CN115661147A - 基于机器视觉的计量检测数据识别方法 - Google Patents

基于机器视觉的计量检测数据识别方法 Download PDF

Info

Publication number
CN115661147A
CN115661147A CN202211670464.4A CN202211670464A CN115661147A CN 115661147 A CN115661147 A CN 115661147A CN 202211670464 A CN202211670464 A CN 202211670464A CN 115661147 A CN115661147 A CN 115661147A
Authority
CN
China
Prior art keywords
pixel point
gray
value
window
pixel
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
Application number
CN202211670464.4A
Other languages
English (en)
Other versions
CN115661147B (zh
Inventor
孔健
邓伟
孙奇
何巍
刘稳清
王亚倩
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.)
Jining Institute Of Quality Measurement Inspection And Testing Jining Semiconductor And Display Product Quality Supervision And Inspection Center Jining Fiber Quality Monitoring Center
Original Assignee
Jining Institute Of Quality Measurement Inspection And Testing Jining Semiconductor And Display Product Quality Supervision And Inspection Center Jining Fiber Quality Monitoring Center
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 Jining Institute Of Quality Measurement Inspection And Testing Jining Semiconductor And Display Product Quality Supervision And Inspection Center Jining Fiber Quality Monitoring Center filed Critical Jining Institute Of Quality Measurement Inspection And Testing Jining Semiconductor And Display Product Quality Supervision And Inspection Center Jining Fiber Quality Monitoring Center
Priority to CN202211670464.4A priority Critical patent/CN115661147B/zh
Publication of CN115661147A publication Critical patent/CN115661147A/zh
Application granted granted Critical
Publication of CN115661147B publication Critical patent/CN115661147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于机器视觉的计量检测数据识别方法。方法包括：获取指针式压力表的表面图像，基于各像素点对应的第一窗口内像素点的灰度值，得到各像素点的噪声概率，进而将表面图像中的像素点划分为两类，将平均噪声概率较小的一类像素点记为目标像素点；基于目标像素点在表面图像中对应的第一窗口内像素点的灰度值和在下采样图像中对应的第一窗口内像素点的灰度值，得到目标像素点在表面图像中对应的灰度差异和在下采样图像中对应的灰度差异，进而获得修正后的噪声概率，确定各像素点对应的优选窗口的尺寸，获得去噪后的图像，进而获得对应的压力值。本发明提高了指针式压力表上的压力值的读取精度。

