[发明专利]一种数字式仪表读数的识别方法

说明书

本发明涉及图像处理技术领域，为一种数字式仪表读数的识别方法。包括利用图像拼接得到实际仪表中多张连续图片；制作出实际仪表的单个数字框获得单个数字模板图片；将单个数字框置于连续图片的顶部，从顶向下滑动数字框，依次得到相应的连续图片及其标签值；将仪表图片集进行卷积神经网络训练；获得待测的实际仪表图片及单个数字框参数；运用模板匹配进行模板图匹配，按单个数字框参数切分得到若干单个数字图片，并与单个数字模板图片进行规定化处理；放入训练好的卷积神经网络得到连续型回归结果；对回归结果四舍五入，从而得到数字识别结果。本方法解决了数字遮挡和多个数字出现的读数问题，对数字相对位置进行回归处理，提高了识别精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种高效、准确的齿轮数字式仪表读数自动识别方法。

背景技术

随着智能机器人技术诞生与发展，在变电站应用方面，机器人巡检逐渐成为一种更优，更安全的巡检方式。但因为更换新型仪表难度大成本高，以及随着图像处理技术逐渐成熟和广泛运用，在机器人识别仪表读数方面，图像处理技术占据很大比重。但是在处理变电站中齿轮式数字仪表时，由于数字可能出现遮挡，多个数字的现象，运用传统数字分类识别方法会出现错读、无法检测的情况。因此，需要发明一种可以识别更高精度的方法，解决齿轮式数字仪表数字遮挡，多个数字的问题。

现有技术中数字式仪表自动识别读数方法的基本步骤是：智能机器人获取图像，获取数字显示区域，将分割的图像进行灰度化、均衡化和阈值处理，得到最大连通域作为数字区域，把原图片对应的区域的图片进行提取HOG特征，将特征运用之前训练的支持向量机进行分类处理得到识别结果。

在《基于全卷积网络的数字仪表字符识别方法》(蔡梦倩，张蕾，王炎，莫娟(四川大学计算机学院，成都610065)中，提出通过加权融合全卷积网络中多尺度多层级的特征，直接得到字符串的识别类别结果，而忽略复杂的预处理和定位过程。该方法创新的运用了多尺度多层级的特征，采用全卷积网络进行数字定位和结果数字分类。使得过程更加简单，但是位置定位不准确，并特征提取和选择方面很繁琐，难度大。并且也没有解决本文中提出的数字遮挡以及多个数字出现时读数的问题。

在中国专利CN109034160A中提出一种基于卷积神经网络的带小数点数字仪表自动识别方法，对带有LED灯数字仪表进行运用深度卷积神经网络对字符进行分类处理。解决数字中含有小数点识别的问题，但是该方法无法解决数字遮挡问题。

在中国专利CN109255336A中提出了一种基于Adaboost分类器对仪表进行定位，运用模板匹配和卷积神经网络对区域分割下的单个数字进行识别，但是在进行区域分割时由于光照，污点以及阴影对区域分割影响较大，并且仪表可能出现数字部分遮挡和多个数字的情况，就使得切割下单个数字无法正确分类。

从以上分析可以看出，在现有的数字仪表自动读数方法中，大多采用对数字进行分类的方法进行识别，并且没有考虑数字遮挡和多个数字的问题。因此，有必要提供一种可以解决数字部分遮挡以及多个数字同时出现的识别方法。但在进行数字定位时，若采用阈值处理然后区域分割的方法，会因光照，角度倾斜等因素出错，从而导致识别错误。若采用人工智能算法进行多尺度扫描检测，会使得算法时间消耗过大，不满足工业的实时性。

发明内容

基于现有技术存在的问题，本发明提出了一种数字式仪表读数的识别方法，包括仪表图片集训练阶段和待测仪表图片识别阶段；

其中，所述仪表图片集训练阶段包括：

步骤一：利用图像拼接得到实际仪表中各个数字连续跳变的多张连续图片；

步骤二：选择仪表模板图，制作出实际仪表的单个数字框，得到单个数字模板图片，并获得相应参数；

步骤三：将各个单个数字框置于连续图片的顶部，从顶向下滑动数字框，依次得到相应的连续图片及其标签值，即为仪表图片集；