本发明属于数字图像处理领域，涉及一种指针式数显仪表数字化方法。
背景技术：
指针式数显仪表具有性能可靠、工作原理简单、价格低廉、抗干扰能力强等优点，在日常生活和工业现场具有广泛的应用。面对大量需要进行检定的指针数显仪表，采用人工读数的方式检定数显仪表读数，数据容易产生误差，此外有些环境恶劣的工业现场不适合人工抄表记录数据，因而研究实现指针式数显仪表显示数据的自动识别在一些工业现场具有重要的实用意义。随着数字图像处理技术的日益成熟，将其应用到指针式数显仪表的自动识别系统中是一种有效的解决方法。
指针式数显仪表识别主要包括指针定位与数显仪表读数识别两部分。指针定位主要是通过图像处理或机器视觉技术确定数显仪表刻度与指针的相对位置进而确定指针位置,或者直接利用指针特征确定指针位置，现有的方法包括减影法、最小二乘法以及对这些方法的综合。减影法使用最大灰度法计算无指针的数显仪表模板图像,然后通过模板图像与实际图像相减得到指针位置。该方法适用于光照充足条件下获取图像指针位置，对于光照变化大、有阴影等环境下的图像，其背景发生变化较大，减影法会影响检测出的指针区域。最小二乘法首先使用小波变换提取指针与刻度边缘点集合，然后使用最小二乘法拟合指针直线。
技术实现要素：
为解决上述问题，本发明的目的在于提供一种采用霍夫变换提取直线、随机抽样一致算法得到数显仪表原点、通过卷积神经网络检测出数显仪表的针盘刻度的指针式数显仪表数字化方法，具有较好的容错性和鲁棒性。
为实现上述目的，本发明的技术方案为指针式数显仪表数字化方法，包括以下步骤：
获取指针式数显仪表盘图片；
霍夫变换提取直线；
筛选出代表刻度的直线；
确定指针原点；
识别指针式数显仪表盘的刻度。
优选地，所述获取指针式数显仪表盘图片采用移动式智能拍摄获取。
优选地，所述霍夫变换提取直线，包括以下步骤：
把获取的指针式数显仪表盘图片转化为灰度图像；
高斯去燥，提高图像质量；
提取图像边缘；
进行二值化处理；
映射到霍夫空间；
取局部极大值，设定阈值，过滤干扰直线；
绘制直线，标定角点。
优选地，所述提取图像边缘，采用梯度算子或拉普拉斯算子或canny算子或sobel算子。
优选地，所述筛选出代表刻度的直线，包括以下步骤：
限制获得直线的角度，数显仪表盘的刻度直线角度范围为0-90°，通过设置直线斜率的范围去除部分干扰直线；
限制获得直线的长度，代表数显仪表盘刻度的直线主要有两种，一种较长，分别代表刻度0、150、300、450，还有一种刻度线较短，分别在0～150，150～300，300～450之间，通过限制直线的长度在短刻度和长刻度之间，获取代表数显仪表盘刻度的直线。
优选地，所述确定指针原点，包括以下步骤：
在数据中随机选择几个点设定为内群；
计算适合内群的模型；
把没选到的点带入建立的模型中，计算是否为内群；
记下内群数量；
重复以上步骤若干次；
比较计算中内群数量，取最多次所建的模型。
优选地，所述识别指针式数显仪表盘的刻度，包括以下步骤：
输入代表指针刻度图像集，训练CNN分类模型；
将待识别的指针式数显仪表盘图像输入训练好的模型进行识别。
本发明至少具有如下有益效果：
(1)现有技术中对指针式数显仪表指针定位主要是通过图像处理或机器视觉技术确定数显仪表刻度与指针的相对位置进而确定指针位置，或者直接利用指针特征确定指针位置，现有的方法包括减影法、最小二乘法以及对这些方法的综合。减影法使用最大灰度法计算无指针的数显仪表模板图像，然后通过模板图像与实际图像相减得到指针位置。该方法适用于光照充足条件下获取图像指针位置，对于光照变化大、有阴影等环境下的图像，其背景发生变化较大，减影法会影响检测出的指针区域。最小二乘法首先使用小波变换提取指针与刻度边缘点集合，然后使用最小二乘法拟合指针直线，定位准确性较差。本发明采用霍夫直线变换，在指针边界存在噪声干扰或者光照不均匀引起指针图像间断的情况下，仍具有较好的容错性和鲁棒性。
(2)现有技术中基于图像的指针式数显仪表检定方法处理工作复杂，识别过程耗时较长，而且稳定性、鲁棒性以及识别精度等指标往往达不到要求，且其检测效率普遍较低。本发明的方法简便，耗时短，检测效率高。
(3)现有技术中对指针式数显仪表识别方法多针对普通指针式数显仪表，而对于高精度、带反光镜的指针式数显仪表，要求指针与指针在反光镜中的成像重合时判断其读数，则当前大部分方法不适用。本发明对指针式数显仪表识别处理中最关键的数显仪表盘圆心定位，为指针回转中心的确定，即数显仪表盘原点。采用随机抽样一致算法来筛选直线交点，确定实际指针的交点。通过霍夫变换、进一步的筛选直线，得到笛卡尔坐标系中代表数显仪表盘刻度的直线，在笛卡尔坐标系求直线的交点即数显仪表盘的原点就是在极坐标下求直线，通过求可能性最大的直线来求出在笛卡尔坐标系中的原点。
(4)本发明在准确定位了数显仪表盘的原点后，通过卷积神经网络检测出数显仪表上的指针刻度，卷积神经网络在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有优异的表现，对指针式数显仪表盘的图像进行准确识别。
附图说明
