CN110633679B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110633679B
CN110633679B CN201910885343.3A CN201910885343A CN110633679B CN 110633679 B CN110633679 B CN 110633679B CN 201910885343 A CN201910885343 A CN 201910885343A CN 110633679 B CN110633679 B CN 110633679B
Authority
CN
China
Prior art keywords
pointer
pointer instrument
automatic identification
deflection angle
view
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.)
Active
Application number
CN201910885343.3A
Other languages
English (en)
Other versions
CN110633679A (zh
Inventor
邹娟
郭格
裴廷睿
郑金华
李海博
张海
陈圣琪
杨圣祥
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.)
Xiangtan University
Original Assignee
Xiangtan 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 Xiangtan University filed Critical Xiangtan University
Priority to CN201910885343.3A priority Critical patent/CN110633679B/zh
Publication of CN110633679A publication Critical patent/CN110633679A/zh
Application granted granted Critical
Publication of CN110633679B publication Critical patent/CN110633679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了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，涉及遗传算法和计算机视觉技术领域，主要包括：首先通过遗传算法自适应调整正视指针式仪表图像在指针边缘直线检测过程中涉及的参数，然后根据调整后的参数和霍夫直线变换法算法，对经过图像预处理后的正视指针式仪表图像进行检测，自动识别正视指针式仪表图像的正视读数，真正解决现实场景中的问题，使指针式仪表示数的自动识别更加智能、高效。

Description

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
技术领域
本发明涉及遗传算法和计算机视觉技术领域，特别是涉及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。
背景技术
指针式仪表以其精确度高、读取便利、稳定性强等优点在工业和检测领域得到了广泛的应用。随着工业化的快速发展，生产规模不断壮大，指针式仪表的使用量急剧上升，传统读表方式，即人工判读，显然费时费力，且精确度不能保证。再者，人类社会进入信息时代，各行各业趋向智能化管理，指针仪表的智能化管理已然成为未来发展的必然要求。而传统的指针式仪表并没有提供与计算机进行数据传输的接口，且更换智能仪表的成本较高，周期较长。因此，指针仪表示数自动识别问题的研究具有十分重要的现实意义。
目前，指针式仪表示数自动识别方法主要包括：霍夫直线变换法、最小二乘法、剪影法等。其中，霍夫直线变换法算法简单，实时性好，精度高，从而应用最为广泛。但上述方法，对于工业现场复杂环境下的指针式仪表识别识别具有局限性，且对于某特定指针式仪表示数的识别需要人工调整参数。
发明内容
针对现有技术存在的对于复杂环境下指针式仪表识别具有局限性，涉及到的参数难以人为确定等问题，本发明提供了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，能够自适应调整参数，真正解决现实场景中的问题，使指针式仪表示数的自动识别更加智能、高效。
为实现上述目的，本发明提供了如下方案：
一种基于遗传算法的指针式仪表示数自动识别方法，包括：
产生自然种群；所述自然种群包括多个个体，所述个体表示指针边缘直线检测过程中涉及的参数，所述参数包括累加器阈值、最小长度阈值和最大允许间隔；
构建样本数据集；所述样本数据集包括多张预处理后的正视指针式仪表训练图像，以及每张正视指针式仪表训练图像的正视读数和指针偏转角度；
基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集；其中，所述自动识别示数集包括多个自动识别示数，且所述自动识别示数的个数与所述预处理后的正视指针式仪表训练图像的张数相同；所述自动识别示数集的组数和所述个体的个数相同，且不同的所述自动识别示数集对应不同的所述个体；
根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体；
采集正视指针式仪表图像并进行预处理；
基于所述最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行检测，自动识别所述正视指针式仪表图像的正视读数。
可选的，所述产生自然种群，具体包括：
确定自然种群中个体的总数；
采用实数编码方式对个体进行编码；
对编码后的个体进行随机初始化，产生自然种群。
可选的，所述构建样本数据集，具体包括：
获取多张正视指针式仪表训练图像并对每张所述正视指针式仪表训练图像进行预处理；
确定每张所述正视指针式仪表训练图像的正视读数和指针偏转角度；
根据所有预处理后的正视指针式仪表训练图像，以及每张所述正视指针式仪表训练图像的正视读数和指针偏转角度，构建样本数据集。
可选的，所述对每张所述正视指针式仪表训练图像进行预处理，具体包括：
对每张所述正视指针式仪表训练图像进行灰度化处理；
对每张灰度化处理后的正视指针式仪表训练图像进行亮度和对比度调整；
对每张调整后的正视指针式仪表训练图像进行高斯滤波处理；
采用Canny边缘检测算法对每张高斯滤波后的正视指针式仪表训练图像进行边缘检测；其中，边缘检测后的正视指针式仪表训练图像为预处理后的正视指针式仪表训练图像。
可选的，所述基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，具体包括：
随机选取所述自然种群中的一个个体，采用霍夫直线变换算法，对所有预处理后的正视指针式仪表训练图像进行直线检测，确定每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度，并将每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度的平均值确定为对应预处理后的正视指针式仪表训练图像的指针偏转角度值；
遍历所述自然种群中的每个个体，重复上述步骤，确定多组指针偏转角度集；所述指针偏转角度集包括每张预处理后的正视指针式仪表训练图像的指针偏转角度值；所述指针偏转角度集的组数和所述个体的个数相同，且不同的所述指针偏转角度集对应不同的所述个体；
确定示数计算公式；所述示数计算公式的自变量为预处理后的正视指针式仪表训练图像的指针偏转角度值；
根据所述示数计算公式和所有所述指针偏转角度集，确定多组自动识别示数集；所述自动识别示数集的组数和所述指针偏转角度集的组数相同，且不同的自动识别示数集对应不同的指针偏转角度集；所述自动识别示数集中的自动识别示数是通过将所述指针偏转角度集中的预处理后的正视指针式仪表训练图像的指针偏转角度值代入所述示数计算公式后得到的，所述自动识别示数集中不同的自动识别示数对应所述指针偏转角度集中不同的正视指针式仪表训练图像的指针偏转角度值。
可选的，所述确定示数计算公式，具体包括
从所述样本数据集中随机选取两张正视指针式仪表训练图像的正视读数和指针偏转角度；
根据公式
Figure BDA0002207138700000041
和
Figure BDA0002207138700000042
算示数计算公式的第一参数和第二参数；其中，y1表示随机选取的第一张正视指针式仪表训练图像的正视读数，y2表示随机选取的第二张正视指针式仪表训练图像的正视读数，θ1表示随机选取的第一张正视指针式仪表训练图像的指针偏转角度，θ2表示随机选取的第二张正视指针式仪表训练图像的指针偏转角度，k表示第一参数，b表示第二参数；
根据所述第一参数和所述第二参数确定示数计算公式；所述示数计算公式为
Figure BDA0002207138700000043
表示预处理后的正视指针式仪表训练图像的指针偏转角度值，y表示预处理后的正视指针式仪表训练图像的自动识别示数。
可选的，所述根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体，具体包括：
确定迭代总数；
根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数；其中，已构建的所述适应度计算函数为Fj(Xj)＝f1(Xj)+f2(Xj)+...+fi(Xj)+...+fr(Xj)；Fj(Xj)表示第j个个体的适应度值，Xj表示第j个个体，fi(Xj)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的优化目标，fi(Xj)＝|yi-μ(θij)|，yi表示第i张正视指针式仪表训练图像的正视读数，θij表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的指针偏转角度值，μ(θij)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的自动识别示数；r表示预处理后的正视指针式仪表训练图像的总张数；
判断所述当前迭代次数是否小于所述迭代总数，得到第一判断结果；
若所述第一判断结果表示所述当前迭代次数不小于所述迭代总数，则将适应度值最小的个体确定为最优个体；
若所述第一判断结果表示所述当前迭代次数小于所述迭代总数，则将当前迭代次数加1以更新当前迭代次数，根据每个所述个体的适应度值升序排列所有所述个体，并采用遗传算法，对选取的前m个所述个体进行自然选择和交叉变异处理，然后将处理后的个体加入前m个个体中以更新自然种群；其中，所述自然种群中的个体和更新后的自然种群中的个体均为2m个；
基于所述更新后的自然种群中的每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，并返回根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数的步骤。
一种基于遗传算法的指针式仪表示数自动识别系统，包括：
自然种群产生模块，用于产生自然种群；所述自然种群包括多个个体，所述个体表示指针边缘直线检测过程中涉及的参数，所述参数包括累加器阈值、最小长度阈值和最大允许间隔；
样本数据集构建模块，用于构建样本数据集；所述样本数据集包括多张预处理后的正视指针式仪表训练图像，以及每张正视指针式仪表训练图像的正视读数和指针偏转角度；
自动识别示数集确定模块，用于基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集；其中，所述自动识别示数集包括多个自动识别示数，且所述自动识别示数的个数与所述预处理后的正视指针式仪表训练图像的张数相同；所述自动识别示数集的组数和所述个体的个数相同，且不同的所述自动识别示数集对应不同的所述个体；
最优个体确定模块，用于根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体；
采集处理模块，用于采集正视指针式仪表图像并进行预处理；
正视读数识别模块，用于基于所述最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行检测，自动识别所述正视指针式仪表图像的正视读数。
可选的，所述自动识别示数集确定模块，具体包括：
指针偏转角度集确定单元，用于随机选取所述自然种群中的一个个体，采用霍夫直线变换算法，对所有预处理后的正视指针式仪表训练图像进行直线检测，确定每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度，并将每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度的平均值确定为对应预处理后的正视指针式仪表训练图像的指针偏转角度值，然后遍历所述自然种群中的每个个体，重复上述操作，确定多组指针偏转角度集；所述指针偏转角度集包括每张预处理后的正视指针式仪表训练图像的指针偏转角度值；所述指针偏转角度集的组数和所述个体的个数相同，且不同的所述指针偏转角度集对应不同的所述个体；
示数计算公式确定单元，用于确定示数计算公式；所述示数计算公式的自变量为预处理后的正视指针式仪表训练图像的指针偏转角度值；
自动识别示数集确定单元，用于根据所述示数计算公式和所有所述指针偏转角度集，确定多组自动识别示数集；所述自动识别示数集的组数和所述指针偏转角度集的组数相同，且不同的自动识别示数集对应不同的指针偏转角度集；所述自动识别示数集中的自动识别示数是通过将所述指针偏转角度集中的预处理后的正视指针式仪表训练图像的指针偏转角度值代入所述示数计算公式后得到的，所述自动识别示数集中不同的自动识别示数对应所述指针偏转角度集中不同的正视指针式仪表训练图像的指针偏转角度值。
可选的，所述最优个体确定模块，具体包括：
迭代总数确定单元，用于确定迭代总数；
适应度值计算单元，用于根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数；其中，所述适应度计算函数为Fj(Xj)＝f1(Xj)+f2(Xj)+...+fi(Xj)+...+fr(Xj)；Fj(Xj)表示第j个个体的适应度值，Xj表示第j个个体，fi(Xj)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的优化目标，fi(Xj)＝|yi-μ(θij)|，yi表示第i张正视指针式仪表训练图像的正视读数，θij表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的指针偏转角度值，μ(θij)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的自动识别示数；r表示预处理后的正视指针式仪表训练图像的总张数；
第一判断结果得到单元，用于判断所述当前迭代次数是否小于所述迭代总数，得到第一判断结果；
最优个体确定单元，用于当所述第一判断结果表示所述当前迭代次数不小于所述迭代总数时，将适应度值最小的个体确定为最优个体；
返回单元，用于当所述第一判断结果表示所述当前迭代次数小于所述迭代总数时，将当前迭代次数加1以更新当前迭代次数，根据每个所述个体的适应度值升序排列所有所述个体，并采用遗传算法，对选取的前m个所述个体进行自然选择和交叉变异处理，然后将处理后的个体加入前m个个体中以更新自然种群，接着基于所述更新后的自然种群中的每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，并返回适应度值计算单元；其中，所述自然种群中的个体和更新后的自然种群中的个体均为2m个。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了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，首先通过遗传算法自适应调整参数，然后根据调整后的参数和霍夫直线变换法算法，对预处理后的正视指针式仪表图像进行检测，自动识别正视指针式仪表图像的正视读数，真正解决现实场景中的问题，使指针式仪表示数的自动识别更加智能、高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1基于遗传算法的指针式仪表示数自动识别方法的流程示意图；
图2为本发明实施例2基于遗传算法的指针式仪表示数自动识别系统的结构示意图；
图3为本发明实施例3参数自适应调整过程的流程图；
图4为本发明实施例3指针式仪表示数自动识别过程的流程图；
图5为本发明实施例3训练样本图；
图6为本发明实施例3灰度处理对比图；图6左部分为缩略图，图6右部分为灰度图像；
图7为本发明实施例3亮度对比度调整后的对比图；图7左部分为昏暗条件下的图像，图7右部分为亮度对比度调整后的图像
图8为本发明实施例3高斯滤波对比图；图8左部分为高斯噪声图像，图8右部分为滤波处理后的图像；
图9为本发明实施例3边缘检测对比图；图9左部分为滤波处理后的图像，
图9右部分为边缘检测图像；
图10为本发明实施例3指针边缘直线检测图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明以霍夫直线变换算法为基础，提出了一种应用遗传算法对特定环境下的指针式仪表图像进行自适应参数调整，使其适应于该环境下的指针式仪表示数自动识别的方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种基于遗传算法自适应调整参数以适应特定环境下指针式仪表示数自动识别的方法，具体包括以下步骤：
步骤101：产生自然种群；所述自然种群包括多个个体，所述个体表示指针边缘直线检测过程中涉及的参数，所述参数包括累加器阈值、最小长度阈值和最大允许间隔。
步骤102：构建样本数据集；所述样本数据集包括多张预处理后的正视指针式仪表训练图像，以及每张正视指针式仪表训练图像的正视读数和指针偏转角度。
步骤103：基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集；其中，所述自动识别示数集包括多个自动识别示数，且所述自动识别示数的个数与所述预处理后的正视指针式仪表训练图像的张数相同；所述自动识别示数集的组数和所述个体的个数相同，且不同的所述自动识别示数集对应不同的所述个体。
步骤104：根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体。
步骤105：采集正视指针式仪表图像并进行预处理。
步骤106：基于所述最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行检测，自动识别所述正视指针式仪表图像的正视读数。
步骤101具体包括：
确定自然种群中个体的总数。
采用实数编码方式对个体进行编码。将指针边缘直线检测过程中提到的累加器阈值、最小长度和最大允许间隔作为个体特征，即一组不同的待定参数，即为自然种群中的一个不同的个体。根据参数类型特点，本实施例采用实数编码方式。
对编码后的个体进行随机初始化，产生自然种群。
步骤102具体包括：
获取多张正视指针式仪表训练图像并对每张所述正视指针式仪表训练图像进行预处理。
确定每张所述正视指针式仪表训练图像的正视读数和指针偏转角度。
根据所有预处理后的正视指针式仪表训练图像，以及每张所述正视指针式仪表训练图像的正视读数和指针偏转角度，构建样本数据集。
每张所述正视指针式仪表训练图像的预处理过程为：
1.1图像大小调整
将正视指针式仪表训练图像统一等比例调整为m*n，使其既能够保留图像细节，又能够快速提取图像特征。
1.2灰度处理
根据公式Gray＝R*299+G*587+B*114+500/1000对每张大小调整后的正视指针式仪表训练图像进行灰度化处理。
1.3图像亮度与对比度调整
使用灰度图像的像素平均值γ表示灰度图像的明暗程度，对昏暗环境下的每张灰度化处理后的正视指针式仪表训练图像进行亮度和对比度调整，即依据灰度图像的像素平均值γ，通过公式f(x)＝α*g(x)+β，对灰度图像进行处理。其中，f(x)为目标图像，g(x)为原始图像(灰度化处理后的正视指针式仪表训练图像)，α，β由像素平均值γ确定。
1.4高斯滤波去噪
将滤波的邻域大小设置为a*a，对每张调整后的正视指针式仪表训练图像进行高斯滤波处理，要求既能够消除噪声对指针边缘直线检测的影响，也能够消除刻度边缘直线对指针边缘直线检测的影响。
1.5图像边缘检测
采用Canny边缘检测算法对每张高斯滤波后的正视指针式仪表训练图像进行边缘检测，具体为Canny边缘检测算法通过分析滤波后的灰度图像中的强度变化位置，找出对应的强度变化信息，再保留像素点上强度极大值，消除其他值(以双阈值的方式消除其他噪点，进行边界分析)。其中，边缘检测后的正视指针式仪表训练图像为预处理后的正视指针式仪表训练图像。
步骤103具体包括：
步骤1031：随机选取所述自然种群中的一个个体，采用霍夫直线变换算法，对所有预处理后的正视指针式仪表训练图像进行直线检测，确定每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度，并将每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度的平均值确定为对应预处理后的正视指针式仪表训练图像的指针偏转角度值。
霍夫变换检测直线的策略为：将边缘检测后的正视指针式仪表训练图像中的每一个非零像素点映射到霍夫空间，计算霍夫空间中每一个非零像素点的叠加次数，如果该非零像素点的叠加次数超过累加器阈值，在同一方向上的直线长度大于最小长度阈值(以像素为单位)，在同一方向上相邻两个非零像素点的间隔小于最大允许间隔(以像素为单位)，则认为该非零像素点为边缘检测后的正视指针式仪表训练图像中的一条直线。其中，累加器阈值，最小长度阈值和最大允许间隔为同一个个体代表的参数。
平均值的确定过程为：将检测到的两条指针边缘直线的偏转角度x1和x2的平均值
Figure BDA0002207138700000111
作为指针偏转角度值。
步骤1032：遍历所述自然种群中的每个个体，重复步骤1031，确定多组指针偏转角度集；所述指针偏转角度集包括每张预处理后的正视指针式仪表训练图像的指针偏转角度值；所述指针偏转角度集的组数和所述个体的个数相同，且不同的所述指针偏转角度集对应不同的所述个体。
步骤1033：确定示数计算公式；所述示数计算公式的自变量为预处理后的正视指针式仪表训练图像的指针偏转角度值。
示数计算公式的确定过程为首先从所述样本数据集中随机选取两张正视指针式仪表训练图像的正视读数和指针偏转角度；其次根据公式
Figure BDA0002207138700000121
和
Figure BDA0002207138700000122
计算示数计算公式的第一参数和第二参数；其中，y1表示随机选取的第一张正视指针式仪表训练图像的正视读数，y2表示随机选取的第二张正视指针式仪表训练图像的正视读数，θ1表示随机选取的第一张正视指针式仪表训练图像的指针偏转角度，θ2表示随机选取的第二张正视指针式仪表训练图像的指针偏转角度，k表示第一参数，b表示第二参数；最后根据所述第一参数和所述第二参数确定示数计算公式；所述示数计算公式为
Figure BDA0002207138700000123
Figure BDA0002207138700000124
表示预处理后的正视指针式仪表训练图像的指针偏转角度值，y表示预处理后的正视指针式仪表训练图像的自动识别示数。
步骤1034：根据所述示数计算公式和所有所述指针偏转角度集，确定多组自动识别示数集；所述自动识别示数集的组数和所述指针偏转角度集的组数相同，且不同的自动识别示数集对应不同的指针偏转角度集；所述自动识别示数集中的自动识别示数是通过将所述指针偏转角度集中的预处理后的正视指针式仪表训练图像的指针偏转角度值代入所述示数计算公式后得到的，所述自动识别示数集中不同的自动识别示数对应所述指针偏转角度集中不同的正视指针式仪表训练图像的指针偏转角度值。
步骤104具体包括：
确定迭代总数。
将3个待定参数作为决策向量(个体)，可表示为X＝(x1,x2,x3)。
根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数；其中，所述适应度计算函数为Fj(Xj)＝f1(Xj)+f2(Xj)+...+fi(Xj)+...+fr(Xj)；Fj(Xj)表示第j个个体的适应度值，Xj表示第j个个体，fi(Xj)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的优化目标，fi(Xj)＝|yi-μ(θij)|，yi表示第i张正视指针式仪表训练图像的正视读数，θij表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的指针偏转角度值，μ(θij)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的自动识别示数；r表示预处理后的正视指针式仪表训练图像的总张数。
判断所述当前迭代次数是否小于所述迭代总数，得到第一判断结果。
若所述第一判断结果表示所述当前迭代次数不小于所述迭代总数，则将适应度值最小的个体确定为最优个体。
若所述第一判断结果表示所述当前迭代次数小于所述迭代总数，则将当前迭代次数加1以更新当前迭代次数，根据每个所述个体的适应度值升序排列所有所述个体，并采用遗传算法，对选取的前m个所述个体进行自然选择和交叉变异处理，然后将当前自然种群清空，将处理后的个体加入前m个个体组成下一代自然种群以更新自然种群；其中，所述自然种群中的个体和更新后的自然种群中的个体均为2m个。
基于所述更新后的自然种群中的每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，并返回根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数的步骤。
步骤105中的正视指针式仪表图像的预处理过程与正视指针式仪表训练图像的预处理过程相同，在此不再重复叙述。
步骤106具体包括：
首先基于最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行直线检测，确定预处理后的正视指针式仪表图像的两条指针边缘直线的偏转角度。
其次计算两个偏转角度的平均值，并将此平均值确定预处理后的正视指针式仪表图像的指针偏转角度值。
最后将此指针偏转角度值代入示数计算公式中，即可得到正视指针式仪表图像的正视读数，实现自动识别。
实施例2
如图2所示，本实施例提供的一种基于遗传算法的指针式仪表示数自动识别系统包括：
自然种群产生模块201，用于产生自然种群；所述自然种群包括多个个体，所述个体表示指针边缘直线检测过程中涉及的参数，所述参数包括累加器阈值、最小长度阈值和最大允许间隔。
样本数据集构建模块202，用于构建样本数据集；所述样本数据集包括多张预处理后的正视指针式仪表训练图像，以及每张正视指针式仪表训练图像的正视读数和指针偏转角度。
自动识别示数集确定模块203，用于基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集；其中，所述自动识别示数集包括多个自动识别示数，且所述自动识别示数的个数与所述预处理后的正视指针式仪表训练图像的张数相同；所述自动识别示数集的组数和所述个体的个数相同，且不同的所述自动识别示数集对应不同的所述个体。
最优个体确定模块204，用于根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体。
采集处理模块205，用于采集正视指针式仪表图像并进行预处理。
正视读数识别模块206，用于基于所述最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行检测，自动识别所述正视指针式仪表图像的正视读数。
所述自然种群产生模块201中包括以下操作步骤：
首先确定自然种群中个体的总数。
其次采用实数编码方式对个体进行编码。
最后对编码后的个体进行随机初始化，产生自然种群。
所述样本数据集构建模块202中包括以下操作步骤：
首先获取多张正视指针式仪表训练图像并对每张所述正视指针式仪表训练图像进行预处理。
其次确定每张所述正视指针式仪表训练图像的正视读数和指针偏转角度。
最后根据所有预处理后的正视指针式仪表训练图像，以及每张所述正视指针式仪表训练图像的正视读数和指针偏转角度，构建样本数据集。
其中，每张所述正视指针式仪表训练图像的预处理过程为：对每张所述正视指针式仪表训练图像进行灰度化处理；对每张灰度化处理后的正视指针式仪表训练图像进行亮度和对比度调整；对每张调整后的正视指针式仪表训练图像进行高斯滤波处理；采用Canny边缘检测算法对每张高斯滤波后的正视指针式仪表训练图像进行边缘检测；其中，边缘检测后的正视指针式仪表训练图像为预处理后的正视指针式仪表训练图像。
所述自动识别示数集确定模块203，具体包括：
指针偏转角度集确定单元，用于随机选取所述自然种群中的一个个体，采用霍夫直线变换算法，对所有预处理后的正视指针式仪表训练图像进行直线检测，确定每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度，并将每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度的平均值确定为对应预处理后的正视指针式仪表训练图像的指针偏转角度值，然后遍历所述自然种群中的每个个体，重复上述操作，确定多组指针偏转角度集；所述指针偏转角度集包括每张预处理后的正视指针式仪表训练图像的指针偏转角度值；所述指针偏转角度集的组数和所述个体的个数相同，且不同的所述指针偏转角度集对应不同的所述个体。
示数计算公式确定单元，用于确定示数计算公式；所述示数计算公式的自变量为预处理后的正视指针式仪表训练图像的指针偏转角度值。
自动识别示数集确定单元，用于根据所述示数计算公式和所有所述指针偏转角度集，确定多组自动识别示数集；所述自动识别示数集的组数和所述指针偏转角度集的组数相同，且不同的自动识别示数集对应不同的指针偏转角度集；所述自动识别示数集中的自动识别示数是通过将所述指针偏转角度集中的预处理后的正视指针式仪表训练图像的指针偏转角度值代入所述示数计算公式后得到的，所述自动识别示数集中不同的自动识别示数对应所述指针偏转角度集中不同的正视指针式仪表训练图像的指针偏转角度值。
示数计算公式的确定过程为首先从所述样本数据集中随机选取两张正视指针式仪表训练图像的正视读数和指针偏转角度；其次根据公式
Figure BDA0002207138700000161
和
Figure BDA0002207138700000162
计算示数计算公式的第一参数和第二参数；其中，y1表示随机选取的第一张正视指针式仪表训练图像的正视读数，y2表示随机选取的第二张正视指针式仪表训练图像的正视读数，θ1表示随机选取的第一张正视指针式仪表训练图像的指针偏转角度，θ2表示随机选取的第二张正视指针式仪表训练图像的指针偏转角度，k表示第一参数，b表示第二参数；最后根据所述第一参数和所述第二参数确定示数计算公式；所述示数计算公式为
Figure BDA0002207138700000163
Figure BDA0002207138700000164
表示预处理后的正视指针式仪表训练图像的指针偏转角度值，y表示预处理后的正视指针式仪表训练图像的自动识别示数。
所述最优个体确定模块204，具体包括：
迭代总数确定单元，用于确定迭代总数。
适应度值计算单元，用于根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数；其中，所述适应度计算函数为Fj(Xj)＝f1(Xj)+f2(Xj)+...+fi(Xj)+...+fr(Xj)；Fj(Xj)表示第j个个体的适应度值，Xj表示第j个个体，fi(Xj)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的优化目标，fi(Xj)＝|yi-μ(θij)|，yi表示第i张正视指针式仪表训练图像的正视读数，θij表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的指针偏转角度值，μ(θij)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的自动识别示数；r表示预处理后的正视指针式仪表训练图像的总张数。
第一判断结果得到单元，用于判断所述当前迭代次数是否小于所述迭代总数，得到第一判断结果。
最优个体确定单元，用于当所述第一判断结果表示所述当前迭代次数不小于所述迭代总数时，将适应度值最小的个体确定为最优个体。
返回单元，用于当所述第一判断结果表示所述当前迭代次数小于所述迭代总数时，将当前迭代次数加1以更新当前迭代次数，根据每个所述个体的适应度值升序排列所有所述个体，并采用遗传算法，对选取的前m个所述个体进行自然选择和交叉变异处理，然后将处理后的个体加入前m个个体中以更新自然种群，接着基于所述更新后的自然种群中的每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，并返回适应度值计算单元；其中，所述自然种群中的个体和更新后的自然种群中的个体均为2m个。
所述采集处理模块205中的正视指针式仪表图像的预处理过程与正视指针式仪表训练图像的预处理过程相同，在此不再重复叙述。
所述正视读数识别模块206中包括以下操作步骤：
首先基于最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行直线检测，确定预处理后的正视指针式仪表图像的两条指针边缘直线的偏转角度。
其次计算两个偏转角度的平均值，并将此平均值确定预处理后的正视指针式仪表图像的指针偏转角度值。
最后将此指针偏转角度值代入示数计算公式中，即可得到正视指针式仪表图像的正视读数，实现自动识别。
实施例3
本实施例采用了3张清晰正视指针式仪表图像作为训练样本，5组不同环境下的正视指针式仪表图像作为测试样本，具体情况如下：
(1)清晰正视指针式仪表图像。
(2)椒盐噪声正视指针式仪表图像。
(3)高斯模糊正视指针式仪表图像。
(4)污点正视指针式仪表图像。
(5)昏暗环境下的正视指针式仪表图像。
其中，步骤1-3为参数自适应调整过程，如图3所示；步骤4-6为指针式仪表图像正视读数自动识别过程，如图4所示。
步骤1：选取3张不同读数的清晰正视指针式仪表图像及其指针偏转角度和正视读数作为训练样本，如图5所示。
步骤2：选取训练样本中第一张和第二张清晰正视指针式仪表图像的指针偏转角度和正视读数，由公式
Figure BDA0002207138700000181
和
Figure BDA0002207138700000182
计算示数计算公式的第一参数k和第二参数b。
基于以上得到该示数计算公式为
Figure BDA0002207138700000183
步骤3：将指针边缘直线检测过程中涉及到的待定参数(累加器阈值、最小长度阈值和最大允许间隔)，作为个体特征，即一组不同的待定参数为自然种群中的一个不同的个体。
首先将自然种群大小设置为100，迭代终止条件设置为20代，使用实数编码方式进行编码，随机产生自然种群(初始种群p)，通过步骤4的图像预处理、步骤5的指针边缘直线检测、步骤6的训练样本读数计算，分别对训练样本进行处理。
然后根据公式：Fj(Xj)＝f1(Xj)+f2(Xj)+...+fi(Xj)+...+fr(Xj)，对自然种群进行适应度评价。其中，fi(Xj)表示在第j个个体代表的参数下第i张处理后的训练图像的优化目标，fi(Xj)＝|yi-μ(θij)|，yi表示第i张处理后的训练图像的正视读数，θij表示在第j个个体代表的参数下第i张处理后的训练图像的指针偏转角度值，μ(θij)表示在第j个个体代表的参数下第i张处理后的训练图像的自动识别示数；r表示训练图像的总张数。
接着根据每个个体的适应度值升序排列所有个体，并采用遗传算法，对选取的前m个个体，通过自然选择、交叉和突变产生新的个体，并将新的个体加入前m个个体以更新自然种群(新群体R)，该更新后的自然种群在算法的下一次迭代中成为当前自然种群，直到达到收敛条件，即迭代终止条件，获得当前最优个体，最优个体为在达到终止条件时适应度值最小的个体。经过20代进化，得到一组最优参数，累加器阈值为83，最小长度阈值为65，最大允许间隔为24。
步骤4：对采集到的正视指针式仪表图像进行预处理。具体包括：
步骤4-1：将正视指针式仪表图像统一等比例调整为500*500。然后，根据公式Gray＝R*299+G*587+B*114+500/1000，对正视指针式仪表图像进行灰度处理，如图6所示。
步骤4-2：使用灰度图像的像素平均值γ表示灰度图像的明暗程度，对昏暗环境下的正视指针式仪表图像进行亮度和对比度的调整，即依据灰度图像的像素平均值γ，通过公式f(x)＝α*g(x)+β，对灰度图像进行处理，如图7所示。其中，f(x)为目标图像，g(x)为原始图像(正视指针式仪表图像)，α，β由像素平均值γ确定，
Figure BDA0002207138700000191
步骤4-3：对调整后的灰度图像进行高斯滤波，将滤波的邻域大小设置为15*15，既能够消除噪声对指针直线检测的影响，也能够消除刻度直线对指针直线检测的影响，如图8所示。
步骤4-3：通过Canny边缘检测算法对滤波图像进行边缘检测，如图9所示。
步骤5：对步骤4中得到的边缘图像进行指针边缘直线检测。具体包括：
步骤5-1：使用步骤3得到的一组最优参数，即累加器阈值为83，最小长度阈值为65，最大允许间隔为24，采用霍夫直线变换算法，对步骤4得到的边缘图像进行指针边缘直线检测，检测结果如图10所示，其中，黑粗直线为检测得到的两天指针边缘直线，边缘直线为平均直线。
步骤5-2：将检测到的两条指针边缘直线的偏转角度x1＝104.0和x2＝106.6的平均值
Figure BDA0002207138700000201
作为指针偏转角度值。
步骤6：将指针偏转角度
Figure BDA0002207138700000202
带入公式：
Figure BDA0002207138700000203
得到读数为22.3，即为正视指针式仪表图像的正视读数。对5组测试样本的测试结果表明，该模型能够在允许的误差范围内自动识别清晰指针式仪表图像、噪声指针式仪表图像、污点指针式仪表图像和较暗环境下的指针式仪表图像，能够部分识别极暗环境下的指针式仪表图像，识别一张指针式仪表图像平均用时0.096s，符合工业实时监测的要求。对于不同环境下的指针式仪表图像的识别率如下表1所示。
表1不同环境下指针式仪表图像识别率
Figure BDA0002207138700000204
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于遗传算法的指针式仪表示数自动识别方法，其特征在于，所述指针式仪表自动识别方法包括：
产生自然种群；所述自然种群包括多个个体，所述个体表示指针边缘直线检测过程中涉及的参数，所述参数包括累加器阈值、最小长度阈值和最大允许间隔；
构建样本数据集；所述样本数据集包括多张预处理后的正视指针式仪表训练图像，以及每张正视指针式仪表训练图像的正视读数和指针偏转角度；
基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集；其中，所述自动识别示数集包括多个自动识别示数，且所述自动识别示数的个数与所述预处理后的正视指针式仪表训练图像的张数相同；所述自动识别示数集的组数和所述个体的个数相同，且不同的所述自动识别示数集对应不同的所述个体；
根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体；
采集正视指针式仪表图像并进行预处理；
基于所述最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行检测，自动识别所述正视指针式仪表图像的正视读数。
2.根据权利要求1所述的基于遗传算法的指针式仪表示数自动识别方法，其特征在于，所述产生自然种群，具体包括：
确定自然种群中个体的总数；
采用实数编码方式对个体进行编码；
对编码后的个体进行随机初始化，产生自然种群。
3.根据权利要求1所述的基于遗传算法的指针式仪表示数自动识别方法，其特征在于，对每张所述正视指针式仪表训练图像进行预处理，具体包括：
对每张所述正视指针式仪表训练图像进行灰度化处理；
对每张灰度化处理后的正视指针式仪表训练图像进行亮度和对比度调整；
对每张调整后的正视指针式仪表训练图像进行高斯滤波处理；
采用Canny边缘检测算法对每张高斯滤波后的正视指针式仪表训练图像进行边缘检测；其中，边缘检测后的正视指针式仪表训练图像为预处理后的正视指针式仪表训练图像。
4.根据权利要求1所述的基于遗传算法的指针式仪表示数自动识别方法，其特征在于，所述基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，具体包括：
随机选取所述自然种群中的一个个体，采用霍夫直线变换算法，对所有预处理后的正视指针式仪表训练图像进行直线检测，确定每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度，并将每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度的平均值确定为对应预处理后的正视指针式仪表训练图像的指针偏转角度值；
遍历所述自然种群中的每个个体，重复上述步骤，确定多组指针偏转角度集；所述指针偏转角度集包括每张预处理后的正视指针式仪表训练图像的指针偏转角度值；所述指针偏转角度集的组数和所述个体的个数相同，且不同的所述指针偏转角度集对应不同的所述个体；
确定示数计算公式；所述示数计算公式的自变量为预处理后的正视指针式仪表训练图像的指针偏转角度值；
根据所述示数计算公式和所有所述指针偏转角度集，确定多组自动识别示数集；所述自动识别示数集的组数和所述指针偏转角度集的组数相同，且不同的自动识别示数集对应不同的指针偏转角度集；所述自动识别示数集中的自动识别示数是通过将所述指针偏转角度集中的预处理后的正视指针式仪表训练图像的指针偏转角度值代入所述示数计算公式后得到的，所述自动识别示数集中不同的自动识别示数对应所述指针偏转角度集中不同的正视指针式仪表训练图像的指针偏转角度值。
5.根据权利要求4所述的基于遗传算法的指针式仪表示数自动识别方法，其特征在于，所述确定示数计算公式，具体包括
从所述样本数据集中随机选取两张正视指针式仪表训练图像的正视读数和指针偏转角度；
根据公式
Figure FDA0003358205830000031
和
Figure FDA0003358205830000032
计算示数计算公式的第一参数和第二参数；其中，y1表示随机选取的第一张正视指针式仪表训练图像的正视读数，y2表示随机选取的第二张正视指针式仪表训练图像的正视读数，θ1表示随机选取的第一张正视指针式仪表训练图像的指针偏转角度，θ2表示随机选取的第二张正视指针式仪表训练图像的指针偏转角度，k表示第一参数，b表示第二参数；
根据所述第一参数和所述第二参数确定示数计算公式；所述示数计算公式为
