一种基于机器视觉的仪表读取方法
表盘定位与自动读数的指针式表计数值识别方法及系统
表盘定位与自动读数的指针式表计数值识别方法及系统表盘定位与自动读数的指针式表计数值识别方法及系统导言表盘定位与自动读数的指针式表计数值识别方法及系统是一种基于计算机视觉和图像处理技术的创新应用，能够有效实现对指针式表盘上的计数值进行自动识别和读数。
这一系统的出现不仅提高了读数的准确性和效率，而且极大地减轻了人力成本。
本文将从简单介绍表盘定位与自动读数的基本原理入手，逐步深入探讨其背后的核心技术和重要应用，以及对这个主题的个人观点和理解。
一、表盘定位与自动读数的基本原理1. 表盘定位：表盘定位是指通过计算机视觉技术中的图像处理和模式识别算法，对表盘上的指针进行精确定位。
这一步骤的关键是准确识别表盘的形状和位置，并将指针定位在正确的位置上。
基于图像处理的表盘定位方法可以分为两类：特征匹配和模板匹配。
特征匹配方法通过提取表盘上的独特特征点，将其与预先构建的特征库进行匹配，从而确定表盘的位置。
模板匹配方法则是通过事先定义并保存表盘的模板图像，再将其与采集到的实时图像进行比对，以获取准确的表盘位置。
2. 自动读数：自动读数是指通过计算机视觉技术对表盘上指针的位置进行识别，并将其对应的计数值自动输出。
在表盘定位的基础上，自动读数主要涉及指针检测和计算值的提取。
指针检测是指通过图像分割技术将指针与表盘分离，并对指针进行形状检测和边缘检测，以获取准确的指针位置。
计算值的提取则是通过图像处理和数值计算技术，将指针的位置转换为对应的计数值。
二、表盘定位与自动读数的核心技术1. 计算机视觉技术：计算机视觉技术是表盘定位与自动读数的核心技术之一。
它主要包括图像采集、图像处理、特征提取和模式识别等多个方面。
图像采集是指通过摄像机等设备获取表盘的实时图像，为后续处理打下基础。
图像处理则是对采集到的图像进行去噪、增强、分割等操作，以提高图像质量和准确度。
特征提取则是通过算法和数值计算，获取表盘上的关键特征信息，以辅助指针的定位和识别。
指针式仪表自动检定系统图像识别技术
指针式仪表自动检定系统图像识别技术孙琳;王永东【摘要】将机器视觉技术应用到指针式仪表的检定系统中,可以改变传统的靠人工读数进行检定的方法,提高了指针式仪表检定的效率与精度.指针式仪表的识别与检定,关键就是通过指针示值的动态识别,来实现仪器仪表的读数和自动检定.针对指针式仪表示值的自动判读,提出了一种新的图像识别方法.该方法适合实际应用,检定精度高,准确性好.经实验数据证明,该识别方法简单、稳定且识别误差小.%The technology of machine vision is applied to the verification system of index meter, which can change the traditional manual reading verification method and improve the efficiency and precision of index meter. The recognition and verification of index meter are mainly to achieve reading and automatic verification through the dynamic recognition of the value. A new kind of image recognition method is proposed , which is suitable for practical applications, and has high accuracy and good verification. The experimental results show that the recognition method is simple, stable and has small recognition errors.【期刊名称】《现代电子技术》【年(卷),期】2011(034)008【总页数】4页(P101-104)【关键词】指针式仪表;图像传感器;图像识别;坐标变换;直线扫描【作者】孙琳;王永东【作者单位】辽宁信息职业技术学院,辽宁,辽阳,111000;辽宁信息职业技术学院,辽宁,辽阳,111000【正文语种】中文【中图分类】TN919-34;TP2160 引言指针式仪表结构简单、使用方便、价格便宜，目前仍大量应用于工农业生产和科学试验中。
基于机器视觉的指针式仪表读表方法研究
基于机器视觉的指针式仪表读表方法研究一、引言随着科技的发展，人工智能和机器视觉技术逐渐深入各个领域。
在仪表读表方面，传统的读表方法存在精度低、人工操作耗时等问题。
为了提高仪表读数的准确性和效率，本文将研究基于机器视觉的指针式仪表读表方法，以提供更高精度、便捷的读表方案。
二、机器视觉技术介绍机器视觉技术是一种模拟人眼进行图像处理和分析的技术手段。
通过计算机对图像进行处理、分析和理解，从而实现对图像中物体的识别、检测和测量等功能。
机器视觉技术在工业自动化、医学影像、交通监控等领域得到广泛应用。
三、指针式仪表读表方法的现状传统的指针式仪表读表方法主要依靠人工观察指针位置进行读数。
但这种方法存在读数误差较大、对人员的要求较高等问题。
在一些对读数准确性要求较高的领域，如实验室测量、能源监测等，传统方法已无法满足需求。
四、基于机器视觉的指针式仪表读表方法研究4.1 视频采集首先，需采集指针式仪表的视频图像。
可以使用摄像头或者其他图像采集设备进行视频拍摄。
确保图像清晰、亮度适中，以提供合适的输入数据。
4.2 图像处理对采集到的视频图像进行预处理，包括图像去噪、增强对比度等操作。
去噪可以采用常见的图像滤波算法，如中值滤波、均值滤波等。
增强对比度可以使用直方图均衡化等方法进行处理，以提高图像的清晰度。
4.3 特征提取通过机器学习算法提取指针的特征。
可以利用图像处理技术检测出指针的位置和角度，并计算出指针与刻度之间的对应关系。
常用的特征提取算法包括边缘检测、霍夫变换等。
4.4 仪表读数计算在特征提取的基础上，结合仪表的刻度信息，计算出准确的仪表读数。
可以使用数学模型拟合指针位置和角度，以及刻度与读数之间的关系。
通过计算，实时得到仪表的读数结果。
五、实验与结果分析为了验证基于机器视觉的指针式仪表读表方法的准确性和可行性，我们设计了一系列实验。
通过与传统的人工读表方法进行对比，对比两种方法在准确性和效率方面的差异。
实验结果表明，基于机器视觉的指针式仪表读表方法具有更高的准确性和效率。
汽车仪表视觉显示设计分析研究
汽车仪表视觉显示设计分析研究随着科技的不断发展，汽车仪表视觉显示设计也在不断演变进步。
汽车仪表作为车辆信息的重要来源，不仅需要满足基本的驾驶需求，还需满足驾驶员的舒适度和安全性需求。
本文将对汽车仪表视觉显示设计进行分析研究，探讨其发展历程、现状和存在的问题，以及未来发展趋势。
早期的汽车仪表多为机械式，以指针式仪表为主。
这些仪表的精度和可靠性都比较差，而且读数也不够直观。
随着电子技术的发展，汽车仪表开始向电子化显示设备演化。
电子仪表的出现，不仅提高了仪表的精度和可靠性，还增加了多种功能，如车速里程、油耗、故障诊断等。
随着信息化时代的到来，汽车仪表视觉显示设计也在不断升级。
汽车HUD（Head-Up Display）技术的出现，将车辆信息投影到驾驶员视线前方，使驾驶员无需低头就能获取所需信息。
近年来，随着智能化的快速发展，汽车仪表视觉显示设计又出现了多种新型态，如全液晶仪表、大尺寸触摸屏等。
目前，汽车仪表视觉显示设计的实际应用中，仍存在以下问题：显示清晰度：虽然液晶仪表已经广泛应用，但是部分产品的显示清晰度仍需提高。
特别是在强烈阳光下，驾驶员可能无法看清仪表显示信息。
视觉效果：部分汽车仪表的界面设计不够直观，驾驶员需要花费较长时间才能理解界面信息。
过多复杂的信息显示也容易让驾驶员感到混乱。
用户体验：不同的驾驶员有不同的使用习惯和需求。
现有的汽车仪表视觉显示设计往往没有充分考虑到用户体验的差异，不能很好地满足不同驾驶员的需求。
针对上述问题，汽车仪表视觉显示设计的研究方法应包括以下几个方面：市场调研：了解当前市场上各种汽车仪表视觉显示设计的优缺点，找出消费者最的需求点。
用户需求分析：通过问卷调查、深度访谈等方式，了解不同类型驾驶员对汽车仪表视觉显示设计的喜好和需求，找出设计中的痛点。
设计实验：根据市场调研和用户需求分析的结果，进行汽车仪表视觉显示设计的实验性研究，不断优化设计方案。
随着科技的不断发展，汽车仪表视觉显示设计的未来发展趋势可以预见。
对基于机器视觉的智能电表识别与精确定位技术的几点探讨
对基于机器视觉的智能电表识别与精确定位技术的几点探讨随着智能电网的快速发展，智能电表作为电能计量和监控的重要设备，正逐渐取代传统电表成为主流。
智能电表的安装和维护给电力部门带来了巨大的挑战，其中最为困难的是智能电表的识别与精确定位。
基于机器视觉的智能电表识别与精确定位技术因其高效、准确的特点，成为解决该难题的有效途径。
本文从技术实现原理、应用前景和发展趋势等方面对基于机器视觉的智能电表识别与精确定位技术进行探讨。
一、技术实现原理基于机器视觉的智能电表识别与精确定位技术主要依靠图像处理和模式识别算法来实现。
通过摄像头获取智能电表的图像数据，然后对图像进行预处理，包括去噪、灰度处理、边缘检测等，以提高图像质量和增强目标辨识度。
接下来，利用特征提取和特征匹配等技术，对智能电表的特征进行识别和定位，最终实现对智能电表的准确定位。
该技术还可以结合深度学习等方法，提高对复杂场景下智能电表的识别精度和稳定性。
二、应用前景基于机器视觉的智能电表识别与精确定位技术在电力行业具有广阔的应用前景。
该技术可以实现对大规模智能电表的自动识别和定位，极大地提高了电力部门对智能电表的安装、巡检和维护效率，同时降低了相关的人力成本和时间成本。
该技术可以为智能电网的建设和管理提供重要支持，实现对电能的精准计量和监控，为电网的安全稳定运行提供了有力保障。
基于机器视觉的智能电表识别与精确定位技术还可以在各种智能电表应用场景中发挥重要作用。
在用电行为管理中，可以通过对智能电表的识别和定位，及时发现异常用电行为并进行精确定位，为电力部门的用电异常监测和管理提供了有力支持。
在电力市场监管中，该技术可以帮助监管部门对电力市场进行精准监测和数据采集，确保市场秩序的稳定和公平。
由此可见，基于机器视觉的智能电表识别与精确定位技术在智能电网领域具有广泛的应用前景。
三、发展趋势基于机器视觉的智能电表识别与精确定位技术正处在不断发展和完善的过程中。
未来，随着传感器技术、图像处理算法和深度学习技术的不断进步，该技术的识别精度和定位准确度将进一步提高，应用范围也将进一步扩大。
基于图像处理技术的高精度仪表的自动判读
时， 电机运转所耗 费的 时间大 大 降低 了判读 的实 时 性， 因此 ， 对于实 时性 要求 较 高 的控 制系 统 ， 宜采 不 用 Ｃ Ｄ摄像伺服 跟踪的方法 。 Ｃ
３ 数 字 图 像 处 理
３ １ 预 处 理 ．
镜 头 位 置 的 确 定 直 接 影 响 摄 像 头 对 表 盘 图像 的
像， 本文提 出了一种 使用 减影 法与霍 夫变换 相 结合 的指针式仪表 自动判读方 法。该 方法有效减少 了霍 夫变换 的运算量 ， 加快 ＿检测速度 ， ｌ ｒ 提高了指针式仪 表 自动判读 的实 时性 ， 能很 好地 应用 于实 时性要 求 较 高 的控 制 系统 ， 时具 有 很 高 的 自动判 读 精 度 。 同
无法达到既高精确又灾时的要求 。 针对精度 等级 为 ０ ５级 的高精度指 针式 仪表 的 ． 判读 ， 采用 更 高分 辨 率 的 Ｃ Ｄ摄 像 头 来 获 取 表 盘 图 Ｃ
移始终 为 ０ 所 以镜 头位 置在指 针 圆心处 的理论 误 ， 差为 ０ 。确定 指针 圆 心 的方 法 比较 简单 ， 针 的任 指
图像 预 处理 包 括 图像 的灰 度 化 、 图像 的增 强 和 锐
化 以及二值化 。图像 的灰度化采用灰度转换公式 ：
Ｙ ＝ ０． 冗 ＋ Ｏ ５ ３ ． ９Ｇ ＋ ０． １ １ 日
变换确 定指针 式仪表 的读数。 实验结果表 明， 该方法大 大减 少了检测 时间 ， 并且提 高 了检 测精度。 关键词 ： 高精度仪表 ； 自动判读 ； 霍夫变换 ； 图像 处理
中 图分 类 号 ： Ｐ９ 文 献 标 识 码 ： 文章 编 号 ： ０ ０３ ３ （０ ０ ０ －１ １ ２ Ｔ３ １ Ｂ １０ —９２ ２ １ ） ８０ ３ － ０
基于深度学习的工业仪表识别读数算法研究及应用
深度学习方法的出现为指针仪表读数识别提供了新的解决方案。深度学习技 术可以通过学习大量的标注数据来提取特征，从而实现更准确的识别。常见的深 度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络 （LSTM）等。
在指针仪表读数识别中，CNN通常用于提取图像特征，RNN和LSTM用于处理时 间序列数据。
然而，现有的算法仍然存在一些问题。一方面，一些算法对于油田环境的适 应性较差，难以应对井场恶劣的环境和不同的光照条件。另一方面，一些算法过 于依赖图像处理技术，导致算法的鲁棒性不足。因此，研究一种适应性强、鲁棒 性好的油田仪表读数识别算法仍然具有重要的现实意义。
研究方法
为了解决现有算法存在的问题，本次演示提出了一种基于迁移学习和特征融 合的油田仪表读数识别算法。该算法主要包括以下几个步骤：
该方法能够有效地捕捉工业仪表图像的关键特征，并剔除无关的信息。最后， 我们采用深度神经网络进行模型训练，通过大量的工业仪表图像来训练模型学习 和识别不同类型的工业仪表。
实验结果与分析
为了验证算法的有效性，我们构建了一个包含多种类型工业仪表的图像数据 集，并采用了常用的评估指标如准确率、召回率等来进行评估。实验结果表明， 本次演示提出的基于深度学习的工业仪表识别读数算法在数据集上取得了较高的 准确率和召回率
机器视觉算法在油田仪表读数识别中的应用已经取得了一定的成果。例如， 王晓红等提出了一种基于深度学习的仪表读数识别方法，通过训练深度神经网络 模型实现对仪表读数的自动识别。另外，张文等提出了一种基于特征提取和模板 匹配的仪表读数
识别算法，该算法利用图像处理技术提取仪表刻度线的特征，并采用模板匹 配的方法定位和识别仪表读数。
如何准确、快速地识别仪表读数成为了一个具有挑战性的问题。本次演示旨 在研究基于机器视觉的油田仪表读数识别算法，以提高识别准确率和效率，从而 为石油工业的智能化发展提供技术支持。
仪表识别算法
仪表识别算法引言仪表识别算法是一种基于计算机视觉的技术，用于自动识别和分析仪器仪表上的各种指示和参数。
它通过对仪表图像进行分析和处理，提取出关键信息，并对其进行解读和理解。
仪表识别算法在工业自动化、能源管理、环境监测等领域有着广泛的应用。
仪表识别算法的基本原理仪表识别算法是基于计算机视觉和模式识别的技术。
其基本原理如下：1.图像采集：使用摄像头或其他图像采集设备获取仪表的图像。
2.图像预处理：对采集的图像进行预处理，包括去噪、增强、去除背景等操作，以提高图像质量。
3.特征提取：从预处理后的图像中提取出与仪表指示和参数相关的特征，例如线条、形状、颜色等。
4.特征匹配：将提取的特征与数据库中的标准特征进行匹配，以确定仪表的种类和状态。
5.参数解读：根据匹配结果，解读出仪表上的各种指示和参数，例如温度、压力、流量等。
6.结果输出：将解读出的参数输出到显示屏、数据库或其他设备，以供用户查看和使用。
仪表识别算法的关键技术要实现准确和高效的仪表识别，需要借助以下关键技术：特征提取特征提取是仪表识别算法的核心步骤。
常用的特征提取方法包括：1.边缘检测：通过检测图像中的边缘特征，提取出仪表指针和刻度线等线状结构。
2.颜色分析：利用颜色信息来识别仪表盘上的数字、文字和指示灯等。
3.形状分析：根据仪表的形状特征，提取出仪表盘和指针的位置和大小。
4.纹理分析：利用仪表盘表面的纹理信息，提取出仪表刻度线和数字的特征。
模式识别模式识别是仪表识别算法的重要组成部分。
常用的模式识别方法包括：1.模板匹配：将仪表图像与预先定义的模板进行比较，找出最佳匹配的模板。
2.统计分类：根据大量的训练样本，通过统计学方法建立分类模型，从而对新的仪表图像进行分类。
3.神经网络：利用人工神经网络模拟人脑的学习和分类能力，对仪表图像进行分类和识别。
视觉定位视觉定位是仪表识别算法中的重要环节。
通过视觉定位，可以确定仪表图像中的仪表盘和指针的位置和角度，从而准确提取仪表的信息。
基于机器视觉的机械指针式仪表的读数识别方法
理论算法2021.07基于机器视觉的机械指针式仪表的读数识别方法王江，柳国栋，张玉鑫，吴松林(西京学院 机械工程学院，陕西西妥，710123)摘要：机械式指针仪表在工业生产实践中应用广泛，及时、准确地识别指针仪表指示信息是实现设备运行状态监测的重 要手段之一。
应用数字图像处理技术，本文提出了一种新的指针式仪表信息的自动识别方法。
主要的步骤包括，使用轮廓跟踪法实现表盘与指针的区域分割,并进行了图像的预处理；利用图像变换算法进行指针方位的检测,获得指针的直线 位置参数；最后，在已有信息的基础上,确定刻度线距关系及仪表最大量程,实现指针式仪表信息的自动读数识别。
实验表明，本文所提出的自动读数识别方法准确、可靠且读数效率高。
关键词：指针仪表；Hough 变换；读数识别Readi ng Recog nition Method of Machi nery Pointer Meter on theBasis of Machine VisionWang Jiang, Liu Guodong, Zhang Yuxin, Wu Songlin(Faculty of Mechanicol Eng. Xijing University, Xi' an Shaanxi, 710123)Abstrac t ： Mechanical poi n t er instrument is widely used in industry. It has been an import a n t means to obtain mechanical equipment informstion and realize equipment condition monitoring. In this paper, through digital image processing technology, a method of autoimtic reading recognition for pointer instrument is proposed. It includes the following steps. Firstly, the contour tracking method is used to segment dial area and pointer area, the image preprocessing is carried out at the same time. The second is the parameter detection of the pointer position and direction, in which image transform method is applied. Finally, the effective range of an instninient panel is determined by the relationship between the angle and the scale line. The automatic reading recognition of the pointer instrument is completed. The comparative experiment resuIts show that the machine vision based measurement method is efficient.Keywords : Pointer Instmment;Hough Transform; Reading Recognition0引言机械指针式仪表结构简单、易维护且价格低，在工业生产实践中广泛应用,是获取机械设备信息，实现设备状态监测的重要手段之一。
多类指针式仪表识别读数算法研究
多类指针式仪表识别读数算法研究随着科技的不断发展，仪表识别读数算法在工业生产和日常生活中应用越来越广泛。
在实际应用中，不同的指针式仪表可能具有不同的读数方式，这就需要对多种类指针式仪表进行识别并自动读数。
本文提出了一种多类指针式仪表识别读数算法，以期提高算法的准确性和可靠性。
多类指针式仪表识别读数算法主要包含三个关键步骤：预处理、特征提取和分类识别。
首先对输入的图像进行预处理，包括灰度化、二值化和去噪等操作，以改善图像质量并减小无关信息的影响；然后对预处理后的图像进行特征提取，提取出与指针位置和读数相关的特征；最后将提取出的特征输入到分类器中进行分类识别，从而得到相应的读数。
预处理的目的是将输入的图像转换为灰度图像，去除无关信息，并增强与读数相关的特征。
具体来说，预处理操作包括以下步骤：灰度化：将输入的彩色图像转换为灰度图像，以减少计算量和提高处理速度。
二值化：将灰度图像转换为二值图像，以便于后续的特征提取和处理。
去噪：去除图像中的噪声和干扰，以减少对后续特征提取和分类识别的影响。
特征提取的目的是从预处理后的图像中提取出与指针位置和读数相关的特征。
具体来说，特征提取操作包括以下步骤：指针位置检测：通过检测图像中的边缘、角点等特征，确定指针在图像中的位置。
指针中心点检测：在检测到指针位置的基础上，进一步检测指针的中心点位置，这可以通过计算指针轮廓的质心或通过多个样本点的拟合得到。
读数区域确定：根据指针中心点的位置，确定读数区域的范围，并通过计算确定读数区域的中心点位置。
数字识别：最后将读数区域中的数字进行识别和提取，这可以通过模板匹配或深度学习模型进行实现。
分类识别的目的是将提取出的特征输入到分类器中，从而得到相应的读数。
具体来说，分类识别操作包括以下步骤：训练分类器：选择适当的分类器并对其进行训练，以得到较好的分类效果。
特征选择：从预处理后的图像中提取出与读数相关的特征，并选择合适的特征输入到分类器中进行分类。
基于智能摄像头的指针式仪表读数自动获取
基于智能摄像头的指针式仪表读数自动获取
赫英凤;燕春辉;武世超;张俊生
【期刊名称】《山西电子技术》
【年(卷),期】2024()2
【摘要】指针式仪表在传统行业中应用广泛,如何自动获取其读数是目前工业生产领域中急需解决的问题。
设计了一种基于智能摄像头的指针式仪表读数自动获取算法,采集仪表表盘图像后进行二值化预处理,采用数学形态学分析和霍夫变换提取指针位置,计算指针在表盘刻度上的角度,最后获取指针的准确读数。
实验结果表明,该算法可以稳定可靠地自动获取仪表读数,识别精度符合工业要求。
【总页数】3页(P43-45)
【作者】赫英凤;燕春辉;武世超;张俊生
【作者单位】太原工业学院电子工程系
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于机器视觉的指针式仪表读数自动校准方法
2.基于OpenVINO的变电站指针式仪表自动读数研究
3.基于深度学习的指针式仪表自动读数方法
4.基于YOLOv5的指针式仪表自动读数方法研究
5.基于VCA-UNet的全自动指针式仪表读数方法
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种基于机器视觉的仪表读取方法
摘要：从被许多类型产业采用的ISO 9000或/和ISO / IEC 17025的质量管理项目运动开始，校准人员就一直处在提高生产率的压力之中。
这项工作是关于自动校准整个仪器过程的机器视觉方法。
这项被提出的机器视觉方法被用来读取指针和数字仪器的示数,它们和电脑之间没有通信接口如GPIB或RS- 232。
为了对仪表指针进行识别，这个方法采用了数字显示的光学字符识别技术，Canny边缘检测方法和Hough变换方法用来确定模拟显示中的直线位置从而加速了数据提取过程并使得出错几率大大减少。
因此,它有助于提高校准质量和降低成本，增加有质量保证的测量仪器的数量。
1.引言
人们在面对重复性工作时是非常容易出错的。
例如，在校准的测量仪器时，技术员一个接一个负责在一个电子表格写下所有的数据。
如果由某种原因如疲劳，他/她在一个或多个值上犯了一个错误，这个校准过程和其可靠性就失去效果了。
为了避免这类问题和提高校准人员的生产率，自动化水平越高越好。
通过通信接口，获得的数据可以被转移到一个主机的计算机，许多现代仪器校准过程很容易实现自动化。
然而，对于一些数字或经典模拟仪表，由于没有一个计算机接口可能阻碍自动化校准过程。
为了提供一个仪表和主机之间的接口,机器视觉系统似乎是一个不错的解决方案。
作为一种重要的工具，机器视觉在过程自动化领域得到广泛的应用。
例如在汽车工业中调整或检验的汽车的脉速表正在变得更加普遍。
同样,这也被应用与在交通管制中自动识别车辆牌照的智能计算机系统。
以前使用机器视觉校准测量仪器的一些工作可以在文学中被发现。
例如，Foiatto et al提出了一个能够读取数字仪表示数的方法。
读取指针示数是作者没有想到的。
另一个类似的工作是由Andres完成的,他提出了一个用来读取数字和指针式仪表示数的方法，但这依赖于用户干的多目标任务。
本文提出了一个基于机器视觉系统的读取数字和指针式仪表示数的方法。
一些有趣的计量问题是机器视觉似乎有助于提高读取指针示数的分辨率，同时提高原始仪器的精度。
这里介绍的方法是利用普通机器视觉设备高性能和效率的读取各种各样的示数与好性能和效率。
本文分为四节。
读取数字和指针式仪器读数的算法结构已给出，它的工作方式在第二节进行了解释。
系统的有效性也进行了探讨而且在第三节给出了实验结果。
最后，在第四节提出了注意事项和视角。
2.机器视觉方法
在接下来的部分，提出了一个机器视觉方法来读取数字指针式仪表读数。
a .解决方案结构
图1描述了数字识别的数字读数和指针识别的仪表读数的框图流程步骤。
遵循这个图,每一块为每个类型的仪表进行详细描述。
图1 图像的采集、数字仪表示数识别(右)和指针(左)仪表示数的步骤
图像采集 定位显示 边缘检测 二进制图像
直线检测的Hough 变换 数字识别
指针识别和返回读取 返回数字数 值
b .数字仪表的读取
以下为图算法,首先有图片说明和取景界限。
虽然这是两种类型仪表的常见的阶段,指针式仪表的情况将在2.3节中介绍。
一旦一个数字仪表的初始图像被采集，用户必须使用电脑鼠标来划定读数可采集区域，并且形成一个有突出数字的小图片，方便后续的图像处理。
虽然这个步骤可以自动完成，但因为它对其余的过程非常关键，它被选择手动执行。
如果系统是连接到一个数据库，每个类型的仪表的读数位置可以存储用于后校准部分。
在分隔的图像中，上、下、左、右的每一极限数字必须被识别到，以致他们中的每一个可以单独处理。
在这一步中一个基于二进制图像的方法被使用(两个级别的颜色，黑色和白色)。
这种类型的图像在处理过程中可以减少花费的时间，并提高性能。
图像被二进制之后，垂直和水平交叉投影被创建。
十字投影是规范化的每个行和列的黑色像素之和。
这些过程返回零值或非常接近它的分离列和/或行的开始和结尾，这里黑色像素有极小的发生率。
图2是该方法的一个示例。
下降到0.02的值(最大容忍噪音)已被视为分位点。
在这一步中,每个数字的取景是分隔的。
下一步是根据图1对每个数字进行分类。
提出一种基于活跃部分的方法，它依靠于比较一个有七段的标准数字和一个普通数字。
图3展示了一个有7段的标准数字。
尽管，一些仪表不使用7段显示，这种方法已通过几种工具证明对于识别数字是有用的。
如果一个特定的仪表有不能应用这个方法的一个数字,仍然可以使用存储于一个数据库系统不同的数字,并使用一个对于每个类型的仪表特定的标准数字。
为了便于数字分割，分割区域被界定以便它们比实际区域更大。
区域内部的黑色像素的比例是他们用来判定一个区域活跃与否。
最后,分割信息连接从而形成了数字。
下一节将讨论这个方法如何的读取指针式仪表。
图2 原始图像，水平和垂直预测和它们图3 标准数字分割的下限
c .指针仪表的读取
对于指针的测量,识别工作就是找到指针的角度(倾斜) 位置。
和数字仪表的步骤一样，包含指针的图像区域必须是有界限的。
这个区域是指针在无干扰背景下运动的最大空间，如对比度和其他特征。
图4显示了一个高质量的图像。
图4是通过Canny方边缘检测方法的结果,这对更直接得到指针图像是很重要的。
随后,Hough变换方法对直线定位很实用。
为了提高质量,可以控制直线的一些点如最小尺寸和厚度。
这些参数可由用户实时调整并且它们也可以被存储,对于每一个仪表，创建一个数据库的校准系统。
对于已识别的指针直线,需要运用代数关系求得直线与其指向的夹角。
这些
关系的取决于测量仪器的精度,它们可以是线性和非线性的。
运用线性关系和两
个给定值与各自的角度,就可以获得所有仪表刻度的其余值。
在某些情况下,仪表的结构是对称于某个轴,这使得这个过程更容易,因为只有角0值和最大刻度值需要被提供。
根据对称性可以得到最大角度如图5所示。
识别的指针直线也显示在这个图中。
图4 Candy算法后的二值化图像及用户图5 某个对称型的指针仪表选择的相应区域
指针仪表和数字仪表的实验结果将在下一节说明。
3.结果
本节阐释了此系统的性能。
a .数字仪表
此方法提出了一种可以性结果，并考虑到可用的资源。
这个图像采集系统是由一个没有光度控制摄像头和一台计算机组成的。
当仪表的读数可以直观的获取并且数字被正确分割，正确率可达到100%。
这些条件可以很容易达到。
当分割不活跃时，在低噪声图像中灰度值(或可能是活跃的)很低，系统的有效性就不是很理想。
大部分的情况下,当用户可以操做时，系统能够正确地检测出数字。
因此,当图像有噪声时，可以通过改变采集方式很容易地消除它们。
在校准环境中，这些条件应该是可以控制的。
b .指针仪表
在这个方法中对指针仪表读取进行了一个简单的操作。
尽管相机的质量差，也没有控制照明，但由于图像分辨率，指针图像模糊程度维持在±1.66。
如图6所示,当应用电压是零，仪表针在其初始位置和水平线之间的夹角是45º。
考虑到角度跨度从0到150伏特,由这个方法确定的每个测量值都是一个不确定值，由于
图像分辨率的原因这个值约等于±1伏特。
当这个值进行估计时，它与仪表分辨率是相匹配的。
由基于用户阅读的常规方法决定的测量不确定性模型必须包括一个与仪表刻度分辨率相关的补偿因子，还有测量预期值，标准补偿因子等等。
在一种改进视觉系统分辨率的机器视觉系统下,在传统的校准中，由于仪表刻度分辨率导致的不确定性代替了图像分辨率导致的不确定性，更精确读取可能导致错误的不确定性评价。
图6 结果模拟计。
识别角度=58.24 和仪表指示=22伏
4.结论
本文描述了一个应用机器视觉改善读取数字和指针仪表的方法。
测量仪器使用计算视觉。
对于数字仪表的读取,系统呈现出稳定性和100%的精度。
对于指针仪表的读取，提出了一个与图像采集系统缺陷相关导致额外的不确定性的结果。
对于一个更明确的校准系统,必须用一个更好的相机来改善系统。
这个系统算法简单。
也正因为如此,它不是完全自动的,在流程开始时需要用户干预。
另一方面,在时间上性能得到提高。
并且在系统的开发方面,一个友好的用户界面得到改善。
这允许了数字和指针仪表发展为可视化，这样就它们可以很容易地安装在一个更复杂的系统中用来自动校准仪表。
专业英语翻译
专业：机械电子
姓名：张娇
学号： 201201024
2013 年 7 月。