CN112766271A - 一种数字显示面板的识别方法及系统 - Google Patents

一种数字显示面板的识别方法及系统 Download PDF

Info

Publication number
CN112766271A
CN112766271A CN202110038793.6A CN202110038793A CN112766271A CN 112766271 A CN112766271 A CN 112766271A CN 202110038793 A CN202110038793 A CN 202110038793A CN 112766271 A CN112766271 A CN 112766271A
Authority
CN
China
Prior art keywords
display panel
digital display
image
extracting
connected subgraph
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
CN202110038793.6A
Other languages
English (en)
Inventor
李彬
刘凯
贾浩
张瑜
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202110038793.6A priority Critical patent/CN112766271A/zh
Publication of CN112766271A publication Critical patent/CN112766271A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

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

本公开公开的一种数字显示面板的识别方法及系统，包括：获取数字显示面板图像；从数字显示面板图像中提取数字显示面板边缘图像；使用BFS算法从数字显示面板边缘图像中提取包含数字的连通子图；从连通子图中提取字符；对字符进行识别，获取数字显示面板的识别结果。通过BFS算法获取包含数字的连通子图，进而提取字符，对字符进行识别，提高了数字显示面板识别的准确率。

Description

一种数字显示面板的识别方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种数字显示面板的识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
工厂中存在许多数字显示面板，随着计算机视觉技术的快速发展，通过计算机视觉技术对数字显示面板上的数字进行识别，解决了认为读数耗时耗力的技术问题，但是现有的计算机视觉技术对数字显示面板进行数字识别时，通过霍夫变换搜索数字显示面板中的字符时，对直线检测不准确，从而使得搜索处的字符存在误差，进而降低了数字显示面板中数字的识别效果。
发明内容
本公开为了解决上述问题，提出了一种数字显示面板的识别方法及系统，通过BFS算法获取包含数字的连通子图，进而提取字符，对字符进行识别，提高了数字显示面板识别的准确率。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种数字显示面板的识别方法，包括：
获取数字显示面板图像；
从数字显示面板图像中提取数字显示面板边缘图像；
使用BFS算法从数字显示面板边缘图像中提取包含数字的连通子图；
从连通子图中提取字符；
对字符进行识别，获取数字显示面板的识别结果。
第二方面，提出了一种数字显示面板的识别系统，包括：
图像采集模块，用于获取数字显示面板图像；
边缘图像提取模块，用于从数字显示面板图像中提取数字显示面板边缘图像；
连通子图获取模块，用于使用BFS算法从数字显示面板边缘图像中提取包含数字的连通子图；
字符提取模块，用于从连通子图中提取字符；
字符识别模块，用于对字符进行识别，获取数字显示面板的识别结果。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种数字显示面板的识别方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种数字显示面板的识别方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开通过BFS算法，从数字显示面板的边缘图像中提取包含数字的连通子图，提高了数字定位的准确率，进一步提高了数字显示面板识别的效果。
2、本公开通过BFS算法定位出数字显示面板图像的数字后，通过卷积神经网络对提取的字符进行识别，提高了数字识别的准确率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1获取的数字显示面板边缘图像；
图2为本公开实施例1公开的伽马变换曲线图；
图3为本公开实施例1公开的通过BFS算法获得的连通子图；
图4为本公开实施例1公开的卷积神经网络结构图；
图5为本公开实施例1的识别效果图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
为了提高数字显示面板中数字的识别效果，在该实施例中公开了一种数字显示面板的识别方法，包括：
获取数字显示面板图像；
从数字显示面板图像中提取数字显示面板边缘图像；
使用BFS算法从数字显示面板边缘图像中提取包含数字的连通子图；
从连通子图中提取字符；
对字符进行识别，获取数字显示面板的识别结果。
进一步的，从数字显示面板图像中提取数字显示面板边缘图像的过程为：
将数字显示面板图像转化为灰度图像；
从灰度图像中提取数字显示面板边缘图像；
进一步的，采用Canny边缘检测算法从灰度图像中提取数字显示面板边缘图像。
进一步的，对提取的数字显示面板边缘图像进行膨胀腐蚀处理，从膨胀腐蚀处理后的数字显示面板边缘图像中识别连通子图。
进一步的，采用伽马变换增强连通子图的对比度，从增强对比度后的连通子图中提取字符。
进一步的，采用像素投影方法从连通子图中提取字符。
进一步的，将字符输入训练好的卷积神经网络中，对字符进行识别，获取数字显示面板的识别结果。
对本实施例公开的一种数字显示面板的识别方法进行详细说明。
其中，BFS，即Breadth First Search宽度优先搜索算法，所有的结点都将进入一个先进先出的队列，初始状态下，队列中只有一个结点，算法开始后，每次将对头元素取出，遍历图中与其直接相连接的结点，如果未曾被访问过则加入队列，依次进行，直到队列为空为止。相较于“深度优先搜索”算法，该算法不会出现栈溢出的情况。该算法采用分层遍历的思想，转化到矩阵搜索上即为某点上下左右四个方向依次遍历，BFS算法的时间复杂度为O(N*M)，空间复杂度为O(N)。
通过BFS搜索连通子图，可以有效解决通过霍夫变换搜索直线，进而求交点定位矩形的算法，当直线检测不准确时会造成较大误差的问题。
CNN，即Convolutional Neural Network卷积神经网络算法，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，由于CNN局部链接的特性，CNN网络的训练比其他模型更加容易。CNN良好的容错能力、并行处理能力和自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题。它是通过结构重组和减少权值将特征抽取功能融合进多层感知器，省略识别前复杂的图像特征抽取过程。它的权值共享结构网络使之更类似于生物神经网络，其泛化能力要显著优于其它方法。
本实施例将BFS与CNN相结合，用BFS算法寻找符合要求的连通子图来定位数字的位置，进而采用CNN模型识别数字的值。
本实施例将获取的数字显示面板图像转化为灰度图像，基于Canny边缘提取算法从灰度图像中提取数字显示面板边缘图像，然后对数字显示面板边缘图像进行膨胀腐蚀处理，使得数字显示面板边缘图像变成多个封闭区块，然后通过BFS算法去遍历整张数字显示面板边缘图像，每一个封闭区块都会被BFS算法识别为一个连通子图，然后通过阈值的方式筛选并标记有效连通子图，对于每一个连通子图，该系统将其从数字显示面板边缘图像中提取出来，然后通过伽马(Gamma)变换对提取出的连通子图进行对比度增强，并使用像素投影技术将连续的数字分割为单个数字或其它独立的字符，进而将分割后的数字矩阵输入训练好的卷积神经网络(CNN)中，对数字进行识别，获取数字显示面板的识别结果，将识别出的数字识别结果存入数据文件中进行保存，具体为：
S1：通过OpenCV调用计算机本地摄像头读取视频流并抽取单帧图像，获取数字显示面板图像，对数字显示面板图像进行裁剪，原数字显示面板图像的规格为600*800*3，裁剪后为600*500*3。
S2：将裁剪后的数字显示面板图像，通过最近邻插值算法变换为1500*600*3，并处理为灰度图像。
S3：采用Canny算法从灰度图像中提取数字显示面板边缘图像，如图1所示，具体为：
使用高斯滤波算法，去除灰度图像噪声。高斯滤波器是一种线性平滑滤波器，二维高斯函数如下：
Figure BDA0002894695260000071
其中，x、y为像素坐标，σ为标准差
基于高斯函数计算卷积核，对于窗口模板大小为(2k+1)*(2k+1)，模板元素计算公式如下：
Figure BDA0002894695260000072
计算像素点的梯度幅值和方向。使用Sobel方法计算像素水平和垂直方向的差分Gx和Gy，
Figure BDA0002894695260000081
然后通过以下公式计算出梯度G和方向θ：
Figure BDA0002894695260000082
Figure BDA0002894695260000083
非极大值方法抑制，将当前像素梯度强度与其正负方向梯度的两个像素进行比较，如果当前像素的梯度强度比另外两个像素打，则保留该边缘点，否则该像素点将被抑制，非极大值抑制能帮助保留局部最大梯度而抑制所有其他梯度值，这意味着只保留了梯度变化中最锐利的位置。
应用双阈值检测确定真实的和潜在的边缘，设定高低两个阈值，如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果大于低阈值且高于高阈值则标记为弱边缘像素；若小于低阈值，则抑制该像素点。
抑制孤立的软边缘完成边缘检测，对于高边缘像素，直接认为其为后灰度图像的边缘，对于弱边缘像素，我们查看其8邻域像素，若至少有一个为强边缘像素，则保留此像素作为灰度图像的边缘。
S4：灰度图像进行边缘提取后，获得的数字显示面板边缘图像的规格为1500*600，采取闭运算，对数字显示面板边缘图像进行先膨胀后腐蚀，膨胀时卷积核大小为3*2，图像腐蚀时卷积核大小为2*2。膨胀将灰度图中的白色部分进行扩张，其运行结果图比原图白色区域更大，在这里用于提取的数字显示面板边缘图像进行边缘强化的目的；腐蚀将数字显示面板边缘图像中白色区域进行缩减，用于增强数字显示面板不同字符间的隔离效果，便于后续字符分割。
图像扩张的公式为：
Figure BDA0002894695260000091
图像腐蚀的公式为：
Figure BDA0002894695260000092
A指原灰度图，B为卷积模板
进行图像扩张时，用卷积模板元素与数字显示面板边缘图像原图做“与”运算，如果都为0，那么该目标像素为0，否则为1，然后选取卷积区域中的像素最大值替换原目标像素值，实现扩张操作；对于腐蚀操作，计算卷积核覆盖区域的像素最小值，用这个最小值替换目标像素值，从而实现图像的腐蚀。
S5：对处理好的数字显示面板边缘图像采取BFS算法，寻求合适的连通子图，BFS方法的主要步骤为：
(5.1)采用队列(Queue)作为数据存储结构，队列具有先进先出的特点。
(5.2)遍历图像，对于任意一个卷积核扫描到的图像中未被访问的区域，加入到队列中。
(5.3)判断当队列非空时，每次取出队头元素，搜寻其八邻域区域，选择未被访问且非边缘的区域加入到队列中。
(5.4)不断重复(5.2)、(5.3)操作，直到队列为空，则此过程中标记的像素区域为一个连通块。
(5.5)不断重复(5.2)、(5.3)、(5.4)操作直到整幅图像遍历完毕，对于每一个联通块，记录其像素个数及矩形面积，将低于阈值A或高于阈值B的连通块丢弃。阈值A及阈值B由实验得出。
该连通子图即为单块数字显示面板区域，采取BFS算法的空间复杂度为O(N)，而时间复杂度为O(N*M)，因图像规格为1500*600，所以BFS算法的计算规模N＝9E+05，在一般计算机处理器上运行，理论上1秒钟可以处理约1E+03幅图像。特别的，这里在实际运行时采用5*5的搜索核，速度可以更快，因此基于BFS算法寻求连通子图效率较高。
S6：分割出包含数字的连通子图后，可能会出现连通子图内部对比度较低的情况，特别是存在反光的区域，整个连通子图的色彩整体偏亮，可以采取伽马(Gamma)校正的方法增强连通子图的对比度。伽马校正是一种非线性变换，是对输入图像灰度值进行指数变换，进而校正亮度偏差，伽马变换曲线图如图2所示，变换公式为：
s＝c·Iγ,I∈[0,1]
其中，I为输入图像，s为输出图像，c为常数。
从Gamma曲线中可以看出,值以1为分界，值越小，对图像低灰度部分的扩展作用就越强，值越大，对图像高灰度部分的扩展作用就越强，通过不同的值，就可以达到增强低灰度或高灰度部分细节的作用。伽马变换对于图像对比度偏低，并且整体亮度值偏高情况下的图像增强效果明显。
S7：对于提取出来的连通子图，进行字符分割，这里采用像素投影方法，即从图像顶端，逐个像素向下投影，对于每一列计算其像素值累加值，基于阈值的方案，对图像进行分割：
Figure BDA0002894695260000111
G为图像矩阵，Si为第i列像素值累加和。
分割后的单个字符图像，在矩阵的四周填充0，随后进行图像扩张，卷积核大小为3*3，最后再次利用最近邻插值的方案将图像的尺寸缩放为28*28。
得到缩放为28*28后的单字符图像矩阵，以此类推，得到全图所有的单字符图像矩阵。
S8：将获得的字符图像输入训练好的卷积神经网络中，对字符进行识别，获取数字显示面板的识别结果。
其中，用于字符识别的卷积神经网络结构如图4所示，为：
第一层为输入层，输入的二维灰度图像尺寸为28*28
第二层为卷积层，卷积核大小为3*3,步长为1，根据卷积核的计算公式，在图像四周补充一圈0，此时根据公式
Figure BDA0002894695260000112
得出输出矩阵大小为28*28。
使用ReLu函数作为激活函数，公式为f(x)＝max(0,x)。
第三层为池化层，采用最大值池化函数MaxPool2d对矩阵进行降采样，此时矩阵尺寸变为7*7，采用Dropout函数处理神经元，dropout值为0.2。
第四层为卷积层，卷积核参数同第一层，继续使用ReLu函数作为激活函数。
本次卷积操作不采用池化层，dropout值为0.3。
第五层为卷积层，卷积核参数同第一层，继续使用ReLu函数作为激活函数。
本次卷积操作不采用池化层，dropout值为0.2。
经过以上五层，原矩阵尺寸为28*28*1变为7*7*4
第六层为全连接层，输入196个神经元，输出256个神经元。
第七层为输出层，输入256个神经元，输出12个神经元，采用softmax对当前图片进行12分类预测，公式为
Figure BDA0002894695260000121
在通过数字显示面板的真实数据对本实施例公开的一种数字显示面板的识别方法进行验证，验证结果如图5所示，处理单张图片耗时在1秒钟左右，准确率达99.9％以上。
由于要识别的数字都是计算机标准字体，因此在训练模型时，以计算机标准阿拉伯数字“.”及“：”为模板，通过缩放、随机幅度扭曲位移、添加少量随机噪点来生成12000条数据，用以训练卷积神经网络模型，经过随机打乱训练数据经过50次迭代训练得到最终模型。该模型的训练准确度到达100％，测试准确度为99.9％。
本实施例基于BFS和CNN的数字显示面板的识别方法在识别时会在不同时间段间隔取多帧数字显示面板图像，对其进行识别并自动验证数字是否识别准确，对于偶尔出现错误的小概率样本，选择自动忽略掉该条数据并修正为识别中出现的大多数情况所对应的数据，通过该方法进一步的提高了数字显示面板识别的准确度。
该系统在数字识别阶段，训练模型时，使用者可以自定义epoch的数值，以通过对比实践选取较合适的epoch值；另外，在模型训练阶段，考虑到数据量过大，该系统通过打乱原数据分批次加入训练网络，这样可以有效避免程序因内存溢出而意外终止。
因此，本实施例公开的一种数字显示面板的识别方法，采用BFS算法高效准确地定位数字所在连通子图，使用CNN准确地对提取的字符进行识别，达到了高准确度、高效率的识别效果。
该方法主要包含三个阶段：图像降噪处理阶段、图像分割阶段及数字识别阶段。图像降噪阶段首先将RGB图像转化为灰度图像，然后采用伽马变换方法提高图像对比度，随后对图像进行边缘提取；图像分割阶段采用BFS广度优先搜索算法对图像进行遍历求出符合要求的连通子图，使用BFS算法合理调整搜索核大小可以使得图像处理达到一个较高的效率。然后基于像素投影对单个字符进行分割；数字识别阶段采用卷积神经网络结构，采用3层卷积层和1层池化层，其间使用ReLu作为激活函数，且使用dropout方法避免网络过拟合。本发明考虑到实际需求，对于图像降噪效果处理良好，且识别准确率非常高，采用经典BFS算法实现数字定位效率非常高，综述本发明实现了一种易于实现、准确率高、性能好的基于BFS和CNN的一种数字显示面板的识别方法。
实施例2
在该实施例中，公开了一种数字显示面板的识别系统，包括：
图像采集模块，用于获取数字显示面板图像；
边缘图像提取模块，用于从数字显示面板图像中提取数字显示面板边缘图像；
连通子图获取模块，用于使用BFS算法从数字显示面板边缘图像中提取包含数字的连通子图；
字符提取模块，用于从连通子图中提取字符；
字符识别模块，用于对字符进行识别，获取数字显示面板的识别结果。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种数字显示面板的识别方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种数字显示面板的识别方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种数字显示面板的识别方法，其特征在于，包括：
获取数字显示面板图像；
从数字显示面板图像中提取数字显示面板边缘图像；
使用BFS算法从数字显示面板边缘图像中提取包含数字的连通子图；
从连通子图中提取字符；
对字符进行识别，获取数字显示面板的识别结果。
2.如权利要求1所述的一种数字显示面板的识别方法，其特征在于，从数字显示面板图像中提取数字显示面板边缘图像的过程为：
将数字显示面板图像转化为灰度图像；
从灰度图像中提取数字显示面板边缘图像；
3.如权利要求1所述的一种数字显示面板的识别方法，其特征在于，采用Canny边缘检测算法从灰度图像中提取数字显示面板边缘图像。
4.如权利要求1所述的一种数字显示面板的识别方法，其特征在于，对提取的数字显示面板边缘图像进行膨胀腐蚀处理，从膨胀腐蚀处理后的数字显示面板边缘图像中识别连通子图。
5.如权利要求1所述的一种数字显示面板的识别方法，其特征在于，采用伽马变换增强连通子图的对比度，从增强对比度后的连通子图中提取字符。
6.如权利要求1所述的一种数字显示面板的识别方法，其特征在于，采用像素投影方法从连通子图中提取字符。
7.如权利要求1所述的一种数字显示面板的识别方法，其特征在于，将字符输入训练好的卷积神经网络中，对字符进行识别，获取数字显示面板的识别结果。
8.一种数字显示面板的识别系统，其特征在于，包括：
图像采集模块，用于获取数字显示面板图像；
边缘图像提取模块，用于从数字显示面板图像中提取数字显示面板边缘图像；
连通子图获取模块，用于使用BFS算法从数字显示面板边缘图像中提取包含数字的连通子图；
字符提取模块，用于从连通子图中提取字符；
字符识别模块，用于对字符进行识别，获取数字显示面板的识别结果。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的一种数字显示面板的识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的一种数字显示面板的识别方法的步骤。
CN202110038793.6A 2021-01-12 2021-01-12 一种数字显示面板的识别方法及系统 Pending CN112766271A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110038793.6A CN112766271A (zh) 2021-01-12 2021-01-12 一种数字显示面板的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110038793.6A CN112766271A (zh) 2021-01-12 2021-01-12 一种数字显示面板的识别方法及系统

Publications (1)

Publication Number Publication Date
CN112766271A true CN112766271A (zh) 2021-05-07

Family

ID=75701678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110038793.6A Pending CN112766271A (zh) 2021-01-12 2021-01-12 一种数字显示面板的识别方法及系统

Country Status (1)

Country Link
CN (1) CN112766271A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070041642A1 (en) * 2005-08-18 2007-02-22 Romanoff Harris G Post-ocr image segmentation into spatially separated text zones
US20130170711A1 (en) * 2012-01-04 2013-07-04 Cyclops Technologies, Inc. Edge detection image capture and recognition system
CN106709484A (zh) * 2015-11-13 2017-05-24 国网吉林省电力有限公司检修公司 数字式仪表的数字识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070041642A1 (en) * 2005-08-18 2007-02-22 Romanoff Harris G Post-ocr image segmentation into spatially separated text zones
US20130170711A1 (en) * 2012-01-04 2013-07-04 Cyclops Technologies, Inc. Edge detection image capture and recognition system
CN106709484A (zh) * 2015-11-13 2017-05-24 国网吉林省电力有限公司检修公司 数字式仪表的数字识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘亚楠: "基于水平集的纽扣图像分割算法研究", 《中国优秀硕士学位论文全文数据库（硕士）信息科技辑》 *
周恋玲 等: "基于BFS的多核并行连通区域检测算法", 《光电工程》 *
申小阳: "数字仪表动态显示字符的计算机自动识别", 《中国优秀硕士学位论文全文数据库（硕士）信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
US10552705B2 (en) Character segmentation method, apparatus and electronic device
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
WO2018103608A1 (zh) 一种文字检测方法、装置及存储介质
CN110647829A (zh) 一种票据的文本识别方法及系统
US11475681B2 (en) Image processing method, apparatus, electronic device and computer readable storage medium
CN111914698B (zh) 图像中人体的分割方法、分割系统、电子设备及存储介质
CN112287941B (zh) 一种基于自动字符区域感知的车牌识别方法
CN111680690B (zh) 一种文字识别方法及装置
CN109886159B (zh) 一种非限定条件下的人脸检测方法
CN112418216A (zh) 一种复杂自然场景图像中的文字检测方法
CN113673338A (zh) 自然场景文本图像字符像素弱监督自动标注方法、系统及介质
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN110598698A (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN111507337A (zh) 基于混合神经网络的车牌识别方法
CN113033558A (zh) 一种用于自然场景的文本检测方法及装置、存储介质
CN114444565A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN111340139B (zh) 一种图像内容复杂度的判别方法及装置
CN109657577B (zh) 一种基于熵和运动偏移量的动物检测方法
CN111582057A (zh) 一种基于局部感受野的人脸验证方法
CN116030472A (zh) 文字坐标确定方法及装置
CN111881732B (zh) 一种基于svm的人脸质量评价方法
CN114387592A (zh) 一种复杂背景下字符定位和识别方法

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

Application publication date: 20210507

RJ01 Rejection of invention patent application after publication