石 睿 謝將劍 趙 暄 李劍禹

（北京林業(yè)大學(xué) 工學(xué)院，北京 100083）

基于SVM的精密指針式儀表自動(dòng)讀數(shù)方法

石 睿 謝將劍 趙 暄 李劍禹

（北京林業(yè)大學(xué) 工學(xué)院，北京 100083）

針對精密指針式儀表讀數(shù)算法對自動(dòng)讀數(shù)的自適應(yīng)性差問題，提出一種基于SVM的精密指針式儀表自動(dòng)讀數(shù)方法。該方法首先對二值化處理后的儀表圖像通過面積形態(tài)學(xué)提取刻度并做極坐標(biāo)變化，再利用面積形態(tài)學(xué)特征提取刻度與指針位置，最后利用SVM識(shí)別刻度對應(yīng)的數(shù)值進(jìn)行讀數(shù)判讀。實(shí)驗(yàn)表明，自動(dòng)讀數(shù)結(jié)果與實(shí)際數(shù)值相比誤差均小于0.1%，算法穩(wěn)定可靠。

指針式儀表 支持向量機(jī) 數(shù)字識(shí)別 標(biāo)準(zhǔn)差分析

引言

精密指針儀表抗電磁干擾能力強(qiáng)、精度高、價(jià)格低，廣泛應(yīng)用于檢定計(jì)量、電信號(hào)測量等領(lǐng)域。但是，指針式儀表輸出結(jié)果為非數(shù)字信號(hào)，難以通過系統(tǒng)直接讀數(shù)，所以近年實(shí)際應(yīng)用中通常采用自動(dòng)方法[1]來提高讀數(shù)效率。目前，讀數(shù)方法一般分為指針提取與刻度定位兩種。指針提取方法主要使用影差法或者Hough變化等直線提取方法，如李治瑋等通過模板圖像與實(shí)際圖像做影差提取指針位置[2]；張冀等采用影差法提取指針，并通過Hough變換獲得指針角度加以處理[3]；施健等采用背景差分法分割指針，利用Hough擬合計(jì)算指針夾角[4]；房樺等首先對儀表表盤區(qū)域二值化、細(xì)化處理，然后通過Hough變換提取指針[5]；Han等提出一種基于改進(jìn)Hough變換的算法提取指針直線角度讀取讀數(shù)[6]?？潭榷ㄎ环椒ㄝ^多，常用的是使用神經(jīng)網(wǎng)絡(luò)模型方法或者形態(tài)學(xué)處理的方法，如王三武等采用Hough變換提取指針信息，并選用神經(jīng)網(wǎng)絡(luò)模型的方法優(yōu)化指針提取結(jié)果[7]。

上述讀數(shù)方法雖已取得了一定成果，但均需將指針不同旋轉(zhuǎn)角對應(yīng)的值提前寫入讀數(shù)算法。由于實(shí)際應(yīng)用中儀表與相機(jī)位置常常不能保證相對穩(wěn)定，因此讀數(shù)時(shí)每次都需要預(yù)先設(shè)定指針不同位置對應(yīng)的讀數(shù)，即算法的自適應(yīng)性低。針對這一問題，本文在對精密指針式儀表的特性后引入面積形態(tài)學(xué)提取的方法進(jìn)行刻度的提取，提出一種基于SVM的精密指針式儀表自動(dòng)讀數(shù)方法，從而對指針儀表上的刻度值進(jìn)行字符識(shí)別。

1 指針儀表圖像預(yù)處理部分

1.1 指針儀表刻度提取

圖1為采集的指針儀表圖像。讀數(shù)前，為剔除光照不均影響以及一些不必要信息，有必要對其進(jìn)行二值化處理。考慮精密指針儀表圖像刻度分布連續(xù)且面積較大，并需要同時(shí)消除讀數(shù)反射鏡對二值化的影響，本文選擇Sauvola二值化方法[8]。

本文的二值化方法定義為：

圖1 圖像采集結(jié)果

其中，迭代的窗口大小選擇為15×15的矩形窗，m(x,y)為窗口中像素灰度的標(biāo)準(zhǔn)差，k為標(biāo)準(zhǔn)差因子，s(x,y)為窗口內(nèi)的標(biāo)準(zhǔn)方差，R=128，T(x,y)為動(dòng)態(tài)閾值。計(jì)算每個(gè)窗口內(nèi)像素點(diǎn)的s(x,y)和m(x,y)，以此作為判斷圖像噪聲的標(biāo)準(zhǔn)。該算法可以將完全連通在一起的區(qū)域（如讀數(shù)反射鏡區(qū)域）進(jìn)行分離。在二值化區(qū)分算法中，設(shè)定標(biāo)準(zhǔn)差因子對去噪靈敏度進(jìn)行調(diào)節(jié)，可以在光照分布不均時(shí)有效保留刻度區(qū)域。算法運(yùn)行效果，如圖2所示。

圖2 局部均值標(biāo)準(zhǔn)差分析二值化結(jié)果

由運(yùn)行結(jié)果可以看出，本文所采用的二值化方法可以有效將刻度與指針等區(qū)域分割，消除了光照和讀數(shù)反射鏡對表盤的影響。

1.2 極坐標(biāo)變化

精密指針儀表刻度密集且為非均勻刻度，所以在弧形刻度中實(shí)現(xiàn)讀數(shù)往往會(huì)由于角度原因影響讀數(shù)精度。本文選擇通過刻度圓弧進(jìn)行圓弧擬合，并通過極坐標(biāo)變化將圖像轉(zhuǎn)換到對數(shù)極坐標(biāo)系，將弧形刻度轉(zhuǎn)換為直線刻度進(jìn)行處理。極坐標(biāo)變換如式（2）、（3）所示：