Figure FDA0003358205830000041
Figure FDA0003358205830000042
表示预处理后的正视指针式仪表训练图像的指针偏转角度值，y表示预处理后的正视指针式仪表训练图像的自动识别示数。
6.根据权利要求1所述的基于遗传算法的指针式仪表示数自动识别方法，其特征在于，所述根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体，具体包括：
确定迭代总数；
根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数；其中，已构建的所述适应度计算函数为Fj(Xj)＝f1(Xj)+f2(Xj)+...+fi(Xj)+...+fr(Xj)；Fj(Xj)表示第j个个体的适应度值，Xj表示第j个个体，fi(Xj)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的优化目标，fi(Xj)＝|yi-μ(θij)|，yi表示第i张正视指针式仪表训练图像的正视读数，θij表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的指针偏转角度值，μ(θij)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的自动识别示数；r表示预处理后的正视指针式仪表训练图像的总张数；
判断所述当前迭代次数是否小于所述迭代总数，得到第一判断结果；
若所述第一判断结果表示所述当前迭代次数不小于所述迭代总数，则将适应度值最小的个体确定为最优个体；
若所述第一判断结果表示所述当前迭代次数小于所述迭代总数，则将当前迭代次数加1以更新当前迭代次数，根据每个所述个体的适应度值升序排列所有所述个体，并采用遗传算法，对选取的前m个所述个体进行自然选择和交叉变异处理，然后将处理后的个体加入前m个个体中以更新自然种群；其中，所述自然种群中的个体和更新后的自然种群中的个体均为2m个；
基于所述更新后的自然种群中的每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，并返回根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数的步骤。
7.一种基于遗传算法的指针式仪表示数自动识别系统，其特征在于，所述指针式仪表自动识别系统包括：
自然种群产生模块，用于产生自然种群；所述自然种群包括多个个体，所述个体表示指针边缘直线检测过程中涉及的参数，所述参数包括累加器阈值、最小长度阈值和最大允许间隔；
样本数据集构建模块，用于构建样本数据集；所述样本数据集包括多张预处理后的正视指针式仪表训练图像，以及每张正视指针式仪表训练图像的正视读数和指针偏转角度；
自动识别示数集确定模块，用于基于每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集；其中，所述自动识别示数集包括多个自动识别示数，且所述自动识别示数的个数与所述预处理后的正视指针式仪表训练图像的张数相同；所述自动识别示数集的组数和所述个体的个数相同，且不同的所述自动识别示数集对应不同的所述个体；
最优个体确定模块，用于根据所有所述自动识别示数集和所有所述正视指针式仪表训练图像的正视读数，采用遗传迭代算法，确定最优个体；
采集处理模块，用于采集正视指针式仪表图像并进行预处理；
正视读数识别模块，用于基于所述最优个体代表的参数，采用霍夫直线变换算法对预处理后的正视指针式仪表图像进行检测，自动识别所述正视指针式仪表图像的正视读数。
8.根据权利要求7所述的基于遗传算法的指针式仪表示数自动识别系统，其特征在于，所述自动识别示数集确定模块，具体包括：
指针偏转角度集确定单元，用于随机选取所述自然种群中的一个个体，采用霍夫直线变换算法，对所有预处理后的正视指针式仪表训练图像进行直线检测，确定每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度，并将每张预处理后的正视指针式仪表训练图像的两条指针边缘直线的偏转角度的平均值确定为对应预处理后的正视指针式仪表训练图像的指针偏转角度值，然后遍历所述自然种群中的每个个体，重复上述操作，确定多组指针偏转角度集；所述指针偏转角度集包括每张预处理后的正视指针式仪表训练图像的指针偏转角度值；所述指针偏转角度集的组数和所述个体的个数相同，且不同的所述指针偏转角度集对应不同的所述个体；
示数计算公式确定单元，用于确定示数计算公式；所述示数计算公式的自变量为预处理后的正视指针式仪表训练图像的指针偏转角度值；
自动识别示数集确定单元，用于根据所述示数计算公式和所有所述指针偏转角度集，确定多组自动识别示数集；所述自动识别示数集的组数和所述指针偏转角度集的组数相同，且不同的自动识别示数集对应不同的指针偏转角度集；所述自动识别示数集中的自动识别示数是通过将所述指针偏转角度集中的预处理后的正视指针式仪表训练图像的指针偏转角度值代入所述示数计算公式后得到的，所述自动识别示数集中不同的自动识别示数对应所述指针偏转角度集中不同的正视指针式仪表训练图像的指针偏转角度值。
9.根据权利要求7所述的基于遗传算法的指针式仪表示数自动识别系统，其特征在于，所述最优个体确定模块，具体包括：
迭代总数确定单元，用于确定迭代总数；
适应度值计算单元，用于根据所有所述自动识别示数集以及所有所述正视指针式仪表训练图像的正视读数，采用已构建的适应度计算函数，计算每个所述个体的适应度值，并记录当前迭代次数；其中，所述适应度计算函数为Fj(Xj)＝f1(Xj)+f2(Xj)+...+fi(Xj)+...+fr(Xj)；Fj(Xj)表示第j个个体的适应度值，Xj表示第j个个体，fi(Xj)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的优化目标，fi(Xj)＝|yi-μ(θij)|，yi表示第i张正视指针式仪表训练图像的正视读数，θij表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的指针偏转角度值，μ(θij)表示在第j个个体代表的参数下第i张预处理后的正视指针式仪表训练图像的自动识别示数；r表示预处理后的正视指针式仪表训练图像的总张数；
第一判断结果得到单元，用于判断所述当前迭代次数是否小于所述迭代总数，得到第一判断结果；
最优个体确定单元，用于当所述第一判断结果表示所述当前迭代次数不小于所述迭代总数时，将适应度值最小的个体确定为最优个体；
返回单元，用于当所述第一判断结果表示所述当前迭代次数小于所述迭代总数时，将当前迭代次数加1以更新当前迭代次数，根据每个所述个体的适应度值升序排列所有所述个体，并采用遗传算法，对选取的前m个所述个体进行自然选择和交叉变异处理，然后将处理后的个体加入前m个个体中以更新自然种群，接着基于所述更新后的自然种群中的每个所述个体代表的参数，采用霍夫直线变换算法，对所有所述预处理后的正视指针式仪表训练图像进行检测，得到多组自动识别示数集，并返回适应度值计算单元；其中，所述自然种群中的个体和更新后的自然种群中的个体均为2m个。
CN201910885343.3A 2019-09-19 2019-09-19 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 Active CN110633679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910885343.3A CN110633679B (zh) 2019-09-19 2019-09-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910885343.3A CN110633679B (zh) 2019-09-19 2019-09-19 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

Publications (2)

Publication Number Publication Date
CN110633679A CN110633679A (zh) 2019-12-31
CN110633679B true CN110633679B (zh) 2022-04-08

Family

ID=68971643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910885343.3A Active CN110633679B (zh) 2019-09-19 2019-09-19 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

Country Status (1)

Country Link
CN (1) CN110633679B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428659A (zh) * 2020-03-27 2020-07-17 京东方科技集团股份有限公司 一种指针定位方法、装置及仪表
CN111598094B (zh) * 2020-05-27 2023-08-18 深圳市铁越电气有限公司 基于深度学习的角度回归仪表读数识别方法、设备和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529559A (zh) * 2016-12-30 2017-03-22 山东鲁能软件技术有限公司 一种指针式圆形多仪表盘实时读数识别方法
CN107330902A (zh) * 2017-07-04 2017-11-07 河南师范大学 基于Arnold变换的混沌遗传BP神经网络图像分割方法
CN109190473A (zh) * 2018-07-29 2019-01-11 国网上海市电力公司 一种“机器视觉理解”在电力远程监控中的应用
US10335572B1 (en) * 2015-07-17 2019-07-02 Naveen Kumar Systems and methods for computer assisted operation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10335572B1 (en) * 2015-07-17 2019-07-02 Naveen Kumar Systems and methods for computer assisted operation
CN106529559A (zh) * 2016-12-30 2017-03-22 山东鲁能软件技术有限公司 一种指针式圆形多仪表盘实时读数识别方法
CN107330902A (zh) * 2017-07-04 2017-11-07 河南师范大学 基于Arnold变换的混沌遗传BP神经网络图像分割方法
CN109190473A (zh) * 2018-07-29 2019-01-11 国网上海市电力公司 一种“机器视觉理解”在电力远程监控中的应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于自适应特征提取的数显仪表识别系统;陆靖滨等;《现代电子技术》;20171231;论文正文 *

Also Published As

Publication number Publication date
CN110633679A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN106951900B (zh) 一种避雷器仪表读数的自动识别方法
CN109635806B (zh) 基于残差网络的电表数值识别方法
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN113313641B (zh) 一种自适应中值滤波的ct图像去噪方法
CN104112269B (zh) 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统
CN110298840B (zh) 一种基于图像的纱线缺陷检测方法
CN113505865B (zh) 一种基于卷积神经网络的片材表面缺陷图像识别处理方法
CN109060836A (zh) 基于机器视觉的高压油管接头外螺纹检测方法
CN107590512B (zh) 一种模板匹配中参数的自适应方法和系统
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
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN111563896B (zh) 一种用于接触网异常检测的图像处理方法
CN109859204A (zh) 卷积神经网络模型检验方法及装置
CN118096796B (zh) 基于机器学习的径锻钛棒外观视觉检测方法
CN116188756A (zh) 一种基于深度学习的仪表角度校正与示数识别方法
CN115471645A (zh) 一种基于u型学生网络的知识蒸馏异常检测方法
CN117495851A (zh) 一种基于图像轮廓处理的水环境微生物检测方法
CN111383281A (zh) 一种基于rbf神经网络的摄像机标定方法
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN117315670B (zh) 一种基于计算机视觉的水表读数区域检测方法
CN112632469A (zh) 业务交易数据的异常检测方法、装置及计算机设备
Li et al. Vehicle seat detection based on improved RANSAC-SURF algorithm
Shabankareh et al. Improvement of edge-tracking methods using genetic algorithm and neural network
CN112001388A (zh) 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法

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
GR01 Patent grant
GR01 Patent grant