步骤如下：
S611：采用两步法(two-pass)分析表盘二值图像中所有的连通区域，用最小外接矩形框标记所获得的连通域，把所有矩形框顶点存入列表connected_area；
S612：给定高宽比下限hw_ratio_low，高宽比上限hw_ratio_high，连通域密度下限density_low和连通域密度上限density_high。对于connected_area中的每个矩形框，排除不符合下两式者：
其中height为矩形高，width为矩形宽，pixel_count为该连通域像素点数。此时剩下的连通域即为候选目标，仍将其矩形框顶点存入列表connected_area。
S62：候选目标筛选，利用距离法进一步筛选connected_area中的目标，步骤如下：
S621：对于connected_area中的每一个矩形，判断S5查找到的刻度是否有刻度中心落在矩形框内，若有，将该矩形框排除；
S622：给定最大距离NUM_SCALE_DIST，对于connected_area中的每一个矩形，利用公式(3)判断其中心点与每一条刻度始端点的距离，若其与所有刻度的距离均大于NUM_SCALE_DIST，则将该矩形框排除；
S623：经上述步骤排除剩下的矩形框存入列表num_candidates。
S63：对num_candidates中的候选目标进行单数字识别。本发明采用卷积神经网络识别候选目标代表的数字，具体步骤如下：
S631：构建卷积神经网络，本发明所用网络含有3个卷积层，其卷积核维度分别为[5，5，1，32]，[5，5，32，64]和[5，5，64，64]，每个卷积层均后均有窗口大小为2，步长为2的最大池化操作。之后接两个全连接层，维度分别为[1024，512]和[512，10]，并进行softmax操作。该网络所有非线性化均采用修正线性单元ReLU函数。该网络输入为28*28的单通道图像，输出为十个数字可能的概率；
S632：利用MNIST手写数字数据集对上述卷积神经网络进行训练，保存训练好的模型参数；
S633：利用上述模型预测num_candidates中的每个目标，并保存其预测数字值；
S64：在预测出每个目标所代表的数字之后，需要把数字组合成实际有意义的数值，本方法采用的数字组合方法步骤如下：
S641：给定矩形宽比例widthRatio，高比例heightRatio，对于num_candidates中的每一个单数字目标，搜索其自身宽度乘widthRatio、自身高度乘heightRatio范围内是否有其他单数字目标，若有，则分为一组；
S642：对每一个分组中的单数字进行排序，使得其x坐标小的位于分组开头；
S643：采用“按权相加”的方法，把已分组排序的单数字组合成整数，公式如下所示；
其中v为整数结果，n为分组中数字个数，dn-1为位于分组开头的第1个数字，分组可表示为
S644：判断是否存在数字0位于分组开头且数字个数大于1的分组，若有，表示所有分组均是小数，采用定点数，小数点固定于分组开头第一个数字之后。
6.如权利要求1所述的基于刻度查找的指针式仪表读数自动识别方法，其特征在于，所述S7中刻度数值推断算法，步骤如下：
S71：为了区分刻度的长、中、短(或长、短)类型，对scales列表里的刻度运用K均值(K-means)算法对其长度进行聚类，聚簇个数k分别指定为2和3；
S72：给定聚簇中心最小距离∈，排除聚簇中心距离小于∈的k取值，得到唯一聚类方案及每一条刻度的类型；
S73：把S6识别出的刻度标度分配给其距离最近的长刻度；
S74：如果有未分配标度的长刻度，则查找其两侧已有标度的长刻度，按比例关系分配，公式如下，否则转至S75；
其中v01，v02分别为左右两侧已有标度的长刻度值，n为未分配标度的刻度数，vi为第i条未分配标度的刻度值；
S75：如果有中刻度，则根据其两侧长刻度标度，按比例关系分配，计算公式如式(6)，否则直接到S76；
S76：对所有短刻度，查找其两侧最近的中刻度或长刻度，按比例关系分配标度，计算公式如式(6)。
7.如权利要求1所述的基于刻度查找的指针式仪表读数自动识别方法，其特征在于，所述S8中计算仪表读数的方法，具体步骤如下：
S81：根据S4找到的指针末端点(xp1，yp1)，利用公式(3)计算其与各刻度始端点的距离；
S82：选取上述距离最短的两条刻度，此两刻度即为分布于指针末端点两侧最近的刻度，并按下式计算其直线表达式ax+by+c＝0中的系数：
a＝ys2-ys1
b＝xs1-xs2
c＝(xs2-xs1)ys1-(ys2-ys1)xs1
其中(xs1，ys1)为刻度末端点，(xs2，ys2)为刻度始端点。
S83：按下式分别计算指针末端点到两刻度线的距离：
S84：设计算得到的距离分别为l1，l2，对应刻度值分别为v1，v2，则按以下公式计算仪表读数r：
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN201910266384.4A 2019-04-03 2019-04-03 基于刻度查找的指针式仪表读数自动识别方法 Active CN109993166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910266384.4A CN109993166B (zh) 2019-04-03 2019-04-03 基于刻度查找的指针式仪表读数自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910266384.4A CN109993166B (zh) 2019-04-03 2019-04-03 基于刻度查找的指针式仪表读数自动识别方法

Publications (2)

Publication Number Publication Date
CN109993166A true CN109993166A (zh) 2019-07-09
CN109993166B CN109993166B (zh) 2020-10-09

Family

ID=67132210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910266384.4A Active CN109993166B (zh) 2019-04-03 2019-04-03 基于刻度查找的指针式仪表读数自动识别方法

Country Status (1)

Country Link
CN (1) CN109993166B (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363202A (zh) * 2019-07-23 2019-10-22 深圳中科捷飞科技有限公司 指针式仪表数值读取方法及计算机终端
CN110543878A (zh) * 2019-08-07 2019-12-06 华南理工大学 一种基于神经网络的指针仪表读数识别方法
CN110580480A (zh) * 2019-07-21 2019-12-17 天津大学 基于图像处理的表计读数识别方法
CN110659636A (zh) * 2019-09-20 2020-01-07 随锐科技集团股份有限公司 基于深度学习的指针式仪表读数识别方法
CN110874596A (zh) * 2019-11-06 2020-03-10 中国石油大学(北京) 一种仪表智能识别预警方法及系统
CN111046881A (zh) * 2019-12-02 2020-04-21 许昌北邮万联网络技术有限公司 基于计算机视觉和深度学习的指针式仪表读数识别方法
CN111062282A (zh) * 2019-12-05 2020-04-24 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
CN111126371A (zh) * 2019-11-22 2020-05-08 重庆大学 一种基于图像处理的粗指针表盘示数读取方法
CN111191646A (zh) * 2019-12-23 2020-05-22 福建亿榕信息技术有限公司 一种指针式仪表的智能识别方法
CN111199191A (zh) * 2019-12-20 2020-05-26 南京理工大学 基于刻度搜索的指针式仪表自动读取方法
CN111222508A (zh) * 2020-01-13 2020-06-02 江苏艾佳家居用品有限公司 基于roi的户型图比例尺识别方法、装置、计算机设备
CN111325164A (zh) * 2020-02-25 2020-06-23 北京眸视科技有限公司 指针表示数识别方法、装置和电子设备
CN111444781A (zh) * 2020-03-09 2020-07-24 武汉理工大学 一种水表读数识别方法、设备及存储介质
CN112115896A (zh) * 2020-09-24 2020-12-22 深圳市赛为智能股份有限公司 仪表盘指针读数预测方法、装置、计算机设备及存储介质
CN112287933A (zh) * 2019-12-20 2021-01-29 中北大学 一种汽车轮毂x射线图像文字干扰的去除方法及系统
CN112288049A (zh) * 2020-12-29 2021-01-29 广东科凯达智能机器人有限公司 基于模板匹配和限制连通域指针定位的指针表读数方法
CN112418180A (zh) * 2020-12-11 2021-02-26 深圳前海微众银行股份有限公司 表格数据提取方法、装置、设备及计算机存储介质
CN112749598A (zh) * 2019-10-31 2021-05-04 中移物联网有限公司 一种指针式表计的信息处理方法、终端及数据平台
CN112949564A (zh) * 2021-02-02 2021-06-11 电子科技大学 一种基于深度学习的指针式仪表自动读数方法
CN112966719A (zh) * 2021-02-05 2021-06-15 深圳市优必选科技股份有限公司 识别仪表盘读数的方法、装置及终端设备
CN113361539A (zh) * 2021-05-21 2021-09-07 煤炭科学技术研究院有限公司 一种井下巡检机器人的仪表读取方法、装置及电子设备
CN113450384A (zh) * 2021-06-11 2021-09-28 力源电力设备股份有限公司 基于编码标志信息的指针式表计物理信息读取方法
CN113536895A (zh) * 2021-05-28 2021-10-22 立得空间信息技术股份有限公司 一种圆盘指针表计识别方法
CN113780142A (zh) * 2021-09-03 2021-12-10 华南师范大学 基于机器视觉的变压器弧形油温表读取方法和装置
CN113792616A (zh) * 2021-08-26 2021-12-14 南方电网深圳数字电网研究院有限公司 一种基于边缘计算的远程读表系统及其工作方法
CN113808168A (zh) * 2021-09-18 2021-12-17 上海电机学院 一种基于图像处理和卡尔曼滤波的水下管线定位跟踪方法
CN114092870A (zh) * 2021-10-19 2022-02-25 国家石油天然气管网集团有限公司 一种应用于轮式巡检机器人的仪表自动定位识别方法
CN114973261A (zh) * 2022-08-02 2022-08-30 中国科学院合肥物质科学研究院 一种水面保洁船舶作业量计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741307A (zh) * 2016-03-03 2016-07-06 深圳元启智能技术有限公司 一种指针式压力表读数自动识别方法
CN105740856A (zh) * 2016-01-28 2016-07-06 宁波理工监测科技股份有限公司 一种基于机器视觉的指针式仪表示数读取方法
US20160267675A1 (en) * 2014-06-23 2016-09-15 Boe Technology Group Co., Ltd. Image edge detection method and apparatus thereof, image target identification method and apparatus thereof
CN106295665A (zh) * 2016-08-13 2017-01-04 国网福建省电力有限公司 一种变电站指针式仪表读数自动识别方法
CN106774032A (zh) * 2017-03-09 2017-05-31 山东师范大学 一种基于arm和视觉识别的仪表转换装置及其实现方法
CN106960207A (zh) * 2017-04-26 2017-07-18 佛山市南海区广工大数控装备协同创新研究院 一种基于模板匹配的汽车驾驶位仪表区多指针式仪表自动识别系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160267675A1 (en) * 2014-06-23 2016-09-15 Boe Technology Group Co., Ltd. Image edge detection method and apparatus thereof, image target identification method and apparatus thereof
CN105740856A (zh) * 2016-01-28 2016-07-06 宁波理工监测科技股份有限公司 一种基于机器视觉的指针式仪表示数读取方法
CN105741307A (zh) * 2016-03-03 2016-07-06 深圳元启智能技术有限公司 一种指针式压力表读数自动识别方法
CN106295665A (zh) * 2016-08-13 2017-01-04 国网福建省电力有限公司 一种变电站指针式仪表读数自动识别方法
CN106774032A (zh) * 2017-03-09 2017-05-31 山东师范大学 一种基于arm和视觉识别的仪表转换装置及其实现方法
CN106960207A (zh) * 2017-04-26 2017-07-18 佛山市南海区广工大数控装备协同创新研究院 一种基于模板匹配的汽车驾驶位仪表区多指针式仪表自动识别系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
J. MATAS: "Robust Detection of Lines Using the Progressive Probabilistic Hough Transform", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 *
范江涛: "基于机器视觉仪表识别的技术研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580480A (zh) * 2019-07-21 2019-12-17 天津大学 基于图像处理的表计读数识别方法
CN110580480B (zh) * 2019-07-21 2023-12-01 天津大学 基于图像处理的表计读数识别方法
CN110363202A (zh) * 2019-07-23 2019-10-22 深圳中科捷飞科技有限公司 指针式仪表数值读取方法及计算机终端
CN110543878B (zh) * 2019-08-07 2022-03-29 华南理工大学 一种基于神经网络的指针仪表读数识别方法
CN110543878A (zh) * 2019-08-07 2019-12-06 华南理工大学 一种基于神经网络的指针仪表读数识别方法
CN110659636A (zh) * 2019-09-20 2020-01-07 随锐科技集团股份有限公司 基于深度学习的指针式仪表读数识别方法
CN110659636B (zh) * 2019-09-20 2022-05-13 随锐科技集团股份有限公司 基于深度学习的指针式仪表读数识别方法
CN112749598A (zh) * 2019-10-31 2021-05-04 中移物联网有限公司 一种指针式表计的信息处理方法、终端及数据平台
CN110874596A (zh) * 2019-11-06 2020-03-10 中国石油大学(北京) 一种仪表智能识别预警方法及系统
CN111126371A (zh) * 2019-11-22 2020-05-08 重庆大学 一种基于图像处理的粗指针表盘示数读取方法
CN111046881A (zh) * 2019-12-02 2020-04-21 许昌北邮万联网络技术有限公司 基于计算机视觉和深度学习的指针式仪表读数识别方法
CN111046881B (zh) * 2019-12-02 2023-03-24 许昌北邮万联网络技术有限公司 基于计算机视觉和深度学习的指针式仪表读数识别方法
CN111062282A (zh) * 2019-12-05 2020-04-24 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
CN111062282B (zh) * 2019-12-05 2023-09-29 武汉科技大学 基于改进yolov3模型的变电站指针式仪表识别方法
CN112287933A (zh) * 2019-12-20 2021-01-29 中北大学 一种汽车轮毂x射线图像文字干扰的去除方法及系统
CN111199191A (zh) * 2019-12-20 2020-05-26 南京理工大学 基于刻度搜索的指针式仪表自动读取方法
CN111191646B (zh) * 2019-12-23 2023-04-18 福建亿榕信息技术有限公司 一种指针式仪表的智能识别方法
CN111191646A (zh) * 2019-12-23 2020-05-22 福建亿榕信息技术有限公司 一种指针式仪表的智能识别方法
CN111222508A (zh) * 2020-01-13 2020-06-02 江苏艾佳家居用品有限公司 基于roi的户型图比例尺识别方法、装置、计算机设备
CN111222508B (zh) * 2020-01-13 2022-08-12 江苏艾佳家居用品有限公司 基于roi的户型图比例尺识别方法、装置、计算机设备
CN111325164A (zh) * 2020-02-25 2020-06-23 北京眸视科技有限公司 指针表示数识别方法、装置和电子设备
CN111325164B (zh) * 2020-02-25 2023-11-21 北京眸视科技有限公司 指针表示数识别方法、装置和电子设备
CN111444781A (zh) * 2020-03-09 2020-07-24 武汉理工大学 一种水表读数识别方法、设备及存储介质
CN111444781B (zh) * 2020-03-09 2023-08-29 武汉理工大学 一种水表读数识别方法、设备及存储介质
CN112115896B (zh) * 2020-09-24 2023-12-22 深圳市赛为智能股份有限公司 仪表盘指针读数预测方法、装置、计算机设备及存储介质
CN112115896A (zh) * 2020-09-24 2020-12-22 深圳市赛为智能股份有限公司 仪表盘指针读数预测方法、装置、计算机设备及存储介质
CN112418180A (zh) * 2020-12-11 2021-02-26 深圳前海微众银行股份有限公司 表格数据提取方法、装置、设备及计算机存储介质
CN112288049A (zh) * 2020-12-29 2021-01-29 广东科凯达智能机器人有限公司 基于模板匹配和限制连通域指针定位的指针表读数方法
CN112949564A (zh) * 2021-02-02 2021-06-11 电子科技大学 一种基于深度学习的指针式仪表自动读数方法
CN112966719B (zh) * 2021-02-05 2023-12-15 深圳市优必选科技股份有限公司 识别仪表盘读数的方法、装置及终端设备
CN112966719A (zh) * 2021-02-05 2021-06-15 深圳市优必选科技股份有限公司 识别仪表盘读数的方法、装置及终端设备
CN113361539A (zh) * 2021-05-21 2021-09-07 煤炭科学技术研究院有限公司 一种井下巡检机器人的仪表读取方法、装置及电子设备
CN113536895A (zh) * 2021-05-28 2021-10-22 立得空间信息技术股份有限公司 一种圆盘指针表计识别方法
CN113450384A (zh) * 2021-06-11 2021-09-28 力源电力设备股份有限公司 基于编码标志信息的指针式表计物理信息读取方法
CN113450384B (zh) * 2021-06-11 2023-12-29 力源电力设备股份有限公司 基于编码标志信息的指针式表计物理信息读取方法
CN113792616A (zh) * 2021-08-26 2021-12-14 南方电网深圳数字电网研究院有限公司 一种基于边缘计算的远程读表系统及其工作方法
CN113780142B (zh) * 2021-09-03 2023-06-09 华南师范大学 基于机器视觉的变压器弧形油温表读取方法和装置
CN113780142A (zh) * 2021-09-03 2021-12-10 华南师范大学 基于机器视觉的变压器弧形油温表读取方法和装置
CN113808168A (zh) * 2021-09-18 2021-12-17 上海电机学院 一种基于图像处理和卡尔曼滤波的水下管线定位跟踪方法
CN114092870A (zh) * 2021-10-19 2022-02-25 国家石油天然气管网集团有限公司 一种应用于轮式巡检机器人的仪表自动定位识别方法
CN114973261B (zh) * 2022-08-02 2022-11-11 中国科学院合肥物质科学研究院 一种水面保洁船舶作业量计算方法
CN114973261A (zh) * 2022-08-02 2022-08-30 中国科学院合肥物质科学研究院 一种水面保洁船舶作业量计算方法

Also Published As

Publication number Publication date
CN109993166B (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN109993166A (zh) 基于刻度查找的指针式仪表读数自动识别方法
CN108124487A (zh) 云端抄表方法及装置
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN109060836A (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN113674273B (zh) 一种基于产品缺陷的光学检测方法、系统和可读存储介质
CN111079773A (zh) 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质
CN112699824B (zh) 电能表仪表常数检测方法、设备及存储介质
CN117078114B (zh) 引水工程影响下受水湖泊水质评价方法和系统
CN110046570A (zh) 一种粮仓粮食库存动态监管方法和装置
CN114092728A (zh) 一种基于深度学习的指针式仪表智能识别方法及系统
CN115496893A (zh) 一种指针式水表读数识别方法
CN108399416A (zh) 一种有圆弧边界的变电站指针式仪表自动识别方法
CN115578343A (zh) 一种基于图像连通与骨架分析的裂缝尺寸测量方法
CN117315670B (zh) 一种基于计算机视觉的水表读数区域检测方法
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN110956178B (zh) 一种基于图像相似度计算的植物生长测量方法、系统及电子设备
CN110633679B (zh) 一种基于遗传算法的指针式仪表示数自动识别方法及系统
CN112529003A (zh) 一种基于Faster-RCNN的仪表盘数字识别方法
CN116091818B (zh) 基于多神经网络级联模型的指针式仪表读数识别方法
CN115222817B (zh) 一种指针式压力表的指针定位方法
CN113762153B (zh) 一种基于遥感数据的新型尾矿库检测方法及系统
CN115546799A (zh) 照明条件不良情况下无背光水表液晶屏示数识别方法
CN116383262B (zh) 一种基于电厂sis系统的能耗数据管理平台
CN116843368B (zh) 基于arma模型的营销数据处理方法
CN111754427B (zh) 基于自组织映射神经网络的壁画裂缝病害自动修复方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Kang Qi

Inventor after: Lai Haowen

Inventor before: Lai Haowen

Inventor before: Kang Qi

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant