CN109409385B - 一种指针式仪表自动识别方法 - Google Patents
一种指针式仪表自动识别方法 Download PDFInfo
- Publication number
- CN109409385B CN109409385B CN201811205013.7A CN201811205013A CN109409385B CN 109409385 B CN109409385 B CN 109409385B CN 201811205013 A CN201811205013 A CN 201811205013A CN 109409385 B CN109409385 B CN 109409385B
- Authority
- CN
- China
- Prior art keywords
- pointer
- instrument
- image
- template image
- area
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 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
- G06V10/40—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种指针式仪表自动识别方法，采集变电站每种仪表的模板图像并获取其刻度分布和指针位置且分类保存；将每张模板图像进行放大、缩小和旋转，得到同一种类的多角度多尺度的同源图像进行同类仪表的图像建模；输入待检测的仪表图像并提取其中的椭圆和矩形区域，将所提取的区域与不同的模板图像进行匹配并计算区域匹配度，将区域匹配度高于区域阈值判定为仪表区域；对仪表区域进行线段检测并计算指针匹配度，若指针匹配度高于指针阈值则判定为指针；根据指针定位结果寻找距离其最近的分别位于其两侧的两个指针刻度，并对比对应的模板图像计算指针读数。本发明解决了仪表自动识别定位精度和识别精度较低的问题，提高识别精度。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种指针式仪表自动识别方法。
背景技术
指针式仪表具有结构简单可靠性高等优点，在变电站中广泛应用用于监控电力设备运行状态。对于指针式仪表的自动识别，现有研究包括利用hough变换同时识别指针和刻度，但是利用hough变换进行仪表定位，容易出现定位错误；在进行仪表建模时，现在的很多方法需要对变电站的每张电表进行建模，工作量大，实用性较低。而且，在实际应用过程中，受外界环境和设备条件的影响，采集的同类电表的图像形态各异，每张电表的角度、大小以及曝光程度不可避免的存在差异，目前对于这种存在差异的同类电表在处理时存在识别精度相对较低、算法受环境影响较大的问题。
发明内容
为了解决现有技术中指针式仪表自动识别中存在定位精度和识别精度较低的问题，本发明提出一种指针式仪表自动识别方法。
本发明的技术方案是这样实现的：
一种指针式仪表自动识别方法，包括以下步骤：
步骤一、采集变电站每种仪表的模板图像，获取每张模板图像的刻度分布和指针位置，任一张模板图像以及其上的刻度分布和指针位置保存在一个文件中，每个文件具有不同的命名，记作模型文件；
步骤二、将每张模板图像进行放大、缩小和旋转，得到同一坐标系下的同一种类的多角度多尺度的同源图像，并提取同源图像的特征点计算特征向量进行归一化处理，进行同类仪表的图像建模；
步骤三、输入待检测的仪表图像并提取其中的椭圆和矩形区域，将所提取的区域与不同的模板图像进行匹配并计算区域匹配度，获知匹配度最高的模板图像，预设区域阈值，若最高区域匹配度高于区域阈值则判定为仪表区域，此时具有最高区域匹配度的模板图像认定为待检测仪表对应的模板图像，将仪表图像与对应的模板图像做透视变换使其位于同一坐标系下，实现仪表定位；
步骤四、根据仪表定位结果对待检测的仪表图像进行线段检测，并将检测到的所有线段与步骤三中获取的对应的模型文件中的指针位置、指针长度和指针中心位置进行匹配并计算指针匹配度，预设指针阈值，若指针匹配度高于指针阈值则判定为指针，实现指针定位；
步骤五、根据指针定位结果寻找距离其最近的分别位于其两侧的两个指针刻度，并对比对应的模板图像和模型文件，计算指针读数，输出指针读数实现仪表自动识别。
优选的是，所述步骤一中“获取每张模板图像的刻度分布和指针位置”的具体方式为：在计算机中建立一个建模程序，该建模程序可以按照一定的顺序获得每张模板图像在该建模程序中的中心位置坐标、指针起点坐标、指针终点坐标、每个刻度坐标及刻度值并存储在模型文件中；在该建模程序中输入该张模板图像的表盘刻度的最小值和最大值并存储；获取指针所指位置的最小刻度值、最大刻度值和中间刻度值，用于确定指针所指的范围方向。
优选的是，所述步骤二中“提取同源图像的特征点计算特征向量进行归一化处理，进行同类仪表的图像建模”的具体方式为：提取同源图像中的每幅图像的特征并保存特征点；根据特征提取结果，生成每个特征点的多维特征向量并保存；对所有的多维特征向量进行归一化处理；根据每张模板图像所在的模型文件读取该模板图像的刻度分布和指针位置，实现同类仪表的图像建模。
优选的是，所述步骤三中“提取待检测的仪表图像的椭圆区域”的方式为：对待检测的仪表图像进行预处理以去除噪声的干扰；对预处理后的待检测图像进行边缘检测获取边缘图像；提取边缘图像中的弧线，去除短弧和直弧；根据弧线的凸性进行分类，确定每个弧线所属的象限；寻找包含至少三个不同象限的弧线组合，选取满足凸性、相互位置和相同中心条件的弧线作为候选椭圆；估计椭圆参数，根据估计结果与实际边缘像素的适应性对候选椭圆进行验证，获取最终的椭圆位置。
优选的是，所述步骤三中“提取待检测的仪表图像的矩形区域”的方式为：对预处理后的待检测图像进行边缘检测，获取所有线段集合；预设线段的长度阈值，剔除小于长度阈值的线段，获取优选线段集合，并根据线段长度进行排序；在优选线段集合中对具有共同角点的线段进行聚类，得到同角点线段集合；获取同角点线段集合的角点和边，形成初始的闭合矩形区域；合并剩余的未闭合的矩形区域，获取所有的可能的闭合矩形区域，实现矩形检测。
优选的是，所述步骤三中“将所提取的区域与不同的模板图像进行匹配并计算区域匹配度，预设区域阈值，若区域匹配度高于区域阈值则判定为仪表区域”的具体方式为：遍历所有检测到的椭圆和矩形区域，根据模板图像校正椭圆和矩形区域得到候选仪表区域；提取候选仪表区域的所有特征并计算每个特征点的特征向量，该特征与模板图像的特征为同种特征；将候选仪表区域特征和模板图像特征进行匹配并估算匹配度，匹配度按照从高到低的顺序进行排序，获取模板图像与每个候选仪表区域的单应性变换矩阵；预设匹配度阈值，将匹配度最高且高于匹配度阈值的区域判定为仪表区域，匹配度最高的模板图像认定为待检测仪表对应的模板图像，同时根据相应的单应性变换矩阵对待检测仪表图像进行透视变换，使得待检测仪表图像与模板图像在同一个坐标空间，以此实现仪表定位。
优选的是，所述步骤四实现的方式为：将经过透视变换且与模板图像在同一个坐标空间的待检测仪表图像进行边缘检测，提取线段；根据模板图像所在的模型文件中的刻度分布和指针位置获取待检测仪表图像的中心点坐标，分别计算提取的每条线段的起点和终点与该中心点的距离，获取以中心点为中心、以模板图像的指针长度为搜索距离的搜索区域；剔除超出搜索区域的线段，将搜索区域内的线段按照长度进行排序；从最长线段开始计算其角度，预设角度阈值，若下一线段与当前线段角度差小于角度阈值则合并这两条线段，否则开始继续与下一线段的角度差对比，直至搜索区域内的所有线段都对比完毕获得最终的线段集合，记做候选指针；提取每个候选指针中与模板图像相同的特征，将候选指针特征与模板图像指针特征匹配并估算匹配度，匹配度按照从高到低的顺序进行排序；根据待检测仪表对应的模型文件获取仪表指针数目，若指针数目为1，则选取匹配度最高的候选指针判定为仪表指针；若指针数目大于1，则根据匹配度从高到低的顺序依次获取多个指针位置。
优选的是，所述步骤五中“根据指针定位结果寻找距离其最近的分别位于其两侧的两个指针刻度，并对比对应的模板图像和模型文件，计算指针读数”的具体方式为：根据指针定位结果获取指针坐标，并根据模型文件获取指针位置两侧的两个指针刻度坐标，将两个指针刻度分别与中心点连线，计算两条连接线间的角度thea1，计算较小刻度的连线与指针线段的角度thea2；根据模型文件获取两个指针刻度值value1和value2，其中value1为较小的刻度值，value2为刻度较大的刻度值，则指针的读数为：
value=value1+thea2*(value2-value1)/thea1。
本发明的有益效果为：本发明的指针式仪表自动识别方法，先进行不同种类的图像建模，不同种类的图像模板存储在不同的文件下便于区分；每种类型的图像模板通过同一坐标系下的多角度多尺度的同类仪表变换，既有助于提高算法的适应性和稳定性，又能有效的解决只需要进行一个类别的图像建模，便可实现多角度多尺度的同类仪表自动识别问题，提高了运算效率和识别精度。先后实现仪表定位和指针定位，最后计算指针读数，衔接紧凑，精确定位，提高识别精度。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：一种指针式仪表自动识别方法，包括以下步骤：步骤一、采集变电站每种仪表的模板图像，获取每张模板图像的刻度分布和指针位置，任一张模板图像以及其上的刻度分布和指针位置保存在一个文件中，每个文件具有不同的命名，记作模型文件，以此区分模型类别；步骤二、将每张模板图像进行放大、缩小和旋转，得到同一坐标系下的同一种类的多角度多尺度的同源图像，并提取同源图像的利于跟踪（Good Feature To Track，）的特征（简称GFTT特征），保存特征点并计算特征向量进行归一化处理，进行同类仪表的图像建模，实现多角度多尺度的同类仪表的建模；步骤三、输入待检测的仪表图像并提取其中的椭圆和矩形区域，将所提取的区域与不同的模板图像进行匹配并计算区域匹配度，获知匹配度最高的模板图像，预设区域阈值，若最高区域匹配度高于区域阈值则判定为仪表区域，此时具有最高区域匹配度的模板图像认定为待检测仪表对应的模板图像，将仪表图像与对应的模板图像做透视变换使其位于同一坐标系下，实现仪表定位；步骤四、对待检测的仪表图像进行线段检测，并将检测到的所有线段与步骤三中获取的对应的模型文件的指针位置、指针长度和指针中心位置进行匹配并计算指针匹配度，预设指针阈值，若指针匹配度高于指针阈值则判定为指针，实现指针定位；步骤五、根据指针定位结果寻找距离其最近的分别位于其两侧的两个指针刻度，并对比对应的模板图像和模型文件，计算指针读数，输出指针读数实现仪表自动识别。
步骤一中“获取每张模板图像的刻度分布和指针位置”的具体方式为：在计算机中建立一个建模程序，该建模程序可以按照一定的顺序获得每张模板图像在该建模程序中的中心位置坐标、指针起点坐标、指针终点坐标、每个刻度坐标及刻度值并存储在模型文件中，每个刻度坐标按照从小刻度到大刻度的顺序进行获取；在该建模程序中输入该张模板图像的表盘刻度的最小值和最大值并存储；获取指针所指位置的最小刻度值、最大刻度值和中间刻度值，用于确定指针所指的范围方向。
步骤二中“提取同源图像的特征点计算特征向量进行归一化处理，进行同类仪表的图像建模”的具体方式为：提取同源图像中的每幅图像的GFTT特征并保存特征点；根据特征提取结果，生成每个特征点的多维特征向量并保存；对所有的多维特征向量进行归一化处理；根据每张模板图像所在的模型文件读取每张模板图像的刻度分布和指针位置，实现同类仪表的图像建模。
步骤三中“提取待检测的仪表图像的椭圆区域”的方式为：对待检测的仪表图像进行预处理以去除噪声的干扰；对预处理后的待检测图像进行边缘检测获取边缘图像；提取边缘图像中的弧线，去除短弧和直弧；根据弧线的凸性进行分类，确定每个弧线所属的象限；寻找包含至少三个不同象限的弧线组合，选取满足凸性、相互位置和相同中心条件的弧线作为候选椭圆；估计椭圆参数，根据估计结果与实际边缘像素的适应性对候选椭圆进行验证，获取最终的椭圆位置。
步骤三中“提取待检测的仪表图像的矩形区域”的方式为：对预处理后的待检测图像进行边缘检测，获取所有线段集合；预设线段的长度阈值，剔除小于长度阈值的线段，获取优选线段集合，并根据线段长度进行排序；在优选线段集合中对具有共同角点的线段进行聚类，得到同角点线段集合；获取同角点线段集合的角点和边，形成初始的闭合矩形区域；合并剩余的未闭合的矩形区域，获取所有的可能的闭合矩形区域，实现矩形检测。
步骤三中“将所提取的区域与不同的模板图像进行匹配并计算区域匹配度，预设区域阈值，若区域匹配度高于区域阈值则判定为仪表区域”的具体方式为：遍历所有检测到的椭圆和矩形区域，根据模板图像校正椭圆和矩形区域得到候选仪表区域；提取候选仪表区域的GFTT特征并计算每个特征点的特征向量；将候选仪表区域特征和模板图像特征进行匹配并估算匹配度，匹配度按照从高到低的顺序进行排序，获取模板图像与每个候选仪表区域的单应性变换矩阵；预设匹配度阈值，将匹配度最高且高于匹配度阈值的区域判定为仪表区域，匹配度最高的模板图像认定为待检测仪表对应的模板图像，同时根据相应的单应性变换矩阵对待检测仪表图像进行透视变换，使得待检测仪表图像与模板图像在同一个坐标空间，以此实现仪表定位。
步骤四中“根据仪表定位结果对待检测的仪表图像进行线段检测，并根据刻度分布、指针位置、指针长度和中心位置与对应的模板图像进行匹配并计算指针匹配度，预设指针阈值，若指针匹配度高于指针阈值则判定为指针，用于指针定位”的方式为：将经过透视变换且与模板图像在同一个坐标空间的待检测仪表图像进行边缘检测，提取线段；根据模板图像所在的模型文件中的刻度分布和指针位置获取待检测仪表图像的中心点坐标，分别计算提取的每条线段的起点和终点与该中心点的距离，获取以中心点为中心、以模板图像的指针长度为搜索距离的搜索区域；剔除超出搜索区域的线段，将搜索区域内的线段按照长度进行排序；从最长线段开始计算其角度，预设角度阈值，若下一线段与当前线段角度差小于角度阈值则合并这两条线段，否则开始继续与下一线段的角度差对比，直至搜索区域内的所有线段都对比完毕获得最终的线段集合，记做候选指针；提取每个候选指针中的GFTT特征，将候选指针特征与模板图像指针特征匹配并估算匹配度，匹配度按照从高到低的顺序进行排序；根据待检测仪表对应的模型文件获取仪表指针数目，若指针数目为1，则选取匹配度最高的候选指针判定为仪表指针；若指针数目大于1，则根据匹配度从高到低的顺序依次获取多个指针位置。
步骤五中“根据指针定位结果寻找距离其最近的分别位于其两侧的两个指针刻度，并对比对应的模板图像和模型文件，计算指针读数”的具体方式为：根据指针定位结果获取指针坐标，并根据模型文件获取指针位置两侧的两个指针刻度坐标，将两个指针刻度分别与中心点连线，计算两条连接线间的角度thea1，计算较小刻度的连线与指针线段的角度thea2；根据模型文件获取两个指针刻度值value1和value2，其中value1为较小的刻度值，value2为刻度较大的刻度值，则指针的读数为value=value1+thea2*(value2-value1)/thea1。
步骤二中的提取同源图像中的每幅图像的特征点计算特征向量进行归一化处理中，也可以采用其他特征提取方法提取特征点，比如ORB特征；在后续的步骤中采用与步骤中相同的特征提取方法。
步骤一中在计算机中建立一个建模程序，该建模程序利用开发语言编程，具有拖动鼠标即可获取该程序中打开的图像上的具体某一位置的坐标值，所有获取的坐标值都可以利用该建模程序存储在指定文件中；该建模程序中的打开的图像的刻度值是直接手动输入，再利用该建模程序存储在指定文件中。
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 (7)
1.一种指针式仪表自动识别方法，其特征在于，包括以下步骤：
步骤一、采集变电站每种仪表的模板图像，获取每张模板图像的刻度分布和指针位置，任一张模板图像以及其上的刻度分布和指针位置保存在一个文件中，每个文件具有不同的命名，记作模型文件；
步骤二、将每张模板图像进行放大、缩小和旋转，得到同一坐标系下的同一种类的多角度多尺度的同源图像，并提取同源图像的特征点计算特征向量进行归一化处理，进行同类仪表的图像建模；
步骤三、输入待检测的仪表图像并提取其中的椭圆和矩形区域，将所提取的区域与不同的模板图像进行匹配并计算区域匹配度，获知匹配度最高的模板图像，预设区域阈值，若最高区域匹配度高于区域阈值则判定为仪表区域，此时具有最高区域匹配度的模板图像认定为待检测仪表对应的模板图像，将仪表图像与对应的模板图像做透视变换使其位于同一坐标系下，实现仪表定位；
步骤四、根据仪表定位结果对待检测的仪表图像进行线段检测，并将检测到的所有线段与步骤三中获取的对应的模型文件中的指针位置、指针长度和指针中心位置进行匹配并计算指针匹配度，预设指针阈值，若指针匹配度高于指针阈值则判定为指针，实现指针定位；
步骤五、根据指针定位结果寻找距离其最近的分别位于其两侧的两个指针刻度，并对比对应的模板图像和模型文件，计算指针读数，输出指针读数实现仪表自动识别；
计算指针读数的具体方式为：根据指针定位结果获取指针坐标，并根据模型文件获取指针位置两侧的两个指针刻度坐标，将两个指针刻度分别与中心点连线，计算两条连接线间的角度thea1，计算较小刻度的连线与指针线段的角度thea2；根据模型文件获取两个指针刻度值value1和value2，其中value1为较小的刻度值，value2为刻度较大的刻度值，则指针的读数为value=value1+thea2*(value2-value1)/thea1。
2.根据权利要求1所述的指针式仪表自动识别方法，其特征在于，所述步骤一中“获取每张模板图像的刻度分布和指针位置”的具体方式为：在计算机中建立一个建模程序，该建模程序按照一定的顺序获得每张模板图像在该建模程序中的中心位置坐标、指针起点坐标、指针终点坐标、每个刻度坐标及刻度值并存储在模型文件中；在该建模程序中输入该张模板图像的表盘刻度的最小值和最大值并存储；获取指针所指位置的最小刻度值、最大刻度值和中间刻度值，用于确定指针所指的范围方向。
3.根据权利要求1所述的指针式仪表自动识别方法，其特征在于，所述步骤二中“提取同源图像的特征点计算特征向量进行归一化处理，进行同类仪表的图像建模”的具体方式为：提取同源图像中的每幅图像的特征并保存特征点；根据特征提取结果，生成每个特征点的多维特征向量并保存；对所有的多维特征向量进行归一化处理；根据每张模板图像所在的模型文件读取该模板图像的刻度分布和指针位置，实现同类仪表的图像建模。
4.根据权利要求1所述的指针式仪表自动识别方法，其特征在于，所述步骤三中“提取待检测的仪表图像的椭圆区域”的方式为：对待检测的仪表图像进行预处理以去除噪声的干扰；对预处理后的待检测图像进行边缘检测获取边缘图像；提取边缘图像中的弧线，去除短弧和直弧；根据弧线的凸性进行分类，确定每个弧线所属的象限；寻找包含至少三个不同象限的弧线组合，选取满足凸性、相互位置和相同中心条件的弧线作为候选椭圆；估计椭圆参数，根据估计结果与实际边缘像素的适应性对候选椭圆进行验证，获取最终的椭圆位置。
5.根据权利要求4所述的指针式仪表自动识别方法，其特征在于，所述步骤三中“提取待检测的仪表图像的矩形区域”的方式为：对预处理后的待检测图像进行边缘检测，获取所有线段集合；预设线段的长度阈值，剔除小于长度阈值的线段，获取优选线段集合，并根据线段长度进行排序；在优选线段集合中对具有共同角点的线段进行聚类，得到同角点线段集合；获取同角点线段集合的角点和边，形成初始的闭合矩形区域；合并剩余的未闭合的矩形区域，获取所有的闭合矩形区域，实现矩形检测。
6.根据权利要求5所述的指针式仪表自动识别方法，其特征在于，所述步骤三中“判定为仪表区域”的具体方式为：遍历所有检测到的椭圆和矩形区域，根据模板图像校正椭圆和矩形区域得到候选仪表区域；提取候选仪表区域的所有特征并计算每个特征点的特征向量，该特征与模板图像的特征为同种特征；将候选仪表区域特征和模板图像特征进行匹配并估算匹配度，匹配度按照从高到低的顺序进行排序，获取模板图像与每个候选仪表区域的单应性变换矩阵；预设匹配度阈值，将匹配度最高且高于匹配度阈值的区域判定为仪表区域，匹配度最高的模板图像认定为待检测仪表对应的模板图像，同时根据相应的单应性变换矩阵对待检测仪表图像进行透视变换，使得待检测仪表图像与模板图像在同一个坐标空间，以此实现仪表定位。
7.根据权利要求6所述的指针式仪表自动识别方法，其特征在于，所述步骤四实现的方式为：将经过透视变换且与模板图像在同一个坐标空间的待检测仪表图像进行边缘检测，提取线段；根据模板图像所在的模型文件中的刻度分布和指针位置获取待检测仪表图像的中心点坐标，分别计算提取的每条线段的起点和终点与该中心点的距离，获取以中心点为中心、以模板图像的指针长度为搜索距离的搜索区域；剔除超出搜索区域的线段，将搜索区域内的线段按照长度进行排序；从最长线段开始计算其角度，预设角度阈值，若下一线段与当前线段角度差小于角度阈值则合并这两条线段，否则开始继续与下一线段的角度差对比，直至搜索区域内的所有线段都对比完毕获得最终的线段集合，记做候选指针；提取每个候选指针中与模板图像相同的特征，将候选指针特征与模板图像指针特征匹配并估算匹配度，匹配度按照从高到低的顺序进行排序；根据待检测仪表对应的模型文件获取仪表指针数目，若指针数目为1，则选取匹配度最高的候选指针判定为仪表指针；若指针数目大于1，则根据匹配度从高到低的顺序依次获取多个指针位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811205013.7A CN109409385B (zh) | 2018-10-16 | 2018-10-16 | 一种指针式仪表自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811205013.7A CN109409385B (zh) | 2018-10-16 | 2018-10-16 | 一种指针式仪表自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409385A CN109409385A (zh) | 2019-03-01 |
| CN109409385B true CN109409385B (zh) | 2021-02-19 |
Family
ID=65467336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811205013.7A Active CN109409385B (zh) | 2018-10-16 | 2018-10-16 | 一种指针式仪表自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409385B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020181464A (ja) * | 2019-04-26 | 2020-11-05 | Ｇｍｏクラウド株式会社 | メータ読取システム、メータ読取方法及びプログラム |
| CN110211178B (zh) * | 2019-06-10 | 2021-07-06 | 重庆邮电大学 | 一种利用投影计算的指针式仪表识别方法 |
