CN110807416A - 适用于移动检测装置的数字式仪表智能识别装置及方法 - Google Patents
适用于移动检测装置的数字式仪表智能识别装置及方法 Download PDFInfo
- Publication number
- CN110807416A CN110807416A CN201911049148.3A CN201911049148A CN110807416A CN 110807416 A CN110807416 A CN 110807416A CN 201911049148 A CN201911049148 A CN 201911049148A CN 110807416 A CN110807416 A CN 110807416A
- Authority
- CN
- China
- Prior art keywords
- image
- character
- module
- stroke
- pixels
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000012706 support-vector machine Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 230000001427 coherent effect Effects 0.000 claims description 18
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/226—Character recognition characterised by the type of writing of cursive writing
- G06V30/2268—Character recognition characterised by the type of writing of cursive writing using stroke segmentation
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
一种适用于移动检测装置的数字式仪表智能识别装置及方法,该方法包括:步骤一、通过摄像模块实时获取包含数字式仪表显示屏幕的电子图像,并转化为256级灰度图像;步骤二、采用高斯平滑对256级灰度图像进行降噪处理;步骤三、对降噪处理后的图像进行二值化处理;步骤四、对二值化处理后的图像采用笔画宽度转换算法进行字符的笔画检测和字符定位;步骤五、通过水平投影分析确定字符块的边界,实现单个字符分割;步骤六、采用支持向量机分类器对单个字符进行识别;步骤七、获得最终识别的仪表读数。本发明可以有效降低移动检测装置采集图像时因倾斜度、现场环境造成的不利影响,在复杂环境下能对不同类型的数字式仪表进行良好的读数识别。
Description
技术领域
本发明涉及变电站智能运维领域,具体是一种适用于移动检测装置的数字式仪表智能识别装置及方法。
背景技术
目前,变电站的监测设备大多是指针式或数字仪表,一般没有数据接口,无法实现测量参数的自动采集和传输。通常电力巡检采用手动抄表。由于设备数量多、种类多,工人一次检查时间长,容易造成视觉疲劳和数据错误,记录大量数据。且效率低,不适合高压、高温或有害环境。
随着计算机视觉和机器人技术的发展,采用摄像模块、巡检机器人等可移动检测装置代替巡逻人员,通过高分辨率成像装置采集各种仪器图像,并通过图像自动识别获取各种仪器值。该方法可以有效提高抄表和巡检的效率和质量。现阶段已有一些基于图像识别技术的数字式仪表识别方法,在图像背景纯净且摄像位置固定的情况下,通常有较好的识别率,但不适用于移动检测装置和复杂场景。采用移动装置获取的仪表图像,由于机械间隙和停车精度等问题,很难保证检测设备每次都完全准确的在同一位置进行拍摄,因此很难保证每次采集到的图像基本保持不变,而会有一些小的位移和一定角度的倾斜。
发明内容
针对现有技术存在的上述不足,本发明提供一种适用于移动检测装置的数字式仪表智能识别装置及方法,该方法基于笔画宽度变换和支持向量机(SVM)分类器实现,充分考虑移动检测设备采集图像的倾斜度、现场环境的影响以及变电站仪器设备的多样性,在复杂环境下,能对不同类型的数字式仪表进行良好的读数识别。
一种适用于移动检测装置的数字式仪表智能识别方法,包括如下步骤:
步骤一、通过摄像模块实时获取包含数字式仪表显示屏幕的电子图像,并转化为256级灰度图像;
步骤二、采用高斯平滑对步骤一所得256级灰度图像进行降噪处理;
步骤三、对步骤二降噪处理后的图像进行二值化处理;
步骤四、对步骤三中二值化处理后的图像采用笔画宽度转换算法进行字符的笔画检测找到所有连贯的笔画,依据所述连贯的笔画实现字符定位,从而得到字符块;
步骤五、通过水平投影分析步骤四得到的字符块,确定所述字符块的边界,实现单个字符分割;
步骤六、采用支持向量机(SVM)分类器对所述单个字符进行识别;
步骤七、根据步骤六识别的单个字符获得并显示数字式仪表上的仪表读数。
进一步的,步骤三中对图像进行二值化处理采用Otsu算法,其具体步骤为:
(1)求出前景的像素点数占整幅图像的比例ω0=N0/M×N和平均灰度μ0,以及求出背景像素点数占整幅图像的比例ω1=N1/M×N和平均灰度μ1,其中N0为图像中像素的灰度值小于阈值T的像素个数,M为图像的长度,N为图像的宽度,N1为图像中像素灰度值大于阈值T的像素个数;
(2)求整幅图像的平均灰度为μ=ω0*μ0+ω1*μ1以及类间方差g=ω0*ω1*(μ0-μ1)2;
(3)采用遍历的方法求出使得类间方差g最大的阈值T;
(4)按照步骤(3)所得类间方差g最大的阈值T对图像进行二值化处理。
进一步的,步骤四中,采用笔画宽度转换算法进行字符的笔画检测和字符定位,其具体步骤为:
(1)选取一个边缘像素点p;
(2)计算边缘像素点p的方向梯度值dp;
(3)若p位于笔画边缘,dp一定大致垂直于笔画方向,沿着路线r=p+n*dp(n>=0)梯度查找与之对应的另一个边缘像素点q,那么dp与dq的方向是大致相反的(dp=dq±π/6),此时会出现两种情况:
①p找不到对应的匹配的q或者dp与dq不满足大致反向的要求,那么该路线r废弃掉;
②如果找到满足要求的q那么在[p,q]这条路线上的每个像素点都会被指定笔画宽度属性值||p-q||(欧式距离),除非该点已经被指定了一个更小的笔画宽度属性值。
(4)重复步骤(2)-(3),计算出所有未被废弃的路线上的像素的笔画宽度值;
(5)选取一个新的边缘像素点,重复步骤(1)-(4),直到遍历图像中所有的边缘像素点,找到所有连贯的笔画;
(6)依据步骤(5)找到的连贯笔画实现字符定位,从而得到字符块。
考虑到数字和字母字符的笔划宽度不可能太大,可以不计算所有边缘像素点p,而只计算相邻区域的对称边缘点,这样可以大幅降低算法的时间复杂度。
进一步的,步骤六中采用由10个数字字符和24个字母组成的支持向量机(SVM)多分类器。通常,在使用前需要通过大量图片对支持向量机(SVM)多分类器进行训练。
一种适用于移动检测装置的数字式仪表智能识别装置,包括顺次连接的摄像模块、灰度处理模块、降噪模块、二值化处理模块、仪表读数显示模块、笔画检测和字符定位模块、字符分割模块、字符识别模块;
所述摄像模块,用于实时获取包含数字式仪表显示屏幕的电子图像;
所述灰度处理模块,与所述摄像模块连接,用于将摄像模块获取的电子图像转化为256级灰度图像;
所述降噪模块,与所述灰度处理模块连接,用于采用高斯平滑对256级灰度图像进行降噪处理;
所述二值化处理模块,与所述灰度处理模块连接,用于对降噪处理后的图像进行二值化处理;
所述笔画检测和字符定位模块,与所述灰度处理模块连接,用于对二值化处理后的图像采用笔画宽度转换算法进行字符的笔画检测找到所有连贯的笔画,依据所述连贯的笔画实现字符定位,从而得到字符块;
所述字符分割模块,与所述笔画检测和字符定位模块连接,用于通过水平投影分析确定所述笔画检测和字符定位模块得到的字符块的边界,实现单个字符分割;
所述字符识别模块,与所述字符分割模块连接,用于采用支持向量机(SVM)分类器对所述单个字符进行识别;
所述仪表读数显示模块,所述字符识别模块连接,用于根据字符识别模块识别出的单个字符获得并显示数字式仪表上的仪表读数。
进一步的,所述二值化处理模块对图像进行二值化处理采用Otsu算法,其具体步骤为:
(1)求出前景的像素点数占整幅图像的比例ω0=N0/M×N和平均灰度μ0;以及求出背景像素点数占整幅图像的比例ω1=N1/M×N和平均灰度μ1,其中N0为图像中像素的灰度值小于阈值T的像素个数,M为图像的长度,N为图像的宽度,N1为图像中像素灰度值大于阈值T的像素个数;
(2)求整幅图像的平均灰度为μ=ω0*μ0+ω1*μ1以及类间方差g=ω0*ω1*(μ0-μ1)2;
(3)采用遍历的方法求出使得类间方差g最大的阈值T;
