基于文本特征及二次矯正的指針式儀表自動讀數(shù)算法*

陳錕劍，李 竹，周依莎，盛慶華

(杭州電子科技大學電子信息學院，浙江 杭州 310018)

1 引言

指針式儀表由于其結(jié)構(gòu)簡單、使用方便等優(yōu)點，被廣泛應用于石油化工、電力等行業(yè)。這種輸出并非數(shù)字信號的指針式儀表，無法直接通過接口進行數(shù)字化的采集與存儲，通常采用的是人工讀數(shù)的方法，但人工檢測成本高，也容易受人主觀意識的影響，檢測效率低下，難以滿足工業(yè)上實時化、智能化的監(jiān)控需求。實現(xiàn)指針式儀表的自動讀數(shù)具有巨大的實用價值，可以為工廠節(jié)約大量的人力成本和時間成本。

近年，對指針式儀表的自動讀數(shù)大多通過機器視覺技術(shù)實現(xiàn)[1 - 3]，其流程主要包括以下幾個部分：采集儀表圖像、圖像預處理、表盤圖像分割和表盤讀數(shù)，核心步驟為表盤圖像分割和表盤讀數(shù)識別。表盤圖像分割是對采集到的儀表圖像中的指針和刻度進行分離，常用的方法有霍夫變換、圖像二值化等。表盤讀數(shù)則是在得到指針和刻度圖像的基礎上，根據(jù)它們的空間關(guān)系，計算得到儀表的讀數(shù)，從原理上主要分為角度判讀法和距離判讀法。角度判讀法通過計算指針旋轉(zhuǎn)的角度與整個量程的角度的比值來得到讀數(shù)，距離判讀法通過指針到兩邊刻度線的距離來讀數(shù)。

目前在國內(nèi)外的研究中，均有大量有效的儀表識別方法被提出。部分方法[1 - 7]主要利用光學字符識別等技術(shù)對表中數(shù)字進行識別，無法實現(xiàn)指針式儀表的檢測與識別。也有大量研究人員對指針式儀表識別展開研究，其中，使用角度法的研究中，孫鳳杰等[8]通過圖像處理技術(shù)得到細化后的指針，再用同心圓環(huán)搜索法得到指針的旋轉(zhuǎn)角度，從而求得示數(shù)；羅大成等[9]先判斷指針所在直線、最小刻度線和最大刻度線3線之間的角度，選角度較小的兩條線相交得到旋轉(zhuǎn)中心，再以中心為投影的圓心，得到儀表上各個角度投影的灰度累加值，從而得到精確的指針，再利用角度法得出示數(shù)；郉浩強等[10]通過霍夫變換得到表盤和指針，之后通過角度按比例讀數(shù)；李巍等[11]通過改進的霍夫變換，結(jié)合儀表圖像的灰度信息檢測指針的位置，再通過角度法讀數(shù)；Bao等[12]在矯正完圖像后，使用圖像處理技術(shù)得到刻度線中點位置坐標，并通過圓擬合得到旋轉(zhuǎn)中心坐標，之后再利用霍夫變換得到指針線端點，計算出旋轉(zhuǎn)角度，最后得到示數(shù);Chi等[13]在儀表的圓形區(qū)域內(nèi)，使用中心投影法得到尺度標記分布圖，再使用霍夫變換來檢測指針在表盤的區(qū)域和角度，利用角度法讀數(shù)。在距離法[14]的研究中，Wang等[14]在得到指針和其相鄰的2個刻度線后，通過它們的夾角比值來讀數(shù)，這是對角度法的改進。曹宇杰等[15]使用霍夫空間投票來得到最長的直線即指針，通過指針頂端與左右刻度線的距離讀出示數(shù)的小數(shù)部分，再對刻度線進行排序計數(shù)得到示數(shù)的整數(shù)部分。羅鈞等[16]采用霍夫變換獲取指針及其附近的刻度直線，然后通過計算兩者間的距離進行讀數(shù)。

2 現(xiàn)有算法存在的問題

用現(xiàn)有算法進行儀表識別，準確率大多能達到98%左右，但是這些算法對拍攝角度有較高的要求，因此在使用前需要對圖像采集設備進行標定，或確保采集圖像時從儀表表盤正面進行拍攝，而這些要求在復雜的工業(yè)現(xiàn)場往往難以確保，故其實用性較低。當前的研究中，實用性較高的算法為基于極坐標的自動讀數(shù)法。這種算法解決了前述問題。其主要步驟如圖1a～圖1c所示，核心思想為將儀表圖像進行極坐標變換，使得原本呈圓弧狀分布的刻度變?yōu)榫€性分布，然后通過距離法讀數(shù)。

孫琳等[17]首先采用該算法處理圖像，然后通過直線掃描法得到刻度線信息。Li等[18]對刻度進行直線擬合，并將直線相交的交點坐標作為儀表的中心，然后進行極坐標轉(zhuǎn)換，再根據(jù)指針和相鄰刻度線之間的位置關(guān)系讀數(shù)。魏琦等[19]直接利用霍夫圓變換得到指針旋轉(zhuǎn)的中心，然后通過灰度值累加得到灰度值最小的行，由此得到最小刻度間距，實現(xiàn)刻度線的定位。Wang等[20]利用中心線重構(gòu)指針圖像，并將指針與重構(gòu)指針直線的交點作為極坐標變換的中心，該算法同時提取儀表的刻度線，最后通過距離法讀數(shù)。盛慶華等[21]提出了雙重霍夫空間投票算法，通過對儀表刻度的2次霍夫變換，較大幅度地提高了極坐標變換的圓心的提取精度，是當前識別魯棒性最高的算法之一。

由于極坐標轉(zhuǎn)換算法是以儀表中心為原點進行轉(zhuǎn)換的，所以其讀數(shù)精度極大程度上依賴于提取中心的準確度。如圖1d所示，中心坐標偏差較大會影響極坐標變換的結(jié)果，繼而后續(xù)讀數(shù)結(jié)果將產(chǎn)生誤差。在儀表圖像中，刻度線只包含極少量的像素信息，可以提取的圖像特征較少，而前述幾種算法均以刻度線為依據(jù)提取圓心，因此較易受到環(huán)境(如強光、陰影)的影響。較新的雙重霍夫變換方法[21]通過2次投票雖然較大程度地改善了識別效果，但是并沒有從根本上解決刻度線特征較少的問題。

Figure 1 Comparison of image polar coordinate transformation results圖1 圖像極坐標變換對比圖

本文針對目前算法存在的問題，提出一種新的指針式儀表讀數(shù)算法。其核心思想之一是以指針式儀表圖像中的大區(qū)域特征代替刻度線特征，進而對極坐標變換的圓心進行提取。而在儀表圖像中，刻度值文本圖像非常適合用來為圓心提取提供特征，其原因主要如下：

(1) 不同型號的儀表，其刻度線的分布、長度等信息通常不同，前述幾種算法通常需要調(diào)節(jié)不同的參數(shù)以適應不同型號的儀表。而刻度值文本是任意型號的儀表中必然包含的部分，且字體外觀的差異幾乎可以忽略。

(2) 刻度值文本圖像由于具有較多的特征，可以通過卷積神經(jīng)網(wǎng)絡CNN(Convolutional Neural Network)獲得非常穩(wěn)定的定位及識別結(jié)果，其魯棒性遠高于刻度線的檢測。

本文提出的指針式儀表自動讀數(shù)算法的主要優(yōu)勢如下：

(1)本文使用刻度值文本坐標代替刻度坐標進行圓擬合并檢測中心，刻度值文本圖像比刻度圖像具有更豐富的特征，因此用它來做圓心擬合得到的中心可適應更復雜的環(huán)境。

(2)本文通過深度卷積神經(jīng)網(wǎng)絡定位并識別刻度值文本的實際數(shù)值，網(wǎng)絡輸出結(jié)果不僅為極坐標轉(zhuǎn)換提供圓心坐標，其得到的數(shù)值識別結(jié)果同時可以用來改進雙重霍夫變換方法[21]中的距離讀數(shù)算法，減小讀數(shù)誤差。

(3)本文使用最小二乘法[22]對刻度值文本坐標進行圓擬合。在得到精確的擬合點坐標的條件下，最小二乘法相比霍夫變換法具有更高的擬合精度和更少的計算量[23]。

(4)本文對極坐標變換后的圖像進行二次矯正，使刻度線保持水平，極大地減小了后續(xù)的讀數(shù)誤差。

3 算法描述

根據(jù)指針表的特性，儀表的刻度值分布在一個圓弧上，該圓弧的圓心即為儀表指針的旋轉(zhuǎn)中心，如圖2所示。因此，以刻度值文本坐標為數(shù)據(jù)點擬合圓就可以確定極坐標變換的中心。本文提出的指針式儀表自動讀數(shù)算法實現(xiàn)過程如圖3所示。

Figure 2 Fitting arc with the coordinates of the dashboard scale value圖2 用儀表盤刻度值的坐標擬合圓弧

Figure 3 Process of the automatic readingalgorithm of pointer meter圖3 指針式儀表自動讀數(shù)算法過程圖

本文首先使用深度卷積神經(jīng)網(wǎng)絡對刻度值文本進行定位與示數(shù)的識別。其中，文本邊界框的中心坐標用于求解圓心坐標，數(shù)值信息用于距離法讀數(shù)。然后通過最小二乘法擬合經(jīng)過刻度值文本坐標點的圓，得到圓心坐標。求得圓心坐標之后，將圖像以儀表圓心為中心進行極坐標變換。之后對變換后的圖像進行處理，其中包括圖像二值化和圖像連通域分析，從而分離得到儀表的刻度和指針圖像。最后，對圖像進行二次矯正并使用改進的距離法進行讀數(shù)。

4 刻度值文本定位與示數(shù)識別

由于本文的重點并非改進文本檢測的結(jié)果，而是將刻度值文本圖像作為自動讀數(shù)算法所依據(jù)的特征，因此直接選擇了較為成熟的神經(jīng)網(wǎng)絡，并針對本文所檢測的目標進行訓練。

隨著深度學習的發(fā)展與進步，基于深度學習的文本檢測成為現(xiàn)階段主流的文本檢測算法。本文所采用的神經(jīng)網(wǎng)絡模型如圖4所示，圖中Conv表示卷積層，W和H分別表示輸入圖像的寬和高。該網(wǎng)絡主要由特征提取層、特征融合層和預測層組成。特征提取層使用基礎網(wǎng)絡ResNet-50，特征融合層對特征提取層提取的特征依次進行上采樣并融合提取的特征。預測層輸出得分圖(score map)和文本框圖(text box map)，score map對點是否屬于文本區(qū)域進行預測，text box map有5個通道，分別對應文本框內(nèi)的點與文本框上、下、左、右的距離以及文本框的旋轉(zhuǎn)角度，4個距離分別用dt,db,dl和dr表示。從而得到包含角度信息的文本位置信息。最后將得到的文本框進行非極大值抑制處理，得到最終的文本區(qū)域。該網(wǎng)絡可以有效地檢測出不同角度儀表圖像中的刻度值文本，使本文所提算法有更廣泛的應用范圍。

Figure 4 Neural network model for text detection圖4 文本檢測神經(jīng)網(wǎng)絡模型

本文使用梯度下降法對網(wǎng)絡進行訓練，通過最小化損失值來得到網(wǎng)絡的最優(yōu)解。為了平衡正負樣本數(shù)量的差異，本文采用焦點損失(Focal Loss)作為分類損失函數(shù)，其表達式如式(1)所示：

(1)

回歸損失表達式如式(2)所示：

Lg=1-cos(θ-θ*)-logIOU(R,R*)

(2)

其中，θ表示網(wǎng)絡預測的文本框旋轉(zhuǎn)度數(shù)，θ*表示真實的旋轉(zhuǎn)角度，IOU(R,R*)表示預測文本框R與真實文本框R*的重疊程度。

檢測出文本框后，可進一步進行文本識別。本文所提算法首先將文本檢測網(wǎng)絡檢測到的具有角度信息的文本圖像通過雙線性插值法轉(zhuǎn)化為水平的文本圖像，之后再輸入識別網(wǎng)絡。識別網(wǎng)絡先利用卷積神經(jīng)網(wǎng)絡CNN提取圖像特征并采用按列切分的方式(利用Map-to-Sequence網(wǎng)絡層)將最后得到的特征圖向量化;然后將特征向量輸入雙向長短期記憶網(wǎng)絡Bi-LSTM(Bidirectional Long Short-Term Memory)，從而得到圖像每一列的字符概率分布;最后利用基于神經(jīng)網(wǎng)絡的時間序分類方法[24]求解最優(yōu)文本序列。另外，在訓練過程中加入了Dropout[25]防止過擬合現(xiàn)象的產(chǎn)生，使訓練后的網(wǎng)絡生成更準確的結(jié)果。

5 指針表刻度圓心的提取

在得到刻度值文本坐標后，本文利用最小二乘法來擬合圓，以得到圓心坐標。最小二乘法是一種數(shù)學優(yōu)化方法，在確定函數(shù)形式的前提下，將已知的數(shù)據(jù)點代入以上函數(shù)，通過求誤差平方和的極小值來求解最佳匹配的函數(shù)，它常用于一些曲線擬合問題。本文采用這種方法來擬合圓形曲線，從而得到圓心。圓的方程如式(3)所示：

R2=(x-x′)2+(y-y′)2

(3)

如圖5所示，(xk,yk)為文本檢測得到的刻度值文本坐標，k=0,1,2,…,i,擬合得到的圓心坐標(x′,y′) 和半徑R可由式(4)和式(5)得到：

(4)

(5)

其中,dk表示數(shù)據(jù)點(xk,yk)距圓心的距離。

Figure 5 Fitting circle with least squares圖5 最小二乘法擬合圓

6 指針表的讀數(shù)

6.1 儀表圖像極坐標轉(zhuǎn)換

將儀表圖像轉(zhuǎn)換至極坐標中主要是因為代表圖像存在以下幾個問題：

(1)大部分的指針式儀表的刻度區(qū)域分布在一個圓弧上。

(2)越精密的儀表，其刻度分布越密集，在圓弧中對單個刻度線進行分離就越難，通過角度法對儀表示數(shù)判讀的難度也會大大增加。

(3)有小部分指針表中刻度分布不均勻，角度法無法進行判讀。

將儀表圖像轉(zhuǎn)換到極坐標中，指針表的刻度區(qū)域則呈直線分布，可以有效地解決以上3個問題。極坐標轉(zhuǎn)換公式如式(6)和式(7)所示。

(6)

(7)

其中，ρ和θ分別是極坐標系中的極徑和極角，x和y是笛卡爾直角坐標系中的橫、縱坐標,(Cx,Cy)為極坐標變換的中心。

6.2 基于二次矯正的儀表示數(shù)計算

雙重霍夫變換方法[21]通過零刻度線到滿量程刻度線之間的距離法進行讀數(shù)識別。由于零刻度線及滿量程刻度線圖像均具有較少的圖像特征，因此較容易受到環(huán)境影響而導致提取失敗，讀數(shù)結(jié)果將產(chǎn)生較大誤差。本文提出的算法對刻度值文本圖像進行二次矯正并改進了距離讀數(shù)法。

在經(jīng)過極坐標變換后得到的圖像中可能仍存在刻度區(qū)域不呈水平分布的情況，會影響后續(xù)的讀數(shù)，如圖6a所示。本文采用仿射變換對刻度值文本圖像進行二次矯正。首先，進行刻度線和指針的定位。由于儀表刻度間的距離近似相等，因此距離的方差較小，所以本文首先通過垂直方向上的投影法得到每一行像素對應的方差投影值。當該行的投影值在設定的方差范圍內(nèi)時，即為刻度區(qū)域。然后，在該區(qū)域圖像中進行水平方向上的投影，得到圖像每一列的像素值總和，設定閾值得到各刻度線的水平位置。本文通過水平投影確定指針的水平位置，而不是通過擬合指針直線。具體步驟如下：首先，進行圖像的二值化處理，找到圖像所有的前景像素;然后,通過種子填充法進行連通域標記，根據(jù)指針圖像的特征對連通域進行篩選;最后，得到指針圖像，對該指針圖像進行水平投影，得到每一列像素值的總和，取像素值和最小的一列作為指針的水平位置。在得到各刻度線和儀表指針的水平位置后，對刻度值文本圖像進行二次矯正。

如圖6a所示，二次矯正首先尋找仿射變換的錨點，本文選擇文本檢測結(jié)果中離指針最近的2個文本對應的刻度線的端點，即pt1～pt4。二次矯正的目標是使刻度線呈水平分布，極坐標變換已經(jīng)使每條刻度線保持豎直，故只需使pt1與pt3的高度相同，由此構(gòu)建仿射變換矩陣，從而得到二次矯正后的圖像，如圖6b所示。

Figure 6 Image secondary correction圖6 圖像二次矯正

二次矯正后重新獲取刻度線與指針的水平位置，并采用距離法進行儀表的判讀。如圖7所示，當指針所在數(shù)值區(qū)域為[A,B]時，指針式儀表的讀數(shù)可由式(8)和式(9)得到：

(8)

(9)

Figure 7 Image after separating the pointer and scale area圖7 分離出指針和刻度區(qū)域的圖像

其中，A、B對應的刻度線為其邊界框中心坐標豎直方向?qū)目潭?n為A對應的刻度線和指針左側(cè)距指針最近的刻度線L之間的刻度線數(shù)量；N為A、B刻度值對應的刻度線之間的刻度線數(shù)量；dl為指針與左側(cè)最近刻度線L之間的距離；dr為指針離右側(cè)最近刻度線的距離;w為儀表的單位刻度值。

7 實驗分析

7.1 實驗環(huán)境

為驗證本文所提算法的有效性，本節(jié)在指針式儀表圖像上進行實驗，實驗環(huán)境如表1所示。

Figure 8 Comparison of instrument image text detection results between the proposed algorithm and traditional algorithm under different viewing angles圖8 不同視角下本文所提算法與傳統(tǒng)算法的儀表圖像文本檢測結(jié)果對比

Table 1 Experimental environment

本文采用文獻[21]的數(shù)據(jù)集，并在原有數(shù)據(jù)集的基礎上增加了強光照射、陰影遮擋和不同拍攝視角情況下的測試樣本。數(shù)據(jù)集圖像中的儀表信息如表2所示，數(shù)據(jù)集共包含大小為2000*2000的儀表圖像300幅。

Table 2 Basic information of tested pointer meters

7.2 儀表刻度值檢測與識別

本節(jié)首先使用公共數(shù)據(jù)集SynthText[26]對文本檢測神經(jīng)網(wǎng)絡進行預訓練，然后利用標注好的儀表數(shù)據(jù)集對模型進行微調(diào)，訓練方法為小批量的梯度下降法，批數(shù)據(jù)大小為32，迭代90個周期。訓練初始學習率為0.001，以0.95為衰減率進行指數(shù)衰減。訓練中使用了數(shù)據(jù)增強的技巧，包括對圖像進行裁剪、旋轉(zhuǎn)、改變色調(diào)和高斯噪聲。

使用儀表圖像對訓練完成的文本檢測神經(jīng)網(wǎng)絡進行測試，并與傳統(tǒng)算法，即滑動窗口和HOG/SVM檢測法[27]進行比較，結(jié)果如圖8所示。其中，圖8a為使用神經(jīng)網(wǎng)絡的檢測結(jié)果，圖8b為傳統(tǒng)算法檢測的結(jié)果，圖8a1和圖8b1是正視情況下的儀表圖像，圖8a2和圖8b2是逆時針旋轉(zhuǎn)的儀表圖像，圖8a3和圖8b3是順時針旋轉(zhuǎn)的儀表圖像。從圖8中可以看到,傳統(tǒng)檢測算法在儀表正視的情況下有較好的檢測效果，但對在不同視角下的儀表圖像均出現(xiàn)了漏檢和錯檢的情況。傳統(tǒng)檢測算法對拍攝環(huán)境極具依賴性，對拍攝角度的魯棒性較弱。本文采用神經(jīng)網(wǎng)絡來檢測刻度值文本，因神經(jīng)網(wǎng)絡對旋轉(zhuǎn)的魯棒性強，所以當拍攝角度發(fā)生變化時，讀數(shù)不會受到影響。表3展示了部分刻度值數(shù)字文本識別的結(jié)果，第1列展示了文本檢測神經(jīng)網(wǎng)絡檢測的結(jié)果，第2列展示了雙線性插值轉(zhuǎn)化后的水平文本圖像，第3列為文本識別的結(jié)果。

Table 3 Text recognition results

7.3 儀表刻度值檢測與識別

利用本文算法進行圓心擬合的結(jié)果如圖9所示，在正常光線、強光、陰影遮擋及不同拍攝視角情況下，本文算法對圓心的擬合均有較好的效果。圖10展示了利用雙重霍夫空間投票法對圓心的擬合效果，可以看到該算法在正常光線下能夠準確擬合得到圓心位置，但由圖10d和圖10e可以看出,該算法在強光、陰影環(huán)境下無法準確地擬合圓心，這是由于在強光與陰影環(huán)境下，儀表圖像中的刻度線特征不明顯，從而無法得到足夠的擬合點來擬合圓心；由圖10f可以看出,當拍攝角度傾斜時該算法也無法準確擬合圓心，這是由于該算法通過角度特征篩選連通域來得到正確的刻度線，所以當拍攝視角不同，儀表旋轉(zhuǎn)超過一定角度時，從圖像中篩選得到的刻度線不足，無法正確擬合圓心。本文采用文本代替刻度線來擬合圓心，由于文本的特征量遠多于刻度的特征量，所以在強光環(huán)境、陰影環(huán)境中都能夠準確得到圓心。另外，本文采用神經(jīng)網(wǎng)絡來檢測刻度值文本，而神經(jīng)網(wǎng)絡對旋轉(zhuǎn)具有魯棒性，所以當拍攝角度傾斜時，讀數(shù)不會受到影響。

Figure 9 Results of detecting the center of the circle using the proposed algorithm圖9 本文算法檢測圓心的結(jié)果

Figure 10 Results of detecting the center of the circle using the algorithm in Reference [21]圖10 文獻[21]算法檢測圓心的結(jié)果

7.4 極坐標轉(zhuǎn)換及二次矯正后刻度、指針分離結(jié)果

圖11為儀表極坐標轉(zhuǎn)換結(jié)果與二次矯正后結(jié)果，二次矯正保證了后續(xù)讀數(shù)的準確性。儀表刻度、指針分離結(jié)果如圖12所示。圖12a分別是正泰42L6-V交流電壓表、川崎6L2-A交流電流表和川崎44C2-V直流電壓表的極坐標變換及二次矯正后的結(jié)果。圖12b是3種指針式儀表的指針提取結(jié)果。圖12c分別是3種指針式儀表的刻度區(qū)域提取結(jié)果，為使顯示更加清晰，對提取到的刻度圖像區(qū)域進行了放大處理，以圖12c1為例，方框B′為方框A′的放大圖像。根據(jù)指針和刻度圖像在圖像中的水平位置，可以準確地讀取指針表的讀數(shù)。

Figure 11 Diagram of secondary correction圖11 二次矯正示意圖

Figure 12 Process of meter reading圖12 儀表讀數(shù)過程

7.5 讀數(shù)示數(shù)

本節(jié)將自動讀數(shù)的結(jié)果與人工讀數(shù)的結(jié)果進行比較，以檢驗自動讀數(shù)的準確度。因為本文提出的算法是為了利用計算機視覺代替人工讀數(shù)，因此忽略了人工讀數(shù)自身的誤差，以人工讀數(shù)的結(jié)果為實際值，自動讀數(shù)算法的結(jié)果為實驗值，計算相應的引用誤差，引用誤差可根據(jù)式(10)得到。實驗結(jié)果如表4所示。

(10)

其中，xr為算法判讀值，x0為人工讀數(shù)，xm為儀表滿刻度值。由表4可見，本文所提算法對第1種和第3種指針式儀表的讀數(shù)精確度較高，引用誤差均在0.2%以下；對第2種指針式儀表的引用誤差較其他2種的高，主要是由于該指針式儀表的刻度分布比較稀疏，利用距離法進行判讀會引入一定的誤差。

7.6 與其他算法的讀數(shù)結(jié)果比較

基于雙重霍夫空間投票[21]的儀表讀數(shù)算法在目前儀表讀數(shù)算法中性能最好，但是該算法依賴圖像的預處理過程，對不同環(huán)境尤其是曝光條件的適應能力有限。在復雜環(huán)境下，讀數(shù)誤差較大。

表5展示了雙重霍夫空間投票算法和本文算法對正常光照、強曝光環(huán)境和陰影環(huán)境下的儀表圖像的讀數(shù)平均引用誤差?？梢钥吹?雙重霍夫空間投票算法對于正常光照下的儀表圖像，讀數(shù)精確度較高，但是該算法在強光和陰影數(shù)據(jù)集上的讀數(shù)誤差較大;而本文算法對3種光照條件下的圖像都保持了較小的平均引用誤差。

在強曝光、陰影這類復雜的環(huán)境中，基于雙重霍夫空間投票的讀數(shù)算法會出現(xiàn)較大誤差，一是由于它在這種情況下無法正確擬合圓心，二是由于其讀數(shù)算法采用的是零刻度線到滿量程刻度線之間的距離法，強曝光環(huán)境中，刻度區(qū)域圖像如圖13所示，指針與零刻度線之間的刻度線產(chǎn)生缺失，從而影響讀數(shù)結(jié)果。而本文在能正確擬合圓心的基礎上，又對刻度值文本進行了識別，在刻度值文本坐標之間運用距離法，很大程度上減小了誤差。

Table 4 Experimental results of the proposed algorithm

Table 5 Comparison of reading results of two algorithms

Figure 13 Scale area image under strong exposure圖13 強曝光下的刻度區(qū)域圖像

7.7 算法耗時

表6為本文算法在本文實驗環(huán)境 NVIDIA RTX 1080Ti上的運行時間及部署在NVIDIA Jetson TX2上的運行時間對比。可以看出，部署后的耗時相對于本文實驗環(huán)境更長，但由于指針式儀表的自動讀數(shù)對實時性的要求不是太高，每幅圖像平均1.833 s的速度可以滿足實際應用需求。在未來的工作中，首先將采集的儀表圖像傳輸至云端，然后再對圖像進行自動讀數(shù)，從而實現(xiàn)儀表讀數(shù)的加速。

Table 6 Time consumed by the algorithm on different platforms

8 結(jié)束語

本文依據(jù)指針式儀表刻度值文本和刻度區(qū)域的空間分布規(guī)律，提出了一種基于文本特征及二次矯正的指針式儀表自動讀數(shù)算法，將刻度值讀數(shù)作為特征圖像引入算法并對極坐標轉(zhuǎn)換后的圖像進行二次矯正。與最新的算法比較證明了本文所提算法的有效性。在未來的工作中，對算法的改進將會集中在文字檢測與識別的運算效率上。