CN116721270A - 一种用于智能水表的数据处理方法 - Google Patents
一种用于智能水表的数据处理方法 Download PDFInfo
- Publication number
- CN116721270A CN116721270A CN202310999950.9A CN202310999950A CN116721270A CN 116721270 A CN116721270 A CN 116721270A CN 202310999950 A CN202310999950 A CN 202310999950A CN 116721270 A CN116721270 A CN 116721270A
- Authority
- CN
- China
- Prior art keywords
- water meter
- edge
- pointer
- gray level
- obtaining
- 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 153
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication 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
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/817—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level by voting
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种用于智能水表的数据处理方法,包括:采集水表图像并预处理得到水表灰度图像;根据相邻三帧的水表灰度图像得到每一帧的水表指针灰度图像;根据每一帧的水表指针灰度图像得到第一特征,用第一特征判断指针是否转动;根据任意时间段内的所有指针边缘得到每条边缘的投票峰值;对每条边缘的投票峰值按照从大到小的顺序排序得到一组投票值序列;根据投票值序列得到每条边缘的可信度;根据每条边缘的可信度和水表指针灰度图像中边缘直线段端点的距离得到任意两条边缘的相似程度;根据任意两条边缘的相似程度获取水表的读数。本发明用图像处理进行分析,提高智能水表读取数据的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于智能水表的数据处理方法。
背景技术
摄像式智能水表是一种新型水表,能够自动读取水表数值,降低人工抄表时存在的误差,并且改造成本低。但是现有的摄像式智能水表,在采集得到水表图像获取水表数据时,由于水表可能转动较快,从而使得对图像处理检测算法的处理速度要求较高。
现有通过霍夫直线检测的方法,进行水表图像的指针识别,根据指针的识别结果可以作为当前水表的准确读数,但是由于参数空间计算量大,导致当前存在处理速度慢的情况,如果当指针的转动速度较快时,则可能会导致对水表图像的读取结果产生误差。进而本方案提出了一种用于智能水表的数据处理方法。
发明内容
本发明提供一种用于智能水表的数据处理方法,以解决现有的问题。
本发明的一种用于智能水表的数据处理方法采用如下技术方案:
本发明一个实施例提供了一种用于智能水表的数据处理方法,该方法包括以下步骤:
采集水表图像并预处理得到水表灰度图像;
根据相邻三帧的水表灰度图像得到每一帧的水表指针灰度图像;
根据每一帧的水表指针灰度图像得到第一特征,根据第一特征判断指针是否转动;
对每一帧的水表指针灰度图像得到任意时间段内的所有指针边缘,根据任意时间段内的所有指针边缘得到每条边缘的投票峰值;对每条边缘的投票峰值按照从大到小的顺序排序得到一组投票值序列;根据投票值序列得到每条边缘的可信度;
获取水表指针灰度图像中边缘直线段端点之间的距离,根据每条边缘的可信度和水表指针灰度图像中边缘直线段端点之间的距离得到任意两条边缘的相似程度;
根据任意两条边缘的相似程度获取水表的数据。
进一步地,所述每一帧的水表指针灰度图像的具体获取步骤如下:
根据第i-2时刻、第i-1时刻和第i时刻的水表灰度图像获取第i时刻的水表指针灰度图像的方法如下:首先,对第i-2时刻和第i-1时刻的灰度图像进行帧差计算得到第i-2时刻与第i-1时刻的帧差灰度图,用表示;对第i-1时刻和第i时刻的灰度图进行帧差计算得到第i-1时刻与第i时刻的帧差灰度图,用/>表示;对/>和/>再进行帧差计算得到第i-2时刻与第i时刻的帧差灰度图,用/>表示;然后再将/>和之间进行同位置像素点的灰度值进行差值的绝对值运算,将帧差结果为0的像素点进行保留,对于帧差结果非0的,则将差值结果中的值置为0,得到第i时刻的水表指针灰度图像。
进一步地,所述第一特征的具体获取步骤如下:
根据每一帧的水表指针灰度图像得到水表指针连通域,获取水表指针连通域中所有像素点灰度值,然后将所有像素点的灰度值求和得到第一特征。
进一步地,所述根据第一特征判断指针是否转动,包括的具体步骤如下:
根据预设的阈值r和每个指针的第一特征来判断每个指针是否在转动,当指针的第一特征小于阈值r时,表示指针没有转动,当指针的第一特征大于等于阈值r时,表示指针在转动。
进一步地,所述对每一帧的水表指针灰度图像得到任意时间段内的所有指针边缘,包括的具体步骤如下:
获取每一帧的水表指针灰度图像之后,将任意时间段内所有帧的水表指针灰度图像相加得到任意时间段内的所有指针边缘。
进一步地,所述每条边缘的投票峰值的具体获取步骤如下:
根据在直角坐标空间和极坐标参数空间的对应关系,得到直角坐标空间中指针边缘线上每个点对应参数空间的每个曲线,获取指针边缘线上所有像素点对应曲线,选取所有曲线上最大峰值作为每条边缘的投票峰值。
进一步地,所述每条边缘的可信度的具体获取步骤如下:
将投票值序列中任意一个投票峰值数据与最大投票峰值数据的比值记为任意一个投票峰值数据的可信度,也是每条边缘的可信度。
进一步地,所述获取水表指针灰度图像中边缘直线段端点之间的距离,包括的具体步骤如下:
计算每一条边缘直线段中两个端点坐标到其余边缘直线段对应两个端点坐标之间欧氏距离的最小值,分别记为两个端点的最短距离,从一直线段上两个端点对应的两个最短距离中,选择最小的最短距离对应的端点作为指针旋转端的端点,则边缘直线段另外一端为非旋转端点,将任意两个边缘直线段的非旋转端点之间的欧式距离作为任意两个边缘直线段端点之间的距离。
进一步地,所述任意两条边缘的相似程度的具体步骤如下:
任意两条边缘的相似程度的公式为:
式中,将第i条边缘记为目标边缘,表示除过目标边缘之外的所有边缘中的第j条边缘的可信度,/>表示第i条边缘与除了目标边缘之外的所有边缘中的第j条边缘对应的边缘直线段端点之间的距离,L表示任意两条边缘对应的边缘直线段端点之间最大的欧式距离,/>表示第i条边缘与除了目标边缘之外的所有边缘中的第j个边缘之间的相似程度,/>表示双曲线正切函数。
进一步地,所述根据任意两条边缘的相似程度获取水表的数据,包括的具体步骤如下:
对于每一帧的水表指针灰度图像的两条边缘A1和A2,分别获得与每条边缘相似程度最大的边缘B1和B2,如果边缘A1和边缘B1的相似程度大于边缘A2和边缘B2的相似程度,则将边缘A1对应的读数作为该帧的水表读数,将边缘A1和边缘B1对应的数据的差值作为相邻两帧时间段内用户的用水量,否则,将边缘A2对应的读数作为该帧的水表读数,将边缘A2和边缘B2对应的数据的差值作为相邻两帧时间段内用户的用水量;如果任意一帧的水表指针灰度图像中像素点的值全为0,将最近一帧的水表读数作为该帧的水表读数;进而完成智能水表的数据处理。
本发明的技术方案的有益效果是:通过三帧差使得只能得到各个时刻下的指针图像,降低参数空间计算量,提高对智能水表的数据读取效率。并根据三帧差结果中不同指针的缺失程度,进行指针数据的获取结果调整,提高智能水表的数据读取准确率。
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,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地介绍,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他的附图。
图1为本发明一种用于智能水表的数据处理方法的步骤流程图。
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用于智能水表的数据处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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用于智能水表的数据处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于智能水表的数据处理方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集连续帧的水表图像,进行灰度化处理得到水表灰度图像。
需要说明的是,由于在水表用户用水时,则会引起水表表盘中的指针转动,当用户停止用水时,则水表指针不在转动。因此先采集每一时刻的水表图像,对每一时刻的水表图像进行灰度化处理方便后续的使用。
具体地,先在水表上方安装一个摄像头,摄像头正对水表表盘,来采集水表的每一时刻的水表图像,进行灰度化预处理得到每一时刻的水表灰度图像。
步骤S002:对每一时刻的水表灰度图像进行帧差计算得到每一时刻的水表指针的图像。
需要说明的是,在获取得到当前水表的时序图像数据(视频)后,通过帧差法可以获取得到当前水表中发生变化的部分。其中如果利用现有帧差法,虽然可以得到存在相邻帧图像之间的灰度值变化,但是由于指针位置在前后两个时刻位置发生改变,则会导致同一个水表指针在帧差图像上会出现两个指针。进而在降低指针识别的速度的同时形成了一定的指针识别准确率的干扰。进而本方案选择利用三帧差法,并通过对三帧差法进行优化,得到仅含当前时刻的指针部分。
具体地,以第i-2时刻、第i-1时刻和第i时刻的水表灰度图像进行帧差计算;首先,对第i-2时刻和第i-1时刻的灰度图像进行帧差计算得到第i-2时刻与第i-1时刻的帧差灰度图,用表示;对第i-1时刻和第i时刻的灰度图进行帧差计算得到第i-1时刻与第i时刻的帧差灰度图,用/>表示;对/>和/>再进行帧差计算得到第i-2时刻与第i时刻的帧差灰度图,用/>表示;然后再将/>和/>之间进行同位置像素点的灰度值进行差值的绝对值运算,其中如果值为0则保留/>的内容(/>的内容也行,因为差值为0表示一致),但是对于值非0的,则将差值结果中的值置为0,得到第i时刻的水表指针灰度图像,记为/>,实现对/>和/>之间的第i-1时刻的水表指针和第i-2时刻的水表指针消除,仅保留第i时刻的水表指针。其中一个时刻对应一帧。
至此,得到第i时刻的水表指针灰度图像,记为。
步骤S003:根据帧差结果进行指针的识别。
需要说明的是,当水表指针转动时,通过上述操作可以获取得到对应的时刻下的指针,但是如果水表不存在变动,则通过上述方法得不到指针,即表示当前用户并未用水。所以在进行水表指针灰度图像识别时,当用户的用水量比较少时,则可能认为指针没有变化,因此需要针对这种情况进行预处理,得到指针转动较小和指针不转动进行区分。
具体地,预设一个阈值r,其中本实施例以r=5为例进行叙述,本实施例不进行具体限定,其中r可根据具体实施情况而定。计算第i时刻的水表指针连通域中所有像素点灰度值的和,记为第一特征,用R表示;当时,认为水表指针存在转动;当/>时,认为水表指针未发生转动。即可以筛选出指针转动较小和指针不转动的情况。
需要说明的是,如果当前水表指着存在使用,但是用量较少,即水表指针转动较慢,也由于不同水表指针表示不同的衡量单位,则存在部分转动较慢的指针,致使相邻两时刻之间的指针错位并未错位超过一个指针,而由于帧差为通过或运算求得,且单个指针的灰度值在不同图像上不会发生变化。进而会使得在中的部分指针出现不完整的情况,但是由于指针是单方向转动,进而使得残缺的指针只会在指针中心偏向指针反方向转动方向的那侧出现残缺,而偏向指针转动方向的位置仍然能够表现出直线。进而对当前/>进行边缘检测,对边缘检测结果进行霍夫直线检测,即可减少霍夫直线的计算量。
进一步需要说明的是,在得到后,对/>利用边缘检测算法,即可得到/>中所包含指针的边缘。其中由于在智能水表中,水表的指针大小一致,所以当某一个指针在/>中出残缺时,则会导致其对应边缘的长度值减少,而由于指针在发生残缺时,最多缺失完整指针的一半,所以获取单个连通域的缺失值,根据当前单个连通域的缺失值,进行霍夫直线在参数空间峰值的选取,进而得到对应的直线交点的位置。
具体地,先对第i时刻的水表指针灰度图像使用canny边缘检测,得到每一时刻的指针边缘。在得到中的边缘后,对其利用霍夫直线检测算法,得到边缘在参数空间中的投影。如果边缘为完整的指针边缘,则会具有两条笔直的边缘,进而每条边缘在参数空间中和直角空间中的对应关系上可以得到更多的投票值,反之,如果边缘不是完整的指针边缘,这样每条边缘在参数空间中和直角空间中的对应关系上可以得到的投票值相对来说比较少。获取用户一段用水时间,本实施例以1分钟为例进行叙述,本实施例不进行具体限定;获取1分钟内每一帧的水表指针灰度图像;将1分钟内所有帧的水表指针灰度图像相加得到一张水表表盘中有n个指针的灰度图像。在进行霍夫直线检测时,每个指针两侧都会存在一条边缘,即一个指针有两条边缘线,现在对每个边缘线进行参数空间的变换,得到每条边缘在参数空间中的投票值;然后选取每个边缘的投票峰值,并且按照从大到小进行排序得到一组序列,记为投票值序列。
需要说明的是,由于可能存在部分指针的边缘残缺,其指针边缘残缺越多,则指针边缘对应参数空间中的投票值越少,当指针边缘残缺过大时,则会导致在投票值序列中靠后的投票值对应的直线检测结果不再可信。
具体地,以投票值序列中的第m个投票值为例进行分析,用投票值序列中的第m个投票值与投票值序列中的最大投票值的比值,记为第m个投票值的可信度,也即第m条边缘的可信度,用表示。其中,当第m个投票值的可信度/>的值越大,越接近于1,表示第m个投票值与整个投票值相等;当第m个投票值的可信度/>的值越小,越接近于0,表示第m个投票值比整个投票值的最大值要小的多,表示第m个投票值所对应的直线边缘在用于水表数据的读取时越不可信。
通过matlab中霍夫直线检测,得到第m个边缘在图像上的端点,其中一个直线段会有两个端点坐标,一个指针有两条边缘,进而可以得到4×n个端点。计算每一个直线段中两个端点坐标到其余直线段对应两个端点坐标之间欧氏距离的最小值,分别记为两个端点的最短距离,由于指针一端固定一段旋转,所以从一直线段中两个端点对应的两个最短距离中,选择最小的最短距离对应的端点作为指针旋转端的端点。
将第i条指针边缘记为目标边缘。以目标边缘的端点进行分析,确定出目标边缘的旋转端的端点之后,然后计算指针非旋转端的端点与其他直线段非旋转端的端点的距离,选取具有可信度最大边缘线段且欧式距离最小的在指针非旋转端的端点作为目标边缘的识别检测结果。
公式表示为:
式中,将第i条边缘记为目标边缘,表示除过目标边缘之外的所有边缘中的第j条边缘的可信度,/>表示第i条边缘与除了目标边缘之外的所有边缘中的第j条边缘对应的边缘直线段端点之间的距离,L表示任意两条边缘对应的边缘直线段端点之间最大的欧式距离,/>表示第i条边缘与除了目标边缘之外的所有边缘中的第j个边缘之间的相似程度,/>表示双曲线正切函数。
步骤S004:根据指针的边缘线段的可信度和指针非旋转点的距离得到水表的识别结果。
由于一个指针有两条边缘线,因此,对于每一帧的水表指针灰度图像的两条边缘A1和A2,分别获得与每条边缘相似程度最大的边缘B1和B2,如果边缘A1和边缘B1的相似程度大于边缘A2和边缘B2的相似程度,则将边缘A1对应的读数作为该帧的水表读数,将边缘A1和边缘B1对应的数据的差值作为相邻两帧时间段内用户的用水量,否则,将边缘A2对应的读数作为该帧的水表读数,将边缘A2和边缘B2对应的数据的差值作为相邻两帧时间段内用户的用水量;如果任意一帧的水表指针灰度图像中像素点的值全为0,则说明水表指针未发生转动,将最近一帧的水表读数作为该帧的水表读数;进而完成智能水表的数据处理。
至此,本实施例完成。
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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于智能水表的数据处理方法,其特征在于,该方法包括以下步骤:
采集水表图像并预处理得到水表灰度图像;
根据相邻三帧的水表灰度图像得到每一帧的水表指针灰度图像;
根据每一帧的水表指针灰度图像得到第一特征,根据第一特征判断指针是否转动;
对每一帧的水表指针灰度图像得到任意时间段内的所有指针边缘,根据任意时间段内的所有指针边缘得到每条边缘的投票峰值;对每条边缘的投票峰值按照从大到小的顺序排序得到一组投票值序列;根据投票值序列得到每条边缘的可信度;
获取水表指针灰度图像中边缘直线段端点之间的距离,根据每条边缘的可信度和水表指针灰度图像中边缘直线段端点之间的距离得到任意两条边缘的相似程度;
根据任意两条边缘的相似程度获取水表的数据。
2.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述每一帧的水表指针灰度图像的具体获取步骤如下:
根据第i-2时刻、第i-1时刻和第i时刻的水表灰度图像获取第i时刻的水表指针灰度图像的方法如下:首先,对第i-2时刻和第i-1时刻的灰度图像进行帧差计算得到第i-2时刻与第i-1时刻的帧差灰度图,用表示;对第i-1时刻和第i时刻的灰度图进行帧差计算得到第i-1时刻与第i时刻的帧差灰度图,用/>表示;对/>和/>再进行帧差计算得到第i-2时刻与第i时刻的帧差灰度图,用/>表示;然后再将/>和/>之间进行同位置像素点的灰度值进行差值的绝对值运算,将帧差结果为0的像素点进行保留,对于帧差结果非0的,则将差值结果中的值置为0,得到第i时刻的水表指针灰度图像。
3.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述第一特征的具体获取步骤如下:
根据每一帧的水表指针灰度图像得到水表指针连通域,获取水表指针连通域中所有像素点灰度值,然后将所有像素点的灰度值求和得到第一特征。
4.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述根据第一特征判断指针是否转动,包括的具体步骤如下:
根据预设的阈值r和每个指针的第一特征来判断每个指针是否在转动,当指针的第一特征小于阈值r时,表示指针没有转动,当指针的第一特征大于等于阈值r时,表示指针在转动。
5.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述对每一帧的水表指针灰度图像得到任意时间段内的所有指针边缘,包括的具体步骤如下:
获取每一帧的水表指针灰度图像之后,将任意时间段内所有帧的水表指针灰度图像相加得到任意时间段内的所有指针边缘。
6.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述每条边缘的投票峰值的具体获取步骤如下:
根据在直角坐标空间和极坐标参数空间的对应关系,得到直角坐标空间中指针边缘线上每个点对应参数空间的每个曲线,获取指针边缘线上所有像素点对应曲线,选取所有曲线上最大峰值作为每条边缘的投票峰值。
7.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述每条边缘的可信度的具体获取步骤如下:
将投票值序列中任意一个投票峰值数据与最大投票峰值数据的比值记为任意一个投票峰值数据的可信度,也是每条边缘的可信度。
8.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述获取水表指针灰度图像中边缘直线段端点之间的距离,包括的具体步骤如下:
计算每一条边缘直线段中两个端点坐标到其余边缘直线段对应两个端点坐标之间欧氏距离的最小值,分别记为两个端点的最短距离,从一直线段上两个端点对应的两个最短距离中,选择最小的最短距离对应的端点作为指针旋转端的端点,则边缘直线段另外一端为非旋转端点,将任意两个边缘直线段的非旋转端点之间的欧式距离作为任意两个边缘直线段端点之间的距离。
9.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述任意两条边缘的相似程度的具体步骤如下:
任意两条边缘的相似程度的公式为:
式中,将第i条边缘记为目标边缘,表示除过目标边缘之外的所有边缘中的第j条边缘的可信度,/>表示第i条边缘与除了目标边缘之外的所有边缘中的第j条边缘对应的边缘直线段端点之间的距离,L表示任意两条边缘对应的边缘直线段端点之间最大的欧式距离,/>表示第i条边缘与除了目标边缘之外的所有边缘中的第j个边缘之间的相似程度,表示双曲线正切函数。
10.根据权利要求1所述一种用于智能水表的数据处理方法,其特征在于,所述根据任意两条边缘的相似程度获取水表的数据,包括的具体步骤如下:
对于每一帧的水表指针灰度图像的两条边缘A1和A2,分别获得与每条边缘相似程度最大的边缘B1和B2,如果边缘A1和边缘B1的相似程度大于边缘A2和边缘B2的相似程度,则将边缘A1对应的读数作为该帧的水表读数,将边缘A1和边缘B1对应的数据的差值作为相邻两帧时间段内用户的用水量,否则,将边缘A2对应的读数作为该帧的水表读数,将边缘A2和边缘B2对应的数据的差值作为相邻两帧时间段内用户的用水量;如果任意一帧的水表指针灰度图像中像素点的值全为0,将最近一帧的水表读数作为该帧的水表读数;进而完成智能水表的数据处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310999950.9A CN116721270B (zh) | 2023-08-10 | 2023-08-10 | 一种用于智能水表的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310999950.9A CN116721270B (zh) | 2023-08-10 | 2023-08-10 | 一种用于智能水表的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116721270A true CN116721270A (zh) | 2023-09-08 |
CN116721270B CN116721270B (zh) | 2023-10-20 |
Family
ID=87875600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310999950.9A Active CN116721270B (zh) | 2023-08-10 | 2023-08-10 | 一种用于智能水表的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721270B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009026262A (ja) * | 2007-07-24 | 2009-02-05 | Fuji Xerox Co Ltd | 表示画像取得装置、表示画像取得プログラム |
CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
JP2015184121A (ja) * | 2014-03-24 | 2015-10-22 | 国立大学法人東京工業大学 | 距離算出装置 |
CN108711158A (zh) * | 2018-03-14 | 2018-10-26 | 武汉科技大学 | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 |
CN109255811A (zh) * | 2018-07-18 | 2019-01-22 | 南京航空航天大学 | 一种基于可信度图视差优化的立体匹配方法 |
JP2019095225A (ja) * | 2017-11-20 | 2019-06-20 | アズビル株式会社 | アナログメータ指示値自動読み取り方法および装置 |
WO2020150896A1 (zh) * | 2019-01-22 | 2020-07-30 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
CN112767447A (zh) * | 2021-01-25 | 2021-05-07 | 电子科技大学 | 基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端 |
CN113077392A (zh) * | 2021-03-17 | 2021-07-06 | 华夏芯(北京)通用处理器技术有限公司 | 一种针对指针表模糊照片的高准确度自动读数方法 |
CN115330799A (zh) * | 2022-10-13 | 2022-11-11 | 江苏昱恒电气有限公司 | 一种仪表自动化故障诊断方法 |
CN116129102A (zh) * | 2022-12-14 | 2023-05-16 | 佛山市电子政务科技有限公司 | 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 |
-
2023
- 2023-08-10 CN CN202310999950.9A patent/CN116721270B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009026262A (ja) * | 2007-07-24 | 2009-02-05 | Fuji Xerox Co Ltd | 表示画像取得装置、表示画像取得プログラム |
CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
JP2015184121A (ja) * | 2014-03-24 | 2015-10-22 | 国立大学法人東京工業大学 | 距離算出装置 |
JP2019095225A (ja) * | 2017-11-20 | 2019-06-20 | アズビル株式会社 | アナログメータ指示値自動読み取り方法および装置 |
CN108711158A (zh) * | 2018-03-14 | 2018-10-26 | 武汉科技大学 | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 |
CN109255811A (zh) * | 2018-07-18 | 2019-01-22 | 南京航空航天大学 | 一种基于可信度图视差优化的立体匹配方法 |
WO2020150896A1 (zh) * | 2019-01-22 | 2020-07-30 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
CN112767447A (zh) * | 2021-01-25 | 2021-05-07 | 电子科技大学 | 基于深度霍夫优化投票的时敏单目标跟踪方法、存储介质和终端 |
CN113077392A (zh) * | 2021-03-17 | 2021-07-06 | 华夏芯(北京)通用处理器技术有限公司 | 一种针对指针表模糊照片的高准确度自动读数方法 |
CN115330799A (zh) * | 2022-10-13 | 2022-11-11 | 江苏昱恒电气有限公司 | 一种仪表自动化故障诊断方法 |
CN116129102A (zh) * | 2022-12-14 | 2023-05-16 | 佛山市电子政务科技有限公司 | 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 |
Non-Patent Citations (2)
Title |
---|
张刘胜;隋成华;童建平;: "基于图像处理的模拟指针表的自动识别", 浙江工业大学学报, no. 03 * |
项导;林欢;: "基于对称性特征的指针仪表识别", 机械设计与制造工程, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116721270B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679535B (zh) | 一种基于模板匹配的指针式水表自动读数识别***及方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及*** | |
CN104657964B (zh) | 一种碎片图像计算机自动拼接方法 | |
CN112149667A (zh) | 一种基于深度学习的指针式仪表的自动读数的方法 | |
CN103164692A (zh) | 一种基于计算机视觉的特种车辆仪表自动识别***及算法 | |
CN109189961A (zh) | 一种人脸识别可信度的计算方法及*** | |
CN105930852A (zh) | 一种气泡图像识别方法 | |
CN108197564A (zh) | 一种画钟试验的评估***及方法 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN111241987B (zh) | 基于代价敏感的三支决策的多目标模型视觉追踪方法 | |
CN112613551A (zh) | 汽车零部件识别方法、存储介质及*** | |
US8005262B2 (en) | System and method for video object identification | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN116721270B (zh) | 一种用于智能水表的数据处理方法 | |
CN117251749B (zh) | 一种基于增量分析的物联网数据处理方法 | |
CN110728279A (zh) | 一种基于嵌入式平台机器视觉的水表数字识别方法 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
CN115222817B (zh) | 一种指针式压力表的指针定位方法 | |
CN116778187A (zh) | 一种基于光场重聚焦数据增强的显著性目标检测方法 | |
CN107220612B (zh) | 以关键点局部邻域的高频分析为核心的模糊人脸判别方法 | |
CN111209890B (zh) | 指针角度的智能读取方法及存储介质 | |
CN114067123A (zh) | 仪表自动识别***、识别方法及计算机可读取的存储介质 | |
CN109145912A (zh) | 一种数字仪表读数自动识别方法 | |
CN111008627B (zh) | 一种在边界遮挡状况下检测标记码边框的方法 |
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 |