CN108764253A - 指针式仪表数字化方法 - Google Patents
指针式仪表数字化方法 Download PDFInfo
- Publication number
- CN108764253A CN108764253A CN201810463940.2A CN201810463940A CN108764253A CN 108764253 A CN108764253 A CN 108764253A CN 201810463940 A CN201810463940 A CN 201810463940A CN 108764253 A CN108764253 A CN 108764253A
- Authority
- CN
- China
- Prior art keywords
- pointer
- straight line
- scale
- instrument
- dashboard
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了指针式仪表数字化方法,包括以下步骤:获取指针式仪表盘图片;霍夫变换提取直线;筛选出代表刻度的直线;确定指针原点;识别指针式仪表盘的刻度。本发明方法简便,在光照不充足条件下仍能准确识别仪表读数,对于高精度、带反光镜的指针式仪表能够准确提取,具有较好的容错性和鲁棒性。
Description
技术领域
本发明属于数字图像处理领域,涉及一种指针式仪表数字化方法。
背景技术
指针式仪表具有性能可靠、工作原理简单、价格低廉、抗干扰能力强等优点,在日常生活和工业现场具有广泛的应用。面对大量需要进行检定的指针仪表,采用人工读数的方式检定仪表读数,数据容易产生误差,此外有些环境恶劣的工业现场不适合人工抄表记录数据,因而研究实现指针式仪表显示数据的自动识别在一些工业现场具有重要的实用意义。随着数字图像处理技术的日益成熟,将其应用到指针式仪表的自动识别***中是一种有效的解决方法。
指针式仪表识别主要包括指针定位与仪表读数识别两部分。指针定位主要是通过图像处理或机器视觉技术确定仪表刻度与指针的相对位置进而确定指针位置,或者直接利用指针特征确定指针位置,现有的方法包括减影法、最小二乘法以及对这些方法的综合。减影法使用最大灰度法计算无指针的仪表模板图像,然后通过模板图像与实际图像相减得到指针位置。该方法适用于光照充足条件下获取图像指针位置,对于光照变化大、有阴影等环境下的图像,其背景发生变化较大,减影法会影响检测出的指针区域。最小二乘法首先使用小波变换提取指针与刻度边缘点集合,然后使用最小二乘法拟合指针直线。
发明内容
为解决上述问题,本发明的目的在于提供一种采用霍夫变换提取直线、随机抽样一致算法得到仪表原点、通过卷积神经网络检测出仪表的针盘刻度的指针式仪表数字化方法,具有较好的容错性和鲁棒性。
为实现上述目的,本发明的技术方案为指针式仪表数字化方法,包括以下步骤:
获取指针式仪表盘图片;
霍夫变换提取直线;
筛选出代表刻度的直线;
确定指针原点;
识别指针式仪表盘的刻度。
优选地,所述获取指针式仪表盘图片采用移动式智能拍摄获取。
优选地,所述霍夫变换提取直线,包括以下步骤:
把获取的指针式仪表盘图片转化为灰度图像;
高斯去燥,提高图像质量;
提取图像边缘;
进行二值化处理;
映射到霍夫空间;
取局部极大值,设定阈值,过滤干扰直线;
绘制直线,标定角点。
优选地,所述提取图像边缘,采用梯度算子或拉普拉斯算子或canny算子或sobel算子。
优选地,所述筛选出代表刻度的直线,包括以下步骤:
限制获得直线的角度,仪表盘的刻度直线角度范围为0-90°,通过设置直线斜率的范围去除部分干扰直线;
限制获得直线的长度,代表仪表盘刻度的直线主要有两种,一种较长,分别代表刻度0、150、300、450,还有一种刻度线较短,分别在0~150,150~300,300~450之间,通过限制直线的长度在短刻度和长刻度之间,获取代表仪表盘刻度的直线。
优选地,所述确定指针原点,包括以下步骤:
在数据中随机选择几个点设定为内群;
计算适合内群的模型;
把没选到的点带入建立的模型中,计算是否为内群;
记下内群数量;
重复以上步骤若干次;
比较计算中内群数量,取最多次所建的模型。
优选地,所述识别指针式仪表盘的刻度,包括以下步骤:
输入代表指针刻度图像集,训练CNN分类模型;
将待识别的指针式仪表盘图像输入训练好的模型进行识别。
本发明至少具有如下有益效果:
(1)现有技术中对指针式仪表指针定位主要是通过图像处理或机器视觉技术确定仪表刻度与指针的相对位置进而确定指针位置,或者直接利用指针特征确定指针位置,现有的方法包括减影法、最小二乘法以及对这些方法的综合。减影法使用最大灰度法计算无指针的仪表模板图像,然后通过模板图像与实际图像相减得到指针位置。该方法适用于光照充足条件下获取图像指针位置,对于光照变化大、有阴影等环境下的图像,其背景发生变化较大,减影法会影响检测出的指针区域。最小二乘法首先使用小波变换提取指针与刻度边缘点集合,然后使用最小二乘法拟合指针直线,定位准确性较差。本发明采用霍夫直线变换,在指针边界存在噪声干扰或者光照不均匀引起指针图像间断的情况下,仍具有较好的容错性和鲁棒性。
(2)现有技术中基于图像的指针式仪表检定方法处理工作复杂,识别过程耗时较长,而且稳定性、鲁棒性以及识别精度等指标往往达不到要求,且其检测效率普遍较低。本发明的方法简便,耗时短,检测效率高。
(3)现有技术中对指针式仪表识别方法多针对普通指针式仪表,而对于高精度、带反光镜的指针式仪表,要求指针与指针在反光镜中的成像重合时判断其读数,则当前大部分方法不适用。本发明对指针式仪表识别处理中最关键的仪表盘圆心定位,为指针回转中心的确定,即仪表盘原点。采用随机抽样一致算法来筛选直线交点,确定实际指针的交点。通过霍夫变换、进一步的筛选直线,得到笛卡尔坐标系中代表仪表盘刻度的直线,在笛卡尔坐标系求直线的交点即仪表盘的原点就是在极坐标下求直线,通过求可能性最大的直线来求出在笛卡尔坐标系中的原点。
(4)本发明在准确定位了仪表盘的原点后,通过卷积神经网络检测出仪表上的指针刻度,卷积神经网络在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有优异的表现,对指针式仪表盘的图像进行准确识别。
附图说明
图1为本发明方法实施例1的指针式仪表数字化方法的步骤流程图;
图2为本发明方法实施例2的指针式仪表数字化方法的步骤流程图;
图3为本发明方法实施例3的指针式仪表数字化方法的步骤流程图;
图4为本发明方法实施例4的指针式仪表数字化方法的步骤流程图;
图5为本发明方法实施例5的指针式仪表数字化方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
方法实施例1
参见图1,为本发明实施例的本发明的技术方案为指针式仪表数字化方法的步骤流程图,包括以下步骤:
S10,获取指针式仪表盘图片;
S20,霍夫变换提取直线;
S30,筛选出代表刻度的直线;
S40,确定指针原点;
S50,识别指针式仪表盘的刻度。
具体实施例中,获取图片主要两种:(1)工业相机拍摄;(2)移动式智能拍摄。工业相机的拍摄速度远远高于一般的相机,快门时间非常短,可以抓拍快速运动的物体,而且工业相机输出的数据是裸数据,其光谱范围比较宽,比较适合高质量的图像处理算法,但是工业价格比较高,比一般相机价格高很多。指针式仪表多用在变电站***、石油工业领域等工业场所,对速度要求不是很高,所有最终选择移动式智能拍摄来获取原始指针式仪表图片S10获取指针式仪表盘图片采用移动式智能拍摄获取。
方法实施例2
参见图2,图1中的S20具体包括以下步骤:
S201,把获取的指针式仪表盘图片转化为灰度图像;
S202,高斯去燥,提高图像质量;
S203,提取图像边缘;
S204,进行二值化处理;
S205,映射到霍夫空间;
S206,取局部极大值,设定阈值,过滤干扰直线;
S207,绘制直线,标定角点。
霍夫变换是通过图像处理从图像中识别几何形状的基本方法之一,应用很广泛,也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状(如,直线,圆等)。在本发明中就是通过霍夫变换是从黑白图像中检测直线。具体实施例中,S203采用梯度算子或拉普拉斯算子或canny算子或sobel算子,
方法实施例3
参见图3,图1中的S30具体包括以下步骤:
S301,限制获得直线的角度,仪表盘的刻度直线角度范围为0-90°,通过设置直线斜率的范围去除部分干扰直线;
S302,限制获得直线的长度,代表仪表盘刻度的直线主要有两种,一种较长,分别代表刻度0、150、300、450,还有一种刻度线较短,分别在0~150,150~300,300~450之间,通过限制直线的长度在短刻度和长刻度之间,获取代表仪表盘刻度的直线。
经过霍夫变换后提取出仪表盘上的所有直线,为了得到仪表盘上的刻度,需要对霍夫变换后得到的直线进行筛选。
方法实施例4
参见图4,图1中的S40具体包括以下步骤:
S401,在数据中随机选择几个点设定为内群;
S402,计算适合内群的模型;
S403,把没选到的点带入建立的模型中,计算是否为内群;
S404,记下内群数量;
S405,重复以上步骤若干次;
S406,比较计算中内群数量,取最多次所建的模型。
指针式仪表图像识别处理中的关键部分为仪表盘圆心的定位,也就是指针回转中心的确定,即仪表的原点。本发明中通过之前步骤中的霍夫变换、进一步的筛选直线,得到笛卡尔坐标系中代表仪表盘刻度的直线,在笛卡尔坐标系求直线的角度即仪表盘的原点就是在极坐标下求直线,再通过随机抽样一致算法求可能性最大的直线,来求出在笛卡尔坐标系中的原点。
随机抽样一致算法用来在一组包含离群的被观测数据中估算出数学模型的参数。是一种非确定性算法,在某种意义上说,它会产生一个在一定概率下合理的结果,其允许使用更多次的迭代来使其概率增加。该算法基于如下假设:
(1)数据的分布可以用一些模型参数来解释,称为“局内点”;
(2)不能适应该模型的数据,称为“局外点”;
(3)除此之外的数据属于噪声。
为了得到仪表盘原点,把代表仪表盘刻度的直线从笛卡尔坐标系转化为极坐标系,即原来在笛卡尔坐标系中的刻度线转化为极坐标下的点,通过在随机抽样一致算法来拟合可能性最大的直线,即仪表盘的原点。
基于假设,转化到极坐标下的代表刻度线的一组点集合包含了内群以及离群,其中内群为可以被拟合到线段上的点,而离群则是无法被拟合的点,然后只通过内群来计算出模型,为了保证得到的结果最好,必须小心选择参数,使其能有足够的概率。
方法实施例5
参见图5,图1中的S50具体包括以下步骤:
S501,输入代表指针刻度图像集,训练CNN分类模型;
S502,将待识别的指针式仪表盘图像输入训练好的模型进行识别。
卷积神经网络在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有优异表现,故本发明采用卷积神经网络的原理对指针式仪表盘的刻度进行识别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种指针式仪表数字化方法,其特征在于,包括以下步骤:
获取指针式仪表盘图片;
霍夫变换提取直线;
筛选出代表刻度的直线;
确定指针原点;
识别指针式仪表盘的刻度。
2.根据权利要求1所述的方法,其特征在于,所述获取指针式仪表盘图片采用移动式智能拍摄获取。
3.根据权利要求1所述的方法,其特征在于,所述霍夫变换提取直线,包括以下步骤:
把获取的指针式仪表盘图片转化为灰度图像;
高斯去燥,提高图像质量;
提取图像边缘;
进行二值化处理;
映射到霍夫空间;
取局部极大值,设定阈值,过滤干扰直线;
绘制直线,标定角点。
4.根据权利要求3所述的方法,其特征在于,所述提取图像边缘,采用梯度算子或拉普拉斯算子或canny算子或sobel算子。
5.根据权利要求1所述的方法,其特征在于,所述筛选出代表刻度的直线,包括以下步骤:
限制获得直线的角度,仪表盘的刻度直线角度范围为0-90°,通过设置直线斜率的范围去除部分干扰直线;
限制获得直线的长度,代表仪表盘刻度的直线主要有两种,一种较长,分别代表刻度0、150、300、450,还有一种刻度线较短,分别在0~150,150~300,300~450之间,通过限制直线的长度在短刻度和长刻度之间,获取代表仪表盘刻度的直线。
6.根据权利要求1所述的方法,其特征在于,所述确定指针原点,包括以下步骤:
在数据中随机选择几个点设定为内群;
计算适合内群的模型;
把没选到的点带入建立的模型中,计算是否为内群;
记下内群数量;
重复以上步骤若干次;
比较计算中内群数量,取最多次所建的模型。
7.根据权利要求1所述的方法,其特征在于,所述识别指针式仪表盘的刻度,包括以下步骤:
输入代表指针刻度图像集,训练CNN分类模型;
将待识别的指针式仪表盘图像输入训练好的模型进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810463940.2A CN108764253A (zh) | 2018-05-15 | 2018-05-15 | 指针式仪表数字化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810463940.2A CN108764253A (zh) | 2018-05-15 | 2018-05-15 | 指针式仪表数字化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764253A true CN108764253A (zh) | 2018-11-06 |
Family
ID=64007868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810463940.2A Pending CN108764253A (zh) | 2018-05-15 | 2018-05-15 | 指针式仪表数字化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764253A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934221A (zh) * | 2019-02-22 | 2019-06-25 | 山东大学 | 基于注意力机制的电力设备自动分析识别监控方法及*** |
CN110245624A (zh) * | 2019-06-18 | 2019-09-17 | 北京史河科技有限公司 | 一种非均匀刻度识别方法、装置及计算机存储介质 |
CN110378326A (zh) * | 2019-07-08 | 2019-10-25 | 宁波大学科学技术学院 | 一种机械式指针压力表读数识别方法 |
CN117213717A (zh) * | 2023-11-09 | 2023-12-12 | 江苏省计量科学研究院(江苏省能源计量数据中心) | 一种压力表在线计量***及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1693852A (zh) * | 2005-01-28 | 2005-11-09 | 华南理工大学 | 一种仪表指针自动检测识别方法及自动读数方法 |
CN101650198A (zh) * | 2009-08-25 | 2010-02-17 | 广州粤能电力科技开发有限公司 | 一种读取指针式仪表示值的图像处理方法 |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105550683A (zh) * | 2015-12-07 | 2016-05-04 | 重庆大学 | 基于视觉的指针式仪表自动读取***和方法 |
CN105809179A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种指针式仪表的读数识别方法及装置 |
CN106951900A (zh) * | 2017-04-13 | 2017-07-14 | 杭州申昊科技股份有限公司 | 一种避雷器仪表读数的自动识别方法 |
CN106960207A (zh) * | 2017-04-26 | 2017-07-18 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的汽车驾驶位仪表区多指针式仪表自动识别***及方法 |
CN107145890A (zh) * | 2017-05-02 | 2017-09-08 | 南通大学 | 一种远距离多视角环境下的指针式仪表盘自动读数方法 |
CN107609557A (zh) * | 2017-08-24 | 2018-01-19 | 华中科技大学 | 一种指针式仪表读数识别方法 |
CN107729896A (zh) * | 2017-10-24 | 2018-02-23 | 武汉科技大学 | 一种适用于变电站宽刻度指针式仪表的自动识别方法 |
-
2018
- 2018-05-15 CN CN201810463940.2A patent/CN108764253A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1693852A (zh) * | 2005-01-28 | 2005-11-09 | 华南理工大学 | 一种仪表指针自动检测识别方法及自动读数方法 |
CN101650198A (zh) * | 2009-08-25 | 2010-02-17 | 广州粤能电力科技开发有限公司 | 一种读取指针式仪表示值的图像处理方法 |
CN105809179A (zh) * | 2014-12-31 | 2016-07-27 | 中国科学院深圳先进技术研究院 | 一种指针式仪表的读数识别方法及装置 |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105550683A (zh) * | 2015-12-07 | 2016-05-04 | 重庆大学 | 基于视觉的指针式仪表自动读取***和方法 |
CN106951900A (zh) * | 2017-04-13 | 2017-07-14 | 杭州申昊科技股份有限公司 | 一种避雷器仪表读数的自动识别方法 |
CN106960207A (zh) * | 2017-04-26 | 2017-07-18 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的汽车驾驶位仪表区多指针式仪表自动识别***及方法 |
CN107145890A (zh) * | 2017-05-02 | 2017-09-08 | 南通大学 | 一种远距离多视角环境下的指针式仪表盘自动读数方法 |
CN107609557A (zh) * | 2017-08-24 | 2018-01-19 | 华中科技大学 | 一种指针式仪表读数识别方法 |
CN107729896A (zh) * | 2017-10-24 | 2018-02-23 | 武汉科技大学 | 一种适用于变电站宽刻度指针式仪表的自动识别方法 |
Non-Patent Citations (3)
Title |
---|
CHEERM: "《霍夫变换—直线检测》", 《博客园HTTPS://WWW.CNBLOGS.COM/CHEERMYANG/P/5348820.HTML或HTTP://WWW.MAMICODE.COM/INFO-DETAIL-1261266.HTML》 * |
NARUTO_Q: "检测提取图像中的直线(基于霍夫变换)", 《HTTPS://BLOG.CSDN.NET/PIAOXUEZHONG/ARTICLE/DETAILS/78534545》 * |
沈新平等: "基于霍夫变换和RANSAC算法的绝缘子定位方法", 《电子测量技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934221A (zh) * | 2019-02-22 | 2019-06-25 | 山东大学 | 基于注意力机制的电力设备自动分析识别监控方法及*** |
CN110245624A (zh) * | 2019-06-18 | 2019-09-17 | 北京史河科技有限公司 | 一种非均匀刻度识别方法、装置及计算机存储介质 |
CN110378326A (zh) * | 2019-07-08 | 2019-10-25 | 宁波大学科学技术学院 | 一种机械式指针压力表读数识别方法 |
CN110378326B (zh) * | 2019-07-08 | 2021-10-08 | 宁波大学科学技术学院 | 一种机械式指针压力表读数识别方法 |
CN117213717A (zh) * | 2023-11-09 | 2023-12-12 | 江苏省计量科学研究院(江苏省能源计量数据中心) | 一种压力表在线计量***及方法 |
CN117213717B (zh) * | 2023-11-09 | 2024-01-30 | 江苏省计量科学研究院(江苏省能源计量数据中心) | 一种压力表在线计量***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659636B (zh) | 基于深度学习的指针式仪表读数识别方法 | |
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN108764253A (zh) | 指针式仪表数字化方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN110580480B (zh) | 基于图像处理的表计读数识别方法 | |
CN103164692B (zh) | 一种基于计算机视觉的特种车辆仪表自动识别***及方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN112149667B (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN111598109B (zh) | 一种变电站指针仪表读数智能识别方法 | |
CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN111325164B (zh) | 指针表示数识别方法、装置和电子设备 | |
CN111160256A (zh) | 变电站指针式仪表自动识别方法及*** | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN109766818A (zh) | 瞳孔中心定位方法及***、计算机设备及可读存储介质 | |
Su et al. | Detection of tubule boundaries based on circular shortest path and polar‐transformation of arbitrary shapes | |
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 | |
CN110705619B (zh) | 雾浓度等级判别方法及装置 | |
JP4003465B2 (ja) | 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN105374045B (zh) | 一种基于形态学的图像特定形状尺寸目标快速分割方法 | |
CN114066862A (zh) | 一种基于色域和轮廓特征的指示器识别方法及*** | |
CN113408519A (zh) | 一种基于模板旋转匹配的指针仪表读数的方法及*** | |
CN113610041A (zh) | 一种用于指针式仪表的读数识别方法及设备 | |
CN116883987A (zh) | 一种用于变电站无人巡检的指针仪表读数识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |