仪表盘故障图像识别_仪表自动识别方法汇总

数字仪表示数读取

方法一：基于OpenCV和LSSVM的数字仪表读数自动识别

步骤概括：

数字仪表图像预处理

①采集图像

②仪表图像倾斜校正(Canny边缘检测与Hough变换相结合的倾斜校正方法)

③图像的形体学处理(腐蚀、膨胀，简化图像数据，除去不相干结构)

④图像二值化(将图像分割为背景和目标两部分，Otsu算法)

图像特征提取

①特征分析(形状、颜色和亮度)

②定位分割(基于连通域的方法进行定位分割/ 投影法)

③数字特征提取

读数识别(模式匹配法、基于人工神经网络法、穿线法、最小二乘支持向量机(LSSVM)算法)

方法二：openCV仪表数字识别

步骤概括：

1.自动定位数字区域(需要一张有数据的图片，一张仪表关闭时没有数据的图片；仪表数字和背景的区别是数据会在短时间内变化，这样在差分二值图中未变化的背景区域就会被滤除)

2.如果是多行数据，对数据进行按行分割(投影法)

3.照片因为拍摄角度，数字可能发生倾斜，此时进行倾斜矫正(hough变换)

4.数字分隔提取，将每行数字单独分割出来一个一个识别

①腐蚀操作，去除杂点

②膨胀，保证一个数字的数码管都是相连的

③使用openCV的函数cvFindContours查找各个数字边缘

④分别建立各个轮廓的轮廓矩

⑤将每个矩形切割出来，并单独存为一个图像

指针仪表示数读取

方法一：基于深度学习的指针仪表示数识别

步骤概括：

应用深度学习的Faster-RCNN算法从摄像头采集的图像中迅速定位仪表区域，并且去除图像的干扰信息

①传统表盘提取常用算法：

Hough变换(计算量大，抗干扰能力不强，效率较低)

区域生长分隔算法(需要手动选择种子点和判断停止条件)

②Faster-RCNN算法选用Caffe作为算法框架，C++为基础语言

找到表盘后，

①通过灰度化(加权平均法)和二值化(将灰度变成仅有0和255，选择合适的阈值，区域自适应法)

②标记出表盘刻度线和指针的连通域(四连通方式)

找表盘中心圆的圆心，根据连通域提取指针并细化

①提取指针(差影法、Hough变换检测直线、最小二乘法)

②指针细化，找指针的骨架(最小二乘法拟合)

对刻度线和表盘数字进行分割，利用基于深度学习的卷积神经网络LeNet-5识别表盘刻度值，结合刻度线的处理和刻度值的确定，计算出分度值

方法二：使用openCV进行指针仪表数值读取

方案：模板匹配+k-means+直线拟合

步骤概括：

1.模板匹配是openCV自带算法，可以根据一个模板图到目标图上寻找对应位置(两次匹配，提高精度)

2.k-means算法对图像进行二值化

3.旋转拟合直线法，假设一条直线从右边0度位置顺时针绕中心旋转当其转到指针指向的位置时重合的最多，此时记录角度，根据角度计算刻度值