| CN110232354A (zh) * | 2019-06-14 | 2019-09-13 | 四川超影科技有限公司 | 一种指针式仪表通用识别方法 |
| CN112241975B (zh) * | 2019-07-17 | 2024-03-29 | 杭州海康机器人股份有限公司 | 特征模板的匹配定位方法和匹配定位装置 |
| CN111062354A (zh) * | 2019-12-26 | 2020-04-24 | 广州物道水务科技有限公司 | 一种拍照抄表的图片自动识别方法 |
| CN111325164B (zh) * | 2020-02-25 | 2023-11-21 | 北京眸视科技有限公司 | 指针表示数识别方法、装置和电子设备 |
| CN111950553A (zh) * | 2020-08-17 | 2020-11-17 | 广东电科院能源技术有限责任公司 | 一种指针式仪表自动对准方法及装置 |
| CN112818974A (zh) * | 2021-01-26 | 2021-05-18 | 浙江国自机器人技术股份有限公司 | 一种基于机器视觉的表计自动建模方法 |
| CN112818973B (zh) * | 2021-01-26 | 2022-09-09 | 浙江国自机器人技术股份有限公司 | 一种用于表计识别的定位及读数的复查方法 |
| CN113034576B (zh) * | 2021-02-10 | 2023-03-21 | 山东英信计算机技术有限公司 | 一种基于轮廓的高精度定位方法、系统及介质 |
| CN113361413B (zh) * | 2021-06-08 | 2024-06-18 | 南京三百云信息科技有限公司 | 一种里程显示区域检测方法、装置、设备及存储介质 |
| CN113449633B (zh) * | 2021-06-27 | 2022-08-19 | 齐丰科技股份有限公司 | 基于物体检测和关键点定位的指针式表计数值识别方法 |
| CN113435439B (zh) * | 2021-06-30 | 2023-11-28 | 青岛海尔科技有限公司 | 单据的审核方法及装置、存储介质、电子装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103034838A (zh) * | 2012-12-03 | 2013-04-10 | 中国人民解放军63963部队 | 一种基于图像特征的特种车辆仪表类型识别与标定方法 |
| CN106845444A (zh) * | 2017-02-15 | 2017-06-13 | 西安交通大学 | 一种基于弧‑点结合的车载井盖检测方法 |
| CN106960207A (zh) * | 2017-04-26 | 2017-07-18 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的汽车驾驶位仪表区多指针式仪表自动识别系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778823B (zh) * | 2016-11-22 | 2020-02-07 | 国网湖北省电力公司宜昌供电公司 | 一种指针式仪表读数自动识别方法 |
| CN107729853B (zh) * | 2017-10-24 | 2021-05-25 | 武汉科技大学 | 一种适用于变电站窄刻度指针式仪表的自动识别方法 |
| CN108399416A (zh) * | 2018-01-19 | 2018-08-14 | 武汉科技大学 | 一种有圆弧边界的变电站指针式仪表自动识别方法 |
-
2018
- 2018-10-16 CN CN201811205013.7A patent/CN109409385B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103034838A (zh) * | 2012-12-03 | 2013-04-10 | 中国人民解放军63963部队 | 一种基于图像特征的特种车辆仪表类型识别与标定方法 |
| CN106845444A (zh) * | 2017-02-15 | 2017-06-13 | 西安交通大学 | 一种基于弧‑点结合的车载井盖检测方法 |
| CN106960207A (zh) * | 2017-04-26 | 2017-07-18 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的汽车驾驶位仪表区多指针式仪表自动识别系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409385A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409385B (zh) | 一种指针式仪表自动识别方法 | |
| CN106778823B (zh) | 一种指针式仪表读数自动识别方法 | |
| CN108182433B (zh) | 一种表计读数识别方法及系统 | |
| CN109801267B (zh) | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 | |
| Zhang et al. | Core-based structure matching algorithm of fingerprint verification | |
| Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
| CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
| CN111783770B (zh) | 图像的矫正方法、装置和计算机可读存储介质 | |
| Donoser et al. | Efficient partial shape matching of outer contours | |
| JP2013025799A (ja) | 画像検索方法、システム、及びプログラム | |
| CN112016638A (zh) | 一种钢筋簇的识别方法、装置、设备及存储介质 | |
| CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
| CN114863129A (zh) | 仪表数值分析方法、装置、设备及存储介质 | |
| CN108992033B (zh) | 一种视觉测试的评分装置、设备和存储介质 | |
| CN114494373A (zh) | 基于目标检测与图像配准的轨道高精度对齐方法及系统 | |
| CN108710886B (zh) | 一种基于sift算法的重复图像匹配方法 | |
| CN104182731B (zh) | 一种基于十字检测的栅格状雷达检测方法 | |
| KR20150043697A (ko) | 이분된 로컬 영역을 가지는 윤곽선 분할 기반 특징을 이용한 물체 인식 방법 | |
| Pedrosa et al. | An image retrieval system using shape salience points | |
| CN113111849B (zh) | 人体关键点检测方法、装置、系统与计算机可读介质 | |
| CN108898149A (zh) | 基于增量调制迹变换的纹理图像特征提取方法 | |
| CN114708420A (zh) | 基于局部方差和后验概率分类器的视觉定位方法及装置 | |
| CN113591949A (zh) | 一种立木特征点匹配方法、装置、设备及介质 | |
| Kurtek et al. | Elastic reflection symmetry based shape descriptors | |
| CN118674760B (zh) | 基于iss特征点的点云配准方法及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: Room 610, 6th Floor, Block C, Cyberport B, No. 402 Nanzhonghuan Street, Taiyuan Xuefu Park, Taiyuan Comprehensive Reform Demonstration Zone, Shanxi Province, 030000 Patentee after: Shanxi Rongchuangxin Technology Co.,Ltd. Country or region after: China Address before: 210032 room 501A, block a, software building, No.9 Xinghuo Road, high tech Zone, Nanjing City, Jiangsu Province Patentee before: NANJING XINHEHUITONG ELECTRON TECHNOLOGY CO.,LTD. Country or region before: China |
|
| TR01 | Transfer of patent right |