CN113205001A - 一种多指针水表读数识别方法 - Google Patents

一种多指针水表读数识别方法 Download PDF

Info

Publication number
CN113205001A
CN113205001A CN202110376930.7A CN202110376930A CN113205001A CN 113205001 A CN113205001 A CN 113205001A CN 202110376930 A CN202110376930 A CN 202110376930A CN 113205001 A CN113205001 A CN 113205001A
Authority
CN
China
Prior art keywords
sub
dial
water meter
individuals
image
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.)
Withdrawn
Application number
CN202110376930.7A
Other languages
English (en)
Inventor
张雷
周仁杰
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110376930.7A priority Critical patent/CN113205001A/zh
Publication of CN113205001A publication Critical patent/CN113205001A/zh
Withdrawn legal-status Critical Current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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • 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
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种多指针水表读数识别方法，步骤如下：(1)根据待识别水表表盘上的子表盘制作子表盘模板，对子表盘模板按顺序进行编号，每个编号的子表盘模板对应不同读数；(2)采集待识别水表图像，对水表图像进行预处理，将水表图像转换成二值化图像；(3)利用多目标模板匹配算法将二值化水表图像进行多目标检测，与所有子表盘模板同时进行匹配，输出匹配到的子表盘读数和子表盘位置；(4)确定匹配到的子表盘模板与数量级之间对应关系，对水表读数进行整合，实现水表读数识别。本发明将所有子表盘模板同时与待识别水表表盘进行匹配，无需将每个模板依次放进去寻找最优解，加快识别速度，同时确保了识别结果的准确性。