Description

基于机器视觉的计量检测数据识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于机器视觉的计量检测数据识别方法。
背景技术
压力表是一种应用普遍的计量工具，它几乎遍及所有的工业流程和科研领域，如在热力管网、油气传输、供水供气系统等领域随处可见。现今的压力表分为数显式仪表和指针式压力表，其中数显式仪表可直接获取压力数据信息，但其使用环境苛刻，而指针式压力表虽然需要人工观察记录压力数据，但其使用环境广泛，因此其在许多环境恶劣的工作场所仍然被广泛使用，如煤矿井下工作场所的设备大多安装有指针式压力表。
由于人工观测记录时，易因疲劳或者疏忽导致读数错误，因此基于机器视觉的指针式压力表的自动判读有了一定的市场前景，且有助于提高检测效率。然而煤矿井下粉尘较多且图像在采集和传输过程中会受到各种电设备的电磁干扰，使得获得的图像噪声较大，影响图像内指针式压力表上的压力值的读取精度，因此需要提前对采集的图像进行去噪处理。而传统的去噪算法都存在各自的缺陷，如常用的中值滤波在图像内噪声密度较大的区域内进行滤波时，若滤波窗口尺寸较小，则窗口内噪声点数量较多，灰度中值像素点的选取易为噪声点，若滤波窗口尺寸较大，则灰度中值像素点的选取易距离窗口中心像素点较远，其选取的像素点可信度较低，会导致去噪效果较差，进而影响了指针式压力表上压力值的读取精度。
发明内容
为了解决现有方法对指针式压力表的表面图像进行中值滤波时，选取的灰度中值像素点的可信度较低，导致指针式压力表上压力值的读取精度较低的问题，本发明的目的在于提供一种基于机器视觉的计量检测数据识别方法，所采用的技术方案具体如下：
本发明提供了一种基于机器视觉的计量检测数据识别方法，该方法包括以下步骤：
获取指针式压力表的表面图像；
以所述表面图像中的各像素点为中心点构建各像素点对应的第一窗口；基于各像素点对应的第一窗口内各像素点的灰度值和各像素点对应的第一窗口内像素点的灰度最值，得到所述表面图像中各像素点对应的噪声概率；所述灰度最值包括灰度最大值、灰度最小值；
基于所述各像素点对应的噪声概率将所述表面图像中的像素点划分为两类，将平均噪声概率较小的一类像素点记为目标像素点；对所述表面图像进行预设次数的下采样获得各下采样图像；基于各目标像素点在所述表面图像中对应的第一窗口内像素点的灰度值和在下采样图像中对应的第一窗口内像素点的灰度值，得到各目标像素点在所述表面图像中对应的灰度差异和在下采样图像中对应的灰度差异；基于各目标像素点在所述表面图像中对应的灰度差异、在下采样图像中对应的灰度差异、在所述表面图像中对应的噪声概率和在下采样图像中对应的噪声概率，得到各目标像素点修正后的噪声概率；
基于所述修正后的噪声概率和所述表面图像中除目标像素点外的其它像素点对应的噪声概率，判断是否增大第一窗口的尺寸，获得所述表面图像中各像素点对应的优选窗口的尺寸；基于各像素点对应的优选窗口内像素点的灰度值，得到各像素点对应的优选窗口内各像素点为中值像素点的概率；根据所述各像素点为中值像素点的概率获得去噪后的图像，基于所述去噪后的图像获得对应的压力值。
优选的，所述基于各像素点对应的第一窗口内各像素点的灰度值和对应的第一窗口内像素点的灰度最值，得到所述表面图像中各像素点对应的噪声概率，包括：
对于所述表面图像中的任一像素点：
若该像素点的灰度值不是该像素点对应的第一窗口内像素点的灰度最值，则计算该像素点对应的第一窗口内灰度值不为灰度最值的所有像素点的平均灰度值，记为第一平均灰度值；基于所述第一平均灰度值将该像素点对应的第一窗口内的像素点划分为两类；计算该像素点所在的类内灰度值不为灰度最值的所有像素点的平均灰度值，记为第二平均灰度值；将该像素点的灰度值与所述第二平均灰度值的差值的绝对值记为第一绝对值，将所述第一绝对值的归一化结果作为该像素点对应的噪声概率；
若该像素点的灰度值是该像素点对应的第一窗口内像素点的灰度最值，则当该像素点的灰度值为该像素点对应的第一窗口内像素点的灰度最小值时，计算该像素点对应的第一窗口内非灰度最小值的像素点的平均灰度值，记为第一灰度均值，计算该像素点对应的第一窗口内非灰度最小值的灰度值中小于等于所述第一灰度均值的灰度值的均值，记为第二灰度均值，根据该像素点的灰度值和所述第二灰度均值，计算该像素点对应的噪声概率；当该像素点的灰度值为该像素点对应的第一窗口内像素点的灰度最大值时，计算该像素点对应的第一窗口内非灰度最大值的像素点的灰度均值，记为第三灰度均值，计算该像素点对应的第一窗口内非灰度最大值中大于等于所述第三灰度均值的灰度值的均值，记为第四灰度均值；根据该像素点的灰度值和所述第四灰度均值，计算该像素点对应的噪声概率。
优选的，采用如下公式计算该像素点对应的噪声概率：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 999401DEST_PATH_IMAGE002
为该像素点对应的噪声概率，
Figure 100002_DEST_PATH_IMAGE003
为该像素点的灰度值，
Figure 946497DEST_PATH_IMAGE004
为该像素点对 应的第一窗口内像素点的灰度最小值，
Figure 100002_DEST_PATH_IMAGE005
为该像素点对应的第一窗口内像素点的灰度最 大值，
Figure 10268DEST_PATH_IMAGE006
为第二灰度均值，
Figure 100002_DEST_PATH_IMAGE007
为第四灰度均值。
优选的，所述对所述表面图像进行预设次数的下采样获得各下采样图像，包括：
对所述表面图像进行去除奇数行和奇数列的下采样，获得一张下采样图像；对所述表面图像进行去除偶数行和偶数列的下采样，获得一张下采样图像；对所述表面图像进行去除奇数行和偶数列的下采样，获得一张下采样图像；对所述表面图像进行去除偶数行和奇数列的下采样，获得一张下采样图像。
优选的，所述基于各目标像素点在所述表面图像中对应的第一窗口内像素点的灰度值和在下采样图像中对应的第一窗口内像素点的灰度值，得到各目标像素点在所述表面图像中对应的灰度差异和在下采样图像中对应的灰度差异，包括：
对于任一目标像素点：
计算该目标像素点在下采样图像中对应的第一窗口内像素点的平均灰度值，记为第一分类阈值，基于所述第一分类阈值将该目标像素点在下采样图像中对应的第一窗口内的像素点划分为两类；将该像素点所属类内各像素点与该目标像素点的灰度差异的均值记为该目标像素点在下采样图像中对应的灰度差异；
计算该目标像素点在所述表面图像中对应的第一窗口内像素点的平均灰度值，记为第二分类阈值，基于所述第二分类阈值将该目标像素点在所述表面图像中对应的第一窗口内的像素点划分为两类；将该像素点所属类内各像素点与该目标像素点的灰度差异的均值记为该目标像素点在所述表面图像中对应的灰度差异。
优选的，所述基于各目标像素点在所述表面图像中对应的灰度差异、在下采样图像中对应的灰度差异、在所述表面图像中对应的噪声概率和在下采样图像中对应的噪声概率，得到各目标像素点修正后的噪声概率，包括：
对于任一目标像素点，采用如下公式计算该目标像素点修正后的噪声概率：
Figure 569687DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
为该目标像素点修正后的噪声概率，
Figure 35304DEST_PATH_IMAGE010
为该目标像素点在指针式压力表的 表面图像中对应的噪声概率，
Figure 100002_DEST_PATH_IMAGE011
为该目标像素点在下采样图像中对应的噪声概率，
Figure 90984DEST_PATH_IMAGE012
为该 目标像素点在指针式压力表的表面图像中对应的灰度差异，
Figure 100002_DEST_PATH_IMAGE013
为该目标像素点在下采样 图像中对应的灰度差异，
Figure 907631DEST_PATH_IMAGE014
为取绝对值，
Figure 100002_DEST_PATH_IMAGE015
为调节参数。
优选的，所述基于所述修正后的噪声概率和所述表面图像中除目标像素点外的其它像素点对应的噪声概率，确定所述表面图像中各像素点对应的优选窗口的尺寸，包括：
对于所述表面图像中的任一像素点：
若该像素点为目标像素点，则将常数1减去该像素点修正后的噪声概率得到的差值作为该像素点的可信度；若该像素点为非目标像素点，则将常数1减去该像素点对应的噪声概率得到的差值作为该像素点的可信度；
以该像素点为窗口的中心点，构建该像素点对应的初始窗口，计算该像素点对应的初始窗口内像素点的可信度的均值，若该像素点对应的初始窗口内像素点的可信度的均值大于可信度阈值，则将初始窗口的尺寸作为该像素点对应的优选窗口的尺寸；若该像素点对应的初始窗口内像素点的可信度的均值小于等于可信度阈值，则将初始窗口的长和宽均增加预设长度，并作为第二窗口的尺寸，构建该像素点对应的第二窗口，计算该像素点对应的第二窗口内像素点的可信度的均值，若该像素点对应的第二窗口内像素点的可信度的均值大于可信度阈值，则将第二窗口的尺寸作为该像素点对应的优选窗口的尺寸；若该像素点对应的第二窗口内像素点的可信度的均值小于等于可信度阈值，则将第二窗口的长和宽均增加预设长度，并作为该像素点对应的优选窗口的尺寸。