(4)按照步骤(3)所得类间方差g最大的阈值T对图像进行二值化处理。
进一步的,所述笔画检测和字符定位模块对二值化后的图像采用笔画宽度转换算法进行字符的笔画检测和字符定位,其具体步骤为:
(1)选取一个边缘像素点p;
(2)计算边缘像素点p的方向梯度值dp;
(3)若p位于笔画边缘,则dp大致垂直于笔画方向,沿着路线r=p+n*dp(n>=0)梯度查找与之对应的另一个边缘像素点q,dp与dq的方向是大致相反,若p找不到对应的匹配的q或者dp与dq不满足大致反向的要求,则将该路线r废弃掉;若找到满足要求的q,则在[p,q]这条路线上的每个像素点都被指定笔画宽度属性值||p-q||;
(4)重复步骤(2)-(3),计算出所有未被废弃的路线上的像素的笔画宽度值;
(5)选取一个新的边缘像素点,重复步骤(1)-(4),直到遍历图像中所有的边缘像素点,找到所有连贯的笔画;
(6)依据步骤(5)找到的连贯笔画实现字符定位。
进一步的,所述字符识别模块采用由10个数字字符和24个字母组成的支持向量机(SVM)多分类器对单个字符进行识别。
本发明提出了一种基于笔画宽度变换和支持向量机(SVM)分类器的电能表字符识别装置及方法,其区别于常见的数字仪表智能识别方法,是先识别数字笔画再进行数字分割,由于识别笔画不需要先进行倾斜校正,可以有效降低移动检测装置采集图像时因倾斜度、现场环境造成的不利影响,在复杂环境下能对不同类型的数字式仪表进行良好的读数识别。
附图说明
图1是本发明一种适用于移动检测装置的数字式仪表智能识别方法的整体流程图;图2是本发明中图像二值化处理流程图;
图3是本发明中笔画检测和字符定位算法流程图;
图4是本发明中采集的电子图像示意图;
图5是本发明中灰度图像示意图;
图6是本发明中二值化图像示意图;
图7是本发明中字符的笔画检测和字符定位结果示意图;
图8是本发明一种适用于移动检测装置的数字式仪表智能识别装置的模块框图。
具体实施方式
下面将结合本发明中的附图,对本发明中的智能识别方法进行清楚、完整地描述。
如图1所示,本发明实施例提供一种适用于移动检测装置的数字式仪表智能识别方法,具体实施步骤如下:
(1)通过摄像模块实时获取包含数字式仪表显示屏幕的电子图像,如图4所示,可以看到图像的拍摄角度存在一定的倾斜,对电子图像进行处理,转化为256级灰度图像,如图5所示。
(2)采用高斯平滑算法对256级灰度图像进行降噪处理。
(3对降噪处理后的图像采用Otsu算法来进行图像二值化处理,处理流程如图2所示:
(1)求出前景的像素点数占整幅图像的比例ω0=N0/M×N和平均灰度μ0,其中N0为图像中像素的灰度值小于阈值T的像素个数,M为图像的长度,N为图像的宽度;
(2)求出背景像素点数占整幅图像的比例ω1=N1/M×N和平均灰度μ1,其中N1为图像中像素灰度值大于阈值T的像素个数;
(3)求整幅图像的平均灰度为μ=ω0*μ0+ω1*μ1;
(4)求类间方差记为g=ω0*ω1*(μ0-μ1)2;
(5)采用遍历的方法求出使得类间方差g最大的阈值T,即为所求。
(6)按照当前阈值T进行二值化。
采用Otsu算法来进行图像二值化处理后的图像如图6所示。
(4)对二值化处理后的图像采用笔画宽度转换算法进行字符的笔画检测和字符定位,流程如图3所示:
①选取一个边缘像素点p;
②计算边缘像素点p的方向梯度值dp;
③若p位于笔画边缘,dp一定大致垂直于笔画方向,沿着路线r=p+n*dp(n>=0)梯度查找与之对应的另一个边缘像素点q,那么dp与dq的方向是大致相反的(dp=dq±π/6),此时会出现两种情况:若p找不到对应的匹配的q或者dp与dq不满足大致反向的要求,那么该路线r废弃掉;若找到满足要求的q那么在[p,q]这条路线上的每个像素点都会被指定笔画宽度属性值||p-q||(欧式距离),除非该点已经被指定了一个更小的笔画宽度属性值。
④重复步骤②-③,计算出所有未被废弃的路线上的像素的笔画宽度值;
⑤选取一个新的边缘像素点,重复步骤①-④,直到遍历图像中所有的边缘像素点,找到所有连贯的笔画。
⑥由于10个数字字符和24个字母均为连贯的笔画组成的字符,依据步骤⑤找到的连贯笔画就实现字符定位,从而得到字符块。
采用笔画宽度转换算法进行字符的笔画检测和字符定位后的图像如图7所示。图像倾斜不会对字符定位照成影响。
(5)通过水平投影分析确定字符块的边界,实现单个字符分割;
