智能車控制的數(shù)顯儀表識別技術(shù)研究*

吳開田 ，陳 丹 ，2，邱 洋 ，徐哲壯 ，2，簡榮貴 ，陳 劍 ，2

(1.福州大學(xué) 電氣工程與自動化學(xué)院，福建 福州 350000；2.工業(yè)自動化控制技術(shù)與信息處理福建省高校重點實驗室，福建 福州350000)

0 引言

隨著人工智能技術(shù)的快速發(fā)展，人工智能服務(wù)經(jīng)濟(jì)社會發(fā)展的情況越來越普遍，各個行業(yè)智能化和自動化的程度越來越高，移動機(jī)器人是人工智能的一個重要體現(xiàn)，目前已經(jīng)廣泛應(yīng)用在智能家居、航天航空、工業(yè)生產(chǎn)線、商場服務(wù)業(yè)、安保、物流分揀、助老助殘、工業(yè)巡檢、軍事勘察等各個領(lǐng)域[1-3]。 移動機(jī)器人本體運動控制的研究雖然具有一定的基礎(chǔ)，但機(jī)器人本體的運動功能已經(jīng)無法適應(yīng)目前市場的需求，許多研究者將目光集中在機(jī)器人后續(xù)功能的開發(fā)。

在工業(yè)生產(chǎn)的各個領(lǐng)域中，數(shù)顯式儀表分布非常廣泛， 它時刻記錄著各個生產(chǎn)節(jié)點的數(shù)據(jù)信息，它是工業(yè)生產(chǎn)的關(guān)鍵數(shù)據(jù)來源。 由于數(shù)顯式具有顯示簡單、使用簡便、精確度高、集成度高等優(yōu)點，因此其應(yīng)用越來越廣泛。 隨著機(jī)器人技術(shù)的快速發(fā)展，使用移動機(jī)器人代替人工巡檢的應(yīng)用已經(jīng)越來越多[4]。

目前，數(shù)顯儀表的數(shù)字識別方法主要有三種：自動抄表(Automated Meter Reading，AMR)[5]、人工記錄和圖像識別[6]。 很多數(shù)顯式儀表不具有無線通信模塊或者計算機(jī)接口，無法通過AMR 技術(shù)進(jìn)行自動記錄數(shù)據(jù)，而且AMR 技術(shù)通常需要對儀表本身進(jìn)行結(jié)構(gòu)改造，這是一項高成本、長時間以及工作量巨大的工作。 傳統(tǒng)的人工抄表無法適應(yīng)應(yīng)用廣泛的儀表，迫使研究學(xué)者從其他方面解決這些問題。 越來越多的研究學(xué)者將目光轉(zhuǎn)移到圖像上，通過圖像對數(shù)顯儀表進(jìn)行數(shù)字識別可以很好地降低成本，提升識別精度。

圖像識別獲取數(shù)顯式儀表數(shù)據(jù)信息是讀表的一種重要方式。 Rodriguez 等人[7]在 2014 年使用 Hausdorff距離[8]對儀表數(shù)字進(jìn)行識別；Cui 等人[9]在 2016 提出了一種字符分割的新方法，對使用梯度方向直方圖進(jìn)行特征檢測有較好的促進(jìn)效果，字符識別則采用支持向量機(jī)(Support Vector Machine，SVM)；Han 等人[10]在2018 年提出一種具有記憶優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)，可以消除對全連接層的需求，大幅度減少運算量；Lin 等人[11]在 2019 年提出了一種改進(jìn)的筆畫寬度變換和支持向量機(jī)對目標(biāo)進(jìn)行檢測和識別，可以有效克服字符傾斜、字符大小不一等因素對識別精度的影響；Yang 等人[12]在 2019 年提出一種全卷積序列識別網(wǎng)絡(luò)，對數(shù)字進(jìn)行識別，可以減少網(wǎng)絡(luò)參數(shù)和計算機(jī)運算量，還提出了一個增廣損失函數(shù)對數(shù)字間隙進(jìn)行處理；郭蘭英等人[13]在 2020 年提出一種可變性卷積神經(jīng)網(wǎng)絡(luò)模型對網(wǎng)絡(luò)感受野的結(jié)構(gòu)進(jìn)行優(yōu)化，有效提高了數(shù)字識別精度。

移動機(jī)器人搭載相機(jī)拍攝圖片進(jìn)行數(shù)字識別，不僅可以減少人工檢測勞動量，還可以降低檢測質(zhì)量差的問題，但是收集圖像與數(shù)字識別之間有一個很大的時間差，使得數(shù)字識別的時效性較低。 而移動機(jī)器人搭載攝像頭可以通過圖片信息適當(dāng)?shù)乜刂埔苿訖C(jī)器人移動，使攝像頭拍攝的圖片可以更加清晰。

針對智能車巡檢讀表受圖像清晰度和色彩均衡度等因素影響的問題，本文提出了一種基于智能車控制策略和改進(jìn)的圖像增強(qiáng)算法的數(shù)字識別技術(shù)，主要內(nèi)容如下：

(1)由輕量級網(wǎng)絡(luò)對目標(biāo)設(shè)備進(jìn)行識別，避免其他相似設(shè)備對目標(biāo)設(shè)備造成影響。 利用數(shù)顯式儀表數(shù)字內(nèi)容與儀表背景色具有色差的特點，對目標(biāo)檢測的結(jié)果進(jìn)行圖像膨脹，為智能車控制做準(zhǔn)備。

(2)由于環(huán)境和智能車導(dǎo)航誤差影響，圖像膨脹效果較差。 基于圖像膨脹的結(jié)果對智能車進(jìn)行運動控制，更新智能車攝像頭拍攝的視頻幀，提高圖像膨脹結(jié)果，為圖像色彩增強(qiáng)做準(zhǔn)備。

(3)對智能車控制策略矯正后的圖像膨脹結(jié)果進(jìn)行圖像切割，獲取儀表數(shù)字區(qū)域。 由于光照不均勻的影響，切割后圖像會出現(xiàn)明暗不一致的現(xiàn)象，使用一種改進(jìn)后的圖像色彩均衡算法對切割圖像進(jìn)行色彩均衡。 最后，使用深度學(xué)習(xí)網(wǎng)絡(luò)對經(jīng)過色彩均衡后的圖像進(jìn)行數(shù)字識別。

1 圖像膨脹

使用 YOLOv4-tiny 算法[14]可以快速并有效識別儀表。 由于數(shù)顯儀表的數(shù)字與儀表背景有明顯的色差，而且數(shù)字與數(shù)字之間有小間隙，因此使用RGB色彩膨脹[15]可以把每一行數(shù)字連成一塊，從而達(dá)到數(shù)字切割的目的。 圖像膨脹的函數(shù)表達(dá)式如下所示：

圖像膨脹在去除噪聲的同時會對二值圖像的白色區(qū)域進(jìn)行擴(kuò)張。 圖像膨脹的對象是二值圖像，上式的E 就是一張原圖的二值圖像，B 是卷積核（也稱為結(jié)構(gòu)元素），B(x)是卷積核 B 在集合 x 中平移的結(jié)果，如果 B(x)與E 相交且不為空，則記下此時的像素點，所有這些像素點的集合則是圖像膨脹后的結(jié)果。 簡而言之，通過卷積核B 在二值圖像E上進(jìn)行卷積計算，逐個掃描E 中的像素點，卷積核B 的元素與二值圖像 E 的元素做“與”運算，元素都為 0 則結(jié)果為 0，否則為 255，結(jié)果如圖 1 所示。

圖1 表示了一張圖像從原圖到二值化圖再到膨脹圖的三個過程。圖1(b)表示原圖經(jīng)過二值化處理后的圖像，背景色變成黑色(通道值是 0)，數(shù)字則變成白色(通道為 255)。 圖 1(c)是通過卷積核將兩個數(shù)字之間的間隙進(jìn)行擴(kuò)張，使得每一行數(shù)字膨脹為一個完整的白條，有利于后面的數(shù)字切割。

智能車攝像頭拍攝視頻的清晰度與智能車相對于儀表的位置有關(guān)，攝像頭模糊對焦造成圖像膨脹的結(jié)果如圖2 所示。

圖2 智能車到達(dá)指定點后的模糊對焦情況

圖2 中 RA1、RA2和 RA3代表相應(yīng)深灰色框區(qū)域面積；GA1、GA2和 GA3代表相應(yīng)淺灰色框區(qū)域面積。圖2(a)代表智能車相對于數(shù)顯儀表呈右偏狀態(tài)，或者代表此時儀表面向智能車的左側(cè)出現(xiàn)干擾(左側(cè)有干擾光照或者左側(cè)儀表屏幕反射光強(qiáng)烈)，使圖像出現(xiàn)深灰色方框相比淺灰色方框呈左邊凸出的情況；圖2(b)代表智能車相對于數(shù)顯儀表呈左偏狀態(tài)，或者代表此時儀表面向智能車的右側(cè)出現(xiàn)干擾(右側(cè)有干擾光照或者右側(cè)儀表屏幕反射光強(qiáng)烈)出現(xiàn)深灰色方框相比淺灰色方框呈右邊凸出的情況；圖2(c)代表智能車距離數(shù)顯儀表較遠(yuǎn)，出現(xiàn)深灰色方框面積RA3與淺灰色方框面積 GA3相差較大的情況。

2 智能車控制策略

智能車巡檢時，可根據(jù)現(xiàn)場的物理世界信息，實時矯正自身的位姿，使智能車傳輸?shù)牡膱D像信息更符合機(jī)器視覺處理的圖像。 為了使圖像拍攝清晰， 有必要設(shè)定一個控制策略調(diào)整智能車的位置，重新拍攝圖像。 針對圖2 中出現(xiàn)的三種情況，定義一張膨脹圖的坐標(biāo)，如圖3 所示。

圖3 坐標(biāo)定義

圖3 的(xr1，yr1)和 (xr2，yr2)是 深 灰 色 框 的 左 上 角和 右 上 角 坐 標(biāo) ；(xg1，yg1)和 (xg2，yg2)是 淺 灰 色 框 的 左上角和右上角坐標(biāo)；wr和hr是深灰色框的寬和高；wg和 hg是淺灰色框的寬和高。

對于圖2 中出現(xiàn)的三種情況，計算它們各自的面積比，其表達(dá)式如下所示：

一張圖像的坐標(biāo)原點是圖像的左上角，圖像橫向方向是坐標(biāo)x 軸方向，圖像縱向方向是坐標(biāo) y 軸方向。 因此，當(dāng)上式 Δ1>0 時，智能車狀態(tài)處于圖 2的情況 1；當(dāng)上式 Δ2>0 時，智能車狀態(tài)處于圖 2 的情況 2；當(dāng)上式 Δ3<1 時，智能車狀態(tài)處于圖 2 的情況 3。 在實際測量中，圖 3 中深灰色框左端邊界和淺灰色框面積的左端邊界往往無法在同一垂直線上，所以Δ1一般不為 0；深灰色框右端邊界線和淺灰色框面積的右端邊界往往無法在同一垂直線上，所以Δ2一般不為0；深灰色框面積和淺灰色框面積往往無法完全相等， 所以 Δ3一般不為 1。 因此，通過這三種情況的面積比以及智能車自身特性，以一定的邏輯控制和閾值設(shè)定構(gòu)造智能車控制策略，如圖 4 所示。

圖4 的 λ1、λ2和 λ3由大量的實驗數(shù)據(jù)獲得，其中閾值 λ1=λ2=0.1、λ3=0.8；圖 4 的 12×Δ1(cm)、12×Δ2(cm)和 12×(1-Δ3)(cm)代表智能車進(jìn)行相應(yīng)的厘米級移動，其中 12 代表智能車 SLAM 導(dǎo)航的最大誤差，單位是 cm，(1-Δ3)代表 Δ3的面積越大，進(jìn)行的智能車移動距離越小。 以圖 4 的情況 1 為例，對智能車控制策略進(jìn)行描述：首先對攝像頭傳輸?shù)囊曨l幀進(jìn)行圖像膨脹，計算 Δ1的大??；然后判斷 Δ1是否大于 0，若是，則往下執(zhí)行，若否，則結(jié)束，進(jìn)行情況 2 的判斷；然后判斷 Δ1是否大于 λ1，若是，則智能車左移 12×Δ1(cm)，若否，則結(jié)束，進(jìn)行情況 2的判斷。 智能車控制策略將會按照順序?qū)D2 的三種情況進(jìn)行運動調(diào)整。

圖4 智能車控制策略

簡而言之，首先獲取攝像頭傳輸?shù)囊曨l幀，然后進(jìn)行圖像膨脹，以情況 1、情況 2 和情況 3 的順序判斷圖像膨脹屬于圖2 的哪一種情況；最后計算面積比 Δ1、Δ2和 Δ3的大小，比較完面積比與相應(yīng)閾值的大小后，進(jìn)行相應(yīng)的移動，否則將結(jié)束智能車控制策略環(huán)節(jié)。 在執(zhí)行智能車控制策略之后，將進(jìn)行圖像色彩增強(qiáng)。

3 圖像增強(qiáng)

在現(xiàn)實應(yīng)用場景中，由于光照不均勻和數(shù)顯儀表屏幕反光的影響，攝像頭拍攝的視頻幀會出現(xiàn)明暗不一致的現(xiàn)象，如圖5 所示。

圖5 是一個儀表的原圖，有四行數(shù)字，第一行是電壓，第二行是電流，第三行是功率，第四行是電阻。 可以明顯看出四行數(shù)字的明暗程度都不一樣。因此，需要對圖像進(jìn)行色彩增強(qiáng)，本文使用自動色彩均衡(ACE)算法[16]進(jìn)行圖像增強(qiáng)。 ACE 首先可經(jīng)過圖像平滑或者低通濾波獲得其低頻部分，然后用原圖減去低頻部分獲得高頻部分，最后使用對比度增益對高頻部分進(jìn)行增強(qiáng)。ACE 算法的基本函數(shù)公式如下所示：

圖5 圖像明暗不一致的模糊圖像

式中R(x)代表彩色空間調(diào)整結(jié)果，它是一個中間處理值，Subset 是圖像像素集，x 是固定像素值，y 是可變化像素值，I(x)-I(y)代表兩個像素之間強(qiáng)度差 ，d(x，y)是距離 度 量函 數(shù)(一 般 取歐 拉距離)，Sα的表達(dá)式如下所示：

式中，α 是 斜 率 ，Sα是 斜 率 函 數(shù) ，Sα在 三 個 范 圍 內(nèi) 取值，r=I(x)-I(y)。

然后對調(diào)整后的圖像進(jìn)行動態(tài)擴(kuò)展。 一張彩色圖像具有RGB 三個通道， 對單一通道進(jìn)行線性擴(kuò)展，其表達(dá)式如下所示：

其 中 ，sc斜 率 為 [(mc，0)，(Mc，255)]， 且 mc是 R(x)的最小值，Mc是 R(x)的最大值。 最后，將上式映射到[0，255]的空間中。

文獻(xiàn)[17]對 ACE 算法提出了一個變分解釋，其求解的最小化問題如下所示：

其中 w(x，y)=1/||x-y||。

式(3)的算法復(fù)雜度為 O(N4)，其復(fù)雜度較高，一幅圖像越大其計算量越大。 為了減少ACE 算法的計算量，本文針對數(shù)字識別需求對y 的范圍進(jìn)行改進(jìn)，使用圖像膨脹對數(shù)字進(jìn)行切割，去除除數(shù)字外的其余像素， 可以使圖像像素大量減少， 降低了ACE 算法的運算量，節(jié)省計算機(jī)運行時間，提高智能車數(shù)字識別的工作效率。 除此之外，為了可以更好地增強(qiáng)圖像的高頻部分，本文使用Huber 函數(shù)[18]對式(6)的權(quán)重進(jìn)行更改，結(jié)合歐拉距離函數(shù)，得到Huber 權(quán)重函數(shù)如下所示：

其中，可變像素值 y 與固定像素 x 之間的歐拉距離為 dy=1/||x-y||，是所有 dy的 均 值 。 若 像素歐拉 距離 dy小于均值則權(quán)重 wy為 1； 若像素歐拉距離 dy大于均值則權(quán)重 wy小于 1；歐拉距離越大，也就是距離固定點越遠(yuǎn)，權(quán)重系數(shù)越小，其色彩增強(qiáng)效果也越小。 改進(jìn)的 ACE 算法對圖像色彩增強(qiáng)的效果如圖 6 所示。

圖6 圖像增強(qiáng)前后結(jié)果對比

圖6(a)是一個儀表的原圖，第三行的功率可由第一行的電壓和第二行的電流乘積獲得，第四行的電阻基本遠(yuǎn)遠(yuǎn)小于0 Ω，所以本文不對第三行功率和第四行電阻進(jìn)行識別，只識別電壓和電流，電壓和電流的單位分別是 V 和 A。 圖 6(b)是 ACE 算法的增強(qiáng)結(jié)果。 圖 6(c)是本文改進(jìn)的 ACE 算法的增強(qiáng)結(jié)果，可以明顯看出圖像大小已經(jīng)減小，數(shù)字圖像色彩變得更均衡，圖像更清晰。 在圖像進(jìn)行色彩均衡后，智能車將開始進(jìn)行數(shù)字識別。

本文使用深度學(xué)習(xí)網(wǎng)絡(luò)CRNN 對圖像進(jìn)行數(shù)字識別，CRNN 是一個組合網(wǎng)絡(luò)，由 CNN+RNN+CTC 組成，其中 CNN 用于提取圖像特征，RNN 在 CNN 提取特征的基礎(chǔ)上，通過雙向LSTM 對每一個特征進(jìn)行學(xué)習(xí)，對標(biāo)檢進(jìn)行預(yù)測并輸出，最后用CTC 計算損失函數(shù)，以損失函數(shù)作為指標(biāo)，篩選損失值最小的模型作為數(shù)字識別的最終模型，其網(wǎng)絡(luò)結(jié)構(gòu)和原理可查閱文獻(xiàn)[17]。

4 實驗結(jié)果與分析

4.1 控制策略調(diào)整實驗

由于SLAM 導(dǎo)航算法存在誤差，智能車往往無法精確到達(dá)指定位置進(jìn)行工作，因此需要對智能車進(jìn)行位置調(diào)整；由于儀表分布位置非常廣泛，每一個儀表所處的環(huán)境也不盡相同，導(dǎo)致儀表屏幕反射光的位置也不一樣。

為了驗證本文智能車控制策略可以有效提高智能車實時傳輸?shù)囊曨l幀清晰度，在現(xiàn)實實驗環(huán)境中，模擬擺放一組數(shù)顯式儀表，并在不同時間段和實驗位置的情況下，智能車依靠事先準(zhǔn)備好的建圖和路徑規(guī)劃，進(jìn)行總計100 次 SLAM 導(dǎo)航實驗，統(tǒng)計圖2 的三種情況所出現(xiàn)的個數(shù)，并計算式(2)中面積比 Δ1、Δ2和 Δ3的大 小。 然 后 根據(jù) Δ1、Δ2和 Δ3與閾值 λ1、λ2和 λ3大小比較結(jié)果，進(jìn)行相應(yīng)的智能車控制策略，計算 Δ1、Δ2和 Δ3在智能車控制策略后的大小，并統(tǒng)計它們在智能車控制策略調(diào)整前后的出現(xiàn)概率，驗證本文智能車控制策略的可行性。 上述的實驗結(jié)果如圖7 所示。

