CN111612836A - 一种镂空圆形指针式仪表识别方法和系统 - Google Patents
一种镂空圆形指针式仪表识别方法和系统 Download PDFInfo
- Publication number
- CN111612836A CN111612836A CN202010456087.9A CN202010456087A CN111612836A CN 111612836 A CN111612836 A CN 111612836A CN 202010456087 A CN202010456087 A CN 202010456087A CN 111612836 A CN111612836 A CN 111612836A
- Authority
- CN
- China
- Prior art keywords
- image
- arc
- instrument
- maximum
- pointer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000005520 cutting process Methods 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 18
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 230000003628 erosive effect Effects 0.000 description 8
- 230000005484 gravity Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008961 swelling Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000219307 Atriplex rosea Species 0.000 description 1
- 241001677188 Coccus viridis Species 0.000 description 1
- 241000760358 Enodes Species 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明给出了一种镂空圆形指针式仪表识别方法和系统,包括对所述仪表的表盘的图像进行预处理获取包含所述仪表的表盘的最大圆形轮廓的图像;从所述最大圆形轮廓的图像中获取包含所述最大圆形轮廓的最小外接矩形框图像,去除所述最小外接矩形框图像以外多余区域部分;从所述最小外接矩形框图像中获取所述最大圆形轮廓的图像的圆心和半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取所述最大刻度弧轮廓的图像;利用区域生长算法提取仪表指针所在位置并获取仪表指针所在位置的读数,利用该方法和系统进行仪表盘分割,极大地提高了仪表图像识别的准确率和速度。
Description
技术领域
本发明涉及图像识别技术领域,尤其是一种镂空圆形指针式仪表识别方法和系统。
背景技术
各式各样的仪表应用于生产生活中的各个方面,从日常生活到工业领域都要使用仪表。正是由于仪表使用的广泛性和重要性,仪表的发展水平成为了一个国家科研进步一个体现。仪表按照显示方式的不同,可以分为两类:数字式仪表和指针式仪表。在实际应用中,数字仪表价格相对指针仪表价格较高,大批量的购买成本会上升很多。指针式仪表则可以适用于很多的场合,环境因素的约束相对来说较小。另外,指针式仪表还有抗干扰性强,防尘,防水等优点,因此我们国家的许多行业中,尤其是在电力、石油、化工等严禁易燃易爆的场合,指针式仪表仍然是首选,在环境恶劣的场合,根本无法使用数字式的仪表,在一般的工厂中,指针式的仪表数量大、种类多,这些仪表的读数十分耗费人力,人工读数效率低且容易出现失误。
目前仪表识别倾向于采用图片识别技术,随着图像技术的发展,人类对图像识别技术的认识越来越深刻,在仪表识别中亦被广泛使用,图像识别技术是信息时代的一门重要的技术,其产生目的为了让计算机代替人类去处理大量的物理信息,因此图像识别技术被广泛用于仪表的读数。
发明内容
为了解决现有技术中的人工检定仪表的效率低、容易出现失误或误差以及智能识别仪表技术中的算法复杂、识别率低下、成本高昂等技术问题,本发明提出了一种镂空圆形指针式仪表识别方法和系统,用以解决上述技术问题。
在一个方面,本发明提出了一种镂空圆形指针式仪表识别方法,包括以下步骤:
S201:对仪表的表盘的图像进行预处理获取包含仪表的表盘的最大圆形轮廓的图像,其中,预处理包括对最大圆形轮廓的图像进行二值化后膨胀腐蚀处理;将图像进行二值化处理,得到二值图像,采用膨胀去除或明显减少镂空圆形表盘图像的噪点,填补图像的凹洞使得到的圆形轮廓进行最大的连通。通过腐蚀可以消除镂空圆形表盘的图像中的“斑点”噪声,将“斑点”腐蚀掉,且能够保存镂空圆形表盘图像内的较大区域依然存在。
S202:从最大圆形轮廓的图像中获取包含最大圆形轮廓的最小外接矩形框图像,去除最小外接矩形框图像以外多余区域部分。利用重心原理确定水平主轴与垂直主轴的初始位置和旋转中心,根据水平主轴确定目标的初始外接矩形,在水平主轴和垂直主轴构成的锐角区域内,旋转外接矩形,找到面积最小的外接矩形,作为寻优目标。
S203:基于最大刻度弧轮廓的图像的颜色识别,从最小外接矩形框图像中寻找并获取最大刻度弧轮廓中包含端点的包括外弧和内弧的具有不同颜色的圆弧段的图像。基于镂空圆形表盘中刻度弧颜色不同,获取两个不同颜色的圆弧段,目的是为了获取圆弧段端点的位置坐标以及外弧和内弧的半径。
S204:从最小外接矩形框图像中获取最大圆形轮廓的图像的圆心,利用边缘检测算法找到外弧和内弧的轮廓线并获取外弧和内弧的半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取最大刻度弧轮廓的图像;最小二乘法通过最小化误差的平方和找到一组外弧和内弧数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。
S205:以最大刻度弧轮廓的图像的像素点为对象,利用区域生长算法提取仪表的指针所在位置并获取仪表的指针所在位置的读数。区域生长算法包括生长种子点的确定,区域生长的条件,区域生长停止的条件。
优选的,步骤S201具体包括:利用OpenCV自带库函数对仪表的表盘的图像进行自适应二值化预处理,以获取包含最大圆形轮廓的图像。自适应阈值不需要确定一个固定的阈值,而是可以根据对应的自适应方法,通过镂空圆形表盘图像的轮廓特征自适应的设定阈值,做出二值化处理。
优选的,步骤S202中:利用OpenCV自带库函数检测最大圆形轮廓,获取最大圆形轮廓的最大边界框,在利用OpenCV自带库函数获取最大圆形轮廓的最小外接矩形框。利用重心原理确定水平主轴与垂直主轴的初始位置和旋转中心,根据水平主轴确定目标的初始外接矩形,在水平主轴和垂直主轴构成的锐角区域内,旋转外接矩形,找到面积最小的外接矩形,作为寻优目标。
优选的,步骤S203中最大刻度弧轮廓的图像的颜色识别具体包括以下步骤:通过在OpenCV中将镂空圆形表盘的图像进行模糊处理,再将模糊处理后的图像从RGB格式转换成HSV格式的图像,并对HSV格式的图像进行通道分离以及图像阀值分割处理实现识别。彩色图像的三基色是红(R),绿(G),蓝(B),在此基础上建立的模型是RGB模型,然而我们常常将RGB模型转换成HSV模型。色度(H)决定图像色彩,饱和度(S)是颜色的深浅,明度(V)是图像的明亮程度。利用HSV这三个特性,设置一个颜色范围将区别于背景的刻度轮廓颜色提取出来。
优选的,模糊处理的算法为高斯模糊或均值模糊。高斯模糊是一种有效地降低了镂空圆形表盘的噪声,利用正太分布计算镂空圆形表盘图像中每个像素的变换。均值模糊典型的线性滤波算法,它是指在镂空圆形表盘图像上对目标像素给一个模板,该模板包括了其周围的临近像素,再用模板中的全体像素的平均值来代替原来像素值。
优选的,步骤S201中边缘检测的算法包括Canny边缘检测算法、LOG算法、Robert算法、Sobel算法或其组合。
优选的,步骤S204中切除多余部分为最大圆形轮廓的圆心和最大刻度弧轮廓中的外弧两个端点组成的三角形区域以及通过最小二乘法拟合的外圆以外区域和内圆以内区域部分。
优选的,步骤S205中通过区域生长算法获得指针所在位置,通过计算指针从零刻度开始划过的刻度弧的长度占最大刻度弧的长度的比例获取指针所在位置的读数。设仪表的指针与外弧的交点坐标为(x,y),此交点坐标与圆心坐标的连线从零刻度开始划过的角度设为θ,在圆的半径确定的情况下,计算出指针从零刻度开始沿着刻度弧划过的弧长为
根据本发明的第二方面,提出了一种计算机可读存储介质,其上存储有一或多个计算机程序,该一或多个计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面,提出了一种镂空圆形指针式仪表识别系统,该系统包括:
图像预处理单元:配置用于对镂空圆形表盘的图像进行预处理,通过膨胀腐蚀后利用边缘检测算法获取镂空圆形表盘的最大圆形轮廓。将图像进行二值化处理,得到二值图像,采用膨胀去除或明显减少镂空圆形表盘图像的噪点,填补图像的凹洞使得到的圆形轮廓进行最大的连通。通过腐蚀可以消除镂空圆形表盘的图像中的“斑点”噪声,将“斑点”腐蚀掉,且能够保存镂空圆形表盘图像内的较大区域依然存在。
最小图像裁减单元:配置用于获取包含最大圆形轮廓的最小外接矩形框,去除最小外接矩形框以外多余区域部分。利用重心原理确定水平主轴与垂直主轴的初始位置和旋转中心,根据水平主轴确定目标的初始外接矩形,在水平主轴和垂直主轴构成的锐角区域内,旋转外接矩形,找到面积最小的外接矩形,作为寻优目标。
圆弧段识别单元:基于最大刻度弧轮廓的颜色识别,通过发散射线寻找圆弧刻度轮廓中包含端点的不同颜色的包括外弧和内弧的圆弧段。再将RGB图像转换到HSV图像,并对所述HSV图像进行通道分离以及图像阀值分割处理实现识别。
最大刻度弧识别单元:获取所述最大圆形轮廓的圆心,找到所述外弧和所述内弧的轮廓并获取所述外弧和所述内弧的半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取所述最大刻度弧轮廓。
指针位置获取单元:配置用于以所述最大圆弧轮廓上的像素点为对象,利用区域生长算法提取仪表指针所在位置并获取所述仪表指针所在位置的读数。
本发明提出了一种镂空圆形指针式仪表识别方法和系统,对镂空圆形表盘的图像进行预处理利用边缘检测算法获取所述镂空圆形表盘的最大圆形轮廓,获取包含最大圆形轮廓的最小外接矩形框,去除最小外接矩形框以外多余背景干扰,基于颜色阀值分割获取最大刻度弧轮廓,以最大圆形轮廓上的像素点为对象,利用区域生长算法提取仪表指针所在位置并获取仪表指针所在位置的读数,利用该方法和系统进行仪表盘分割,极大地提高了仪表图像识别的准确率和速度。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的一个实施例的一种镂空圆形指针式仪表识别方法的流程图;
图3是本申请的一个具体的实施例的一种镂空圆形指针式仪表识别方法的流程图;
图4是本申请的一个实施例的一种镂空圆形指针式仪表识别系统的框架图;
图5是本申请的一个实施例中一种镂空圆形指针式仪表识别方法的原示意图;
图6是本申请的一个实施例中步骤S201二值化处理后的图片示意图;
图7是本申请的一个实施例中步骤S202获取最小矩形框后的图片示意图;
图8是本申请的一个实施例中步骤S203获取不同颜色圆弧段后的图片示意图;
图9是本申请的一个实施例中三角形区域的图像示意图;
图10是本申请的一个实施例中步骤S204完全切除多余部分区域后的图像示意图;
图11是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请实施例的一种镂空圆形指针式仪表识别方法的示例性系统架构100。
如图1所示,系统架构100可以包括数据服务器101,网络102和主服务器103。网络102用以在数据服务器101和主服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
主服务器103可以是提供各种服务的服务器,例如对数据服务器101上传的信息进行处理的数据处理服务器。数据处理服务器可以进行一种镂空圆形指针式仪表识别。
需要说明的是,本申请实施例所提供的镂空圆形指针式仪表识别方法一般由主服务器103执行,相应地,基于一种镂空圆形指针式仪表识别方法的装置一般设置于主服务器103中。
需要说明的是,数据服务器和主服务器可以是硬件,也可以是软件。当为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。
应该理解,图1中的数据服务器、网络和主服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
根据本申请的一个实施例的一种镂空圆形指针式仪表识别方法,图2示出了根据本申请的实施例的一种镂空圆形指针式仪表识别方法的流程图。如图2所示,该方法包括以下步骤:
S201:对镂空圆形表盘的图像进行预处理获取包含镂空圆形表盘的最大圆形轮廓的图像,其中,预处理包括对图像进行二值化后膨胀腐蚀处理。
在具体的实施中,使用大律法OTSU得到的全局自适应阈值来进行二值化图片,其方法为设置阈值T应使目标与背景两类的类间方差最大。获取一幅镂空圆形表盘图像,设当图像中前景与背景的分割阈值为t时,前景点占镂空圆形表盘图像比例为w0,均值为u0,背景点占镂空圆形表盘图像比例为w1,均值为u1。则整个镂空圆形表盘图像的均值为u=w0*u0+w1*u1。建立目标函数g(t)=w0*(u0-u)^2+w1*(u1-u)^2,g(t)就是当分割阈值为t时的类间方差表达式。OTSU算法使得g(t)取得全局最大值,当g(t)为最大时所对应的t称为最佳阈值。OTSU算法又称为最大类间方差法。膨胀和腐蚀被称为形态学操作。它们通常在二进制图像上执行,类似于轮廓检测。通过将像素添加到该图像中的对象的感知边界,扩张放大图像中的明亮白色区域。侵蚀恰恰相反:它沿着物体边界移除像素并缩小物体的大小。要在OpenCV中使用dilate函数进行膨胀操作,使用erode函数进行腐蚀操作。在具体的实施例当中采用闭环运算,即先膨胀后腐蚀,这对于关闭物体内的小孔或暗区具有较为显著的作用,图5为镂空圆形表盘的原图像,刻度弧上分别设置有绿色和红色的圆弧段,所获得的二值化处理后膨胀腐蚀的图像如图6所示。
可替代的,除了利用先闭环运算,即先膨胀后腐蚀,也可以用开环运算,即先腐蚀后膨胀,采用开环运算出来的结果对于减低图像噪声具有显著作用,其中腐蚀首先消除噪声并收缩物体,然后扩张再次扩大物体,但噪声将从之前的腐蚀中被去除。
S202:获取包含最大圆形轮廓的最小外接矩形框,去除最小外接矩形框以外多余区域部分。利用寻找主轴法,保持镂空圆形表盘图像中的目标位置不变,把镂空圆形表盘看作是密度均匀的薄板,利用重心原理确定水平主轴与垂直主轴的初始位置,进而确定旋转中心和初始外接矩形,由初始外接矩形开始,以确定的旋转间隔和旋转方向,旋转外接矩形,找到面积最小的外接矩形,作为寻优目标。
在具体的实施例中,寻找最小外接矩形的步骤包括:(1)确定主轴的初始位置。把图像目标看作均匀几何薄板,不需要考虑厚度,利用重心原理,依次确定每一列中目标的重点,采用最下二乘法求出一条直线方程,作为水平主轴的初始位置。(2)以水平主轴为外接矩形的一个直角边,求出初始外接矩形。保持水平主轴的方向不变,向下平移,采用二分法,寻找主轴与镂空圆形表盘图像中目标最下边点相交的位置。(3)旋转水平转轴。水平主轴是每列重心坐标构成的一组数据利用最小二乘法拟合出的直线,垂直主轴是每行重心坐标构成的一组数据利用最小二乘法拟合出的直线。(4)求旋转后的外接矩形,并计算其面积。
在具体实施例中,使用OpenCV自带库函数rectangle()函数绘制边界框,再使用minAreaRect()函数获得最小矩形区域,接着使用drawContours()函数绘制最小矩形区域。所获得的包括最大圆形轮廓的最小矩形框的图像如图7所示。
S203:基于最大刻度弧轮廓的颜色识别,寻找并获取圆弧刻度轮廓中包含端点的不同颜色的包括外弧和内弧的圆弧段。基于镂空圆形表盘中刻度弧颜色不同,获取两个不同颜色的圆弧段,目的是为了获取圆弧段端点的位置坐标以及外弧和内弧的半径。镂空圆形表盘中带有颜色的刻度弧的RGB颜色转化为HSV颜色,OpenCV中RGB图像格式转换到HSV图像格式时,使用cvCvtColor()函数进行变换:
K1=max{r,g,b},k2 min{r,g,b};
V=K1/255
式中:r,g,b为RGB颜色空间中红色、绿色、蓝色3个分量的值;h,s,v为HSV颜色空间中色度、饱和度、亮度的值。在具体的实施例中采用OpenCV自带库函数cvCvtColor()实现RGB图像格式到HSV图像格式的转换。由于仪表的最大刻度弧的颜色不同,对图像进行颜色的阀值分割,可以设置阀值的滑动条,快速找到阀值,设定了6个调节参数LowHue(色度下限值)、HighHue(色度上限值)、LowSaturation(饱和度下限值)、HighSaturation(饱和度上限值)、LowBrightness(亮度下限值)、intHighBrightness(亮度上限值)。cvInRangeS()函数用于检查图像中像素的灰度是否属于某一指定范围。可以通过接收滑动条返回的各个阈值而得到目标颜色的色度、饱和度和亮度单通道图像,对镂空圆形表盘的图像进行颜色阀值分割,最终得到的图像如图8所示。
S204:从最小外接矩形框图像中获取最大圆形轮廓的图像的圆心,利用边缘检测算法找到外弧和内弧的轮廓线并获取外弧和内弧的半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取最大刻度弧轮廓的图像;最小二乘法通过最小化误差的平方和找到一组外弧和内弧数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法拟合曲线:R2=(x-A)2+(y-B)2,求解得:
R2=x2-2Ax+A2+y2-2By+B2,其中令a=-2A,b=-2B,C=A2+B2-R2,可得圆曲线方程的另一个形式:x2+y2+ax+by+c=0,只要求出参数a,b,c就可以求得圆心半径的参数:取一样本集(xi,yi)i∈(1,2,3...N),点到圆心(A,B)的距离为di,则点(xi,yi)到圆边缘距离的平方和与半径的平方差为:令Q(a,b,c)为δi的平方和,求参数a,b,c使得Q(a,b,c)的值最小,最终c的表达式为以及最终求解得A、B、R的估计拟合值为:
在具体的实施例中,由最小二乘法可以求取最大圆形轮廓的图像的圆心和半径,在OpenCV中调用draw Contours()函数和circle()函数,绘制识别的外圆和内圆轮廓和拟合的圆心,下一步切除以最大圆形轮廓的圆心和最大刻度弧轮廓中的外弧两个端点组成的三角形区域,二值化图像中像素值0为黑色区域,像素值255为白色区域,即将三角形内的区域的像素遮盖住,由白色像素转为黑色像素,最终得到的图像如图9所示,再接着切除外圆以外区域和内圆以内的区域,即将外圆以外区域和内圆以内的区域的像素遮盖住,由白色像素转为黑色像素最终得到的图像如图10所示。
S205:以最大刻度弧轮廓的图像的像素点为对象,利用区域生长算法提取仪表的指针所在位置并获取仪表的指针所在位置的读数。区域生长算法包括生长种子点的确定,区域生长的条件,区域生长停止的条件。生长种子点的确定:对最大刻度弧轮廓的图像进行种子点的选取,种子点的具体选取方式为在种子点的选取上可以借助图像的灰度直方图,看目标图像的灰度取值范围,然后取其中间值作为种子值并允许其灰度值在±70范围内。区域生长条件判断的具体方法为:函数function A=neitest(i,j,f,T)能够对当前(i,j)坐标点像素进行判断,在其8邻接的像素点上满足阈值条件的点坐标将通过A返回,能够对每次新增的种子点进行判断其周围点的可行性,用循环方法不断将新增的种子点加入区域,并用阈值条件进行生长。区域生长停止的条件为:按照选出的种子点对最大刻度弧轮廓的图像进行区域生长,按照确定的阀值,每次运算只进行区域生长中的新种子点,判断生长停止条件为本次生长和上次生长后的新增种子点为0。通过计算指针从零刻度开始划过的刻度弧的长度占最大刻度弧的长度的比例获取指针所在位置的读数。设仪表的指针与外弧的交点坐标为(x,y),此交点坐标与圆心坐标的连线从零刻度开始划过的角度设为θ,在圆的半径确定的情况下,计算出指针从零刻度开始沿着刻度弧划过的弧长为
图3示出了根据本发明的一个具体的实施例的镂空圆形指针式仪表识别方法的流程图,如图3所示,该方法包括以下步骤:
301:开始。
302:膨胀腐蚀获取最大圆形刻度。使用大律法OTSU得到的全局自适应阈值来进行二值化图片,其方法为设置阈值T应使目标与背景两类的类间方差最大。获取一幅镂空圆形表盘图像,设当图像中前景与背景的分割阈值为t时,前景点占镂空圆形表盘图像比例为w0,均值为u0,背景点占镂空圆形表盘图像比例为w1,均值为u1。则整个镂空圆形表盘图像的均值为u=w0*u0+w1*u1。
303:获取圆形最小矩形切除外框。利用寻找主轴法,保持镂空圆形表盘图像中的目标位置不变,把镂空圆形表盘看作是密度均匀的薄板,利用重心原理确定水平主轴与垂直主轴的初始位置,进而确定旋转中心和初始外接矩形,由初始外接矩形开始,以确定的旋转间隔和旋转方向,旋转外接矩形,找到面积最小的外接矩形,作为寻优目标。
304:HSV阀值分割分别获取绿色和红色刻度弧段。基于镂空圆形表盘中刻度弧颜色不同,获取两个不同颜色的圆弧段,目的是为了获取圆弧段端点的位置坐标以及外弧和内弧的半径。镂空圆形表盘中带有颜色的刻度弧的RGB颜色转化为HSV颜色,在OpenCV中RGB图像格式转换到HSV图像格式时,使用cvCvtColor()函数进行变换。
305:以中心点为圆心,利用边缘检测算法寻找最大刻度轮廓的外弧和内弧。基于最大刻度轮廓的颜色与表盘其它位置颜色不同,能够获取颜色不同的包括外弧和内弧轮廓段,获取外弧端点位置坐标(min_local,max_locall)。
306:获取圆弧刻度的内弧半径和外弧半径。
307:以内弧/外弧为半径分别切除内弧区域和外弧区域外的区域,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取最大刻度弧轮廓的图像;最小二乘法通过最小化误差的平方和找到一组外弧和内弧数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。
308:取刻度弧内区域内黑色点的宽度min_local,max_local,middle_local坐标。
309:以圆形为坐标原点,连接min_local,max_locall坐标,去除三角形区域部分,将白色像素点覆盖为黑色像素点。
310:选取middle_local坐标为种子点开始区域生长算法,区域生长算法包括生长种子点的确定,区域生长的条件,区域生长停止的条件。
311:计算区域生长算法后最多黑色点为指针位置。通过计算指针从零刻度开始划过的刻度弧的长度占最大刻度弧的长度的比例获取指针所在位置的读数。设仪表的指针与外弧的交点坐标为(x,y),此交点坐标与圆心坐标的连线从零刻度开始划过的角度设为θ,在圆的半径确定的情况下,计算出指针从零刻度开始沿着刻度弧划过的弧长为
312:结束。
利用上述方法可以快速进行目标图像的指针位置并获取读数,根据本申请发明的多次试验,500张目标图像的平均每张识别分割的时间根据不同复杂程度的图像类型仅为0.1-0.8秒,极大的提升了图像识别分割的效率。
继续参考图4,图4示出了根据本发明的实施例的基于镂空圆形指针式仪表识别系统的框架图。该系统具体包括图像预处理单元401、最小图像裁减单元402、圆弧段识别单元403、最大刻度弧识别单元404和指针位置获取单元405。
在具体的实施例中,图像预处理单元401:配置用于对镂空圆形仪表的表盘的图像进行预处理获取包含镂空圆形仪表的表盘的最大圆形轮廓的图像;最小图像裁减单元402:配置用于从最大圆形轮廓的图像中获取包含最大圆形轮廓的最小外接矩形框图像,去除最小外接矩形框图像以外多余区域部分;圆弧段识别单元403:配置用于基于最大刻度弧轮廓的图像的颜色识别,从最小外接矩形框图像中寻找并获取最大刻度弧轮廓中包含端点的包括外弧和内弧的具有不同颜色的圆弧段的图像;最大刻度弧识别单元404:从最小外接矩形框图像中获取最大圆形轮廓的图像的圆心,利用边缘检测算法找到外弧和内弧的轮廓线并获取外弧和内弧的半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取最大刻度弧轮廓的图像;指针位置获取单元405:配置用于以最大刻度弧轮廓的图像的像素点为对象,利用区域生长算法提取仪表的指针所在位置并获取仪表的指针所在位置的读数。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有系统500操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Sma l lta l k、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对仪表的表盘的图像进行预处理获取包含仪表的表盘的最大圆形轮廓的图像,其中,预处理包括对最大圆形轮廓的图像进行二值化后膨胀腐蚀处理;从最大圆形轮廓的图像中获取包含最大圆形轮廓的最小外接矩形框图像,去除最小外接矩形框图像以外多余区域部分;基于最大刻度弧轮廓的图像的颜色识别,从最小外接矩形框图像中寻找并获取最大刻度弧轮廓中包含端点的包括外弧和内弧的具有不同颜色的圆弧段的图像;从最小外接矩形框图像中获取最大圆形轮廓的图像的圆心,利用边缘检测算法找到外弧和内弧的轮廓线并获取外弧和内弧的半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取最大刻度弧轮廓的图像;以最大刻度弧轮廓的图像的像素点为对象,利用区域生长算法提取仪表的指针所在位置并获取仪表的指针所在位置的读数。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种镂空圆形指针式仪表识别方法,其特征在于,包括以下步骤:
S1:对所述仪表的表盘的图像进行预处理获取包含所述仪表的表盘的最大圆形轮廓的图像,其中,所述预处理包括对所述最大圆形轮廓的图像进行二值化后膨胀腐蚀处理;
S2:从所述最大圆形轮廓的图像中获取包含所述最大圆形轮廓的最小外接矩形框图像,去除所述最小外接矩形框图像以外多余区域部分;
S3:基于最大刻度弧轮廓的图像的颜色识别,从所述最小外接矩形框图像中寻找并获取所述最大刻度弧轮廓中包含端点的包括外弧和内弧的具有不同颜色的圆弧段的图像;
S4:从所述最小外接矩形框图像中获取所述最大圆形轮廓的图像的圆心,利用边缘检测算法找到所述外弧和所述内弧的轮廓线并获取所述外弧和所述内弧的半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取所述最大刻度弧轮廓的图像;
S5:以所述最大刻度弧轮廓的图像的像素点为对象,利用区域生长算法提取所述仪表的指针所在位置并获取所述仪表的指针所在位置的读数。
2.根据权利要求1所述的镂空圆形指针式仪表识别方法,其特征在于,所述步骤S1具体包括:利用OpenCV自带库函数对所述所述仪表的表盘的图像进行自适应二值化预处理,以获取包含所述最大圆形轮廓的图像。
3.根据权利要求1所述的镂空圆形指针式仪表识别方法,其特征在于,所述步骤S2具体包括:利用OpenCV自带库函数检测所述最大圆形轮廓的图像,获取所述最大圆形轮廓的图像的最大边界框,再利用OpenCV自带库函数获取所述最大圆形轮廓的最小外接矩形框的图像。
4.根据权利要求1所述的镂空圆形指针式仪表识别方法,其特征在于,所述步骤S3中所述最大刻度弧轮廓的图像的颜色识别具体包括以下步骤:通过在OpenCV中将镂空圆形表盘的图像进行模糊处理,再将模糊处理后的图像从RGB格式转换成HSV格式的图像,并对所述HSV格式的图像进行通道分离以及图像阀值分割处理实现识别。
5.根据权利要求4所述的镂空圆形指针式仪表识别方法,其特征在于,所述模糊处理的算法为高斯模糊或均值模糊。
6.根据权利要求1所述的镂空圆形指针式仪表识别方法,其特征在于,所述步骤S4中的边缘检测算法具体包括Canny边缘检测算法、LOG算法、Robert算法、Sobel算法或其组合。
7.根据权利要求1所述的镂空圆形指针式仪表识别方法,其特征在于,所述步骤S4中的切除多余部分为所述最大圆形轮廓的图像的圆心和所述不同颜色的圆弧段中的所述外弧两个端点组成的三角形区域以及通过最小二乘法拟合的所述外圆以外区域和所述内圆以内区域部分。
8.根据权利要求1所述的镂空圆形指针式仪表识别方法,其特征在于,所述步骤S5中通过区域生长算法获得所述仪表的指针所在位置,通过计算所述仪表的指针从零刻度开始划过的所述最大刻度弧轮廓的长度占所述最大刻度弧轮廓的长度的比例获取所述仪表的指针所在位置的读数。
9.一种计算机可读存储介质,其上存储有一或多个计算机程序,其特征在于,该一或多个计算机程序被计算机处理器执行时实施权利要求1至8中任一项所述的方法。
10.一种镂空圆形指针式仪表识别系统,其特征在于,所述系统包括:
图像预处理单元:配置用于对镂空圆形所述仪表的表盘的图像进行预处理获取包含镂空圆形所述仪表的表盘的最大圆形轮廓的图像;
最小图像裁减单元:配置用于从所述最大圆形轮廓的图像中获取包含所述最大圆形轮廓的最小外接矩形框图像,去除所述最小外接矩形框图像以外多余区域部分;
圆弧段识别单元:配置用于基于最大刻度弧轮廓的图像的颜色识别,从所述最小外接矩形框图像中寻找并获取所述最大刻度弧轮廓中包含端点的包括外弧和内弧的具有不同颜色的圆弧段的图像;
最大刻度弧识别单元:从所述最小外接矩形框图像中获取所述最大圆形轮廓的图像的圆心,利用边缘检测算法找到所述外弧和所述内弧的轮廓线并获取所述外弧和所述内弧的半径,利用最小二乘法分别拟合成内圆和外圆,切除多余部分获取所述最大刻度弧轮廓的图像;
指针位置获取单元:配置用于以所述最大刻度弧轮廓的图像的像素点为对象,利用区域生长算法提取所述仪表的指针所在位置并获取所述仪表的指针所在位置的读数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456087.9A CN111612836B (zh) | 2020-05-26 | 2020-05-26 | 一种镂空圆形指针式仪表识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456087.9A CN111612836B (zh) | 2020-05-26 | 2020-05-26 | 一种镂空圆形指针式仪表识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612836A true CN111612836A (zh) | 2020-09-01 |
CN111612836B CN111612836B (zh) | 2021-03-23 |
Family
ID=72204355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010456087.9A Active CN111612836B (zh) | 2020-05-26 | 2020-05-26 | 一种镂空圆形指针式仪表识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612836B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343848A (zh) * | 2021-06-07 | 2021-09-03 | 深圳供电局有限公司 | 一种仪表读数的识别方法、装置、计算机设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6522381B1 (en) * | 1998-10-02 | 2003-02-18 | Mannesmann Vdo Ag | Display device having pointer and electrooptic display |
US20080056570A1 (en) * | 2006-09-05 | 2008-03-06 | Williams Robert C | Hand producer for background separated images |
JP2015141178A (ja) * | 2014-01-30 | 2015-08-03 | Ask株式会社 | 範囲表示ベースリング、範囲表示具及び圧力計 |
CN108256524A (zh) * | 2018-01-24 | 2018-07-06 | 国家电网公司 | 一种多表盘指针式仪表的自动读数方法 |
CN108711158A (zh) * | 2018-03-14 | 2018-10-26 | 武汉科技大学 | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 |
CN108921153A (zh) * | 2018-07-06 | 2018-11-30 | 天津工业大学 | 基于机器视觉的指针温湿度仪表检测 |
CN109271844A (zh) * | 2018-07-29 | 2019-01-25 | 国网上海市电力公司 | 基于OpenCV的电气柜电气符号识别方法 |
CN109740591A (zh) * | 2018-11-14 | 2019-05-10 | 国网浙江宁波市鄞州区供电有限公司 | 一种仪表识别算法 |
CN110245654A (zh) * | 2018-11-20 | 2019-09-17 | 浙江大华技术股份有限公司 | 指针读数识别方法及装置、计算机装置及可读存储介质 |
CN110852333A (zh) * | 2019-11-13 | 2020-02-28 | 广东电科院能源技术有限责任公司 | 一种指针式仪表自动读数方法及装置 |
-
2020
- 2020-05-26 CN CN202010456087.9A patent/CN111612836B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6522381B1 (en) * | 1998-10-02 | 2003-02-18 | Mannesmann Vdo Ag | Display device having pointer and electrooptic display |
US20080056570A1 (en) * | 2006-09-05 | 2008-03-06 | Williams Robert C | Hand producer for background separated images |
JP2015141178A (ja) * | 2014-01-30 | 2015-08-03 | Ask株式会社 | 範囲表示ベースリング、範囲表示具及び圧力計 |
CN108256524A (zh) * | 2018-01-24 | 2018-07-06 | 国家电网公司 | 一种多表盘指针式仪表的自动读数方法 |
CN108711158A (zh) * | 2018-03-14 | 2018-10-26 | 武汉科技大学 | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 |
CN108921153A (zh) * | 2018-07-06 | 2018-11-30 | 天津工业大学 | 基于机器视觉的指针温湿度仪表检测 |
CN109271844A (zh) * | 2018-07-29 | 2019-01-25 | 国网上海市电力公司 | 基于OpenCV的电气柜电气符号识别方法 |
CN109740591A (zh) * | 2018-11-14 | 2019-05-10 | 国网浙江宁波市鄞州区供电有限公司 | 一种仪表识别算法 |
CN110245654A (zh) * | 2018-11-20 | 2019-09-17 | 浙江大华技术股份有限公司 | 指针读数识别方法及装置、计算机装置及可读存储介质 |
CN110852333A (zh) * | 2019-11-13 | 2020-02-28 | 广东电科院能源技术有限责任公司 | 一种指针式仪表自动读数方法及装置 |
Non-Patent Citations (4)
Title |
---|
ERLIN TIAN: "A pointer location algorithm for computer visionbased automatic reading recognition of pointer gauges", 《DE GRUYTER》 * |
XINXIN ZHENG 等: "Pointer Instrument Recognition Algorithm Based on Haar-Like Feature and Polar Expansion", 《2018 IEEE 3RD INTERNATIONAL CONFERENCE ON IMAGE, VISION AND COMPUTING (ICIVC)》 * |
张远辉 等: "指针式仪表总体最小二乘图像校验算法", 《自动化仪表》 * |
王少君: "基于机器视觉的汽车组合仪表检测系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343848A (zh) * | 2021-06-07 | 2021-09-03 | 深圳供电局有限公司 | 一种仪表读数的识别方法、装置、计算机设备和存储介质 |
CN113343848B (zh) * | 2021-06-07 | 2024-01-12 | 深圳供电局有限公司 | 一种仪表读数的识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111612836B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626190A (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN111598913B (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
CN109285181B (zh) | 用于识别图像的方法和装置 | |
CN112149648B (zh) | 一种基于灰度可变阈值的水位线识别与估计方法及装置 | |
CN116453104B (zh) | 液位识别方法、装置、电子设备及计算机可读存储介质 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN112750162A (zh) | 一种目标识别定位方法和装置 | |
CN112734729A (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
CN111612836B (zh) | 一种镂空圆形指针式仪表识别方法和系统 | |
CN115984255A (zh) | 一种在线取能可移动智慧防振锤的缺陷识别方法 | |
CN115908774A (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN114066862A (zh) | 一种基于色域和轮廓特征的指示器识别方法及系统 | |
CN113705380A (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
Shuo et al. | Digital recognition of electric meter with deep learning | |
CN111797830A (zh) | 票据图像快速红章检测方法、系统、装置 | |
CN114998614B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN112511725B (zh) | 一种内窥镜圈的自动识别方法、装置、存储介质及终端 | |
CN112668578B (zh) | 指针式仪表读数方法、装置、计算机设备和存储介质 | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN110910379B (zh) | 一种残缺检测方法及装置 |
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 |