Description

一种多指针水表读数识别方法
技术领域
本发明涉及指针式机械水表读数领域，特别涉及一种多指针水表读数识别方法。
背景技术
传统抄表方式通常采用入户抄表，具有入户难、效率低、人工管理成本高等缺点，为提高水表的抄表工作效率，提出了基于计算机视觉技术的水表读数辅助识别方法。
对于指针式水表，基于机器视觉技术的抄表方式通常需要经过表盘分割和提取、指针分割和提取、指针读数识别等多个环节，水表读数效率和速率同时受到表盘定位、指针分割和提取、指针识别等多个环节影响，任一环节出错都会直接影响水表最终读数准确率。
发明内容
发明目的：针对以上问题，本发明目的是提供一种多指针水表读数识别方法，利用多目标匹配算法将水表与已知模板进行匹配，实现水表读数的快速、准确识别。
技术方案：本发明的一种多指针水表读数识别方法，步骤如下：
(1)根据待识别水表表盘上的子表盘制作子表盘模板，对子表盘模板按顺序进行编号，每个编号的子表盘模板对应不同读数；
(2)采集待识别水表图像，对水表图像进行预处理，将水表图像转换成二值化图像；
(3)利用多目标模板匹配算法将二值化水表图像进行多目标检测，与所有子表盘模板同时进行匹配，输出匹配到的子表盘模板读数和子表盘模板位置；
(4)确定匹配到的子表盘模板与数量级之间对应关系，对水表读数进行整合，实现水表读数识别。
进一步，所述步骤(3)多目标模板匹配算法包括：
(31)输入待识别水表表盘图像和所有子表盘模板，子表盘模板数量为N，每个子表盘模板对应一个适应度函数；
(32)设置水表表盘图像的可行解区域，在可行解区域生成个体作为初始种群，其中个体数量用S表示，设置迭代次数；
(33)按照适应度函数个数将初始种群等分成子种群，子种群数量与适应度函数个数相同，每个子种群个体数量为S/N，每个子种群根据适应值降序记录前T/N个优异个体，其中T<S；
(34)每个子种群根据各自的适应度函数选择对应的S/N个个体；
(35)进行小生境运算，在每个子种群中将步骤(34)S/N个个体和步骤(33)中的T/N个个体合并成含有(S+T)/N个个体的新种群，计算每两个个体之间的欧式距离D，当D＜Le时，Le为预先设置阈值，比较两个个体之间适应度值大小，施加一个罚函数给适应度值小的个体，并降低适应度值；
(36)每个子种群按照步骤(35)中(S+T)/N个个体的新适应度值降序排序个体，记住前S/N个个体；
(37)取步骤(36)所有子种群中的S/N个个体组成一个数量为S的种群；
(38)对种群进行交叉、变异运算得到S个个体；
(39)跳到步骤(33)，直到达到了预先设置的迭代次数，则结束运行，在非劣解中输出适应值大于设定阈值Th的最优个体，将个体解码成像素坐标，得到所有子表盘的位置和读数。
进一步，所述步骤(1)中所述子表盘模板利用形态学中的膨胀运算，将细指针膨胀为覆盖相邻数字之间全部区域的粗指针。
进一步，所述步骤(31)适应度函数为：
Figure BDA0003011344400000021
式中，K×L为子表盘模板尺寸，图像像素点用坐标(x,y)表示，(i,j)为子表盘模板中的点坐标，该点的灰度值为w(i,j)，与该点重合的搜索图像中对应点的坐标为(x+i,y+j)，灰度值为γ(x+i,y+j)，求出相关系数为R(x,y)。
进一步，步骤(34)选择算子采用轮盘赌策略，计算子种群里所有个体的适应值总值，每个个体被选择的概率为个体适应值除以适应值总值。
进一步，步骤(38)中交叉算子采用单点交叉，随机选择一个位置Ke位，0<Ke<ρ,ρ为编码的长度，然后分别选择一个个体的前Ke位，另一个个体的Ke位后的二进制位，并组成一个新的个体。
进一步，步骤(38)中变异算子采用单点随机变异，在个体的染色体上随机选择一位，并对其值取非。
进一步，步骤(2)图像预处理包括图像尺寸调整、图像灰度化、线性灰度变换、双边滤波。
进一步，步骤(4)整合为将匹配到的子表盘模板上的读数乘以相对应的数量级。
进一步，步骤(35)欧式距离D计算方法为：
Figure BDA0003011344400000031
式中，(x1,y1)和(x2,y2)是个体的像素坐标。
有益效果：本发明与现有技术相比，其显著优点是：本发明将所有子表盘模板同时与待识别水表表盘进行匹配，无需将每个模板依次放进去寻找最优解，加快识别速度，同时确保了识别结果的准确性。
附图说明
图1为本发明工作流程图；
图2为子表盘模板示意图；
图3为实施例待识别水表二值化图像；
图4为多目标模板匹配算法流程图。
具体实施方式
本实施例以八指针水表为例，所述的一种多指针水表读数识别方法，图1为流程图，步骤如下：
(1)根据待识别水表表盘上的子表盘制作子表盘模板，子表盘模板数量为10个，如图2所示，对子表盘模板按顺序进行编号，编号为0～9，每个编号的子表盘模板指针在不同位置所以对应不同读数，编号为0的子表盘模板指针在数字0～1之间，编号为1的子表盘模板指针在数字1～2之间，以此类推，编号为9的子表盘模板指针在数字9～0之间；将子表盘模板利用形态学中的膨胀运算，将细指针膨胀为覆盖相邻数字之间全部区域的粗指针。
(2)采集待识别水表图像，对水表图像进行图像尺寸调整、图像灰度化、线性灰度变换、双边滤波，将水表图像转换成二值化图像，如图3所示。
(3)利用多目标模板匹配算法将二值化水表图像进行多目标检测，图4为流程图，与10个子表盘模板同时进行匹配，将匹配到的子表盘模板读数和子表盘模板位置输出。
(31)输入待识别水表表盘图像和10个子表盘模板，子表盘模板数量为N为10，水表图像高400，宽为320，子表盘模板高40，宽32，这个模板的可行解区域为1≤x≤400-40，1≤y≤320-32，每个子表盘模板对应一个适应度函数，10个子表盘模板对应10个适应度函数；
适应度函数为：
Figure BDA0003011344400000041
式中，K×L为子表盘模板尺寸，图像像素点用坐标(x,y)表示，(i,j)为子表盘模板中的点坐标，该点的灰度值为w(i,j)，与该点重合的搜索图像中对应点的坐标为(x+i,y+j)，灰度值为γ(x+i,y+j)，求出相关系数为R(x,y)。
(32)设置水表表盘图像的可行解区域，在可行解区域生成个体作为初始种群，个体用图像像素点所在坐标(x,y)表示，个体编码为ρ位二进制串，前ρ/2位为横坐标x的二进制表示，后ρ/2位为纵坐标y的二进制表示，比如[(20,60)(54,65)，…，(87,95)]，随机生成共100个，每个个体代表一个像素的坐标，编码是24位二进制串表示，如像素点坐标(125,68)实际编码为：00000111110000010100100，125是前12位，68是后12位，设置迭代次数为50次。
(33)按照适应度函数个数将初始种群等分成子种群，子种群数量与适应度函数个数相同，10个适应度函数生成10个子种群，每个子种群根据适应值降序记录前3个优异个体。
(34)在每个子种群里进行选择操作，每个个体根据子种群对应的适应度函数求每个个体的适应值，比如[(20，60)，(54，65)…(7，95)]计算出来的适应值为[0.8，0.9，…，0.99]，选择操作为选适应值大的个体，策略式是轮盘赌操作，适应值是0.99的那个个体更容易留下来。
(35)进行小生境运算，在每个子种群中将步骤(34)10个个体和步骤(33)中的3个个体合并成含有13个个体的新种群，计算每两个个体之间的欧式距离D；当D＜8时，比较其适应度值大小，施加一个罚函数0.5给适应度值小的个体，在原适应值上减去0.5从而降低其适应度；
欧式距离D计算方法为：
Figure BDA0003011344400000042
式中，(x1,y1)和(x2,y2)是个体的像素坐标。
(36)每个子种群按照步骤(35)中13个个体的新适应度值降序排序个体，记住前10个个体。
(37)取步骤(36)所有子种群中的10个个体组成一个数量为100的种群。
(38)对种群进行交叉、变异运算得到100个个体；交叉算子采用单点交叉，比如00000111110000010100100和111111111111000000000000截取个体的前12位和后12位组成新个体000001111100000000000000，变异就某个个体二进制位随机1变0或0变1，比如000001111100000101001000第一位变为1，个体变异为10000111110000010100100。
(39)执行步骤(33)，循环50次结束运行，在非劣解中输出适应值大于设定阈值0.95的最优个体，将个体解码成像素坐标，得到所有子表盘的位置，如果在第一个小种群里找到的话，他就是0号模板在图像上的最优解，即对应位置的子表盘读数为0，得到读数。
(4)确定匹配到的子表盘模板与数量级之间对应关系，对水表读数进行整合，将匹配到的子表盘模板上的读数乘以相对应的数量级，实现水表读数识别。

Claims (10)

1.一种多指针水表读数识别方法，其特征在于，步骤如下：
(1)根据待识别水表表盘上的子表盘制作子表盘模板，对子表盘模板按顺序进行编号，每个编号的子表盘模板对应不同读数；
(2)采集待识别水表图像，对水表图像进行预处理，将水表图像转换成二值化图像；
(3)利用多目标模板匹配算法将二值化水表图像进行多目标检测，与所有子表盘模板同时进行匹配，输出匹配到的子表盘模板读数和子表盘模板位置；
(4)确定匹配到的子表盘模板与数量级之间对应关系，对水表读数进行整合，实现水表读数识别。
2.根据权利要求1所述的多指针水表读数识别方法，其特征在于，所述步骤(3)多目标模板匹配算法包括：
(31)输入待识别水表表盘图像和所有子表盘模板，子表盘模板数量为N，每个子表盘模板对应一个适应度函数；
(32)设置水表表盘图像的可行解区域，在可行解区域生成个体作为初始种群，其中个体数量用S表示，设置迭代次数；
(33)按照适应度函数个数将初始种群等分成子种群，子种群数量与适应度函数个数相同，每个子种群个体数量为S/N，每个子种群根据适应值降序记录前T/N个优异个体，其中T<S；
(34)每个子种群根据各自的适应度函数选择对应的S/N个个体；
(35)进行小生境运算，在每个子种群中将步骤(34)S/N个个体和步骤(33)中的T/N个个体合并成含有(S+T)/N个个体的新种群，计算每两个个体之间的欧式距离D，当D＜Le时，Le为预先设置阈值，比较两个个体之间适应度值大小，施加一个罚函数给适应度值小的个体，并降低适应度值；
(36)每个子种群按照步骤(35)中(S+T)/N个个体的新适应度值降序排序个体，记住前S/N个个体；
(37)取步骤(36)所有子种群中的S/N个个体组成一个数量为S的种群；
(38)对种群进行交叉、变异运算得到S个个体；
(39)跳到步骤(33)，直到达到了预先设置的迭代次数，则结束运行，在非劣解中输出适应值大于设定阈值Th的最优个体，将个体解码成像素坐标，得到所有子表盘的位置和读数。
3.根据权利要求2所述的多指针水表读数识别方法，其特征在于，所述步骤(1)中所述子表盘模板利用形态学中的膨胀运算，将细指针膨胀为覆盖相邻数字之间全部区域的粗指针。
4.根据权利要求3所述的多指针水表读数识别方法，其特征在于，所述步骤(31)适应度函数为：
Figure FDA0003011344390000021
式中，K×L为子表盘模板尺寸，图像像素点用坐标(x,y)表示，(i,j)为子表盘模板中的点坐标，该点的灰度值为w(i,j)，与该点重合的搜索图像中对应点的坐标为(x+i,y+j)，灰度值为γ(x+i,y+j)，求出相关系数为R(x,y)。
5.根据权利要求4所述的多指针水表读数识别方法，其特征在于，步骤(34)选择算子采用轮盘赌策略，计算子种群里所有个体的适应值总值，每个个体被选择的概率为个体适应值除以适应值总值。
6.根据权利要求5所述的多指针水表读数识别方法，其特征在于，步骤(38)中交叉算子采用单点交叉，随机选择一个位置Ke位，0<Ke<ρ,ρ为编码的长度，然后分别选择一个个体的前Ke位，另一个个体的Ke位后的二进制位，并组成一个新的个体。
7.根据权利要求6所述的多指针水表读数识别方法，其特征在于，步骤(38)中变异算子采用单点随机变异，在个体的染色体上随机选择一位，并对其值取非。
8.根据权利要求1所述的多指针水表读数识别方法，其特征在于，步骤(2)图像预处理包括图像尺寸调整、图像灰度化、线性灰度变换、双边滤波。
9.根据权利要求1所述的多指针水表读数识别方法，其特征在于，步骤(4)整合为将匹配到的子表盘模板上的读数乘以相对应的数量级。
10.根据权利要求1所述的多指针水表读数识别方法，其特征在于，步骤(35)欧式距离D计算方法为：
Figure FDA0003011344390000022
式中，(x1,y1)和(x2,y2)是个体的像素坐标。
CN202110376930.7A 2021-04-08 2021-04-08 一种多指针水表读数识别方法 Withdrawn CN113205001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110376930.7A CN113205001A (zh) 2021-04-08 2021-04-08 一种多指针水表读数识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110376930.7A CN113205001A (zh) 2021-04-08 2021-04-08 一种多指针水表读数识别方法

Publications (1)

Publication Number Publication Date
CN113205001A true CN113205001A (zh) 2021-08-03

Family

ID=77026387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110376930.7A Withdrawn CN113205001A (zh) 2021-04-08 2021-04-08 一种多指针水表读数识别方法

Country Status (1)

Country Link
CN (1) CN113205001A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780281A (zh) * 2021-09-15 2021-12-10 安徽翼迈科技股份有限公司 一种基于字符模板的水表读数识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780281A (zh) * 2021-09-15 2021-12-10 安徽翼迈科技股份有限公司 一种基于字符模板的水表读数识别方法
CN113780281B (zh) * 2021-09-15 2024-07-02 安徽翼迈科技股份有限公司 一种基于字符模板的水表读数识别方法

Similar Documents

Publication Publication Date Title
CN109190442B (zh) 一种基于深度级联卷积神经网络的快速人脸检测方法
CN111401361B (zh) 一种端到端的轻量级深度车牌识别方法
CN109035233B (zh) 视觉注意力网络系统及工件表面缺陷检测方法
CN110543878A (zh) 一种基于神经网络的指针仪表读数识别方法
CN106897774B (zh) 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法
CN102163280B (zh) 一种基于置信度和多帧判决的目标识别跟踪转换方法
CN111445108B (zh) 数据驱动的配电网线变关系诊断方法、装置及系统
CN117078490A (zh) 基于多项因素进行同步分析的城市小微水体风险评估方法
CN113205001A (zh) 一种多指针水表读数识别方法
CN114757872B (zh) 芯片采集方法和芯片定位方法
CN114694746B (zh) 基于改进的MRMD算法和DF模型的植物pri-miRNA编码肽预测方法
CN115879629A (zh) 基于深度学习的超短期光伏功率预测方法
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN112101468B (zh) 一种在序列组合中判定异常序列的方法
CN104715160A (zh) 基于kmdb的软测量建模数据异常点检测方法
CN115600773B (zh) 一种基于序列模式挖掘的生产路径分析方法及系统
CN112529003A (zh) 一种基于Faster-RCNN的仪表盘数字识别方法
CN116612265A (zh) 一种基于目标编解码的表盘指针读数的识别方法
CN110852597B (zh) 基于生成对抗网络的用电高峰时段居民负荷占比计算方法
JPS5922179A (ja) 文字認識方法
CN113111774A (zh) 一种基于主动增量式微调的雷达信号调制方式识别方法
CN104657441A (zh) 基于k-近邻的水利普查行业能力数据融合方法
CN116843368B (zh) 基于arma模型的营销数据处理方法
CN118887208B (zh) 一种机器学习辅助的晶圆制造工艺评估和异常检测方法
CN114266953B (zh) 一种基于深度学习的目标检测流程自优化方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210803

WW01 Invention patent application withdrawn after publication