CN116645682A - 一种水表表盘数字识别方法及系统 - Google Patents
一种水表表盘数字识别方法及系统 Download PDFInfo
- Publication number
- CN116645682A CN116645682A CN202310933756.0A CN202310933756A CN116645682A CN 116645682 A CN116645682 A CN 116645682A CN 202310933756 A CN202310933756 A CN 202310933756A CN 116645682 A CN116645682 A CN 116645682A
- Authority
- CN
- China
- Prior art keywords
- water meter
- subarea
- gray value
- dial
- value
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000005520 cutting process Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 23
- 229910002056 binary alloy Inorganic materials 0.000 claims description 4
- 230000002902 bimodal effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000007906 compression Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19013—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T9/00—Image coding
-
- 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
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- 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
-
- 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
- G06V30/16—Image preprocessing
- G06V30/162—Quantising the image signal
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及水表表盘数字自动化识别技术领域,提供了一种水表表盘数字识别方法及系统。该方法,包括对获取的水表图片进行行裁剪和列裁剪,得到表盘数字图像区域;将表盘数字图像区域进行分割,得到若干个子区域;将每个子区域内相邻的两个像素点保存到一个字节中,得到压缩后的子区域;对压缩后的子区域的每行像素进行向量化处理,以后向量覆盖前向量的方式不断迭代,得到处理后的子区域;根据确定的子区域二值化的最佳阈值,对处理后的子区域进行二值化处理,将二值化处理后的子区域与预设的模板进行匹配,识别水表表盘数字。
Description
技术领域
本发明涉及水表表盘数字自动化识别技术领域,特别涉及一种水表表盘数字识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
当前,伴随水表数字化和智能化进程的不断深入,无线抄表数显水表正逐渐取代老式机械水表,但由于环境、成本等因素的限制,老式水表不能在短时间内被完全替换。现存在用的水表90%左右仍在采取人工抄表方式,存在工作效率低、人工读数易出错等弊端,所以急需进行水表智能化改造,实现水表表盘数字的自动化识别。
但是,现有水表智能化改造方法,大多通过在表端添加一个基于嵌入式系统的图像获取装置,实时采集水表表盘图像,然后由无线网络上传到服务器端,进而使用图像预处理算法进行图像分割标准化处理,和使用智能识别算法进行表盘数字识别。
其中,对水表图像从嵌入式端上传到服务器端,常采取NB-IoT等无线通讯方式,为确保后续图像处理精度,需上传具有较高清晰度的水表表盘图像,但是所消耗的通讯流量较多。
对服务器端的水表图像处理方法,大多使用边缘检测算法对表盘数字区域进行边界识别和分割提取。但是这种边缘裁剪方法常需要反复比对,计算量较大,复杂度较高,内存占据较多,耗时长实时性差。
对服务器端的水表数字识别方法,大多使用深度学习算法或模板匹配算法。对于模板匹配算法,二值化的阈值通常选择固定阈值,但是模糊图片在固定阈值二值化后匹配结果较差。
因此,现有水表表盘数字识别方法,图像传输需要较多无线流量,同时服务器端的图像处理和数字识别算法需要较多内存空间和计算量,无法直接移植到水表嵌入式系统中离线实现。
发明内容
为了解决现有技术的不足,本发明提供了一种水表表盘数字识别方法及系统,对采集的水表图像进行重构表盘数字区域提取分割等图像预处理,并基于预设的模板实现水表数字离线识别,以达到降低计算复杂度和内存空间需求的目的,从而适用于基于嵌入式系统,离线实现水表表盘图像预处理和数字识别。
为了实现上述目的,本发明采用如下技术方案:
本发明第一个方面提供了一种水表表盘数字识别方法。
一种水表表盘数字识别方法,包括:
对获取的水表图片进行行裁剪和列裁剪,得到表盘数字图像区域;
将表盘数字图像区域进行分割,得到若干个子区域;
将每个子区域内相邻的两个像素点保存到一个字节中,得到压缩后的子区域;
对压缩后的子区域的每行像素进行向量化处理,以后向量覆盖前向量的方式不断迭代,得到处理后的子区域;
根据确定的子区域二值化的最佳阈值,对处理后的子区域进行二值化处理,将二值化处理后的子区域与预设的模板进行匹配,识别水表表盘数字。
进一步地,在对获取的水表图片进行行裁剪和列裁剪之前包括:对水表图片依次进行灰度化处理和负片化处理,得到负片化后的水表图片。
更进一步地,所述行裁剪的过程包括:
计算水表图片中每个像素点的灰度值,计算每行像素点灰度值的总和,绘制行灰度值总和曲线图;
根据行灰度值总和曲线图相邻两点的像素值的差值,绘制行灰度值右偏差图;
根据行灰度值右偏差图中的峰值和谷值,得到表盘数字区域的上下行边界,进行行裁剪,得到行裁剪后的水表图片。
更进一步地,所述列裁剪的过程包括:
对行裁剪后的水表图片,计算每一列像素点灰度值的总和;
绘制列灰度值总和曲线图,并对列灰度值总和曲线图进行去趋势化处理,绘制列灰度值去趋势化图;
根据列灰度值去趋势化图中非负值曲线段的左右端点,得到表盘数字区域的左右列边界,进行列裁剪,得到表盘数字图像区域。
更进一步地,所述对列灰度值总和曲线图进行去趋势化处理的过程包括:
利用最小二乘法对列灰度值总和曲线图进行拟合,得到拟合曲线;
采用拟合前的列灰度值总和曲线图中相应点的纵坐标值减去拟合曲线对应横坐标下的纵坐标值,绘制得到列灰度值去趋势化图。
进一步地,所述将每个子区域内相邻的两个像素点保存到一个字节中的过程包括:
采用8位二进制表示每个像素点的灰度值;
对于每个子区域内的所有像素点,保留高四位,后四位均为0;则相邻的两个像素点,前一个像素点保留高四位、后四位均为0,得到前一像素点的灰度值,后一个像素点高四位右移四位,得到后一像素点的灰度值;
将前一像素点的灰度值与后一像素点的灰度值相加,得到一个包含两个像素点高四位值的灰度值,即为将每个子区域内相邻的两个像素点保存到一个字节中。
进一步地,所述对压缩后的子区域的每行像素进行向量化处理的过程包括:
将压缩后的子区域存储到txt文件中;
在读取压缩后的子区域时,读取为一维向量的形式;
在进行图像处理时,在一维向量前加入320个0值;
对每个子区域的每行320个数据进行处理,得到处理后的子区域第一向量;
将处理后的子区域第一向量向前移动320位,得到子区域第二向量;
重复上述过程,将子区域第n-1向量向前移动320位,得到子区域第n向量,得到处理后的子区域。
进一步地,子区域二值化的最佳阈值得到的包括:采用专家指导的双峰法计算子区域二值化的最佳阈值,包括:
计算处理后的子区域的灰度信息,得到灰度直方图,设定初始阈值和迭代次数;
设第一个最高峰的灰度值为0,第二个峰的灰度值/>为255;
将灰度直方图中灰度值为的个数记为/>,灰度值为/>时的个数记为/>,若/>>/>,则更新/>的值为/>;
将灰度直方图中灰度值为的个数记为/>,灰度值为/>时的个数记为/>,若/>>/>,则更新/>的值为/>;
将第一个峰值从左到右遍历到阈值,第二个峰值从右到左遍历到阈值/>;
经过遍历,得到两个最高峰对应的灰度值为,则更新图像的阈值为,根据此步骤依次进行,直至完成设定的所有迭代次数。
进一步地,所述模板的预设过程包括:
将水表图片依次进行灰度化和负片化处理,提取数字表盘图像区域;
将数字表盘图像区域划分为若干个子区域,去除数字左右杂乱点,并标准化,得到标准化后的若干个数字图像;
将标准化后的若干个数字图像,自上而下依次拼接,得到模板。
本发明第二个方面提供了一种水表表盘数字识别系统。
一种水表表盘数字识别系统,包括摄像头、嵌入式端和服务器端,所述摄像头与嵌入式端连接,所述嵌入式端与服务器端连接;
所述摄像头,用于获取的水表图片;
所述嵌入式端,用于对获取的水表图片进行行裁剪和列裁剪,得到表盘数字图像区域;将表盘数字图像区域进行分割,得到若干个子区域;将每个子区域内相邻的两个像素点保存到一个字节中,得到压缩后的子区域;对压缩后的子区域的每行像素进行向量化处理,以后向量覆盖前向量的方式不断迭代,得到处理后的子区域;
所述服务器端,用于确定子区域二值化的最佳阈值;
所述嵌入式端,用于根据确定的子区域二值化的最佳阈值,对处理后的子区域进行二值化处理,将二值化处理后的子区域与预设的模板进行匹配,识别水表表盘数字。
与现有技术相比,本发明的有益效果是:
1、本发明的内存管理技术,利用水表图像有效区域随处理过程逐步缩小这一特点,对图片大小进行处理,对数据运算形式进行了转换,缩小了存储空间,加快了数字识别速度,有利于大批量的数字识别。其中,图像压缩与传输技术,可以实现单字节保存两个像素点的灰度值,可以压缩图像存储空间,节省内存,提高传输速度。向量化处理数据的方法,可以在不占用图像存储空间以外内存的情况下,实现图像处理,减少内存占用,增强了内存的利用率。
2、本发明提出的裁剪过程只通过简单的计算即可得到水表表盘的数字区域,所需编程计算量较小,计算复杂度低,占用内存较少,从而大大提高了水表图像识别效率。
3、本发明使用一种自适应阈值进行二值化的方法,对模糊图片进行不同的二值化阈值选择,提高模糊图片的清晰度,增强模板匹配的精准度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明示出的整体方法的流程图;
图2是本发明示出的水表表盘区域裁剪流程图;
图3是本发明示出的图像压缩技术压缩过程流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
本发明中,术语如“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发明中的具体含义,不能理解为对本发明的限制。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种水表表盘数字识别方法。
对获取的水表图片进行行裁剪和列裁剪,得到表盘数字图像区域;
将表盘数字图像区域进行分割,得到若干个子区域;
将每个子区域内相邻的两个像素点保存到一个字节中,得到压缩后的子区域;
对压缩后的子区域的每行像素进行向量化处理,以后向量覆盖前向量的方式不断迭代,得到处理后的子区域;
根据确定的子区域二值化的最佳阈值,对处理后的子区域进行二值化处理,将二值化处理后的子区域与预设的模板进行匹配,识别水表表盘数字。
下面结合附图对本实施例的具体方案进行详细描述:
如图1所示,步骤1:在老式数显水表上安装位置固定的嵌入式系统模块,嵌入式模块包含摄像头,用于采集水表图片。利用摄像头采集水表图片,所用的相机摄像头是320×240(为图像的高,/>为图像的长)分辨率的OV7670摄像头模组,采集到图片是RGB 565格式,单幅图片的最大存储空间320×240×2=153,600个字节,拍照时由两个LED发光管提供光源。
步骤2:摄像头采集的水表图片保存到嵌入式端。嵌入式端的MCU使用IO口模拟时序的方式对图片接收。在测试环节水表图像通过嵌入式端的串行通讯上传到服务器端,以便生成模板匹配方法用的数字模板。
步骤3:在服务器端制作进行模板匹配使用的模板。同等图像采集条件下,采集清晰的水表数字图片,制作单个数字模板图片,再整合成条形模板。制作模板的过程包括:
步骤(3-1)将图像处理成灰度图,并负片化处理。
步骤(3-2)提取数字表盘图像区域。
步骤(3-3)将数字表盘图像区域的5个数字进行分割,得到5个单数字子区域,去除数字左右杂乱点,并标准化,将5个子区域处理成像素尺寸为40×20的图像。
步骤(3-4)从标准化处理后图像中,对0-9这10个数字中的每个数字选取一张最清晰的图像作为单个数字的模板,将这些模板从0-9自上而下依次拼接,得到匹配模板。
步骤4:在嵌入式端对水表图片的处理识别中,采取内存管理技术、裁剪和分割等方法进行处理,得到未二值化的单个数字图片。
步骤(4-1)对嵌入式端获取的彩色图像进行灰度化,再进行负片化。
步骤(4-2)对负片化后的图像依次进行行裁剪和列裁剪,得到表盘数字图像区域。
其中,如图2所示,行裁剪具体步骤:
首先,每个像素点的灰度值用表示,计算每一行像素点灰度值的总和/>,其中/>为每一行像素点灰度值的总和;
其次,根据上一步计算得到的行像素点灰度值的总和,/>,绘制行灰度值总和曲线图;根据右偏差计算公式/>,绘制行灰度值右偏差图,其中/>为第/>行像素点灰度值的总和。
然后,根据右偏差图中两个峰值,得到表盘数字区域的上下行边界,进行行裁剪,则裁剪后图像的行数变为,列数为/>。
其中,列裁剪具体步骤:
首先,对行裁剪后的图像计算每一列像素点灰度值的总和,为每一行像素点灰度值总和;
其次,绘制列灰度值总和曲线图;
然后,对列灰度值总和曲线图去趋势化,并绘制列灰度值去趋势化图;
最后,根据列灰度值去趋势化图中非负值部分的左右端点,得到表盘数字区域的左右列边界,进行裁剪,裁剪后图像的长为,宽为/>。
其中,在列裁剪的过程中,对列灰度值总和曲线图去趋势化具体实现方法如下:利用最小二乘法得到图像趋势的拟合曲线,因为所得曲线围绕拟合曲线上下波动,因此采用拟合前的列灰度值总和曲线图中相应点的纵坐标值减去拟合曲线对应横坐标下的纵坐标值,即为去趋势化后的图像。
趋势项模型如下,为第/>个值的输入向量,/>为去趋势化后第/>个值的输出向量,/>为常数项系数,求解方式如下:
优化的指标函数设置为残差的平方,残差越小,则找了效果最好的线性回归:
其中为常数,/>;/>为去趋势化之前第/>个值的输出向量;
为了使残差最小,通过对求偏导,使其导数为0,/>为去趋势化前后输出向量的差值之和,求/>对/>求偏导结果/>如下:
对求偏导结果/>,使其导数为0,结果如下:
其中,/>
故上式:
步骤(4-3)将列裁剪后的表盘数字区域进行分割,分为5个子区域,并对这5个子区域去除杂点,进行标准化,得到像素尺寸为40×20的单个图像,共得到5块40像素×20像素的图像。
步骤(4-4)在嵌入式端上对水表图片的处理识别中,整体采取内存管理技术。对于摄像头采集到的原始图像,预处理后的表盘区域5个数字共包含40×100=4000个像素点,按照8位灰度图像数据格式,以数组形式保存,共需要4000个字节的存储空间进行保存。由于数据量较大,为了节省内存和快速传输,所以提出了图像压缩与传输技术和向量化数据处理技术。
其中,图像压缩与传输技术的具体过程包括:
如图3所示,对于相邻的两个像素点,设这两个像素点的灰度值分别为,由于灰度化后的图像每个像素点都用8比特位保存,则每个像素点的灰度值都可以用8位二进制表示,设灰度值为/>的像素点用二进制表示灰度值为/>,灰度值为/>的像素点用二进制表示灰度值为/>,其中/>,/>,/>为灰度化后像素点的总个数。
图像压缩与传输技术的具体过程为:首先,对于相邻的两个像素点,每个像素点都保留高四位,去掉低四位,即低四位全部处理为0,此时,灰度值为/>的像素点用二进制表示灰度值为/>,灰度值为/>的像素点用二进制表示灰度值为;其次,对于后一个像素点/>,将保留的高四位值右移四位,此时,像素点/>的前四位为0,后四位为这个像素点初始高四位的值,即为;最后,将两个像素点对应比特位值相加,得到一个包含两个像素点高四位值的8比特位值,即:
通过此操作,两个像素点的值被保存到一个字节中,其中高 4 位表示前一个像素点的颜色信息,低 4 位表示第二个像素点的颜色信息。
其中,向量化数据处理技术的具体过程包括:
首先,把采集到的图像像素点的值存储到txt文件中;其次,在读取图像时,读取为一维向量,/>的形式;然后,进行图像处理时,在读取的一维向量前加入320个0值,表示为:/>;最后,对采集到的图像每行的320个数据/>进行处理,设处理后为/>,再向前移动320位,得到,不断向前覆盖,得到处理后图像各像素点的像素值。
步骤5:将步骤4中得到5个数字子图上传到服务器端,在服务器端选用基于双峰法求阈值的自适应阈值算法,对裁剪出来的每一张数字图片进行相应的阈值选取,即通过专家指导得到每张图片二值化的最佳阈值,并发回嵌入式系统作为下次图像采集过程中表端离线二值化的阈值参考值。
自适应阈值算法是利用图像局部阈值替换全局阈值进行图像计算的一种方法,用于二值化处理图像,对于对比大的图像有较好效果,自适应阈值中图像中每一个像素点的阈值是不同的,该阈值由其领域中图像像素带点加权平均决定。
基于专家指导的双峰法求阈值的具体步骤如下:
步骤(5-1)计算图像的灰度信息,得到灰度直方图,设定初始阈值和迭代次数。
步骤(5-2)设第一个最高峰的灰度值为0,第二个峰的灰度值/>为255。
步骤(5-3)灰度直方图中灰度值为的个数记为/>,灰度值为/>时的个数记为/>,如果/>>/>,则更新/>的值为/>。则就由峰值/>与/>相比。
步骤(5-4)第一个峰值从左到右遍历到阈值,第二个峰值从右遍历到左边。
步骤(5-5)更新的阈值为,根据此步骤依次进行,直至完成设定的所有迭代次数。
步骤6:在嵌入式端中根据返回的阈值,对图片进行二值化操作。
步骤7:在嵌入式端结合图像模板,将二值化后单个数字的图片从模板顶部向下滑动,进行模板匹配,通过汉明距离计算得出所对应图片代表的数字。
步骤8:将识别得到的水表表盘数字在嵌入式端进行显示。
实施例二
本发明实施例二提供了一种水表表盘数字识别系统。
一种水表表盘数字识别系统,包括摄像头、嵌入式端和服务器端,所述摄像头与嵌入式端连接,所述嵌入式端与服务器端连接;
所述摄像头,用于获取的水表图片;
所述嵌入式端,用于对获取的水表图片进行行裁剪和列裁剪,得到表盘数字图像区域;将表盘数字图像区域进行分割,得到若干个子区域;将每个子区域内相邻的两个像素点保存到一个字节中,得到压缩后的子区域;对压缩后的子区域的每行像素进行向量化处理,以后向量覆盖前向量的方式不断迭代,得到处理后的子区域;
所述服务器端,用于确定子区域二值化的最佳阈值;
所述嵌入式端,用于根据确定的子区域二值化的最佳阈值,对处理后的子区域进行二值化处理,将二值化处理后的子区域与预设的模板进行匹配,识别水表表盘数字。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水表表盘数字识别方法,其特征在于,包括:
对获取的水表图片进行行裁剪和列裁剪,得到表盘数字图像区域;
将表盘数字图像区域进行分割,得到若干个子区域;
将每个子区域内相邻的两个像素点保存到一个字节中,得到压缩后的子区域;
对压缩后的子区域的每行像素进行向量化处理,以后向量覆盖前向量的方式不断迭代,得到处理后的子区域;
根据确定的子区域二值化的最佳阈值,对处理后的子区域进行二值化处理,将二值化处理后的子区域与预设的模板进行匹配,识别水表表盘数字。
2.根据权利要求1所述的水表表盘数字识别方法,其特征在于,在对获取的水表图片进行行裁剪和列裁剪之前包括:对水表图片依次进行灰度化处理和负片化处理,得到负片化后的水表图片。
3.根据权利要求1或2所述的水表表盘数字识别方法,其特征在于,所述行裁剪的过程包括:
计算水表图片中每个像素点的灰度值,计算每行像素点灰度值的总和,绘制行灰度值总和曲线图;
根据行灰度值总和曲线图相邻两点的像素值的差值,绘制行灰度值右偏差图;
根据行灰度值右偏差图中的峰值和谷值,得到表盘数字区域的上下行边界,进行行裁剪,得到行裁剪后的水表图片。
4.根据权利要求3所述的水表表盘数字识别方法,其特征在于,所述列裁剪的过程包括:
对行裁剪后的水表图片,计算每一列像素点灰度值的总和;
绘制列灰度值总和曲线图,并对列灰度值总和曲线图进行去趋势化处理,绘制列灰度值去趋势化图;
根据列灰度值去趋势化图中非负值曲线段的左右端点,得到表盘数字区域的左右列边界,进行列裁剪,得到表盘数字图像区域。
5.根据权利要求4所述的水表表盘数字识别方法,其特征在于,所述对列灰度值总和曲线图进行去趋势化处理的过程包括:
利用最小二乘法对列灰度值总和曲线图进行拟合,得到拟合曲线;
采用拟合前的列灰度值总和曲线图中相应点的纵坐标值减去拟合曲线对应横坐标下的纵坐标值,绘制得到列灰度值去趋势化图。
6.根据权利要求1所述的水表表盘数字识别方法,其特征在于,所述将每个子区域内相邻的两个像素点保存到一个字节中的过程包括:
采用8位二进制表示每个像素点的灰度值;
对于每个子区域内的所有像素点,保留高四位,后四位均为0;则相邻的两个像素点,前一个像素点保留高四位、后四位均为0,得到前一像素点的灰度值,后一个像素点高四位右移四位,得到后一像素点的灰度值;
将前一像素点的灰度值与后一像素点的灰度值相加,得到一个包含两个像素点高四位值的灰度值,即为将每个子区域内相邻的两个像素点保存到一个字节中。
7.根据权利要求1所述的水表表盘数字识别方法,其特征在于,所述对压缩后的子区域的每行像素进行向量化处理的过程包括:
将压缩后的子区域存储到txt文件中;
在读取压缩后的子区域时,读取为一维向量的形式;
在进行图像处理时,在一维向量前加入320个0值;
对每个子区域的每行320个数据进行处理,得到处理后的子区域第一向量;
将处理后的子区域第一向量向前移动320位,得到子区域第二向量;
重复上述过程,将子区域第n-1向量向前移动320位,得到子区域第n向量,得到处理后的子区域。
8.根据权利要求1所述的水表表盘数字识别方法,其特征在于,子区域二值化的最佳阈值得到的包括:采用专家指导的双峰法计算子区域二值化的最佳阈值,包括:
计算处理后的子区域的灰度信息,得到灰度直方图,设定初始阈值和迭代次数/>;
设第一个最高峰的灰度值为0,第二个峰的灰度值/>为255;
将灰度直方图中灰度值为的个数记为/>,灰度值为/>时的个数记为/>,若/>>/>,则更新/>的值为/>;
将灰度直方图中灰度值为的个数记为/>,灰度值为/>时的个数记为/>,若>/>,则更新/>的值为/>;
将第一个峰值从左到右遍历到阈值,第二个峰值从右到左遍历到阈值/>;
经过遍历,得到两个最高峰对应的灰度值为,则更新图像的阈值为/>,根据此步骤依次进行,直至完成设定的所有迭代次数。
9.根据权利要求1所述的水表表盘数字识别方法,其特征在于,所述模板的预设过程包括:
将水表图片依次进行灰度化和负片化处理,提取数字表盘图像区域;
将数字表盘图像区域划分为若干个子区域,去除数字左右杂乱点,并标准化,得到标准化后的若干个数字图像;
将标准化后的若干个数字图像,自上而下依次拼接,得到模板。
10.一种水表表盘数字识别系统,其特征在于,包括摄像头、嵌入式端和服务器端,所述摄像头与嵌入式端连接,所述嵌入式端与服务器端连接;
所述摄像头,用于获取的水表图片;
所述嵌入式端,用于对获取的水表图片进行行裁剪和列裁剪,得到表盘数字图像区域;将表盘数字图像区域进行分割,得到若干个子区域;将每个子区域内相邻的两个像素点保存到一个字节中,得到压缩后的子区域;对压缩后的子区域的每行像素进行向量化处理,以后向量覆盖前向量的方式不断迭代,得到处理后的子区域;
所述服务器端,用于确定子区域二值化的最佳阈值;
所述嵌入式端,用于根据确定的子区域二值化的最佳阈值,对处理后的子区域进行二值化处理,将二值化处理后的子区域与预设的模板进行匹配,识别水表表盘数字。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310933756.0A CN116645682B (zh) | 2023-07-24 | 2023-07-24 | 一种水表表盘数字识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310933756.0A CN116645682B (zh) | 2023-07-24 | 2023-07-24 | 一种水表表盘数字识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645682A true CN116645682A (zh) | 2023-08-25 |
CN116645682B CN116645682B (zh) | 2023-10-20 |
Family
ID=87625164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310933756.0A Active CN116645682B (zh) | 2023-07-24 | 2023-07-24 | 一种水表表盘数字识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645682B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101055619A (zh) * | 2007-05-11 | 2007-10-17 | 刘军海 | 一种机械仪表窗口显示数字的图像识别方法和装置 |
US20130163871A1 (en) * | 2011-12-22 | 2013-06-27 | General Electric Company | System and method for segmenting image data to identify a character-of-interest |
CN105976376A (zh) * | 2016-05-09 | 2016-09-28 | 电子科技大学 | 一种基于部件模型的高分辨sar图像目标检测方法 |
US20170308768A1 (en) * | 2015-01-15 | 2017-10-26 | Suntront Tech Co., Ltd | Character information recognition method based on image processing |
WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
US20180349743A1 (en) * | 2017-05-30 | 2018-12-06 | Abbyy Development Llc | Character recognition using artificial intelligence |
CN109190473A (zh) * | 2018-07-29 | 2019-01-11 | 国网上海市电力公司 | 一种“机器视觉理解”在电力远程监控中的应用 |
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 |
CN109977944A (zh) * | 2019-02-21 | 2019-07-05 | 杭州朗阳科技有限公司 | 一种数字水表读数的识别方法 |
CN110490195A (zh) * | 2019-08-07 | 2019-11-22 | 桂林电子科技大学 | 一种水表表盘读数识别方法 |
CN111027456A (zh) * | 2019-12-06 | 2020-04-17 | 四川杰森机电有限公司 | 基于图像识别的机械水表读数识别方法 |
CN112102202A (zh) * | 2020-09-27 | 2020-12-18 | 河南工业大学 | 一种图像分割方法和图像处理装置 |
CN112149655A (zh) * | 2020-09-28 | 2020-12-29 | 怀化建南机器厂有限公司 | 一种水表读数识别方法、装置、设备以及存储介质 |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
US20210174131A1 (en) * | 2019-12-10 | 2021-06-10 | Ricoh Company, Ltd. | Computer Vision System for Industrial Equipment Gauge Digitization and Alarms |
CN113989795A (zh) * | 2021-12-02 | 2022-01-28 | 安徽翼迈科技股份有限公司 | 一种基于模板图遍历的水表水泡预警方法 |
CN115471845A (zh) * | 2022-09-14 | 2022-12-13 | 东南大学 | 基于深度学习和OpenCV的换流站数字仪表识别方法 |
-
2023
- 2023-07-24 CN CN202310933756.0A patent/CN116645682B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101055619A (zh) * | 2007-05-11 | 2007-10-17 | 刘军海 | 一种机械仪表窗口显示数字的图像识别方法和装置 |
US20130163871A1 (en) * | 2011-12-22 | 2013-06-27 | General Electric Company | System and method for segmenting image data to identify a character-of-interest |
US20170308768A1 (en) * | 2015-01-15 | 2017-10-26 | Suntront Tech Co., Ltd | Character information recognition method based on image processing |
CN105976376A (zh) * | 2016-05-09 | 2016-09-28 | 电子科技大学 | 一种基于部件模型的高分辨sar图像目标检测方法 |
WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
US20180349743A1 (en) * | 2017-05-30 | 2018-12-06 | Abbyy Development Llc | Character recognition using artificial intelligence |
CN109190473A (zh) * | 2018-07-29 | 2019-01-11 | 国网上海市电力公司 | 一种“机器视觉理解”在电力远程监控中的应用 |
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 |
CN109977944A (zh) * | 2019-02-21 | 2019-07-05 | 杭州朗阳科技有限公司 | 一种数字水表读数的识别方法 |
CN110490195A (zh) * | 2019-08-07 | 2019-11-22 | 桂林电子科技大学 | 一种水表表盘读数识别方法 |
CN111027456A (zh) * | 2019-12-06 | 2020-04-17 | 四川杰森机电有限公司 | 基于图像识别的机械水表读数识别方法 |
US20210174131A1 (en) * | 2019-12-10 | 2021-06-10 | Ricoh Company, Ltd. | Computer Vision System for Industrial Equipment Gauge Digitization and Alarms |
CN112102202A (zh) * | 2020-09-27 | 2020-12-18 | 河南工业大学 | 一种图像分割方法和图像处理装置 |
CN112149655A (zh) * | 2020-09-28 | 2020-12-29 | 怀化建南机器厂有限公司 | 一种水表读数识别方法、装置、设备以及存储介质 |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
CN113989795A (zh) * | 2021-12-02 | 2022-01-28 | 安徽翼迈科技股份有限公司 | 一种基于模板图遍历的水表水泡预警方法 |
CN115471845A (zh) * | 2022-09-14 | 2022-12-13 | 东南大学 | 基于深度学习和OpenCV的换流站数字仪表识别方法 |
Non-Patent Citations (2)
Title |
---|
李彬;赵连军;刘帅;: "表格图像特征目标识别技术的研究", 科技视界, no. 23 * |
薛建荣, 杨明: "基于图象处理的复杂指针式仪表的识别", 中国仪器仪表, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116645682B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN111008651B (zh) | 一种基于多特征融合的图像翻拍检测方法 | |
CN109389569B (zh) | 基于改进DehazeNet的监控视频实时去雾方法 | |
CN110866896A (zh) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 | |
CN114882039B (zh) | 一种应用于pcb板自动分拣过程中的pcb板缺陷识别方法 | |
US20110019928A1 (en) | Image processing method, image processing apparatus, and program | |
CN116828209B (zh) | 一种矿下智能视频监控数据传输方法及系统 | |
CN113111716B (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN115205692B (zh) | 基于生成对抗网络的典型地物要素智能识别与提取方法 | |
CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
CN111970510B (zh) | 视频处理方法、存储介质及计算装置 | |
CN115456868A (zh) | 一种消防演练系统数据管理方法 | |
CN116645682B (zh) | 一种水表表盘数字识别方法及系统 | |
CN112329495B (zh) | 一种条形码识别方法、装置及系统 | |
CN111862123B (zh) | 一种基于深度学习的ct腹部动脉血管分级识别方法 | |
CN113689488A (zh) | 一种基于深度学习的近海养殖鱼框个数与面积统计方法 | |
CN110837834A (zh) | 一种数字仪表读数方法及系统 | |
CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
CN116109933A (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN110807416A (zh) | 适用于移动检测装置的数字式仪表智能识别装置及方法 | |
CN114580573A (zh) | 一种基于图像的云量、云状、天气现象反演装置及方法 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN113505622A (zh) | 一种自动识别多条码与led灯的测试系统及方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Digital Recognition of Water Meter dials Granted publication date: 20231020 Pledgee: China Everbright Bank Ji'nan branch Pledgor: JINAN RICHNES ELECTRONIC Co.,Ltd. Registration number: Y2024370000007 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |