一种七段数码管式医用仪表的自动识别方法

提出了计算机实现七段数码管式医用仪表自动读数的一种新方法.根据仪表数字显示区域图像中的字符特点,利用投影的方法进行字符区域的定位和单个字符的分割.利用穿线法进行数字字符识别,有效降低了误识率.实验结果表明,该方法识别效果好,快速简单,满足实时性要求,是一种高效的新方法.     

基于深度学习的工业数字仪表识别算法研究

仪表读数的检测与识别被广泛应用在工业中,然而工程领域中复杂的背景环境为获取仪表信息带来了困难.为了解决光照不均、背景复杂、图像模糊、仪表倾斜以及遮挡等多种干扰问题,本文设计了一种基于深度学习的数字仪表读数算法.首先使用图像增广方法丰富数字仪表检测数据集,并利用数据合成的方法构建了数字仪表文本识别数据集;然后通过可微分二...     

利用多种投票策略的水表读数字符分割与识别

基于安卓平台提出了一种对水表图像读数进行自动识别的新方法。水表读数字符分割和识别算法主要包括三部分:(1)利用霍夫变换和一种投票策略检测出水表的外部轮廓,然后基于模板影像和水表中四个红色指针位置,利用仿射变换技术对水表字符区域进行定位;(2)对图像进行预处理和连通区检测,提出一种基于投票策略的方法进行字符分割;(3)在考虑数字字符可能出现粘连噪声和缺失的情况下,使用改进的Tesseract OCR识别引擎对字符进行识别。最终通过NDK编译平台将实现的C++程序移植到Android环境中。经过对100组数据进行系统功能测试,结果表明,水表智能识别系统取得了一定效果,能对水表读数进行比较准确和快速的读取。     

离线手写体数字笔迹重构方法

笔迹重构是从字符的静态图像中提取笔迹顺序信息,有助于将在线识别方法应用于离线识别问题,以及实现单个手写字符识别和字符序列识别方法的统一．基于笔段的笔迹重构方法中,笔迹重构实质上就是笔段的排序问题．采用基于骨骼的方法提取字符的笔段,并根据笔段结构图构建笔段关系图;将笔迹重构视为一个全局最优问题,采用总体方向变化最小路径重构书写笔迹;该问题通过搜寻最小代价Hamilton路径来解决,等同于解所构建图中的旅行售货郎问题．在手写体数字笔迹重构实例分析的基础上,对200个字符图像进行测试的正确率是93．5％．实验结果表明,该方法对于手写体数字笔迹重构是有效的．     

基于YOLO算法的指针式仪表智能识别系统设计

针对指针式仪表自动检测读数时,受复杂背景环境等因素影响造成仪表图像检测难、提取速度慢、仪表盘定位扭曲、倾斜等问题,提出基于YOLO算法的指针式仪表智能识别系统。首先,利用YOLO算法对工业指针式表盘进行精确定位,并使用透视变换算法进一步校正,克服表盘扭曲或倾斜带来的误差;然后,对得到的二值化图像使用几何矩算法遍历得到仪表表盘的圆心和半径,提取仪表的刻度区域和指针;最后,采用角度法计算仪表读数。实验结果表明,该系统的仪表读数识别准确率不低于95%,可满足工业应用的精确度要求。     

基于分数阶改进Retinex低光图像增强的仪表检测算法

为了解决雾霾、阴雨天气中变电站巡检机器人采集的低光照仪表图像参数难辨识问题,提出一种基于分数阶改进法的Retinex增强与快速最近邻逼近搜索函数库定位的低光图像仪表检测算法;用分数阶微分替代Retinex理论中的整数阶微分,获得与先验匹配更精确的光照图和反射图;采用相机响应函数调整亮度,在增强低光照仪表图像的同时减少颜色和亮度失真;采用加速稳健特征与快速最近邻逼近搜索函数库算法配准定位目标仪表,并利用累积概率霍夫变换检测指针并读取仪表示数。结果表明,该算法能较好地增强低光仪表图像细节,在兼顾较快速度的同时,识别准确率明显提升。     

基于改进深度学习的车牌字符识别技术研究

为解决传统车牌字符检测方法可靠性差、效率低的问题,提出采用haar级联检测结合深度学习方法的卷积神经网络车牌字符识别方法。采用haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理技术提取出车牌字符;通过收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别。实验结果表明, 该方法识别车牌字符正确率较高,在角度倾斜、光照变化和噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率。     

车载手势识别中基于小波变换和双边滤波的图像去噪方法

手势识别是人机交互中的重要研究领域,车载手势识别系统可以减少驾驶员手动操作仪表导致的分心,提高驾驶安全性。受光照变化、汽车环境、摄像头成像质量等各因素的影响,车载手势图像中常会存在大量复杂噪声。这些噪声严重影响后续手势分割、特征提取和手势识别的准确性。针对手势图像中存在的噪声问题,本文提出了一种适用于车载手势图像处理的新方法。该方法先对小波分解后的各高频子带采用不同方向的一维非线性扩散滤波处理得到初步去噪手势图,在此基础上用多尺度双边滤波对图像再次处理。实验结果表明,本文方法可以较好地去除车载手势图中噪声,抑制车载手势图细节的模糊。      

基于轻量化深度学习网络的数字仪表识别

数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器。然而当前数字式仪表的读取方式还依赖于人工巡检,手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率。为了实现传统行业的数字化转型,本文提出基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出对于感兴趣区域（ROI）的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的。为提升多尺度检测性能,本文采用Res2Net模块主干网络中的的残差模块。采用GIoU取代通用的IoU作为位置损失函数加速模型训练效果的收敛。实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%。通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行。     

基于Hough变换的指针仪表读数识别方法

针对广州市宇泰仪表电器有限公司85C1系列仪表的读数识别问题,提出一种基于Hough变换的图像处理方法.该方法采用彩色相机拍摄仪表图像.首先,通过指针的红色特征提取图像中的指针样本点,并应用最小二乘法获取指针的直线方程;其次,由表盘上的圆弧特征之圆心位于指针直线上的假设,利用Hough变换的原理提取出表盘上的圆弧特征;最后,通过图像变换将刻度部分的圆弧线变换成直线,实现了刻度线两端点位置的提取,并完成仪表读数识别.实验表明,该方法能够准确识别仪表读数,具有较高的鲁棒性.     

一种基于光照无关图的车道检测方法

针对无人车辆道路检测时,特征提取易受光照变化和阴影影响的问题,提出一种基于光照无关图的车道检测方法.使用最小熵值法离线求取图像的光照无关角,对图像每个像素点在对数色度空间向光照无关方向投影得到光照无关灰度图;利用Canny算子提取光照无关图边缘,在边缘图上寻找线段基元以减弱细小边缘的干扰;使用改进投票空间的Hough变换检测直线,采用分段线性道路模型描述道路边界.实验表明,该算法能够有效减弱阴影和光照变化造成的影响,准确识别道路边界,满足实时性要求.     

仪表图像二值化技术研究

仪表读数识别是智能抄表系统的重要组成部分，而仪表图像二值化是实现仪表读数识别的前提与基础。由于仪表图像在采集时，受工作环境和采集条件影响，采集质量较差。通过对采集图像处理与分析，找到了适合的二值化方法，提高了二值化效果。     

改进深度学习的车牌字符识别技术

针对传统车牌字符检测方法存在效率低、可靠性差的情况,提出应用Haar级联检测结合深度学习方法的卷积神经网络车牌字符识别法.首先采用Haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理提取出车牌字符;然后收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染复杂条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别.实验结果表明,该方法识别车牌字符正确率较高,在角度倾斜、光照变化等噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率.     

基于相位一致性和字符纹理特征的车牌定位算法

针对在光照变化和光线不足环境下车牌定位困难的问题, 将相位一致性应用于车牌定位, 提出了基于相位一致性和字符纹理特征的车牌检测算法。利用相位一致性不受亮度和对比度变化影响的特点, 提取图像边缘信息; 在获得的图像相位一致性边缘上, 扫描车牌图像。将扫描区域垂直投影为一维信号, 并利用小波多分辨率的特性滤除噪声的干扰, 再根据车牌中的字符纹理的统计量特征进行车牌提取。实验表明, 该算法在光照变化和光线不足的环境下, 能获得96%的车牌识别准确率。     

关于高速公路收费系统车牌识别技术的研究

车牌识别是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息。从而确定车辆身份的技术。车牌识别分为车牌定位、字符分割、字符识别三大部分。车牌定位是一个难题：车牌区域在整幅图像中所占比例很小,车牌的颜色、大小、位置也不确定,并且定位算法要能够克服不同光照和复杂背景的影响,还要兼顾准确性和实时性,因此快速准确的定位车牌是比较困难的。本文通过车牌的纹理和颜色特征采用粗定位和细定位相结合的方法进行识别。     

MDF-ANet:低光照环境下的无人驾驶视觉融合分割方法

为解决低光照条件下已有图像分割模型性能降低的问题,提出了一个基于RGB和深度图特征融合网络的MDF-ANet图像分割方法.为了对原始数据进行充分的特征学习,采用两路特征提取网络分别提取RGB和深度图特征;设计了一个特征融合模块,分别将两路特征提取网络对应尺度下的输出特征图通过融合模块进行融合,并作为RGB网络下一层的输入,通过不受光照条件影响的深度图来辅助RGB的特征提取;将各个尺度输出的特征图输入多尺度上采样融合模块,进行不同感受野间的信息互补,再上采样至原始输入图像大小,得到分割图像.在Cityscapes及其转化后的低光照图像上进行了一系列实验,在其验证集上取得了62.44%的均交并比（mean intersection over union,mIOU）,相比只使用RGB输入的模型,性能提高了9.1%,达到了在低光照条件下提高图像分割性能的目的.      

基于计算机视觉的座舱仪表识别检测方法

在简要介绍座舱仪表及其常用识别检测方法的基础上,提出一种基于计算机视觉的座舱仪表识别检测的方法。阐述过程中的几个关键环节及所用到的图像处理算法。采用同态滤波和自适应中值滤波相结合的方法来改善图像效果,然后用改进的类间方差法(Otsu)获取仪表的二值图像。利用改进后交叉皮质视觉模型对仪表的边缘进行提取,并结合骨架来提取指针,最终通过最大梯度下降法得到指针的准确读数。实验结果表明:该方法可快速获取仪表指针读数,且能并行处理多个仪表。与传统的Hough变换、最小二乘法等相比,该算法在保证精度准度的基础上,大幅提高了处理运算的速率。     

机械式数字仪表字符定位方法

针对实际环境下的数字仪表图像光照不均匀、产生畸变等问题,提出一种自适应的数字字符定位方法.首先从图像预处理入手,针对图像灰度不均匀,采用动态自适应阈值的S.D.Yanowitz二值化算法,能很好地分割目标和背景.然后再利用分级检测的Hough变换计算倾角进行图像矫正,最后利用投影算法进行逐步求精的字符精确定位.实验结果表明,该算法具有较好的鲁棒性,满足识别系统的要求.     

基于颜色特征的数字式仪表读数定位方法

利用颜色特征提出一种数字式仪表读数定位方法,先对仪表彩色图像进行颜色特征转换,将仪表中的液晶屏区域分割出来,然后对液晶屏图像进行二值化,最后利用读数字符串的投影特征对字符串进行精确定位。利用现场实际采集的仪表图像进行实验,实验结果表明该算法对光照不均以及复杂背景具有较好的适应能力,有效地解决了静态图像和复杂背景下数字式仪表图像中的读数定位问题,且定位准确度较高。     

基于快速区域卷积神经网络识别变形仪表图像的二次矫正方法

为解决工业中摄像头在俯视、仰视等角度拍摄仪表时导致表盘变形影响读数的问题,提出一种基于Faster R-CNN识别变形仪表图像的二次矫正方法。利用ResNeXt50作为Faster R-CNN的主干网络,结合特征金字塔FPN(Feature Pyramid Network)生成特征层,并融合SENet(Squeeze and Excitation Networks)模块将仪表特征更为突出,便于定位仪表区域并裁减,再由Harris角点检测找到表盘的四个顶点;利用二次矫正方法对变形仪表还原成正视角度仪表;最后计算示数。实验结果表明：该方法使得mAP值由基本模型的75.51%提升至94.45%,且仪表在变形情况下,仍能得到比较好的读数结果,误差率为0.83%。