图1为本发明方法实施例1的指针式数显仪表数字化方法的步骤流程图；
图2为本发明方法实施例2的指针式数显仪表数字化方法的步骤流程图；
图3为本发明方法实施例3的指针式数显仪表数字化方法的步骤流程图；
图4为本发明方法实施例4的指针式数显仪表数字化方法的步骤流程图；
图5为本发明方法实施例5的指针式数显仪表数字化方法的步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
方法实施例1
参见图1，为本发明实施例的本发明的技术方案为指针式数显仪表数字化方法的步骤流程图，包括以下步骤：
S10，获取指针式数显仪表盘图片；
S20，霍夫变换提取直线；
S30，筛选出代表刻度的直线；
S40，确定指针原点；
S50，识别指针式数显仪表盘的刻度。
具体实施例中，获取图片主要两种：(1)工业相机拍摄；(2)移动式智能拍摄。工业相机的拍摄速度远远高于一般的相机，快门时间非常短，可以抓拍快速运动的物体，而且工业相机输出的数据是裸数据，其光谱范围比较宽，比较适合高质量的图像处理算法，但是工业价格比较高，比一般相机价格高很多。指针式数显仪表多用在变电站系统、石油工业领域等工业场所，对速度要求不是很高，所有最终选择移动式智能拍摄来获取原始指针式数显仪表图片S10获取指针式数显仪表盘图片采用移动式智能拍摄获取。
方法实施例2
参见图2，图1中的S20具体包括以下步骤：
S201，把获取的指针式数显仪表盘图片转化为灰度图像；
S202，高斯去燥，提高图像质量；
S203，提取图像边缘；
S204，进行二值化处理；
S205，映射到霍夫空间；
S206，取局部极大值，设定阈值，过滤干扰直线；
S207，绘制直线，标定角点。
霍夫变换是通过图像处理从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状(如，直线，圆等)。在本发明中就是通过霍夫变换是从黑白图像中检测直线。具体实施例中，S203采用梯度算子或拉普拉斯算子或canny算子或sobel算子，
方法实施例3
参见图3，图1中的S30具体包括以下步骤：
S301，限制获得直线的角度，数显仪表盘的刻度直线角度范围为0-90°，通过设置直线斜率的范围去除部分干扰直线；
S302，限制获得直线的长度，代表数显仪表盘刻度的直线主要有两种，一种较长，分别代表刻度0、150、300、450，还有一种刻度线较短，分别在0～150，150～300，300～450之间，通过限制直线的长度在短刻度和长刻度之间，获取代表数显仪表盘刻度的直线。
经过霍夫变换后提取出数显仪表盘上的所有直线，为了得到数显仪表盘上的刻度，需要对霍夫变换后得到的直线进行筛选。
方法实施例4
参见图4，图1中的S40具体包括以下步骤：
S401，在数据中随机选择几个点设定为内群；
S402，计算适合内群的模型；
S403，把没选到的点带入建立的模型中，计算是否为内群；
S404，记下内群数量；
S405，重复以上步骤若干次；
S406，比较计算中内群数量，取最多次所建的模型。
指针式数显仪表图像识别处理中的关键部分为数显仪表盘圆心的定位，也就是指针回转中心的确定，即数显仪表的原点。本发明中通过之前步骤中的霍夫变换、进一步的筛选直线，得到笛卡尔坐标系中代表数显仪表盘刻度的直线，在笛卡尔坐标系求直线的角度即数显仪表盘的原点就是在极坐标下求直线，再通过随机抽样一致算法求可能性最大的直线，来求出在笛卡尔坐标系中的原点。
随机抽样一致算法用来在一组包含离群的被观测数据中估算出数学模型的参数。是一种非确定性算法，在某种意义上说，它会产生一个在一定概率下合理的结果，其允许使用更多次的迭代来使其概率增加。该算法基于如下假设：
(1)数据的分布可以用一些模型参数来解释，称为“局内点”；
(2)不能适应该模型的数据，称为“局外点”；
(3)除此之外的数据属于噪声。
为了得到数显仪表盘原点，把代表数显仪表盘刻度的直线从笛卡尔坐标系转化为极坐标系，即原来在笛卡尔坐标系中的刻度线转化为极坐标下的点，通过在随机抽样一致算法来拟合可能性最大的直线，即数显仪表盘的原点。
基于假设，转化到极坐标下的代表刻度线的一组点集合包含了内群以及离群，其中内群为可以被拟合到线段上的点，而离群则是无法被拟合的点，然后只通过内群来计算出模型，为了保证得到的结果最好，必须小心选择参数，使其能有足够的概率。
方法实施例5
参见图5，图1中的S50具体包括以下步骤：
S501，输入代表指针刻度图像集，训练CNN分类模型；
S502，将待识别的指针式数显仪表盘图像输入训练好的模型进行识别。
卷积神经网络在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有优异表现，故本发明采用卷积神经网络的原理对指针式数显仪表盘的刻度进行识别。
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、等同替换和改进等，均应包含在本发明的保护范围之内。
一直为国内外工业自动化设备技术改造提供先进的解决方案。
