本發明屬于數字圖像處理領域，涉及一種指針式數顯儀表數字化方法。
背景技術：
指針式數顯儀表具有性能可靠、工作原理簡單、價格低廉、抗干擾能力強等優點，在日常生活和工業現場具有廣泛的應用。面對大量需要進行檢定的指針數顯儀表，采用人工讀數的方式檢定數顯儀表讀數，數據容易產生誤差，此外有些環境惡劣的工業現場不適合人工抄表記錄數據，因而研究實現指針式數顯儀表顯示數據的自動識別在一些工業現場具有重要的實用意義。隨著數字圖像處理技術的日益成熟，將其應用到指針式數顯儀表的自動識別系統中是一種有效的解決方法。
指針式數顯儀表識別主要包括指針定位與數顯儀表讀數識別兩部分。指針定位主要是通過圖像處理或機器視覺技術確定數顯儀表刻度與指針的相對位置進而確定指針位置,或者直接利用指針特征確定指針位置，現有的方法包括減影法、最小二乘法以及對這些方法的綜合。減影法使用最大灰度法計算無指針的數顯儀表模板圖像,然后通過模板圖像與實際圖像相減得到指針位置。該方法適用于光照充足條件下獲取圖像指針位置，對于光照變化大、有陰影等環境下的圖像，其背景發生變化較大，減影法會影響檢測出的指針區域。最小二乘法首先使用小波變換提取指針與刻度邊緣點集合，然后使用最小二乘法擬合指針直線。
技術實現要素：
為解決上述問題，本發明的目的在于提供一種采用霍夫變換提取直線、隨機抽樣一致算法得到數顯儀表原點、通過卷積神經網絡檢測出數顯儀表的針盤刻度的指針式數顯儀表數字化方法，具有較好的容錯性和魯棒性。
為實現上述目的，本發明的技術方案為指針式數顯儀表數字化方法，包括以下步驟：
獲取指針式數顯儀表盤圖片；
霍夫變換提取直線；
篩選出代表刻度的直線；
確定指針原點；
識別指針式數顯儀表盤的刻度。
優選地，所述獲取指針式數顯儀表盤圖片采用移動式智能拍攝獲取。
優選地，所述霍夫變換提取直線，包括以下步驟：
把獲取的指針式數顯儀表盤圖片轉化為灰度圖像；
高斯去燥，提高圖像質量；
提取圖像邊緣；
進行二值化處理；
映射到霍夫空間；
取局部極大值，設定閾值，過濾干擾直線；
繪制直線，標定角點。
優選地，所述提取圖像邊緣，采用梯度算子或拉普拉斯算子或canny算子或sobel算子。
優選地，所述篩選出代表刻度的直線，包括以下步驟：
限制獲得直線的角度，數顯儀表盤的刻度直線角度范圍為0-90°，通過設置直線斜率的范圍去除部分干擾直線；
限制獲得直線的長度，代表數顯儀表盤刻度的直線主要有兩種，一種較長，分別代表刻度0、150、300、450，還有一種刻度線較短，分別在0～150，150～300，300～450之間，通過限制直線的長度在短刻度和長刻度之間，獲取代表數顯儀表盤刻度的直線。
優選地，所述確定指針原點，包括以下步驟：
在數據中隨機選擇幾個點設定為內群；
計算適合內群的模型；
把沒選到的點帶入建立的模型中，計算是否為內群；
記下內群數量；
重復以上步驟若干次；
比較計算中內群數量，取最多次所建的模型。
優選地，所述識別指針式數顯儀表盤的刻度，包括以下步驟：
輸入代表指針刻度圖像集，訓練CNN分類模型；
將待識別的指針式數顯儀表盤圖像輸入訓練好的模型進行識別。
本發明至少具有如下有益效果：
