CN113591910A - 一种数码管显示仪表识别方法 - Google Patents
一种数码管显示仪表识别方法 Download PDFInfo
- Publication number
- CN113591910A CN113591910A CN202110706868.3A CN202110706868A CN113591910A CN 113591910 A CN113591910 A CN 113591910A CN 202110706868 A CN202110706868 A CN 202110706868A CN 113591910 A CN113591910 A CN 113591910A
- Authority
- CN
- China
- Prior art keywords
- instrument
- real
- nixie tube
- preset
- pair
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数码管显示仪表识别方法,涉及数码显示管识别技术领域,目的是实现数码管显示类型仪表的智能化识别,包括以下步骤:获取RGB图、仪表实时图和预置仪表图,进行匹配和变换;裁剪仪表实时图和预置仪表图;进行K‑Means聚类;对仪表实时图赋值;对仪表实时图进行形态学变换;提取仪表实时图的连通区域和其子集;识别单个数码管数字;拼接字符串;将字符串转化为浮点数。实现了一种智能化的高准确度的数码管显示仪表识别方法。
Description
技术领域
本发明涉及数码显示管识别技术领域,具体涉及一种数码管显示仪表识别方法。
背景技术
现今的工业生产中,由于生产的自动化和更全面地监控生产过程,越来越多的仪表会在工厂中安装和投入使用。目前多靠人工对仪表盘进行读书和记载。
但是很多工厂环境恶劣,比如存在辐射等情况,由工作人员定时进入进行数据读取工程较为繁琐且仍然可能对人体造成危害,同时人工读取可能出现误差过大的情况。其中数码管显示类的仪表应用也越来越广泛,不同于指针式仪表,数码管显示仪表的识别需要针对数字的显示进行判断。
使用智能化识别方式取代人工读取指针式仪表可以提供准确率和工作效率。
发明内容
本发明公开了一种数码管显示仪表识别方法,目的是实现数码管显示类型仪表的智能化识别。
为了实现以上目的,本发明采取以下技术方案:
一种数码管显示仪表识别方法,包括以下步骤:
步骤1:获取仪表场景的RGB图、仪表实时图{Ii,j}和获取预置仪表图{I′i,j},匹配预置图像特征点进行投影变换,求取透视矩阵A,将{Ii,j}的坐标用透视矩阵A映射到{i″i,j};
步骤2:根据预先转入的仪表区域信息{x,y,w,h},对通过{I″i,j}进行裁剪,用裁剪区域作为新{Ii,j},同时对{I′i,j}进行裁剪,用裁剪区域作为新{I′i,j};
步骤3:对{Ii,j}进行K-Means聚类,聚类类别数为2;
步骤4:根据每个Ii,j所属类别及预置仪表信息,对Ii,j进行赋值,赋值标准如下:
步骤5:对{Ii,j}进行形态学变换,以Ii,j为一个5X5像素中心,考察Ii,j邻域5x5范围内的像素值,当存在非零像素,则Ii,j=255;
步骤7:识别单个数码管数字,对每个Si进行识别;
步骤8:从左至右,依次拼接识别得到的非空字符到字符串Str;
步骤9:将Str转化为浮点数,作为数码管显示仪表的识别结果。
优选地,所述步骤1包括以下步骤:
步骤11:获取仪表实时图{Ii,j};
步骤12:获取预置仪表图{I′i,j};
步骤13:分别提取仪表实时图{Ii,j}和预置仪表图{I′i,j}的ORB特征点,随后提取主方向后进行旋转不变性处理,随后分别提取BRIEF特征描述子;
步骤14:分别比较仪表实时图{Ii,j}和预置仪表图{I′i,j}中各个相对应的特征点描述子的汉明距离,获得最小汉明距离distHmin;
步骤15:分别从仪表实时图和预置仪表图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对,i为特征点的序号,p和q中序号一致的组成一个特征点对,其中
求A的最优解;
步骤17:将{Ii,j}的坐标用A映射到{I″i,j}。
优选地,所述步骤16通过最小二乘法求得最优解。
优选地,所述步骤7包括以下步骤:
(a)取其矩形包络区域recti,其高和宽分别记为row和col;
(b)若recti高宽比大于阈值5,则识别为“1”;
(j)计算代表数值的代码code的值:
code=10000cM+1000cUL+100cUR+10cDL+cDR
(k)根据code值-数字参照表判断数字。
本发明通过读取和映射数码管显示的图像来进行数字识别实现了仪表的智能化识别;通过透视矩阵进行映射,其中透视矩阵采用最小二乘法求得最优解,提高了计算和映***度;对单个数字进行一一取包络、计算代码和参照对照表进行具体的数值识别,识别准确率高,减轻了工作人员的负担,
附图说明
图1为实施例1中的高精度指针式仪表识别方法的流程示意图。
具体实施方式
实施例1
本发明公开了一种数码管显示仪表识别方法,流程参阅图1,包括以下步骤:
步骤1:获取仪表场景的RGB图、仪表实时图{Ii,j}和获取预置仪表图{I′i,j},匹配预置图像特征点进行投影变换,求取透视矩阵A,将{Ii,j}的坐标用透视矩阵A映射到{I″i,j}。
为了实现步骤1,优选采取以下步骤:
步骤11:获取仪表实时图{Ii,j};
步骤12:获取预置仪表图{I′i,j};
步骤13:分别提取仪表实时图{Ii,j}和预置仪表图{I′i,j}的ORB特征点,随后提取主方向后进行旋转不变性处理,随后分别提取BRIEF特征描述子;
步骤14:分别比较仪表实时图{Ii,j}和预置仪表图{I′i,j}中各个相对应的特征点描述子的汉明距离,获得最小汉明距离distHmin;
步骤15:分别从仪表实时图和预置仪表图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对,i为特征点的序号,p和q中序号一致的组成一个特征点对,其中
求A的最优解;作为优选方案,这里采用最小二乘法作为求最优解的方法。
步骤17:将{Ii,j}的坐标用A映射到{I″i,j}。
图像获取和映射完毕后进入步骤2。
步骤2:根据预先转入的仪表区域信息{x,y,w,h},对通过进行裁剪,用裁剪区域作为新{Ii,j},同时对{I′i,j}进行裁剪,用裁剪区域作为新{I′i,j},具体地,仪表区域信息中的x和y分别为裁剪框的左上角断点的x坐标和y坐标,w和h分别为裁剪框的宽度和高度;
步骤3:对{Ii,j}进行K-Means聚类,聚类类别数为2;
步骤4:根据每个Ii,j所属类别及预置仪表信息,对Ii,j进行赋值,赋值标准如下:
步骤5:对{Ii,j}进行形态学变换,以Ii,j为一个5X5像素中心,考察Ii,j邻域5x5范围内的像素值,当存在非零像素,则Ii,j=255;
步骤7:识别单个数码管数字,对每个Si进行识别;在本实施例中,其实别步骤如下:
(a)取其矩形包络区域recti,其高和宽分别记为row和col,矩形包络就是指能够放下目标图案的最小包络;
(b)若recti高宽比大于阈值5,则识别为“1”;
(j)计算代表数值的代码code的值:
code=10000cM+1000cUL+100cUR+10cDL+cDR
(k)根据code值-数字参照表判断数字,code值-数字参照表如下列表格所示,特别说明的是2020和202两种code都对应识别数字1:
code值-数字参照表
步骤8:从左至右,依次拼接识别得到的非空字符到字符串Str;
步骤9:将Str转化为浮点数,作为数码管显示仪表的识别结果。
Claims (4)
1.一种数码管显示仪表识别方法,其特征在于,包括以下步骤:
步骤1:获取仪表场景的RGB图、仪表实时图{Ii,j}和获取预置仪表图{I′i,j},匹配预置图像特征点进行投影变换,求取透视矩阵A,将{Ii,j}的坐标用透视矩阵A映射到{I″i,j};
步骤2:根据预先转入的仪表区域信息{x,y,w,h},对{I″i,j}进行裁剪,用裁剪区域作为新{Ii,j},同时对{I′i,j}进行裁剪,用裁剪区域作为新{I′i,j};
步骤3:对{Ii,j}进行K-Means聚类,聚类类别数为2;
步骤4:根据每个Ii,j所属类别及预置仪表信息,对Ii,j进行赋值,赋值标准如下:
步骤5:对{Ii,j}进行形态学变换,以Ii,j为一个5X5像素中心,考察Ii,j邻域5x5范围内的像素值,当存在非零像素,则Ii,j=255;
步骤7:识别单个数码管数字,对每个Si进行识别;
步骤8:从左至右,依次拼接识别得到的非空字符到字符串Str;
步骤9:将Str转化为浮点数,作为数码管显示仪表的识别结果。
2.根据权利要求1所述的一种数码管显示仪表识别方法,其特征在于,所述步骤1包括以下步骤:
步骤11:获取仪表实时图{Ii,j};
步骤12:获取预置仪表图{I′i,j};
步骤13:分别提取仪表实时图{Ii,j}和预置仪表图{I′i,j}的ORB特征点,随后提取主方向后进行旋转不变性处理,随后分别提取BRIEF特征描述子;
步骤14:分别比较仪表实时图{Ii,j}和预置仪表图{I′i,j}中各个相对应的特征点描述子的汉明距离,获得最小汉明距离distHmin;
步骤15:分别从仪表实时图和预置仪表图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对,i为特征点的序号,p和q中序号一致的组成一个特征点对,其中
求A的最优解;
步骤17:将{Ii,j}的坐标用A映射到{I″i,j}。
3.根据权利要求2所述的一种数码管显示仪表识别方法,其特征在于,所述步骤16通过最小二乘法求得最优解。
4.根据权利要求1所述的一种数码管显示仪表识别方法,其特征在于,所述步骤7包括以下步骤:
(a)取其矩形包络区域recti,其高和宽分别记为row和co/;
(b)若recti高宽比大于阈值5,则识别为“1”;
(j)计算代表数值的代码code的值:
code=10000cM+1000cUL+100cUR+10cDL+cDR
(k)根据code值-数字参照表判断数字。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706868.3A CN113591910A (zh) | 2021-06-24 | 2021-06-24 | 一种数码管显示仪表识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706868.3A CN113591910A (zh) | 2021-06-24 | 2021-06-24 | 一种数码管显示仪表识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591910A true CN113591910A (zh) | 2021-11-02 |
Family
ID=78244548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706868.3A Pending CN113591910A (zh) | 2021-06-24 | 2021-06-24 | 一种数码管显示仪表识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591910A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636309A (zh) * | 2015-02-06 | 2015-05-20 | 南京理工大学 | 基于机器视觉的矩阵计算器及矩阵识别方法 |
CN105303168A (zh) * | 2015-10-14 | 2016-02-03 | 南京第五十五所技术开发有限公司 | 一种多视角的指针式仪表识别方法和装置 |
CN105574531A (zh) * | 2015-12-11 | 2016-05-11 | 中国电力科学研究院 | 一种基于交点特征提取的数字识别方法 |
CN108573261A (zh) * | 2018-04-17 | 2018-09-25 | 国家电网公司 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
CN110197455A (zh) * | 2019-06-03 | 2019-09-03 | 北京石油化工学院 | 二维全景图像的获取方法、装置、设备和存储介质 |
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 |
CN112613506A (zh) * | 2020-12-23 | 2021-04-06 | 金蝶软件(中国)有限公司 | 图像中的文本识别方法、装置、计算机设备和存储介质 |
CN112699876A (zh) * | 2021-03-24 | 2021-04-23 | 中海油能源发展股份有限公司采油服务分公司 | 一种用于集气站多类型仪表自动读数方法 |
-
2021
- 2021-06-24 CN CN202110706868.3A patent/CN113591910A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636309A (zh) * | 2015-02-06 | 2015-05-20 | 南京理工大学 | 基于机器视觉的矩阵计算器及矩阵识别方法 |
CN105303168A (zh) * | 2015-10-14 | 2016-02-03 | 南京第五十五所技术开发有限公司 | 一种多视角的指针式仪表识别方法和装置 |
CN105574531A (zh) * | 2015-12-11 | 2016-05-11 | 中国电力科学研究院 | 一种基于交点特征提取的数字识别方法 |
CN108573261A (zh) * | 2018-04-17 | 2018-09-25 | 国家电网公司 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
CN110197455A (zh) * | 2019-06-03 | 2019-09-03 | 北京石油化工学院 | 二维全景图像的获取方法、装置、设备和存储介质 |
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 |
CN112613506A (zh) * | 2020-12-23 | 2021-04-06 | 金蝶软件(中国)有限公司 | 图像中的文本识别方法、装置、计算机设备和存储介质 |
CN112699876A (zh) * | 2021-03-24 | 2021-04-23 | 中海油能源发展股份有限公司采油服务分公司 | 一种用于集气站多类型仪表自动读数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529537A (zh) | 一种数字仪表读数图像识别方法 | |
CN108573511B (zh) | 点状分布合作编码标志及其识别定位方法 | |
CN108764234B (zh) | 一种基于巡检机器人的液位仪表读数识别方法 | |
CN110727747A (zh) | 基于经纬度识别的纸质地图快速矢量化方法及*** | |
CN112801094B (zh) | 一种指针式仪表图像倾斜校正方法 | |
CN105574161B (zh) | 一种商标图形要素识别方法、装置和*** | |
CN115713694B (zh) | 一种土地测绘信息管理方法 | |
JP2014041486A (ja) | 信号処理方法及び信号処理装置 | |
CN110704649B (zh) | 一种用于构建流量图像数据集的方法及*** | |
CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
CN112613429A (zh) | 一种基于机器视觉适用于多视角图像指针式仪表读数方法 | |
CN103488965B (zh) | 运单信息录入和彩色色块编码解码*** | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN111368906A (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
CN111046881A (zh) | 基于计算机视觉和深度学习的指针式仪表读数识别方法 | |
CN112990183A (zh) | 离线手写汉字同名笔画提取方法、***、装置 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN110569774A (zh) | 基于图像处理与模式识别的折线图图像自动数字化方法 | |
CN105095937A (zh) | 一种基于直线聚类的圆形阵列图形码的视觉识别方法 | |
WO2022148396A1 (zh) | 芯片采集方法和芯片定位方法 | |
CN110309831B (zh) | 基于机器视觉的非智能水表识读方法 | |
CN115457556A (zh) | 一种核电厂圆盘指针式仪表读数方法 | |
CN115496893A (zh) | 一种指针式水表读数识别方法 | |
CN102831428A (zh) | 图像内快速响应矩阵码区域的提取方法 | |
CN113762070A (zh) | 用于深度学习的地表覆盖分类样本采集方法 |
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 |