CN110781884A - 一种实现电表数据智能读取的方法 - Google Patents

一种实现电表数据智能读取的方法 Download PDF

Info

Publication number
CN110781884A
CN110781884A CN201910987804.8A CN201910987804A CN110781884A CN 110781884 A CN110781884 A CN 110781884A CN 201910987804 A CN201910987804 A CN 201910987804A CN 110781884 A CN110781884 A CN 110781884A
Authority
CN
China
Prior art keywords
image
data
ammeter
neural network
electric meter
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.)
Pending
Application number
CN201910987804.8A
Other languages
English (en)
Inventor
孙乐平
秦丽娟
杨艺云
韩帅
陈卫东
吴宛潞
郭小璇
肖静
林溪桥
吴宁
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN201910987804.8A priority Critical patent/CN110781884A/zh
Publication of CN110781884A publication Critical patent/CN110781884A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Character Input (AREA)

Abstract

本发明公开了一种实现电表数据智能读取的方法，涉及计算机视觉和图像识别技术领域，根据电表图像的HSV模型相应的色调、饱和度、亮度和边缘检测处理电表图像，再进行形态学处理和联通量处理，并根据处理后的电表图像的数据显示部分区域的固定长宽比，筛除不符合的区域，完成电表图像中的数据区域的定位得到数据图像；然后运用Radon变换对二值化后的所述数据图像进行倾斜矫正等处理获取数据字符图像；最后数据字符图像的提取特征输入到BP神经网络进行识别，从而得到相应的电表数据。本发明方法易于实现，能够对电表数据快速读取；本发明得到的数据结果更为快速、准确，便于电表读数人员理解和使用。

Description

一种实现电表数据智能读取的方法
技术领域
本发明属于计算机视觉和图像识别技术领域，尤其涉及一种实现电表数据智能读取的方法。
背景技术
《基于神经网络车牌图像识别系统》中，人工神经网络是通过对生物的神经网络的反应机制进行模拟，从而解决复杂问题的一种模型。因为人工神经网络具有同时处理多个复杂事件的能力，学习能力强，误差小，可以进行信息的处理与储存，具有自适应能力。
《基于卷积神经网络的车牌识别技术研究》中，卷积神经网络是一种新的人工神经网络，结合了深度学习技术，有局部感受域、全局训练等特点，能够得出原始图像的有效表征。
然而，已有的电表数据识别方法都较为复杂，识别过程也较久且识别结果的正确率有待提高。因此，如何设计一个更为快速的、精准的电表数据读取方法是需要解决的问题。
发明内容
本发明的目的在于提供一种实现电表数据智能读取的方法，从而克服了现有电表数据识别方法都较为复杂，识别过程也较久，且识别结果的正确率的缺点。
为实现上述目的，本发明提供了一种实现电表数据智能读取的方法，包括以下步骤：
S1、获取电表图像，根据电表图像的HSV模型相应的色调、饱和度、亮度和边缘检测处理所述电表图像，再进行形态学处理和联通量处理，然后根据处理后的电表图像的数据显示部分区域的固定长宽比，筛除不符合的区域，完成电表图像中的数据区域的定位，得到数据图像；
S2、运用Radon变换对二值化后的所述数据图像进行倾斜矫正；
S3、根据所述S2矫正后的图像获取垂直投影，得到直方图，所述直方图有“波峰”和“波谷”，其中，所述“波峰”对应着字符，所述“波谷”为低矮部分，对应字符之间的间距空白；将所述直方图从左到右一次获取每一个“波峰”所对应的区域，从而得到电表图像中的数据字符图像；
S4、构建用于识别数字的BP神经网络，将所述数据字符图像进行特征提取，并将提取的特征通过所述用于识别数字的BP神经网络进行数据识别，得到所述电表图像的电表数据；包括以下步骤：
S41、所述BP神经网络设置为3层网络：输入层、隐含层和输出层，输入层的神经元数目定为20；输出层输出结果有‘0’～‘9’共10个数字，对所述数字编码采用BCD编码，输出神经元数目设定为4；所述隐含层神经元数目设为32；
S42、将标准的字符库中的数字图像经过特征提取，存入P矩阵作为输入矩阵，然后对应的数字的BCD编码结果设定输出矩阵T，最终建立BP神经网络，并对所述BP神经网络进行训练；
S43、将所述数据字符图像进行特征提取，将提取的特征向量输入到所述S42训练好的BP神经网络中，从而得出相应的向量结果，再将所述向量结果进行二值化，并进行译码，得到相应的电表数据。
进一步的，所述S2中的倾斜矫正的步骤为：对所述数据图像进行二值变换，得到二值图像；用函数f(x,y)表示所述二值图像的像素值，则所述二值图像的任意方向上的投影为在投影方向上对函数f(x,y)进行线性积分结果，对所述二值图像进行多方向投影，选择最大投影值，所述最大投影值对应的角度为所述电表图像的倾斜角度α，根据所述倾斜角度对所述数据图像做相反方向的旋转来矫正。
进一步的，所述S1中，进行固定长宽比筛除之前将得到的图像处理为RGB图像。
进一步的，采用MATLAB语言编程来实现。
进一步的，所述S41中，还设定BP神经网络的输入层激活函数为tansig函数，隐含层激活函数为logsig函数。
与现有的技术相比，本发明具有如下有益效果：本发明所提供的电表数据智能读取的方法，通过对电表图像进行预处理，即根据电表图像的HSV模型相应的色调、饱和度、亮度和边缘检测处理电表图像，再进行形态学处理和联通量处理，并根据处理后的电表图像的数据显示部分区域的固定长宽比，筛除不符合的区域，完成电表图像中的数据区域的定位得到数据图像；然后运用Radon变换对二值化后的所述数据图像进行倾斜矫正等处理获取数据字符图像；最后数据字符图像的提取特征输入到BP神经网络进行识别，从而得到相应的电表数据。本发明方法易于实现，能够对电表数据快速读取；本发明得到的数据结果更为快速、准确，便于电表读数人员理解和使用。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述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个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种实现电表数据智能读取的方法的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明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作出创造性劳动的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。
如图1所示，本发明所提供的一种实现电表数据智能读取的方法采用MATLAB语言编程来实现，包括以下步骤：
S1、获取电表图像，根据电表图像的HSV模型相应的色调(H)、饱和度(S)、亮度(V)和边缘检测处理所述电表图像，再进行形态学处理和联通量处理，并转换为HSV图像，然后根据处理后的电表图像的数据显示部分区域的固定长宽比，筛除不符合的区域，完成电表图像中的数据区域的定位，得到数据图像。
S2、运用Radon变换对二值化后的所述数据图像进行倾斜矫正；具体包括：对所述数据图像进行二值变换，得到二值图像；用函数f(x,y)表示所述二值图像的像素值，则所述二值图像的任意方向上的投影为在投影方向上对函数f(x,y)进行线性积分结果，对所述二值图像进行多方向投影，选择最大投影值，所述最大投影值对应的角度为所述电表图像的倾斜角度α，根据所述倾斜角度对所述数据图像做相反方向的旋转来矫正。
S3、根据所述S2矫正后的图像获取垂直投影，得到直方图，以获取每一个“波峰”的方法进行字符切割，所述直方图有类似波形图的“波峰”和“波谷”，其中，“波峰”对应着字符，“波谷”为低矮部分，对应字符之间的间距空白；将直方图从左到右一次获取每一个“波峰”所对应的区域，从而得到电表图像中的数据字符图像。
S4、构建用于识别数字的BP神经网络，将数据字符图像进行特征提取，并将提取的特征通过用于识别数字的BP神经网络进行数据识别，得到电表图像的电表数据；包括以下步骤：
S41、BP神经网络设置为3层网络：输入层、隐含层和输出层，输入层的神经元数目定为20；输出层输出结果有‘0’～‘9’共10个数字，对所述数字编码采用BCD编码，输出神经元数目设定为4；隐含层神经元数目设为32；设定BP神经网络的输入层激活函数为tansig函数，隐含层激活函数为logsig函数；
S42、将标准的字符库中的数字图像经过特征提取，存入P矩阵作为输入矩阵，然后对应的数字的BCD编码结果设定输出矩阵T，最终建立BP神经网络，并对BP神经网络进行训练；
S43、将数据字符图像进行特征提取，将提取的特征向量输入到S42训练好的BP神经网络中，从而得出相应的向量结果，再将向量结果进行二值化，并进行译码，得到相应的电表数据。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种实现电表数据智能读取的方法，其特征在于：包括以下步骤：
S1、获取电表图像，根据电表图像的HSV模型相应的色调、饱和度、亮度和边缘检测处理所述电表图像，再进行形态学处理和联通量处理，然后根据处理后的电表图像的数据显示部分区域的固定长宽比，筛除不符合的区域，完成电表图像中的数据区域的定位，得到数据图像；
S2、运用Radon变换对二值化后的所述数据图像进行倾斜矫正；
S3、根据所述S2矫正后的图像获取垂直投影，得到直方图，所述直方图有“波峰”和“波谷”，其中，所述“波峰”对应着字符，所述“波谷”为低矮部分，对应字符之间的间距空白；将所述直方图从左到右一次获取每一个“波峰”所对应的区域，从而得到电表图像中的数据字符图像；
S4、构建用于识别数字的BP神经网络，将所述数据字符图像进行特征提取，并将提取的特征通过所述用于识别数字的BP神经网络进行数据识别，得到所述电表图像的电表数据；包括以下步骤：
S41、所述BP神经网络设置为3层网络：输入层、隐含层和输出层，输入层的神经元数目定为20；输出层输出结果有‘0’～‘9’共10个数字，对所述数字编码采用BCD编码，输出神经元数目设定为4；所述隐含层神经元数目设为32；
S42、将标准的字符库中的数字图像经过特征提取，存入P矩阵作为输入矩阵，然后对应的数字的BCD编码结果设定输出矩阵T，最终建立BP神经网络，并对所述BP神经网络进行训练；
S43、将所述数据字符图像进行特征提取，将提取的特征向量输入到所述S42训练好的BP神经网络中，从而得出相应的向量结果，再将所述向量结果进行二值化，并进行译码，得到相应的电表数据。
2.根据权利要求1所述的实现电表数据智能读取的方法，其特征在于：所述S2中的倾斜矫正的步骤为：对所述数据图像进行二值变换，得到二值图像；用函数f(x,y)表示所述二值图像的像素值，则所述二值图像的任意方向上的投影为在投影方向上对函数f(x,y)进行线性积分结果，对所述二值图像进行多方向投影，选择最大投影值，所述最大投影值对应的角度为所述电表图像的倾斜角度α，根据所述倾斜角度对所述数据图像做相反方向的旋转来矫正。
3.根据权利要求1所述的实现电表数据智能读取的方法，其特征在于：所述S1中，进行固定长宽比筛除之前将得到的图像处理为RGB图像。
4.根据权利要求1所述的实现电表数据智能读取的方法，其特征在于：采用MATLAB语言编程来实现。
5.根据权利要求1所述的实现电表数据智能读取的方法，其特征在于：所述S41中，还设定BP神经网络的输入层激活函数为tansig函数，隐含层激活函数为logsig函数。
CN201910987804.8A 2019-10-17 2019-10-17 一种实现电表数据智能读取的方法 Pending CN110781884A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910987804.8A CN110781884A (zh) 2019-10-17 2019-10-17 一种实现电表数据智能读取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910987804.8A CN110781884A (zh) 2019-10-17 2019-10-17 一种实现电表数据智能读取的方法

Publications (1)

Publication Number Publication Date
CN110781884A true CN110781884A (zh) 2020-02-11

Family

ID=69385786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910987804.8A Pending CN110781884A (zh) 2019-10-17 2019-10-17 一种实现电表数据智能读取的方法

Country Status (1)

Country Link
CN (1) CN110781884A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408933A (zh) * 2008-05-21 2009-04-15 浙江师范大学 基于粗网格特征提取和bp神经网络的车牌字符识别方法
CN102708356A (zh) * 2012-03-09 2012-10-03 沈阳工业大学 一种基于复杂背景下的车牌自动定位和识别方法
CN106909941A (zh) * 2017-02-27 2017-06-30 广东工业大学 基于机器视觉的多表字符识别系统及方法
CN109255344A (zh) * 2018-08-15 2019-01-22 华中科技大学 一种基于机器视觉的数显式仪表定位与读数识别方法
CN109360396A (zh) * 2018-09-27 2019-02-19 长江大学 基于图像识别技术和NB-IoT技术的远程抄表方法及系统
CN109858480A (zh) * 2019-01-08 2019-06-07 北京全路通信信号研究设计院集团有限公司 一种数字式仪表识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408933A (zh) * 2008-05-21 2009-04-15 浙江师范大学 基于粗网格特征提取和bp神经网络的车牌字符识别方法
CN102708356A (zh) * 2012-03-09 2012-10-03 沈阳工业大学 一种基于复杂背景下的车牌自动定位和识别方法
CN106909941A (zh) * 2017-02-27 2017-06-30 广东工业大学 基于机器视觉的多表字符识别系统及方法
CN109255344A (zh) * 2018-08-15 2019-01-22 华中科技大学 一种基于机器视觉的数显式仪表定位与读数识别方法
CN109360396A (zh) * 2018-09-27 2019-02-19 长江大学 基于图像识别技术和NB-IoT技术的远程抄表方法及系统
CN109858480A (zh) * 2019-01-08 2019-06-07 北京全路通信信号研究设计院集团有限公司 一种数字式仪表识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
Song et al. EDRNet: Encoder–decoder residual network for salient object detection of strip steel surface defects
CN109886121B (zh) 一种遮挡鲁棒的人脸关键点定位方法
CN109344874B (zh) 一种基于深度学习的染色体自动分析方法及系统
CN112966684B (zh) 一种注意力机制下的协同学习文字识别方法
CN111160352B (zh) 一种基于图像分割的工件金属表面文字识别方法及系统
CN112418216B (zh) 一种复杂自然场景图像中的文字检测方法
CN109635627A (zh) 图片信息提取方法、装置、计算机设备及存储介质
CN109102037A (zh) 中文模型训练、中文图像识别方法、装置、设备及介质
Bussa et al. Smart attendance system using OPENCV based on facial recognition
CN111191663A (zh) 车牌号码识别方法、装置、电子设备及存储介质
CN109255350A (zh) 一种基于视频监控的新能源车牌检测方法
CN110097616B (zh) 一种联合绘画方法、装置、终端设备及可读存储介质
CN110866529A (zh) 字符识别方法、装置、电子设备及存储介质
CN111523622B (zh) 基于特征图像自学习的机械臂模拟手写笔迹方法
CN115812221A (zh) 图像生成及着色方法及装置
CN114092938B (zh) 图像的识别处理方法、装置、电子设备及存储介质
CN116958827A (zh) 一种基于深度学习的撂荒区域提取方法
CN113052215A (zh) 基于神经网络可视化的声呐图像自动目标识别方法
CN112489053B (zh) 一种舌像分割方法、装置及存储介质
Ding et al. Rethinking click embedding for deep interactive image segmentation
CN110781884A (zh) 一种实现电表数据智能读取的方法
CN110633666A (zh) 一种基于手指颜色贴片的手势轨迹识别方法
CN111274863A (zh) 一种基于文本山峰概率密度的文本预测方法
CN108537855B (zh) 一种草图一致的陶瓷花纸图案生成方法及装置
CN107679505B (zh) 一种实现对手写体字符拒识的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211