具体的实现方法是:将各个字符定位后的字符在水平方向上进行映射,获取每个字符在水平方向上的最左端和最右端值,然后以最左端和最右端值的为矩形的左右边,图像的上下边界为矩形的上下边将单个字符的图片切割出来。
(6)采用支持向量机(SVM)分类器对单个字符进行识别,对单个字符进行识别时可采用由10个数字字符和24个字母组成的支持向量机(SVM)多分类器;
(7)获得最终识别的仪表读数。
如图8所示,本发明实施例还提供一种适用于移动检测装置的数字式仪表智能识别装置,包括顺次连接的摄像模块1、灰度处理模块2、降噪模块3、二值化处理模块4、笔画检测和字符定位模块5、字符分割模块6、字符识别模块7、以及仪表读数显示模块8。
所述摄像模块1,用于实时获取包含数字式仪表显示屏幕的电子图像;
所述灰度处理模块2,与所述摄像模块1连接,用于将摄像模块1获取的电子图像转化为256级灰度图像;
所述降噪模块3,与所述灰度处理模块2连接,用于采用高斯平滑对256级灰度图像进行降噪处理;
所述二值化处理模块4,与所述灰度处理模块3连接,用于对降噪处理后的图像进行二值化处理;
所述笔画检测和字符定位模块5,与所述灰度处理模块4连接,用于对二值化处理后的图像采用笔画宽度转换算法进行字符的笔画检测和字符定位;
所述字符分割模块6,与所述笔画检测和字符定位模块5连接,用于通过水平投影分析确定字符块的边界,实现单个字符分割;
所述字符识别模块7,与所述字符分割模块6连接,用于采用支持向量机(SVM)分类器对单个字符进行识别,本实施例采用由10个数字字符和24个字母组成的支持向量机(SVM)多分类器;
所述仪表读数显示模块8,所述字符识别模块7连接,用于根据字符识别模块7识别出的单个字符获得并显示数字式仪表上的仪表读数。
其中,所述二值化处理模块4对图像进行二值化处理采用Otsu算法,假设图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,其具体步骤为:
(1)求出前景的像素点数占整幅图像的比例ω0=N0/M×N和平均灰度μ0;
(2)求出背景像素点数占整幅图像的比例ω1=N1/M×N和平均灰度μ1;
(3)求整幅图像的平均灰度为μ=ω0*μ0+ω1*μ1;
(4)求类间方差记为g=ω0*ω1*(μ0-μ1)2;
(5)采用遍历的方法求出使得类间方差g最大的阈值T,即为所求;
(6)按照当前阈值T进行二值化。
所述笔画检测和字符定位模块5对二值化后的图像采用笔画宽度转换算法进行字符的笔画检测和字符定位,其具体步骤为:
(1)选取一个边缘像素点p;
(2)计算边缘像素点p的方向梯度值dp;
(3)若p位于笔画边缘,则dp大致垂直于笔画方向,沿着路线r=p+n*dp(n>=0)梯度查找与之对应的另一个边缘像素点q,dp与dq的方向是大致相反,若p找不到对应的匹配的q或者dp与dq不满足大致反向的要求,则将该路线r废弃掉;若找到满足要求的q,则在[p,q]这条路线上的每个像素点都被指定笔画宽度属性值||p-q||;
(4)重复步骤(2)-(3),计算出所有未被废弃的路线上的像素的笔画宽度值;
(5)选取一个新的边缘像素点,重复步骤(1)-(4),直到遍历图像中所有的边缘像素点,找到所有连贯的笔画;
(6)依据步骤(5)找到的连贯笔画实现字符定位。
本发明区别于常见的数字仪表智能识别方法,通过先识别数字笔画再进行数字分割,由于识别笔画不需要先进行倾斜校正,可以有效降低移动检测装置采集图像时因倾斜度、现场环境造成的不利影响,在复杂环境下,能对不同类型的数字式仪表进行良好的读数识别。
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、***、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(***)、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 (8)
1.一种适用于移动检测装置的数字式仪表智能识别方法,其特征在于包括如下步骤:
步骤一、通过摄像模块实时获取包含数字式仪表显示屏幕的电子图像,并转化为256级灰度图像;
步骤二、采用高斯平滑对步骤一所得256级灰度图像进行降噪处理;
步骤三、对步骤二降噪处理后的图像进行二值化处理;
步骤四、对步骤三中二值化处理后的图像采用笔画宽度转换算法进行字符的笔画检测找到所有连贯的笔画,依据所述连贯的笔画实现字符定位,从而得到字符块;
步骤五、通过水平投影分析步骤四得到的字符块,确定所述字符块的边界,实现单个字符分割;
步骤六、采用支持向量机分类器对所述单个字符进行识别;
步骤七、根据步骤六识别的单个字符获得并显示数字式仪表上的仪表读数。
2.如权利要求1所述的适用于移动检测装置的数字式仪表智能识别方法,其特征在于:步骤三中对图像进行二值化处理采用Otsu算法,其具体步骤为:
(1)求出前景的像素点数占整幅图像的比例ω0=N0/M×N和平均灰度μ0,以及求出背景像素点数占整幅图像的比例ω1=N1/M×N和平均灰度μ1,其中N0为图像中像素的灰度值小于阈值T的像素个数,M为图像的长度,N为图像的宽度,N1为图像中像素灰度值大于阈值T的像素个数;
(2)求整幅图像的平均灰度为μ=ω0*μ0+ω1*μ1以及类间方差g=ω0*ω1*(μ0-μ1)2;
(3)采用遍历的方法求出使得类间方差g最大的阈值T;
(4)按照步骤(3)所得类间方差g最大的阈值T对图像进行二值化处理。
3.如权利要求1所述的适用于移动检测装置的数字式仪表智能识别方法,其特征在于:步骤四中对二值化后的图像采用笔画宽度转换算法进行字符的笔画检测和字符定位,其具体步骤为:
(1)选取一个边缘像素点p;
(2)计算边缘像素点p的方向梯度值dp;
(3)若p位于笔画边缘,则dp大致垂直于笔画方向,沿着路线r=p+n*dp(n>=0)梯度查找与之对应的另一个边缘像素点q,dp与dq的方向是大致相反,若p找不到对应的匹配的q或者dp与dq不满足大致反向的要求,则将该路线r废弃掉;若找到满足要求的q,则在[p,q]这条路线上的每个像素点都被指定笔画宽度属性值||p-q||;
(4)重复步骤(2)-(3),计算出所有未被废弃的路线上的像素的笔画宽度值;
(5)选取一个新的边缘像素点,重复步骤(1)-(4),直到遍历图像中所有的边缘像素点,找到所有连贯的笔画;
(6)依据步骤(5)找到的连贯笔画实现字符定位,从而得到字符块。
4.如权利要求1所述的适用于移动检测装置的数字式仪表智能识别方法,其特征在于:步骤六中采用支持向量机分类器对单个字符进行识别时,采用由10个数字字符和24个字母组成的支持向量机多分类器。
5.一种适用于移动检测装置的数字式仪表智能识别装置,包括顺次连接的摄像模块、灰度处理模块、降噪模块、二值化处理模块、仪表读数显示模块,其特征在于:还包括笔画检测和字符定位模块、字符分割模块、字符识别模块;
所述摄像模块,用于实时获取包含数字式仪表显示屏幕的电子图像;
所述灰度处理模块,与所述摄像模块连接,用于将摄像模块获取的电子图像转化为256级灰度图像;
所述降噪模块,与所述灰度处理模块连接,用于采用高斯平滑对256级灰度图像进行降噪处理;
所述二值化处理模块,与所述灰度处理模块连接,用于对降噪处理后的图像进行二值化处理;
所述笔画检测和字符定位模块,与所述灰度处理模块连接,用于对二值化处理后的图像采用笔画宽度转换算法进行字符的笔画检测找到所有连贯的笔画,依据所述连贯的笔画实现字符定位,从而得到字符块;
所述字符分割模块,与所述笔画检测和字符定位模块连接,用于通过水平投影分析确定所述笔画检测和字符定位模块得到的字符块的边界,实现单个字符分割;
所述字符识别模块,与所述字符分割模块连接,用于采用支持向量机分类器对所述单个字符进行识别;
所述仪表读数显示模块,所述字符识别模块连接,用于根据字符识别模块识别出的单个字符获得并显示数字式仪表上的仪表读数。
6.如权利要求5所述的适用于移动检测装置的数字式仪表智能识别装置,其特征在于:所述二值化处理模块对图像进行二值化处理采用Otsu算法,,其具体步骤为:
(1)求出前景的像素点数占整幅图像的比例ω0=N0/M×N和平均灰度μ0;以及求出背景像素点数占整幅图像的比例ω1=N1/M×N和平均灰度μ1,其中N0为图像中像素的灰度值小于阈值T的像素个数,M为图像的长度,N为图像的宽度,N1为图像中像素灰度值大于阈值T的像素个数;
(2)求整幅图像的平均灰度为μ=ω0*μ0+ω1*μ1以及类间方差g=ω0*ω1*(μ0-μ1)2;
(3)采用遍历的方法求出使得类间方差g最大的阈值T;
(4)按照步骤(3)所得类间方差g最大的阈值T对图像进行二值化处理。
7.如权利要求5所述的适用于移动检测装置的数字式仪表智能识别装置,其特征在于:所述笔画检测和字符定位模块对二值化后的图像采用笔画宽度转换算法进行字符的笔画检测和字符定位,其具体步骤为:
(1)选取一个边缘像素点p;
(2)计算边缘像素点p的方向梯度值dp;
(3)若p位于笔画边缘,则dp大致垂直于笔画方向,沿着路线r=p+n*dp(n>=0)梯度查找与之对应的另一个边缘像素点q,dp与dq的方向是大致相反,若p找不到对应的匹配的q或者dp与dq不满足大致反向的要求,则将该路线r废弃掉;若找到满足要求的q,则在[p,q]这条路线上的每个像素点都被指定笔画宽度属性值||p-q||;
(4)重复步骤(2)-(3),计算出所有未被废弃的路线上的像素的笔画宽度值;
(5)选取一个新的边缘像素点,重复步骤(1)-(4),直到遍历图像中所有的边缘像素点,找到所有连贯的笔画;
(6)依据步骤(5)找到的连贯笔画实现字符定位。
8.如权利要求5所述的适用于移动检测装置的数字式仪表智能识别装置,其特征在于:所述字符识别模块采用由10个数字字符和24个字母组成的支持向量机多分类器对单个字符进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049148.3A CN110807416A (zh) | 2019-10-31 | 2019-10-31 | 适用于移动检测装置的数字式仪表智能识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049148.3A CN110807416A (zh) | 2019-10-31 | 2019-10-31 | 适用于移动检测装置的数字式仪表智能识别装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807416A true CN110807416A (zh) | 2020-02-18 |
Family
ID=69489657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049148.3A Pending CN110807416A (zh) | 2019-10-31 | 2019-10-31 | 适用于移动检测装置的数字式仪表智能识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807416A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232344A (zh) * | 2020-09-21 | 2021-01-15 | 广东电网有限责任公司广州供电局 | 一种数字式万用表读数识别方法 |
CN113639836A (zh) * | 2021-08-11 | 2021-11-12 | 国网河北省电力有限公司电力科学研究院 | 电气设备内六氟化硫气体重量在线测定*** |
CN117132998A (zh) * | 2023-08-29 | 2023-11-28 | 安徽以观文化科技有限公司 | 书法作品单个字体识别方法及其识别*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112130A (zh) * | 2014-06-26 | 2014-10-22 | 小米科技有限责任公司 | 光学字符识别方法及装置 |
CN106778754A (zh) * | 2016-11-22 | 2017-05-31 | 南京理工大学 | 一种鲁棒的工业电表数字识别方法 |
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 |
CN109271985A (zh) * | 2018-09-07 | 2019-01-25 | 广东中粤电力科技有限公司 | 一种数字仪表读数图像识别方法及*** |
CN110210477A (zh) * | 2019-05-24 | 2019-09-06 | 四川阿泰因机器人智能装备有限公司 | 一种数字式仪表读数识别方法 |
-
2019
- 2019-10-31 CN CN201911049148.3A patent/CN110807416A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112130A (zh) * | 2014-06-26 | 2014-10-22 | 小米科技有限责任公司 | 光学字符识别方法及装置 |
CN106778754A (zh) * | 2016-11-22 | 2017-05-31 | 南京理工大学 | 一种鲁棒的工业电表数字识别方法 |
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 |
CN109271985A (zh) * | 2018-09-07 | 2019-01-25 | 广东中粤电力科技有限公司 | 一种数字仪表读数图像识别方法及*** |
CN110210477A (zh) * | 2019-05-24 | 2019-09-06 | 四川阿泰因机器人智能装备有限公司 | 一种数字式仪表读数识别方法 |
Non-Patent Citations (1)
Title |
---|
韩九强,杨磊: "《数字图像处理:基于XAVIS组态软件》", 31 August 2018 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232344A (zh) * | 2020-09-21 | 2021-01-15 | 广东电网有限责任公司广州供电局 | 一种数字式万用表读数识别方法 |
CN113639836A (zh) * | 2021-08-11 | 2021-11-12 | 国网河北省电力有限公司电力科学研究院 | 电气设备内六氟化硫气体重量在线测定*** |
CN117132998A (zh) * | 2023-08-29 | 2023-11-28 | 安徽以观文化科技有限公司 | 书法作品单个字体识别方法及其识别*** |
CN117132998B (zh) * | 2023-08-29 | 2024-05-03 | 安徽以观文化科技有限公司 | 书法作品单个字体识别方法及其识别*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
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 | |
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 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
JP7295213B2 (ja) | 信号灯の位置判定方法、装置、記憶媒体、プログラム、路側機器 | |
CN110634138A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别*** | |
CN115359239A (zh) | 风电叶片缺陷检测定位方法、装置、存储介质和电子设备 | |
CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
CN114266881A (zh) | 一种基于改进型语义分割网络的指针式仪表自动读数方法 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN113642582B (zh) | 电表读数识别方法、装置、电子设备和存储介质 | |
CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN110942058A (zh) | 一种基于ccd机器视觉识别的仪表数据读取方法 | |
CN113705350A (zh) | 变电站的指针仪表读数识别方法、装置、介质和电子设备 | |
CN112924037A (zh) | 基于图像配准的红外体温检测***及检测方法 | |
CN112153320A (zh) | 一种物品尺寸的测量方法、装置、电子设备和存储介质 | |
CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN111738264A (zh) | 一种机房设备显示面板数据的智能采集方法 | |
CN109145912B (zh) | 一种数字仪表读数自动识别方法 | |
CN111753766A (zh) | 一种图像处理方法、装置、设备及介质 | |
CN110782390A (zh) | 图像的矫正处理方法及装置、电子设备 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN115471845A (zh) | 基于深度学习和OpenCV的换流站数字仪表识别方法 |
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: 20200218 |