分时电表表盘数字读数的自动识别系统

研究了分时电表表盘数字的自动识别，它是电表误差分析系统的关键所在。识别工作包括平段和谷段整数和小数数字的识别，难点在于刻度轴歪斜、半个字符的识别，以及刻度对应的小数值的推算。该文构建了一个完整的分时电表表盘数字自动识别系统。该系统以二值化、投影算法、开闭运算、边缘提取、Hough变换等一系列算法作为预处理，提出了整字和非整字两种识别算法。针对300帧现场采集的电表图像，该系统获得了单字正确识别率998％和整表正确识别率97．3％的结果，表明该系统具有较强的鲁棒性。     

基于图像处理的细指针表盘识别方法研究

为了解决在细指针表盘识别中难适应光照变化、细指针难分割和表盘读数准确识别率低的问题,结合细指针表盘区域的图像特点,采用图像处理对细指针表盘读数进行了研究。首先,对表盘进行标定,获得表盘量程等先验数据,制作模板,并提出了基于SURF算法改进的多任务模板特征匹配算法;其次,根据指针活动区域,提出了基于分割扇形区域的指针定位法(Pointer positioning method based on Segmented Sector, PSS),进行图像预处理和二值化,使用最小二乘法拟合求得角度;最后,由指针角度得到读数。实验结果表明,该方法对细指针表盘识别率高,能够准确、稳定地识别细指针表盘示数。     

HVPP算法在指针表盘视觉检测中的研究

摘  要：选矿厂球磨机润滑油压力是一个至关重要的实时监测参数。基于FPGA采用了双线性插值法、DoG滤波器（高斯差分滤波器）、Marr-Hildreth边缘检测器及分水岭算法,并提出一种新算法--横竖端点寻点法（HVPP）,对压力表图像进行分割、提取及数字识别,从而实现了对指针表盘图像的智能读数。实验结果表明采用基于逻辑电路的快速算法实现表盘图像的机器识别具有实时性好、识别率较高的优点。     

一种适用于变电站巡检机器人的仪表识别算法

该文提出一种改进的适合智能变电站巡检机器人室外工作环境的变电站仪表设备的读数识别算法.首先针对各个不同种类的仪表设备图像,进行设备模板化处理,并在模板库中建立各仪表的min刻度和max刻度的位置信息.对于机器人实时采集的仪表设备图像,在后台服务中调取相应设备的模板图,利用尺度不变特征变换(SIFT)算法,在输入图像中匹配提取仪表表盘区域子图像.而后对表盘子图像进行二值化、仪表指针骨干化处理,利用快速霍夫变换(fast Hough transform)检测指针直线去除噪音干扰,定位指针精确位置和指向角度,完成指针读数.此算法经过国内某500 kV智能变电站巡检机器人实地测试,各种仪表综合识别率超过99.2％,对仪表的读数具有高精度高鲁棒性,完全满足该智能变电站推进无人值守的仪表设备读数自动检测识别的要求.     

基于LabVIEW的指针式仪表实时读数系统

提出了一种基于虚拟仪器（LabVIEW）技术的指针式仪表读数系统.对采集到的指针式仪表图像进行实时滤波处理.运用不变矩法分割表盘图像,提取感兴趣的指针目标.使用LabVIEW中的指针识别读数模块处理分割后的图像,得到指针读数.实验中采用百分表作为识别目标,结果表明,本方法识别读数迅速,准确度高,可以运用于实时要求较高的条件下.     

多指针水表读数识别算法研究与实现

为解决水务公司多指针水表识别问题,文中提出一种多指针水表读数识别算法。首先,通过Hough圆检测提取出水表表盘区域,定位透视变换关键点,校正水表表盘区域。然后,分割子表盘,并进行二值化、形态学黑帽运算、加运算,分割指针。最后,计算指针偏移角度,获取子表盘示数,并对各子表盘示数按规定计算,得到多指针水表读数结果。实验结果表明,该算法对子表盘读数识别准确率达到91.75%,可用于识别多指针水表,为水务公司多指针水表读数工作提供一定的技术支撑。     

百分表的自动识别系统设计

通过摄像头TWAIN接口将百分表图像提取出来后,使用区域分割的方法,将仪表表盘各个部分特征提取出来:采用消影法获得指针,Ostu的类间方差方法分割二值化指针,Hough变换获得指针边缘直线进而得到表盘中心,并利用百分表的特征将数字与刻度分离并分别进行标记与识别.通过实验可以看到,这种基于数字、刻度与指针进行综合识别的方法,具有良好的识别效果.     

指针式仪表通用读数识别方法及系统

变电站指针式仪表外观样式繁多,现有的方法只能对一个或两个指针的仪表或某种功能的仪表进行常规读数,无法同时支持两个以上表盘、两个以上指针、多种功能仪表的读数。基于以上问题,提出一种基于深度学习的通用指针式仪表读数识别方法。首先使用YOLOv5目标检测方法构建指针式仪表表盘检测模型,定位表盘位置。然后进一步在表盘中使用Mask R-CNN实例分割方法构建指针分割模型,识别指针mask区域。构建标定工具对表盘信息进行标定,将参数传递给读数识别模块。同时构建预置位纠偏算法,当预置位存在偏移时进行矫正,保证标定的信息与表盘位置保持对应。开发了指针式仪表通用读数识别模块,可对多指针、多表盘的情况进行遍历,实现任意类型指针仪表的读数识别。     

基于二维码匹配的指针式仪表读数识别方法

提出了一种基于二维码匹配的指针式仪表读数识别方法.该方法先实时采集高质量的仪表状态图像,同时获取二维码定位点信息以及与二维码相连接的数据库中存储的仪表类型信息,再根据二维码定位点信息对仪表图像进行快速倾斜校正,并利用二维码与仪表之间先验的几何位置关系快速提取图像中表盘所在的区域,最后根据获取的仪表类型信息,选择对应的仪表读数识别算法,以实现快速准确地识别仪表读数.实验结果表明：该方法能有效提高指针式仪表读数识别的准确率,尤其是对于复杂背景的仪表图像,该方法可用于电力系统中刻度均匀的指针仪表识别.     

基于文本特征及二次矫正的指针式仪表自动读数算法

现有的指针式仪表读数算法常通过检测仪表的刻度进行示数识别,但仪表图像中的刻度包含的特征较少,从而容易出现误检测。针对此问题,提出了一种新的指针式仪表自动读数算法,该算法通过选取较大区域的图像特征大幅度地提高了仪表读数识别的鲁棒性。由于指针刻度值文本是各类仪表具有的共同部分且具有远多于刻度图像的特征,因此所提算法以刻度值文本作为识别依据,首先通过卷积神经网络检测仪表图像中的刻度值文本,并使用其位置坐标来拟合仪表的圆心,在得到圆心的基础上通过极坐标变换及图像二次矫正将圆弧形的刻度区域转换为水平直线型的区域,同时被识别的文本值也用于改进距离判读法。该方法与其他读数算法的比较结果表明,该算法具有较高的读数准确率,引用误差在0.5%以下,且在复杂拍摄条件下具有更高的鲁棒性。     

彩色数字仪表表盘读数的自动识别系统

介绍了一个数码管显示数字仪表表盘读数的自动识别系统,在字符提取阶段,采用颜色提取的方法,使得尽管图片的字体颜色与背景颜色相同,但只要亮度不同,也能很好的提取出字符部分.在字符分割过程中,采用增益方法识别边界,准确分割出单个字符.并采用统计法和扫描法相结合的方法来识别数字.实验结果表明提出的方案可行,具有较强的鲁棒性.     

一种基于机器学习的车牌识别系统的设计

以车牌识别的实用性为目的,设计一种鲁棒的车牌识别系统。首先提出了Sobel-Color算法,以Sobel边缘和颜色两种特征进行车牌定位,并结合MSER算法,设计了一种可靠的车牌定位方法来获取候选车牌区域,然后采用SVM算法对候选车牌区域进行车牌判断;最后根据车牌特征设计了一种车牌字符分割算法,能正确分割车牌的各个字符,并有效地去除车牌边缘部分的虚假字符,又根据分割出的车牌字符特征对LeNet-5深度网络模型进行改进,然后采用改进的LeNet-5网络对车牌字符进行识别。对设计的车牌识别系统进行了正常条件测试、恶劣条件测试以及效率测试等实验,实验结果表明设计的车牌定位和车牌判断方法具有较高的可靠性,车牌字符识别具有较高的准确率,因而设计的车牌识别系统具有较好的鲁棒性和实用性。     

基于纹理分析的仪表读数区域定位新方法

仪表读数自动识别的关键是准确检测出指针在刻度区域的位置,因此仪表盘上刻度区域的准确定位是仪表自动读数识别的重要步骤。提出一种基于形态学和纹理分析的仪表读数区域定位新方法。用图像重构技术清除图像边界及与边界相连接的结构,即仪表盘边框和指针,然后利用形态学算法来分割仪表盘的各个区域,最后用纹理统计分析方法和频谱度量方法定位出刻度区域,排除非刻度区域,这样进行指针读数时就可以只对指针和刻度进行处理,排除其它干扰。实验结果表明,对方形指针式仪表而言,上述方法能有效定位仪表刻度区域,且具有较强的鲁棒性和抗干扰性。     

基于深度学习的含堆叠字符的车牌识别算法

车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNet-SSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性,极大提高了车牌识别系统的通用性。     

基于组合特征的Bp神经网络数字识别方法

提出一种组合特征作为Bp神经网络输入层向量实现数字字符识别算法.该算法首先引入了数字字符结构特征中图段特征,并结合数字字符的行列统计特征组合成为新的特征向量;然后根据新的组合特征向量设计Bp神经网络分类器;最后对已有的数字图像样本空间中的训练样本库按照Bp神经网络分类器训练方法进行训练,并对测试样本库中的样本进行识别.根据测试实验,数字字符的识别准确率可达到94%以上.     

一种基于有监督的ART算法的数字识别应用

介绍一种新型神经网络算法，并将其应用于数字识别。在识别过程中，数字摄像头在现场摄取的数字图像传输到计算机中经过预处理后，采用有监督的ART神经网络算法识别并得到识别结果。通过实验证明，有监督的ART神经网络算法可以提高识别速度和正确率，具有较大的实用价值。     

一种新的车牌字符快速识别方法

针对车牌字符图像的特点,在研究各种特征提取方法适用场合的基础上提出了改进的特征提取方法和字符识别方法。对于英文和数字,使用一种基于模板匹配和神经网络的车牌字符识别方法。该方法采用两级识别,第一级采用模板匹配识别差别明显的字符,第二级采用BP神经网络识别第一级不能确定的相似字符。对于汉字采用小波变换和LDA提取特征。该方法利用小波变换的特性最大程度地提取了字符图像的特征信息。实验结果表明此算法具有较高的识别率和较快的识别速度。     

基于Trace变换和支持向量机的车牌字符识别新方法

为了提高车牌上的字符识别准确率,提出一种结合Trace变换和支撑矢量机（SVM）的字符识别方法.在字符识别方面,以Trace变换方法提取字符特征,并运用支持向量机对字符进行模式分类.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.