圖7 執(zhí)行智能車控制前后效果對比

調(diào)整前Δ1曲線波動范圍較小，出現(xiàn)的最大正數(shù)是 0.197，最小負(fù)數(shù)是-0.449；調(diào)整前 Δ2曲線的波動范圍比調(diào)整前 Δ1曲線略大，其中調(diào)整前 Δ2曲線的最大正數(shù)是 0.393，最小負(fù)數(shù)是-0.446；調(diào)整前 Δ3的曲線波動范圍比調(diào)整前 Δ1和調(diào)整前 Δ2兩條曲線的波動范圍都要大， 其中調(diào)整前Δ3曲線出現(xiàn)的最大值是 1.317，最小值是 0.364 6。

調(diào)整后 Δ1曲線幾乎沒有波動，Δ1的大小多為0，出現(xiàn)的最大正數(shù)是 0.019，最小負(fù)數(shù)是-0.075，調(diào)整后 Δ2曲線的波動范圍比調(diào)整后 Δ1曲線略大，其中調(diào)整后Δ2曲線的最大正數(shù)是 0.042， 最小負(fù)數(shù)是-0.139；調(diào)整后 Δ3的曲線波動范圍比調(diào)整后 Δ1和調(diào)整后Δ2兩條曲線的波動范圍都要大，其中調(diào)整后 Δ3曲線出現(xiàn)的最大值是 1.068，最小值是 0.861。圖 7 中出現(xiàn)的 Δ1小于 0 的值，代表此時智能車狀態(tài)不屬于情況 1；圖 7 中出現(xiàn)的 Δ2小于 0 的值，代表此時智能車狀態(tài)不屬于情況 2。 總之調(diào)整后，Δ1的正數(shù)值和Δ2的正數(shù)值只在小數(shù)點后第二位開始具有數(shù)值大小，可以默認(rèn)調(diào)整后的 Δ1的正數(shù)值和 Δ2的正數(shù)值為 0；調(diào)整后的 Δ3最大值接近 1，最小值大于智能車控制策略設(shè)定的閾值λ3。

智能車在SLAM 導(dǎo)航到目標(biāo)位置后，出現(xiàn)Δ1>0.1的概率是0.02%；同樣地，出現(xiàn)Δ2>0.1 的概率是15%；出現(xiàn) Δ3<0.8 的概率是 30%。 經(jīng)過智能車控制策略后，出現(xiàn) Δ1>0.1 的概率是 0%；同樣地，出現(xiàn) Δ2>0.1的概率是 0%；出現(xiàn) Δ3<0.8 的概率是 0%。 因此，通過智能車控制策略后，圖像膨脹的結(jié)果得到提升，這驗證了本文智能車控制策略的有效性。

4.2 圖像色彩增強(qiáng)實驗

本文使用的計算機(jī)處理器是Intel?CoreTMi5-4210U CPU@1.70 GHz 2.40 GHz；運行內(nèi)存是 12.0 GB。

在本文的數(shù)字識別技術(shù)中，首先使用目標(biāo)檢測深度學(xué)習(xí)網(wǎng)絡(luò)YOLOv4-tiny 識別數(shù)顯式儀表，利用預(yù)測盒坐標(biāo)切割儀表表盤區(qū)域，一方面有效避免其他設(shè)備對目標(biāo)設(shè)備識別造成干擾，另一方面可避免其他相同顏色對基于顏色膨脹的算法造成干擾。

使用圖像膨脹對圖像進(jìn)行數(shù)字切割，縮小一張圖像的大小，減少了ACE 算法的計算量。 本次實驗使用ACE 算法計算一張1 280×720 的原圖和使用改進(jìn)的ACE 算法計算這張原圖經(jīng)過圖像膨脹切割后的運行時間，進(jìn)行 100 次計算，其結(jié)果如表 1 所示。

表1 運行時間 (s)

在數(shù)字領(lǐng)域，使用顏色膨脹可以有效地限制圖像自動均衡算法的計算量。 如表 1 所示，改進(jìn)的ACE 算法比文獻(xiàn)[16]的 ACE 算法的運行時間要短，最大運行時間節(jié)省 2.843 s，最小運行時間節(jié)省2.421 s，平均運行時間節(jié)省 2.649 s，運行效率平均提高了95.82%。

為了更好地比較ACE 算法和改進(jìn)的 ACE 算法對圖像的色彩增強(qiáng)效果，本將使用圖像的信息熵和平均梯度這兩個指標(biāo)來評估圖像增強(qiáng)效果[19]。

信息熵代表一張圖像的信息量，所以熵越大，代表圖像增強(qiáng)的效果越好。 由于圖像具有 RGB 三個通道，因此需要分別求出各個通道的信息熵(Er、Eg和Eb)，然后再對三個通道的信息熵進(jìn)行平均得到平均信息熵

圖像平均梯度代表圖像像素之間的局部方差，平均梯度越大，可以更好地分辨圖像。

同樣地，由于圖像具有RGB 三個顏色通道，因此需要分別求出各個通道的平均梯度(Gr、Gg和 Gb)，然后再對三個通道的平均梯度進(jìn)行平均得到平均值

如表 2 所示，本文使用 100 張 1 280×720 圖像對圖像信息熵和平均梯度進(jìn)行實驗。 結(jié)果表明，改進(jìn)的ACE 算法的信息熵和平均梯度均比ACE 算法和原圖的信息熵和平均梯度高，證明了本文算法的有效性。

表2 信息熵和平均梯度

4.3 數(shù)字識別實驗

為了驗證本文技術(shù)在數(shù)字識別中的可行性，現(xiàn)場采集了500 張不同光照和不同清晰度的圖片進(jìn)行驗證，其結(jié)果如表3 所示。

表3 數(shù)字識別結(jié)果

表 3 表明，數(shù)字識別的正確率達(dá)到94.6%，錯誤識別率是 3.6%，無效識別率是 1.8%。 造成無效識別的主要原因是儀表屏幕反光過于嚴(yán)重，圖像膨脹不理想，數(shù)字切割不完整。 對于降低強(qiáng)光直接照射儀表屏幕導(dǎo)致反光嚴(yán)重的問題，可以在智能車上搭載遮光板，對強(qiáng)光反射有一定的抑制作用。

5 結(jié)論

目前，有關(guān)數(shù)字識別的工作主要集中在圖像采集、圖像處理以及識別算法上面，而對于移動機(jī)器人的實時控制則甚少涉及。 本文提出了一種使用深度學(xué)習(xí)、智能車控制策略和圖像色彩增強(qiáng)算法對數(shù)字進(jìn)行識別的技術(shù)。 為了避免其他相似設(shè)備在定位目標(biāo)儀表時造成干擾，使用了目標(biāo)檢測網(wǎng)絡(luò)對目標(biāo)儀表進(jìn)行識別。 在實時的數(shù)字識別中，為了提高圖像膨脹的魯棒性，使用智能車控制策略調(diào)整智能車位置，可以實時提高攝像頭拍攝的圖片清晰度。 并結(jié)合了圖像處理技術(shù)，使用改進(jìn)的ACE 算法對圖像色彩進(jìn)行均衡化，提高數(shù)字的細(xì)節(jié)部分。 最后使用了卷積循環(huán)神經(jīng)網(wǎng)絡(luò)對數(shù)字進(jìn)行識別。 實驗結(jié)果表明，智能車在運動控制策略的作用下有效地改善了圖像膨脹的結(jié)果；改進(jìn)的圖像增強(qiáng)算法也有效提高了圖像信息度。 這證明了本文技術(shù)的可行性，此技術(shù)對工業(yè)數(shù)字識別有良好的促進(jìn)意義。