优选的，基于各像素点对应的优选窗口内像素点的灰度值，得到各像素点为中值像素点的概率，包括：
对于所述表面图像中的任一像素点：
按照灰度值由小到大的顺序，对该像素点对应的优选窗口中的像素点进行排列， 获得该像素点对应的像素点序列；根据该像素点对应的优选窗口内各像素点的可信度和该 像素点对应的优选窗口内各像素点在该像素点对应的像素点序列中的位置，采用如下公式 计算该像素点对应的像素点序列中第
Figure 742512DEST_PATH_IMAGE016
个像素点为中值像素点的概率：
Figure 100002_DEST_PATH_IMAGE017
其中，
Figure 124952DEST_PATH_IMAGE018
为该像素点对应的像素点序列中第
Figure 820376DEST_PATH_IMAGE016
个像素点为中值像素点的概率，
Figure 100002_DEST_PATH_IMAGE019
为该像素点对应的优选窗口中的像素点的数量，
Figure 156941DEST_PATH_IMAGE016
为该像素点在该像素点对应的像素点序 列中的位数，
Figure 228803DEST_PATH_IMAGE020
为该像素点对应的像素点序列中第
Figure 137853DEST_PATH_IMAGE016
个像素点的可信度。
优选的，根据所述各像素点为中值像素点的概率获得去噪后的图像，包括：
对于所述表面图像中的任一像素点：将该像素点对应的优选窗口内中值像素点的概率最大的像素点作为该像素点对应的优选窗口内的中值像素点；
利用所述表面图像中各像素点对应的优选窗口内的中值像素点的灰度值替换对应的窗口中心像素点的灰度值，将灰度值替换完成后的图像记为去噪后的图像。
本发明至少具有如下有益效果：
1、本发明首先获取了指针式压力表的表面图像，由于煤矿井下的粉尘较多、且指针式压力表的表面图像在采集和传输过程中会受到各种电设备的电磁的干扰，导致获得的图像噪声较大，因此需要对采集的图像进行去噪处理，考虑到在对图像进行中值滤波时，如果滤波窗口的尺寸选取的不合适，会直接影响图像的去噪效果，本发明根据指针式压力表的表面图像中各像素点对应的噪声概率，确定了各像素点对应的优选窗口的尺寸，也即获得了各像素点对应的滤波窗口，使得各像素点在进行滤波处理时窗口内的像素点大部分为正常像素点，又基于各像素点对应的优选窗口内各像素点为中值像素点的概率对指针式压力表的表面图像进行去噪处理，提高了图像的去噪效果，使得后续指针式压力表上的压力值的读取精度更高。
2、本发明在获取指针式压力表的表面图像中各像素点对应的噪声概率时，考虑到噪声像素点与正常像素点的灰度存在差异，噪声像素点的灰度值偏大或者偏小，因此本发明首先基于各像素点对应的第一窗口内各像素点的灰度值和各像素点对应的第一窗口内像素点的灰度最值，得到指针式压力表的表面图像中各像素点对应的噪声概率；考虑到当指针式压力表的表面图像中某一个像素点为正常像素点时，下采样前后该像素点与其邻域内该像素点所处类内的像素点的灰度差异都较小；当指针式压力表的表面图像中某一个像素点为噪声像素点、且其邻域内其它像素点为正常像素点时，下采样前后该像素点与其邻域内该像素点所处类内的像素点的灰度差异变化都较大；而当指针式压力表的表面图像中某一个像素点为噪声像素点、且该像素点的邻域内存在多个噪声像素点时，下采样前该像素点的邻域内该像素点所处类内的像素点多为噪声像素点，即其灰度差异较小，而下采样后该像素点的邻域内该像素点所处类内的像素点多为正常像素点，即其灰度差异较大；因此噪声概率较大的像素点的噪声概率的计算结果较准确，而噪声概率较小的像素点的噪声概率的计算结果存在误差；本发明基于指针式压力表的表面图像中各像素点对应的噪声概率将像素点划分为两类，将平均噪声概率较小的一类像素点记为目标像素点，目标像素点对应的噪声概率的计算结果准确率较低，基于目标像素点在指针式压力表的表面图像和下采样图像中的灰度差异的变化情况，对目标像素点的噪声概率进行了修正，提高了噪声概率的结果，能够有效地保证后续指针式压力表上的压力值的读取精度。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的一种基于机器视觉的计量检测数据识别方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的计量检测数据识别方法进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的计量检测数据识别方法的具体方案。
一种基于机器视觉的计量检测数据识别方法实施例：
本实施例提出了一种基于机器视觉的计量检测数据识别方法，如图1所示，本实施例的一种基于机器视觉的计量检测数据识别方法包括以下步骤：
步骤S1，获取指针式压力表的表面图像。
本实施例所针对的具体情景为：指针式压力表具有防护和抗震性能好、精度高、安装方便等特点，因此指针式压力表的使用环境广泛，煤矿井下工作场所的设备大多安装有指针式压力表，如煤矿井下综采支架所使用的指针式耐震压力表，用于检测综采支架工作阻力，本实施例通过监控摄像头采集煤矿井下重要设备上的指针式压力表的图像，煤矿井下的粉尘较多、且指针式压力表的图像在采集和传输过程中会受到各种电设备的电磁的干扰，导致获得的图像噪声较大，传统的中值滤波对噪声密度较大的图像去噪效果较差；本实施例通过计算指针式压力表的图像中各像素点的可信度，根据可信度自适应获取对应的窗口尺寸，进而选取窗口内像素灰度值的中值，完成指针式压力表的图像的去噪处理，最后利用Hough变换的指针式压力表自动识别算法，识别去噪后图像中的指针，获取精准的压力数据，进而实现高压预警。
本实施例利用监控摄像头采集煤矿井下设备上的指针式压力表的图像，指针式压力表的图像为RGB图像，对采集到的图像进行灰度化处理，将灰度化处理之后的图像记为指针式压力表的表面图像。图像的灰度化处理为现有技术，此处不再过多赘述。通常情况下，煤矿井下安装有多个指针式压力表，本实施例接下来以煤矿井下的其中一个指针式压力表为例进行说明，其它指针式压力表上的压力值读取方法均可采用本实施例提供的方法获取。
步骤S2，以所述表面图像中的各像素点为中心点构建各像素点对应的第一窗口；基于各像素点对应的第一窗口内各像素点的灰度值和对应的第一窗口内像素点的灰度最值，得到所述表面图像中各像素点对应的噪声概率；所述灰度最值包括灰度最大值、灰度最小值。
由于煤矿井下环境复杂，粉尘浓度较高，图像在采集和传输过程中会受到各种电设备的电磁的干扰，获得的图像噪声较大，影响后续的指针式压力表的读数。本实施例将采用改进的中值滤波对指针式压力表的表面图像进行去噪处理。
考虑到指针式压力表的表面图像中的噪声点大多是由煤矿井下沙尘或者煤炭粉尘等干扰形成的，因此指针式压力表的表面图像中的噪声为颗粒状、随机分布，并且噪声像素点与其邻域像素点都存在较大的差异，在图像的暗区域内噪声点灰度值较大，在图像的亮区域内噪声点灰度值较小，故指针式压力表的表面图像中的噪声点为邻域内的灰度最值像素点。基于此，本实施例将分析指针式压力表的表面图像中每个像素点的邻域像素点中的灰度最值的变化情况，计算指针式压力表的表面图像中各像素点为噪声点的概率，然后分析图像内每个像素点邻域内的像素点的灰度变化情况。
对于指针式压力表的表面图像中的任一像素点：以该像素点为中心点，构建预设 第一窗口，作为该像素点对应的第一窗口；本实施例中预设第一窗口的大小为
Figure DEST_PATH_IMAGE021
，在具体 应用中，实施者可根据具体情况进行设置；获取该像素点对应的第一窗口内各像素点的灰 度值，若该像素点对应的第一窗口内像素点的灰度值均为灰度最值，则说明该像素点对应 的第一窗口内所有像素点的灰度值只有一种或两种，使分析是否为噪声点时可用的数据量 较少，分析结果的可信度较低，因此可增大窗口的尺寸。
指针式压力表的表面图像中的像素点可分为与大部分邻域像素灰度相似的非边缘像素点、与小部分邻域像素灰度相似的边缘像素点，指针式压力表的表面图像中的像素点又可分为噪声像素点和正常像素点。当该像素点的灰度值在其邻域内非灰度最值时，说明该像素点大概率为正常像素点，将该像素点的邻域内灰度值不为灰度最值的像素点分为两类，该像素点与其所处类内其它像素点的灰度差异越小，说明该像素点为噪声点的概率越小；当该像素点的灰度值在其邻域内为灰度最值时，说明该像素点为噪声像素点的可能性较大，该像素点的邻域内的非灰度最值的像素点为正常像素点，而这些正常像素点可能处于图像边缘处，根据灰度值可分为两类，若该像素点灰度值为其邻域内像素点的灰度最小值，则其与邻域内非灰度最小值的像素点中灰度值较小的像素点灰度差异越大，说明该像素点为噪声点的概率越大，若该像素点的灰度值为其邻域内像素点的灰度最大值，则其与邻域内非灰度最大值的像素点中灰度值较大的像素点灰度差异越大，说明该像素点为噪声点的概率越大。
基于此，对于指针式压力表的表面图像中的任一像素点：
若该像素点的灰度值不是该像素点对应的第一窗口内像素点的灰度最值，所述灰 度最值为灰度最大值或灰度最小值，本实施例获取该像素点对应的第一窗口内像素点的最 大灰度值
Figure 332074DEST_PATH_IMAGE005
和最小灰度值
Figure 592154DEST_PATH_IMAGE004
，计算该像素点对应的第一窗口内灰度值不为灰度最值的 所有像素点的平均灰度值
Figure 700662DEST_PATH_IMAGE022
，记为第一平均灰度值；将该像素点对应的第一窗口内灰度 值小于等于
Figure 980332DEST_PATH_IMAGE022
的像素点划分为一类，将该像素点对应的第一窗口内灰度值大于
Figure 17558DEST_PATH_IMAGE022
的像 素点划分为一类，也即将该像素点对应的窗口内的像素点划分为了两部分，每一类一定包 含灰度最值的像素点，即可能包含灰度最大值的像素点，也可能包含灰度最小值的像素点， 由于灰度最值像素点为噪声像素点的概率较大，因此本实施例去除该像素点所在的类内灰 度值为灰度最值的像素点，计算该像素点所在的类内灰度值不为灰度最值的所有像素点的 平均灰度值
Figure DEST_PATH_IMAGE023
，记为第二平均灰度值；该像素点的灰度值与该像素点所在的类内灰度值不 为最值的所有像素点的平均灰度值的差异能够表征该像素点与其邻域像素点的灰度差异， 该灰度差异越大，说明该像素点越可能为噪声像素点；将该像素点的灰度值与第二平均灰 度值的差值的绝对值记为第一绝对值，将第一绝对值的归一化结果作为该像素点对应的噪 声概率，该像素点对应的噪声概率的具体表达式为：
Figure 92830DEST_PATH_IMAGE024
其中，
Figure 240915DEST_PATH_IMAGE002
为该像素点对应的噪声概率，
Figure 422760DEST_PATH_IMAGE003
为该像素点的灰度值，
Figure 896466DEST_PATH_IMAGE023
为第二平均灰度 值，
Figure 599980DEST_PATH_IMAGE014
为取绝对值。
Figure DEST_PATH_IMAGE025
表征该像素点与其所处类内其它像素点的灰度差异，
Figure 879652DEST_PATH_IMAGE026
表示对灰度 差异进行归一化处理。当该像素点的灰度值不是该像素点对应的第一窗口内像素点的灰度 最值时，该像素点与其所处类内其它像素点的灰度差异越大，说明该像素点越可能为噪声 点，即该像素点对应的噪声的概率越大；当该像素点的灰度值不是该像素点对应的第一窗 口内像素点的灰度最值时，该像素点与其所处类内其它像素点的灰度差异越小，说明该像 素点越可能为正常像素点，即该像素点对应的噪声的概率越小。本实施例之所以将该像素 点对应的第一窗口内像素点划分为了两类，是因为考虑到了窗口内可能同时存在边缘像素 点和非边缘像素点，本实施例基于窗口中心点的灰度值获取中心像素点对应的类别，并基 于中心像素点对应的类别中所有像素点与中心像素点的灰度差异来计算中心像素点对应 的噪声概率，计算结果更加准确。
若该像素点的灰度值是该像素点对应的第一窗口内像素点的灰度最值，当该像素 点的灰度值为该像素点对应的第一窗口内像素点的灰度最小值时，计算该像素点对应的第 一窗口内非灰度最小值的像素点的平均灰度值
Figure DEST_PATH_IMAGE027
，记为第一灰度均值，计算该像素点对应 的第一窗口内非灰度最小值的灰度值中小于等于
Figure 148959DEST_PATH_IMAGE027
的灰度值的均值
Figure 823261DEST_PATH_IMAGE006
，记为第二灰度 均值；当该像素点的灰度值为该像素点对应的第一窗口内像素点的灰度最大值时，计算该 像素点对应的第一窗口内非灰度最大值的像素点的灰度均值
Figure 14071DEST_PATH_IMAGE028
，记为第三灰度均值，计算 该像素点对应的第一窗口内非灰度最大值中大于等于
Figure 769537DEST_PATH_IMAGE028
的灰度值的均值
Figure 424509DEST_PATH_IMAGE007
，记为第四 灰度均值；然后计算该像素点对应的噪声概率，即：
Figure 974439DEST_PATH_IMAGE001
其中，
Figure 918124DEST_PATH_IMAGE002
为该像素点对应的噪声概率，
Figure 713167DEST_PATH_IMAGE003
为该像素点的灰度值，
Figure 222646DEST_PATH_IMAGE004
为该像素点对 应的第一窗口内像素点的灰度最小值，
Figure 943478DEST_PATH_IMAGE005
为该像素点对应的第一窗口内像素点的灰度最 大值。
当该像素点的灰度值在其邻域内为灰度最值时，说明该像素点为噪声像素点的概 率较大，该像素点的邻域内的非灰度最值的像素点为正常像素点，而这些正常像素点可能 处于图像边缘处，根据灰度值将该像素点对应的第一窗口内的像素点分为两类，分别为灰 度值较大的一类和灰度值较小的一类，
Figure DEST_PATH_IMAGE029
表征该像素点与灰度值较小的一类中像素 点的灰度差异，
Figure 905617DEST_PATH_IMAGE030
表征对灰度差异进行归一化处理；
Figure DEST_PATH_IMAGE031
表征该像素点与灰度值 较大的一类中像素点的灰度差异，
Figure 835177DEST_PATH_IMAGE032
表征对灰度差异进行归一化处理；若该像素点的 灰度值为该像素点对应的第一窗口内像素点的灰度最小值，则其与灰度值较小的一类中的 像素点的灰度差异越大，说明该像素点越可能为噪声像素点，即该像素点对应的噪声的概 率越大；若该像素点对应的第一窗口内像素点的灰度最大值，则其与灰度值较大的一类中 的像素点的灰度差异越大，说明该像素点越可能为噪声像素点，即该像素点对应的噪声的 概率越大。
同理，采用上述方法，能够获得指针式压力表的表面图像中所有像素点对应的噪声概率，噪声概率越大的像素点，越可能为噪声像素点。
步骤S3，基于所述各像素点对应的噪声概率将所述表面图像中的像素点划分为两类，将平均噪声概率较小的一类像素点记为目标像素点；对所述表面图像进行预设次数的下采样获得各下采样图像；基于各目标像素点在所述表面图像中对应的第一窗口内像素点的灰度值和在下采样图像中对应的第一窗口内像素点的灰度值，得到各目标像素点在所述表面图像中对应的灰度差异和在下采样图像中对应的灰度差异；基于各目标像素点在所述表面图像中对应的灰度差异、在下采样图像中对应的灰度差异、在所述表面图像中对应的噪声概率和在下采样图像中对应的噪声概率，得到各目标像素点修正后的噪声概率。
本实施例在步骤S2中获得了指针式压力表的表面图像中每个像素点对应的噪声 概率，接下来基于指针式压力表的表面图像中各像素点对应的噪声概率，构建概率集合
Figure DEST_PATH_IMAGE033
，其中，n为指针式压力表的表面图像中像素点的数量，
Figure 668004DEST_PATH_IMAGE034
为指针式压 力表的表面图像中第1个像素点对应的噪声概率，
Figure DEST_PATH_IMAGE035
为指针式压力表的表面图像中第2个 像素点对应的噪声概率，
Figure 153212DEST_PATH_IMAGE036
为指针式压力表的表面图像中第n个像素点对应的噪声概率。
在进行窗口尺寸的自适应选取时，为了保证去噪效果，需要保证窗口内大部分像素点为噪声点的概率较小。由于指针式压力表的表面图像中的噪声点是由井下沙尘或者煤炭粉尘等干扰形成的，当粉尘浓度较大时，会造成图像中噪声密度较大，易导致一些像素点的邻域内存在较多的噪声点。当某个像素点的八邻域内只存在一个噪声点时，步骤S2中噪声概率计算结果准确率较高，但当某个像素点的八邻域内存在多个噪声点时，步骤S2中噪声概率的计算结果会存在误差，其对应的噪声概率的求取可能由噪声像素点之间的灰度差异获取，造成真正噪声像素点对应的噪声概率较低，被误认为正常像素点，因此本实施例将利用金字塔下采样的方式去除这些像素点邻域内较多的噪声点，尽可能使得八邻域内只存在一个噪声点，进而根据各下采样图像中像素点邻域内的灰度变化，对噪声概率值进行校正。
采用K-means聚类算法对概率集合
Figure DEST_PATH_IMAGE037