(1)現有技術中對指針式數顯儀表指針定位主要是通過圖像處理或機器視覺技術確定數顯儀表刻度與指針的相對位置進而確定指針位置，或者直接利用指針特征確定指針位置，現有的方法包括減影法、最小二乘法以及對這些方法的綜合。減影法使用最大灰度法計算無指針的數顯儀表模板圖像，然后通過模板圖像與實際圖像相減得到指針位置。該方法適用于光照充足條件下獲取圖像指針位置，對于光照變化大、有陰影等環境下的圖像，其背景發生變化較大，減影法會影響檢測出的指針區域。最小二乘法首先使用小波變換提取指針與刻度邊緣點集合，然后使用最小二乘法擬合指針直線，定位準確性較差。本發明采用霍夫直線變換，在指針邊界存在噪聲干擾或者光照不均勻引起指針圖像間斷的情況下，仍具有較好的容錯性和魯棒性。
(2)現有技術中基于圖像的指針式數顯儀表檢定方法處理工作復雜，識別過程耗時較長，而且穩定性、魯棒性以及識別精度等指標往往達不到要求，且其檢測效率普遍較低。本發明的方法簡便，耗時短，檢測效率高。
(3)現有技術中對指針式數顯儀表識別方法多針對普通指針式數顯儀表，而對于高精度、帶反光鏡的指針式數顯儀表，要求指針與指針在反光鏡中的成像重合時判斷其讀數，則當前大部分方法不適用。本發明對指針式數顯儀表識別處理中最關鍵的數顯儀表盤圓心定位，為指針回轉中心的確定，即數顯儀表盤原點。采用隨機抽樣一致算法來篩選直線交點，確定實際指針的交點。通過霍夫變換、進一步的篩選直線，得到笛卡爾坐標系中代表數顯儀表盤刻度的直線，在笛卡爾坐標系求直線的交點即數顯儀表盤的原點就是在極坐標下求直線，通過求可能性最大的直線來求出在笛卡爾坐標系中的原點。
(4)本發明在準確定位了數顯儀表盤的原點后，通過卷積神經網絡檢測出數顯儀表上的指針刻度，卷積神經網絡在語音識別、人臉識別、通用物體識別、運動分析、自然語言處理甚至腦電波分析方面均有優異的表現，對指針式數顯儀表盤的圖像進行準確識別。
附圖說明
圖1為本發明方法實施例1的指針式數顯儀表數字化方法的步驟流程圖；
圖2為本發明方法實施例2的指針式數顯儀表數字化方法的步驟流程圖；
圖3為本發明方法實施例3的指針式數顯儀表數字化方法的步驟流程圖；
圖4為本發明方法實施例4的指針式數顯儀表數字化方法的步驟流程圖；
圖5為本發明方法實施例5的指針式數顯儀表數字化方法的步驟流程圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
相反，本發明涵蓋任何由權利要求定義的在本發明的精髓和范圍上做的替代、修改、等效方法以及方案。進一步，為了使公眾對本發明有更好的了解，在下文對本發明的細節描述中，詳盡描述了一些特定的細節部分。對本領域技術人員來說沒有這些細節部分的描述也可以完全理解本發明。
方法實施例1
參見圖1，為本發明實施例的本發明的技術方案為指針式數顯儀表數字化方法的步驟流程圖，包括以下步驟：
S10，獲取指針式數顯儀表盤圖片；
S20，霍夫變換提取直線；
S30，篩選出代表刻度的直線；
S40，確定指針原點；
S50，識別指針式數顯儀表盤的刻度。
具體實施例中，獲取圖片主要兩種：(1)工業相機拍攝；(2)移動式智能拍攝。工業相機的拍攝速度遠遠高于一般的相機，快門時間非常短，可以抓拍快速運動的物體，而且工業相機輸出的數據是裸數據，其光譜范圍比較寬，比較適合高質量的圖像處理算法，但是工業價格比較高，比一般相機價格高很多。指針式數顯儀表多用在變電站系統、石油工業領域等工業場所，對速度要求不是很高，所有最終選擇移動式智能拍攝來獲取原始指針式數顯儀表圖片S10獲取指針式數顯儀表盤圖片采用移動式智能拍攝獲取。
方法實施例2
參見圖2，圖1中的S20具體包括以下步驟：
S201，把獲取的指針式數顯儀表盤圖片轉化為灰度圖像；
S202，高斯去燥，提高圖像質量；
S203，提取圖像邊緣；
S204，進行二值化處理；
S205，映射到霍夫空間；
S206，取局部極大值，設定閾值，過濾干擾直線；
S207，繪制直線，標定角點。
霍夫變換是通過圖像處理從圖像中識別幾何形狀的基本方法之一，應用很廣泛，也有很多改進算法。主要用來從圖像中分離出具有某種相同特征的幾何形狀(如，直線，圓等)。在本發明中就是通過霍夫變換是從黑白圖像中檢測直線。具體實施例中，S203采用梯度算子或拉普拉斯算子或canny算子或sobel算子，
方法實施例3
參見圖3，圖1中的S30具體包括以下步驟：
S301，限制獲得直線的角度，數顯儀表盤的刻度直線角度范圍為0-90°，通過設置直線斜率的范圍去除部分干擾直線；
S302，限制獲得直線的長度，代表數顯儀表盤刻度的直線主要有兩種，一種較長，分別代表刻度0、150、300、450，還有一種刻度線較短，分別在0～150，150～300，300～450之間，通過限制直線的長度在短刻度和長刻度之間，獲取代表數顯儀表盤刻度的直線。
經過霍夫變換后提取出數顯儀表盤上的所有直線，為了得到數顯儀表盤上的刻度，需要對霍夫變換后得到的直線進行篩選。
方法實施例4
參見圖4，圖1中的S40具體包括以下步驟：
S401，在數據中隨機選擇幾個點設定為內群；
S402，計算適合內群的模型；
S403，把沒選到的點帶入建立的模型中，計算是否為內群；
S404，記下內群數量；
S405，重復以上步驟若干次；
S406，比較計算中內群數量，取最多次所建的模型。
指針式數顯儀表圖像識別處理中的關鍵部分為數顯儀表盤圓心的定位，也就是指針回轉中心的確定，即數顯儀表的原點。本發明中通過之前步驟中的霍夫變換、進一步的篩選直線，得到笛卡爾坐標系中代表數顯儀表盤刻度的直線，在笛卡爾坐標系求直線的角度即數顯儀表盤的原點就是在極坐標下求直線，再通過隨機抽樣一致算法求可能性最大的直線，來求出在笛卡爾坐標系中的原點。
隨機抽樣一致算法用來在一組包含離群的被觀測數據中估算出數學模型的參數。是一種非確定性算法，在某種意義上說，它會產生一個在一定概率下合理的結果，其允許使用更多次的迭代來使其概率增加。該算法基于如下假設：
(1)數據的分布可以用一些模型參數來解釋，稱為“局內點”；
(2)不能適應該模型的數據，稱為“局外點”；
(3)除此之外的數據屬于噪聲。
為了得到數顯儀表盤原點，把代表數顯儀表盤刻度的直線從笛卡爾坐標系轉化為極坐標系，即原來在笛卡爾坐標系中的刻度線轉化為極坐標下的點，通過在隨機抽樣一致算法來擬合可能性最大的直線，即數顯儀表盤的原點。
基于假設，轉化到極坐標下的代表刻度線的一組點集合包含了內群以及離群，其中內群為可以被擬合到線段上的點，而離群則是無法被擬合的點，然后只通過內群來計算出模型，為了保證得到的結果最好，必須小心選擇參數，使其能有足夠的概率。
方法實施例5
參見圖5，圖1中的S50具體包括以下步驟：
S501，輸入代表指針刻度圖像集，訓練CNN分類模型；
S502，將待識別的指針式數顯儀表盤圖像輸入訓練好的模型進行識別。
卷積神經網絡在語音識別、人臉識別、通用物體識別、運動分析、自然語言處理甚至腦電波分析方面均有優異表現，故本發明采用卷積神經網絡的原理對指針式數顯儀表盤的刻度進行識別。
以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。
一直為國內外工業自動化設備技術改造提供先進的解決方案。