中的数据进行聚类，聚类时设置k的值为2，即 将指针式压力表的表面图像中所有像素点对应的噪声概率分为了两类，根据噪声概率的划 分结果，将指针式压力表的表面图像中所有像素点的所有像素点划分为两类，即将针式压 力表的表面图像中噪声概率属于第一类的像素点划分为一类，将针式压力表的表面图像中 噪声概率属于第二类的像素点划分为一类，获得多个连通域。
当指针式压力表的表面图像中某一个像素点为正常像素点时，下采样前后该像素点与其邻域内该像素点所处类内的像素点的灰度差异都较小；当指针式压力表的表面图像中某一个像素点为噪声像素点、且其邻域内其它像素点为正常像素点时，下采样前后该像素点与其邻域内该像素点所处类内的像素点的灰度差异变化都较大；上述两种情况计算的噪声概率较准确；而当指针式压力表的表面图像中某一个像素点为噪声像素点、且该像素点的邻域内存在多个噪声像素点时，下采样前该像素点的邻域内该像素点所处类内的像素点多为噪声像素点，即其灰度差异较小，而下采样后该像素点的邻域内该像素点所处类内的像素点多为正常像素点，即其灰度差异较大，此种情况下计算的噪声概率存在误差。噪声概率较大的像素点的噪声概率的计算结果较准确，而噪声概率较小的像素点的噪声概率的计算结果存在误差，需要对其进行修正，分别计算每一类中所有像素点的平均噪声概率，将平均噪声概率较小的一类像素点记为目标像素点，获得多个目标像素点，需要对目标像素点的噪声概率进行修正。
将指针式压力表的表面图像记为D，从左至右标记图像D的列数、从上至下标记图像D的行数，然后对图像D进行去除奇数行和奇数列的金字塔下采样，获得下采样图像D1，再对图像D进行去除偶数行和偶数列的金字塔下采样，获得下采样图像D2，再对图像D进行去除奇数行和偶数列的金字塔下采样，获得下采样图像D3，再对图像D进行去除偶数行和奇数列的金字塔下采样，获得下采样图像D4，且D1、D2、D3、D4可组成图像D。
接下来将对各目标像素点在下采样图像中对应的灰度差异和各目标像素点在指 针式压力表的表面图像中对应的灰度差异进行分析，本实施例以下采样图像
Figure 556642DEST_PATH_IMAGE038
为例进行 说明，对于其它图像均可采用本实施例提供的方法进行分析，统计下采样图像
Figure 487296DEST_PATH_IMAGE038
内的所有 目标像素点，对所有目标像素点进行逐像素点遍历。
对于任一目标像素点：
为了防止该目标像素点处于图像边缘区域造成邻域内的像素灰度差异较大，影响后续分析，本实施例首先计算该目标像素点对应的第一窗口内像素点的平均灰度值，记为第一分类阈值，基于第一分类阈值对该目标像素点对应的第一窗口内的像素点进行分类，将该目标像素点对应的第一窗口内小于等于第一分类阈值的像素点划分为一类，将该目标像素点对应的第一窗口内大于第一分类阈值的像素点划分为一类；统计该目标像素点所属类内各像素点的灰度值，根据该目标像素点的灰度值和该像素点所属类内各像素点的灰度值，计算该目标像素点在下采样图像中对应的灰度差异，即：
Figure DEST_PATH_IMAGE039
其中，
Figure 440208DEST_PATH_IMAGE013
为该目标像素点在下采样图像中对应的灰度差异，
Figure 768422DEST_PATH_IMAGE040
为该目标像素点的 灰度值，
Figure DEST_PATH_IMAGE041
为该目标像素点所属类内第g个像素点的灰度值，
Figure 236312DEST_PATH_IMAGE042
为该目标像素点所属类内像 素点的数量。
Figure DEST_PATH_IMAGE043
表征该目标像素点与该目标像素点所属类内其它像素点的灰度差异 的均值，用于表示该目标像素点与其邻域内同一类别的其它像素点的灰度差异。
同理，类比上述方法，计算该目标像素点在指针式压力表的表面图像中对应的灰 度差异
Figure 567061DEST_PATH_IMAGE044
。若该目标像素点对应的噪声概率的计算结果正确，则该像素点大概率为正常像 素点，该目标像素点在指针式压力表的表面图像中对应的灰度差异和在下采样后的图像中 对应的灰度差异都较小，两差异之间的差值也较小，即
Figure 843322DEST_PATH_IMAGE012
和
Figure 342436DEST_PATH_IMAGE013
的差异较小，若该目标像素 点对应的噪声概率存在误差，则该目标像素点大概率为噪声像素点，且其在指针式压力表 的表面图像中对应的第一窗口内的大部分像素点为噪声像素点，因此该目标像素点在指针 式压力表的表面图像中与其八邻域内的同类像素点的灰度差异较大，而该目标像素点在下 采样图像中与其八邻域内的同类像素点的灰度差异较小，故两灰度差异之间的差异较大， 即
Figure 969727DEST_PATH_IMAGE012
和
Figure 236324DEST_PATH_IMAGE013
的差异较大；基于此，本实施例根据该目标像素点在指针式压力表的表面图像中 对应的灰度差异、在下采样图像中对应的灰度差异、在指针式压力表的表面图像中对应的 噪声概率和在下采样图像中对应的噪声概率，计算该目标像素点修正后的噪声概率，即：
Figure 898249DEST_PATH_IMAGE008
其中，
Figure 302686DEST_PATH_IMAGE009
为该目标像素点修正后的噪声概率，
Figure 417272DEST_PATH_IMAGE010
为该目标像素点在指针式压力表的 表面图像中对应的噪声概率，
Figure 683300DEST_PATH_IMAGE011
为该目标像素点在下采样图像中对应的噪声概率，
Figure 199732DEST_PATH_IMAGE012
为该 目标像素点在指针式压力表的表面图像中对应的灰度差异，
Figure 775069DEST_PATH_IMAGE013
为该目标像素点在下采样 图像中对应的灰度差异，
Figure 376952DEST_PATH_IMAGE015
为调节参数。
Figure DEST_PATH_IMAGE045
表征该目标像素点在下采样前后灰度差异的变化情况，
Figure 522369DEST_PATH_IMAGE046
表示对该 目标像素点在下采样前后灰度差异的变化进行归一化处理，引入调节参数是为了防止分母 为0，本实施例设置
Figure 893308DEST_PATH_IMAGE015
的值为0.01，在具体应用中，实施者可根据具体情况进行设置；当
Figure DEST_PATH_IMAGE047
的值越大、该目标像素点在下采样图像中对应的噪声概率越大时，该目标像素点修 正后的噪声概率是
Figure 233022DEST_PATH_IMAGE011
的概率越大；当
Figure 151562DEST_PATH_IMAGE047
的值越小、该目标像素点在指针式压力表的表 面图像中对应的噪声概率越大时，该目标像素点对应的噪声概率是
Figure 274239DEST_PATH_IMAGE010
的概率越大。
同理，能够得到下采样图像
Figure 296421DEST_PATH_IMAGE038
内其它目标像素点修正后的噪声概率、下采样图像
Figure 479141DEST_PATH_IMAGE048
内所有目标像素点修正后的噪声概率、下采样图像
Figure DEST_PATH_IMAGE049
内所有目标像素点修正后的噪声 概率和下采样图像
Figure 321195DEST_PATH_IMAGE050
内所有目标像素点修正后的噪声概率；本实施例设置的图像下采样 规则使得同一目标像素点在所有下采样图像中只出现一次，因此，获得了指针式压力表的 表面图像中每个目标像素点修正后的噪声概率以及指针式压力表的表面图像中除目标像 素点外的其它像素点的噪声概率，也即获得了指针式压力表的表面图像中每个像素点对应 的概率。
步骤S4，基于所述修正后的噪声概率和所述表面图像中除目标像素点外的其它像素点对应的噪声概率，判断是否增大第一窗口的尺寸，获得所述表面图像中各像素点对应的优选窗口的尺寸；基于各像素点对应的优选窗口内像素点的基于所述修正后的噪声概率和所述表面图像中除目标像素点外的其它像素点对应的噪声概率，确定所述表面图像中各像素点对应的优选窗口的尺寸；基于各像素点对应的优选窗口内像素点的灰度值，得到各像素点对应的优选窗口内各像素点为中值像素点的概率；根据所述各像素点为中值像素点的概率获得去噪后的图像，基于所述去噪后的图像获得对应的压力值。
本实施例在步骤S3中获得了指针式压力表的表面图像中每个像素点对应的概率，对于任一像素点：将常数1减去该像素点对应的概率得到的差值作为该像素点的可信度；采用该方法，能够获得指针式压力表的表面图像中每个像素点的可信度，可信度越大，说明对应像素点为噪声像素点的概率越小。
本实施例将根据指针式压力表的表面图像中各像素点的可信度，对各像素点的滤 波窗口尺寸进行自适应选取。对于指针式压力表的表面图像中的任一像素点：设置初始窗 口的尺寸为
Figure 751957DEST_PATH_IMAGE021
，以该像素点为窗口的中心点，构建该像素点对应的初始窗口，计算该像素 点对应的初始窗口内像素点的可信度的均值
Figure DEST_PATH_IMAGE051
，设置可信度阈值
Figure 956542DEST_PATH_IMAGE052
，若
Figure 372480DEST_PATH_IMAGE051
大于
Figure 672137DEST_PATH_IMAGE052
，则说 明窗口内噪声点的数量较少，对中值滤波的影响较小，将尺寸为
Figure 136616DEST_PATH_IMAGE021
的窗口作为该像素 点对应的优选窗口，用于后续的中值滤波；若
Figure 336653DEST_PATH_IMAGE051
小于等于
Figure 861176DEST_PATH_IMAGE052
，则说明窗口内噪声点数量较 多，对中值滤波的影响较大，将窗口的长和宽均增加预设长度，本实施例中的预设长度为2， 在具体应用中，实施者可自行设置，即以该像素点为窗口的中心点，构建
Figure DEST_PATH_IMAGE053
大小的窗口， 记为该像素点对应的第二窗口，计算该像素点对应的第二窗口内像素点的可信度的均值
Figure 412243DEST_PATH_IMAGE054
，并进行判断，若
Figure 742730DEST_PATH_IMAGE054
大于
Figure 295809DEST_PATH_IMAGE052
，则将尺寸为
Figure 991232DEST_PATH_IMAGE053
的窗口作为该像素点对应的优选窗口，若
Figure 498437DEST_PATH_IMAGE054
小于等于
Figure 570298DEST_PATH_IMAGE052
，则不再进行判断，再次将窗口的长和宽均增加预设长度，并作为优选窗口 的尺寸，即将尺寸为
Figure DEST_PATH_IMAGE055
的窗口作为该像素点对应的优选窗口。本实施例设置
Figure 807244DEST_PATH_IMAGE052
的取值为 0.7，在具体应用中，实施者可根据具体情况进行设置。采用上述方法，能够得到指针式压力 表的表面图像中每个像素点对应的优选窗口。
接下来将选取优选窗口内真正的中值像素点的灰度值替换窗口中心像素点的灰度值，即对指针式压力表的表面图像进行去噪处理。具体的，对于指针式压力表的表面图像中的任一像素点：按照灰度值由小到大的顺序，对该像素点对应的优选窗口中的像素点进行排列，获得该像素点对应的像素点序列，该像素点在该像素点对应的像素点序列中的位置能够在一定程度上反映该像素点与其对应的优选窗口内灰度中值像素点的灰度差异情况，该像素点在该像素点对应的像素点序列中的位置越靠中间，则说明该像素点与其对应的优选窗口内灰度中值像素点的灰度差异越小；该像素点的可信度越大，说明该像素点越可能为正常像素点；因此本实施例根据该像素点对应的优选窗口内各像素点的可信度和该像素点对应的优选窗口内各像素点在该像素点对应的像素点序列中的位置，确定该像素点对应的像素点序列中各像素点为中值像素点的概率，即：
Figure 939149DEST_PATH_IMAGE017
其中，
Figure 435114DEST_PATH_IMAGE018
为该像素点对应的像素点序列中第
Figure 45087DEST_PATH_IMAGE016
个像素点为中值像素点的概率，
Figure 74223DEST_PATH_IMAGE019
为该像素点对应的优选窗口中的像素点的数量，
Figure 111449DEST_PATH_IMAGE016
为该像素点在该像素点对应的像素点序 列中的位数，
Figure 655563DEST_PATH_IMAGE020
为该像素点对应的像素点序列中第
Figure 69227DEST_PATH_IMAGE016
个像素点的可信度。
Figure 952869DEST_PATH_IMAGE056
表征该像素点对应的像素点序列的中间位，
Figure DEST_PATH_IMAGE057
用于反映该像素点对应的 像素点序列中第
Figure 208268DEST_PATH_IMAGE016
个像素点的灰度值与该像素点对应的优选窗口内像素点的灰度中值在位 置上的差异情况；当第
Figure 177361DEST_PATH_IMAGE016
个像素点越靠近像素点序列的中间位、第
Figure 129137DEST_PATH_IMAGE016
个像素点的可信度越高 时，说明第
Figure 867286DEST_PATH_IMAGE016
个像素点越可能为正常像素点且第
Figure 511894DEST_PATH_IMAGE016
个像素点的灰度值越接近对应的优选窗 口内像素点的灰度中值，即第
Figure 765020DEST_PATH_IMAGE016
个像素点越适合作为中值像素点；当第
Figure 21952DEST_PATH_IMAGE016
个像素点离像素点 序列的中间位越远、第
Figure 880186DEST_PATH_IMAGE016
个像素点的可信度越低时，说明第
Figure 695696DEST_PATH_IMAGE016
个像素点越可能为噪声像素点 且第
Figure 108222DEST_PATH_IMAGE016
个像素点的灰度值与对应的优选窗口内像素点的灰度中值的差异越大，即第
Figure 667380DEST_PATH_IMAGE016
个像 素点越不适合作为中值像素点。
采用上述方法，能够获得该像素点对应的像素点序列中各像素点为中值像素点的概率，也即获得了该像素点对应的优选窗口中各像素点为中值像素点的概率，将该像素点对应的优选窗口内中值像素点的概率最大的像素点作为该像素点对应的优选窗口内的中值像素点，将中值像素点的灰度值替换该像素点的灰度值。
同理，采用上述方法，利用指针式压力表的表面图像中各像素点对应的优选窗口内的中值像素点替换对应的窗口中心像素点的灰度值，即对指针式压力表的表面图像进行了去噪处理，将灰度值替换完成后的图像记为去噪后的图像。
本实施例接下来将基于Hough变换的指针式压力表自动识别算法，识别去噪后的图像内的指针式压力表，获取精准的压力数据。
具体的，通过Hough变换检测去噪后的图像中指针式压力表的表盘，采用二值化算法进行前期预处理，然后进行指针细化，将呈现长三角形的指针细化成一条直线，通过Hough变换检测直线确定细化后的指针所在象限位置以及斜率，根据斜率判断指针偏转角度，并采用最小二乘法拟合压力值与偏转角度的关系，最终计算出指针对应的压力值，在具体应用中，实施者可根据具体情况设置压力阈值，当压力值大于压力阈值时，进行高压预警。Hough变换为公知技术，此处不再过多赘述。
本实施例首先获取了指针式压力表的表面图像，由于煤矿井下的粉尘较多、且指针式压力表的表面图像在采集和传输过程中会受到各种电设备的电磁的干扰，导致获得的图像噪声较大，因此需要对采集的图像进行去噪处理，考虑到在对图像进行中值滤波时，如果滤波窗口的尺寸选取的不合适，会直接影响图像的去噪效果，本实施例根据指针式压力表的表面图像中各像素点对应的噪声概率，确定了各像素点对应的优选窗口的尺寸，也即获得了各像素点对应的滤波窗口，使得各像素点在进行滤波处理时窗口内的像素点大部分为正常像素点，又基于各像素点对应的优选窗口内各像素点为中值像素点的概率对指针式压力表的表面图像进行去噪处理，提高了图像的去噪效果，使得后续指针式压力表上的压力值的读取精度更高。本实施例在获取指针式压力表的表面图像中各像素点对应的噪声概率时，考虑到噪声像素点与正常像素点的灰度存在差异，噪声像素点的灰度值偏大或者偏小，因此本实施例首先基于各像素点对应的第一窗口内各像素点的灰度值和各像素点对应的第一窗口内像素点的灰度最值，得到指针式压力表的表面图像中各像素点对应的噪声概率；考虑到当指针式压力表的表面图像中某一个像素点为正常像素点时，下采样前后该像素点与其邻域内该像素点所处类内的像素点的灰度差异都较小；当指针式压力表的表面图像中某一个像素点为噪声像素点、且其邻域内其它像素点为正常像素点时，下采样前后该像素点与其邻域内该像素点所处类内的像素点的灰度差异变化都较大；而当指针式压力表的表面图像中某一个像素点为噪声像素点、且该像素点的邻域内存在多个噪声像素点时，下采样前该像素点的邻域内该像素点所处类内的像素点多为噪声像素点，即其灰度差异较小，而下采样后该像素点的邻域内该像素点所处类内的像素点多为正常像素点，即其灰度差异较大；因此噪声概率较大的像素点的噪声概率的计算结果较准确，而噪声概率较小的像素点的噪声概率的计算结果存在误差；本实施例基于指针式压力表的表面图像中各像素点对应的噪声概率将像素点划分为两类，将平均噪声概率较小的一类像素点记为目标像素点，目标像素点对应的噪声概率的计算结果准确率较低，基于目标像素点在指针式压力表的表面图像和下采样图像中的灰度差异的变化情况，对目标像素点的噪声概率进行了修正，提高了噪声概率的结果，能够有效地保证后续指针式压力表上的压力值的读取精度。

Claims (9)

1.一种基于机器视觉的计量检测数据识别方法，其特征在于，该方法包括以下步骤：
获取指针式压力表的表面图像；
以所述表面图像中的各像素点为中心点构建各像素点对应的第一窗口；基于各像素点对应的第一窗口内各像素点的灰度值和对应的第一窗口内像素点的灰度最值，得到所述表面图像中各像素点对应的噪声概率；所述灰度最值包括灰度最大值、灰度最小值；
基于所述各像素点对应的噪声概率将所述表面图像中的像素点划分为两类，将平均噪声概率较小的一类像素点记为目标像素点；对所述表面图像进行预设次数的下采样获得各下采样图像；基于各目标像素点在所述表面图像中对应的第一窗口内像素点的灰度值和在下采样图像中对应的第一窗口内像素点的灰度值，得到各目标像素点在所述表面图像中对应的灰度差异和在下采样图像中对应的灰度差异；基于各目标像素点在所述表面图像中对应的灰度差异、在下采样图像中对应的灰度差异、在所述表面图像中对应的噪声概率和在下采样图像中对应的噪声概率，得到各目标像素点修正后的噪声概率；
基于所述修正后的噪声概率和所述表面图像中除目标像素点外的其它像素点对应的噪声概率，判断是否增大第一窗口的尺寸，获得所述表面图像中各像素点对应的优选窗口的尺寸；基于各像素点对应的优选窗口内像素点的灰度值，得到各像素点对应的优选窗口内各像素点为中值像素点的概率；根据所述各像素点为中值像素点的概率获得去噪后的图像，基于所述去噪后的图像获得对应的压力值。
2.根据权利要求1所述的基于机器视觉的计量检测数据识别方法，其特征在于，所述基于各像素点对应的第一窗口内各像素点的灰度值和对应的第一窗口内像素点的灰度最值，得到所述表面图像中各像素点对应的噪声概率，包括：
对于所述表面图像中的任一像素点：
若该像素点的灰度值不是该像素点对应的第一窗口内像素点的灰度最值，则计算该像素点对应的第一窗口内灰度值不为灰度最值的所有像素点的平均灰度值，记为第一平均灰度值；基于所述第一平均灰度值将该像素点对应的第一窗口内的像素点划分为两类；计算该像素点所在的类内灰度值不为灰度最值的所有像素点的平均灰度值，记为第二平均灰度值；将该像素点的灰度值与所述第二平均灰度值的差值的绝对值记为第一绝对值，将所述第一绝对值的归一化结果作为该像素点对应的噪声概率；
若该像素点的灰度值是该像素点对应的第一窗口内像素点的灰度最值，则当该像素点的灰度值为该像素点对应的第一窗口内像素点的灰度最小值时，计算该像素点对应的第一窗口内非灰度最小值的像素点的平均灰度值，记为第一灰度均值，计算该像素点对应的第一窗口内非灰度最小值的灰度值中小于等于所述第一灰度均值的灰度值的均值，记为第二灰度均值，根据该像素点的灰度值和所述第二灰度均值，计算该像素点对应的噪声概率；当该像素点的灰度值为该像素点对应的第一窗口内像素点的灰度最大值时，计算该像素点对应的第一窗口内非灰度最大值的像素点的灰度均值，记为第三灰度均值，计算该像素点对应的第一窗口内非灰度最大值中大于等于所述第三灰度均值的灰度值的均值，记为第四灰度均值；根据该像素点的灰度值和所述第四灰度均值，计算该像素点对应的噪声概率。
3.根据权利要求2所述的基于机器视觉的计量检测数据识别方法，其特征在于，采用如下公式计算该像素点对应的噪声概率：
Figure DEST_PATH_IMAGE001
其中，
Figure 733740DEST_PATH_IMAGE002
为该像素点对应的噪声概率，
Figure DEST_PATH_IMAGE003
为该像素点的灰度值，
Figure 596261DEST_PATH_IMAGE004
为该像素点对应的 第一窗口内像素点的灰度最小值，
Figure DEST_PATH_IMAGE005
为该像素点对应的第一窗口内像素点的灰度最大 值，
Figure 487993DEST_PATH_IMAGE006
为第二灰度均值，
Figure DEST_PATH_IMAGE007
为第四灰度均值。
4.根据权利要求1所述的基于机器视觉的计量检测数据识别方法，其特征在于，所述对所述表面图像进行预设次数的下采样获得各下采样图像，包括：
对所述表面图像进行去除奇数行和奇数列的下采样，获得一张下采样图像；对所述表面图像进行去除偶数行和偶数列的下采样，获得一张下采样图像；对所述表面图像进行去除奇数行和偶数列的下采样，获得一张下采样图像；对所述表面图像进行去除偶数行和奇数列的下采样，获得一张下采样图像。
5.根据权利要求1所述的基于机器视觉的计量检测数据识别方法，其特征在于，所述基于各目标像素点在所述表面图像中对应的第一窗口内像素点的灰度值和在下采样图像中对应的第一窗口内像素点的灰度值，得到各目标像素点在所述表面图像中对应的灰度差异和在下采样图像中对应的灰度差异，包括：
对于任一目标像素点：
计算该目标像素点在下采样图像中对应的第一窗口内像素点的平均灰度值，记为第一分类阈值，基于所述第一分类阈值将该目标像素点在下采样图像中对应的第一窗口内的像素点划分为两类；将该像素点所属类内各像素点与该目标像素点的灰度差异的均值记为该目标像素点在下采样图像中对应的灰度差异；
计算该目标像素点在所述表面图像中对应的第一窗口内像素点的平均灰度值，记为第二分类阈值，基于所述第二分类阈值将该目标像素点在所述表面图像中对应的第一窗口内的像素点划分为两类；将该像素点所属类内各像素点与该目标像素点的灰度差异的均值记为该目标像素点在所述表面图像中对应的灰度差异。
6.根据权利要求1所述的基于机器视觉的计量检测数据识别方法，其特征在于，所述基于各目标像素点在所述表面图像中对应的灰度差异、在下采样图像中对应的灰度差异、在所述表面图像中对应的噪声概率和在下采样图像中对应的噪声概率，得到各目标像素点修正后的噪声概率，包括：
对于任一目标像素点，采用如下公式计算该目标像素点修正后的噪声概率：
Figure 829107DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为该目标像素点修正后的噪声概率，
Figure 120280DEST_PATH_IMAGE010
为该目标像素点在指针式压力表的表面 图像中对应的噪声概率，
Figure DEST_PATH_IMAGE011
为该目标像素点在下采样图像中对应的噪声概率，
Figure 549557DEST_PATH_IMAGE012
为该目标 像素点在指针式压力表的表面图像中对应的灰度差异，
Figure DEST_PATH_IMAGE013
为该目标像素点在下采样图像 中对应的灰度差异，
Figure 379235DEST_PATH_IMAGE014
为取绝对值，
Figure DEST_PATH_IMAGE015
为调节参数。
7.根据权利要求1所述的基于机器视觉的计量检测数据识别方法，其特征在于，所述基于所述修正后的噪声概率和所述表面图像中除目标像素点外的其它像素点对应的噪声概率，判断是否增大第一窗口的尺寸，获得所述表面图像中各像素点对应的优选窗口的尺寸，包括：
对于所述表面图像中的任一像素点：
若该像素点为目标像素点，则将常数1减去该像素点修正后的噪声概率得到的差值作为该像素点的可信度；若该像素点为非目标像素点，则将常数1减去该像素点对应的噪声概率得到的差值作为该像素点的可信度；
以该像素点为窗口的中心点，构建该像素点对应的初始窗口，计算该像素点对应的初始窗口内像素点的可信度的均值，若该像素点对应的初始窗口内像素点的可信度的均值大于可信度阈值，则将初始窗口的尺寸作为该像素点对应的优选窗口的尺寸；若该像素点对应的初始窗口内像素点的可信度的均值小于等于可信度阈值，则将初始窗口的长和宽均增加预设长度，并作为第二窗口的尺寸，构建该像素点对应的第二窗口，计算该像素点对应的第二窗口内像素点的可信度的均值，若该像素点对应的第二窗口内像素点的可信度的均值大于可信度阈值，则将第二窗口的尺寸作为该像素点对应的优选窗口的尺寸；若该像素点对应的第二窗口内像素点的可信度的均值小于等于可信度阈值，则将第二窗口的长和宽均增加预设长度，并作为该像素点对应的优选窗口的尺寸。
8.根据权利要求7所述的基于机器视觉的计量检测数据识别方法，其特征在于，基于各像素点对应的优选窗口内像素点的灰度值，得到各像素点为中值像素点的概率，包括：
对于所述表面图像中的任一像素点：
按照灰度值由小到大的顺序，对该像素点对应的优选窗口中的像素点进行排列，获得 该像素点对应的像素点序列；根据该像素点对应的优选窗口内各像素点的可信度和该像素 点对应的优选窗口内各像素点在该像素点对应的像素点序列中的位置，采用如下公式计算 该像素点对应的像素点序列中第
Figure 112704DEST_PATH_IMAGE016
个像素点为中值像素点的概率：
Figure DEST_PATH_IMAGE017
其中，
Figure 909366DEST_PATH_IMAGE018
为该像素点对应的像素点序列中第
Figure 654468DEST_PATH_IMAGE016
个像素点为中值像素点的概率，
Figure DEST_PATH_IMAGE019
为该像 素点对应的优选窗口中的像素点的数量，
Figure 12637DEST_PATH_IMAGE016
为该像素点在该像素点对应的像素点序列中的 位数，
Figure 577610DEST_PATH_IMAGE020
为该像素点对应的像素点序列中第
Figure 882690DEST_PATH_IMAGE016
个像素点的可信度。
9.根据权利要求1所述的基于机器视觉的计量检测数据识别方法，其特征在于，根据所述各像素点为中值像素点的概率获得去噪后的图像，包括：
对于所述表面图像中的任一像素点：将该像素点对应的优选窗口内中值像素点的概率最大的像素点作为该像素点对应的优选窗口内的中值像素点；
利用所述表面图像中各像素点对应的优选窗口内的中值像素点的灰度值替换对应的窗口中心像素点的灰度值，将灰度值替换完成后的图像记为去噪后的图像。
CN202211670464.4A 2022-12-26 2022-12-26 基于机器视觉的计量检测数据识别方法 Active CN115661147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211670464.4A CN115661147B (zh) 2022-12-26 2022-12-26 基于机器视觉的计量检测数据识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211670464.4A CN115661147B (zh) 2022-12-26 2022-12-26 基于机器视觉的计量检测数据识别方法

Publications (2)

Publication Number Publication Date
CN115661147A true CN115661147A (zh) 2023-01-31
CN115661147B CN115661147B (zh) 2023-03-28

Family

ID=85022447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211670464.4A Active CN115661147B (zh) 2022-12-26 2022-12-26 基于机器视觉的计量检测数据识别方法

Country Status (1)

Country Link
CN (1) CN115661147B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829883A (zh) * 2023-02-16 2023-03-21 汶上县恒安钢结构有限公司 一种异性金属结构件表面图像去噪方法
CN115840205A (zh) * 2023-02-16 2023-03-24 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种基于激光雷达技术的地形面积计量方法和系统
CN116402816A (zh) * 2023-06-08 2023-07-07 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及系统
CN116485884A (zh) * 2023-06-28 2023-07-25 四川君安天源精酿啤酒有限公司 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统
CN116977230A (zh) * 2023-09-22 2023-10-31 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种扫描电子显微镜图像优化增强方法
CN117437600A (zh) * 2023-12-20 2024-01-23 山东海纳智能装备科技股份有限公司 基于图像识别技术的煤流监测系统
CN117455800A (zh) * 2023-12-22 2024-01-26 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214713A1 (zh) * 2017-05-22 2018-11-29 腾讯科技（深圳）有限公司 人脸检测方法、装置、计算机设备及存储介质
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
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
CN115082507A (zh) * 2022-07-22 2022-09-20 聊城扬帆田一机械有限公司 一种路面切割机智能调控系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214713A1 (zh) * 2017-05-22 2018-11-29 腾讯科技（深圳）有限公司 人脸检测方法、装置、计算机设备及存储介质
CN110163853A (zh) * 2019-05-14 2019-08-23 广东奥普特科技股份有限公司 一种边缘缺陷的检测方法
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
CN115082507A (zh) * 2022-07-22 2022-09-20 聊城扬帆田一机械有限公司 一种路面切割机智能调控系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HINTON, G等: "Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups" *
古亭: "基于机器视觉的蚕茧计数与识别研究" *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829883A (zh) * 2023-02-16 2023-03-21 汶上县恒安钢结构有限公司 一种异性金属结构件表面图像去噪方法
CN115840205A (zh) * 2023-02-16 2023-03-24 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种基于激光雷达技术的地形面积计量方法和系统
CN116402816A (zh) * 2023-06-08 2023-07-07 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及系统
CN116402816B (zh) * 2023-06-08 2023-08-15 中国人民解放军海军青岛特勤疗养中心 一种体检ct影像数据的管理方法及系统
CN116485884A (zh) * 2023-06-28 2023-07-25 四川君安天源精酿啤酒有限公司 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统
CN116485884B (zh) * 2023-06-28 2023-09-12 四川君安天源精酿啤酒有限公司 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统
CN116977230A (zh) * 2023-09-22 2023-10-31 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种扫描电子显微镜图像优化增强方法
CN116977230B (zh) * 2023-09-22 2024-01-02 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种扫描电子显微镜图像优化增强方法
CN117437600A (zh) * 2023-12-20 2024-01-23 山东海纳智能装备科技股份有限公司 基于图像识别技术的煤流监测系统
CN117437600B (zh) * 2023-12-20 2024-03-26 山东海纳智能装备科技股份有限公司 基于图像识别技术的煤流监测系统
CN117455800A (zh) * 2023-12-22 2024-01-26 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法
CN117455800B (zh) * 2023-12-22 2024-03-15 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法

Also Published As

Publication number Publication date
CN115661147B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN115661147B (zh) 基于机器视觉的计量检测数据识别方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
CN113689428A (zh) 基于图像处理的机械零件应力腐蚀检测方法及系统
CN112699876B (zh) 一种用于集气站多类型仪表自动读数方法
CN108711158B (zh) 基于轮廓拟合和径向分割的指针式仪表图像识别方法
CN115690108A (zh) 一种基于图像处理的铝合金杆生产质量评估方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN110009651B (zh) 仪表视觉读数在线监测系统的抗干扰方法
CN114155493A (zh) 基于视频分析技术的大坝流量预警系统及方法
CN109961432A (zh) 一种滤布破损的检测方法和系统
CN117649451A (zh) 一种用于寻边器晶圆定位的视觉定位方法
CN118229673A (zh) 一种基于图像识别的管道内壁缺陷检测方法及系统
CN115661143B (zh) 用于MiniLED晶圆缺陷的快速检测系统
CN116129102A (zh) 一种基于改进型图像处理算法的水表识别方法及相关装置
CN115330799A (zh) 一种仪表自动化故障诊断方法
CN118520900B (zh) 一种视觉辅助的大规模细胞培养计数方法
CN118447027B (zh) 基于图像处理的钛合金扁丝的质量评估方法
CN117974671B (zh) 基于人工智能的手表表盘缺陷智能检测方法
CN117274250B (zh) 一种手表底盖磨损缺陷视觉检测方法
CN112036391A (zh) 一种基于页岩气田生产站场的电子巡检方法及系统
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN115115664B (zh) 计量器具信息采集系统
CN118570206B (zh) 一种毛细管生产数据监测系统及方法
CN118628483B (zh) 一种钢结构表面缺陷识别方法
CN118470654B (zh) 一种基于图像处理的分配器质量检测方法

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