2.2 .1 SVM支持向量機(jī)

SVM是一種實(shí)用的數(shù)據(jù)分類器，一般認(rèn)為比神經(jīng)網(wǎng)絡(luò)更容易應(yīng)用。SVM的目標(biāo)是生成一個(gè)可以預(yù)測目標(biāo)值的模型[9-11]，給定一組點(diǎn)(xi,yi)，i=1,...,l，這里xi∈Rn,y∈{1,-1}l，則SVM實(shí)際要求解下面這個(gè)最優(yōu)化問題：

訓(xùn)練向量xi投影到一個(gè)被φ定義的高維空間，SVM就是在這個(gè)高維空間中找到一個(gè)線性可分的超平面。C>0是訓(xùn)練誤差的懲罰參數(shù)。K(x,x)≡φ(x)Tφ(x)是核函數(shù)，本文

ijij選擇徑向基核函數(shù)（RBF），其中K(xi,xj)=exp(-γ||xixj||2)，γ=0.02為核參數(shù)。

2.2 .2 訓(xùn)練樣本的設(shè)定

由于本文的識(shí)別針對儀表刻度上的數(shù)字，因此本實(shí)驗(yàn)所用的樣本是經(jīng)過對儀表照片進(jìn)行一系列處理而提取出來的。為了方便后續(xù)的識(shí)別工作，這些樣本統(tǒng)一轉(zhuǎn)化為8×8的標(biāo)準(zhǔn)尺寸，刻度值樣本如圖6所示。

其中：ρ、θ分別對應(yīng)對數(shù)坐標(biāo)系的極徑和極角，x0、y0為變換中心，x、y為變換前坐標(biāo)系像素點(diǎn)。變化后，圖像如圖3所示。

圖3 極坐標(biāo)變換圖像

2 基于SVM的自動(dòng)讀數(shù)

2.1 指針與刻度位置提取

提取指針位置與刻度位置并計(jì)算它們的相對距離，是完成自動(dòng)識(shí)別讀數(shù)的最后步驟。從圖3可見，極坐標(biāo)變換后的圖像中，下方空白區(qū)域指針明顯。因此，本文設(shè)定刻度下方只有指針存在的白色區(qū)域?yàn)楦信d趣區(qū)域，此時(shí)采用本文提出的二值化算法即可分割出指針。同理，設(shè)定刻度上方只有數(shù)字區(qū)域?yàn)楦信d趣區(qū)域，通過本文提出的二值化算法區(qū)分出數(shù)字位置，選擇歐氏距離相近的數(shù)字將其分別生成數(shù)字塊，如圖4所示。由圖4可見，數(shù)字10、20、30等均可以定位到其對應(yīng)的刻度上方，以每個(gè)數(shù)字塊的中心點(diǎn)坐標(biāo)為大刻度坐標(biāo)值，則提取出刻度與指針的需要信息，如圖5所示。

圖6 刻度數(shù)字樣本

圖4 刻度值位置

圖5 指針位置提取結(jié)果

2.2 SVM數(shù)字區(qū)域識(shí)別

在提取到指針與刻度位置后，在刻度上方分割出數(shù)字區(qū)域，并對數(shù)字區(qū)域做字符識(shí)別。根據(jù)數(shù)字對應(yīng)的刻度坐標(biāo)，可以實(shí)現(xiàn)指針與刻度的自動(dòng)讀數(shù)，避免圖像中指針儀表位置變動(dòng)時(shí)刻度坐標(biāo)值發(fā)生變化導(dǎo)致讀數(shù)失敗的問題?？紤]到刻度值均為工業(yè)印刷體數(shù)字，屬于小樣本分類字符識(shí)別問題，本文選擇SVM分類器進(jìn)行字符識(shí)別。

根據(jù)數(shù)字識(shí)別的特性，選擇輸入樣本的八通道梯度值和樣本橫縱比作為訓(xùn)練樣本的分類特征定。計(jì)算八通道梯度值時(shí)，首先將梯度方向離散到八個(gè)方向，然后幅值圖像根據(jù)離散的八個(gè)方向被分解到八個(gè)通道，而每個(gè)通道以5×5大小的窗口進(jìn)行梯度計(jì)算。

2.2 .3 Nu-SVM訓(xùn)練與識(shí)別

一般將多個(gè)兩類SVM分類器結(jié)合在一起實(shí)現(xiàn)多分類，而本文采用其中的1-a-1（1-against-1）方法進(jìn)行分類。多類分類方法的分類原理是在每兩類間訓(xùn)練一個(gè)兩值SVM分類器，從而得到k(k-1)/2個(gè)分類器（假設(shè)總類別數(shù)是k,k≥2）。

刻度數(shù)字種類共9個(gè)，分類算法針對二分類問題提出，而刻度數(shù)字識(shí)別需要解決的是多分類問題多類分類器的方法。本文采用間接法，主要通過組合多個(gè)二分類器來實(shí)現(xiàn)多分類器的構(gòu)造。具體的，采用一對一法，即在每兩個(gè)數(shù)字之間設(shè)計(jì)一個(gè)分類器。在選取核函數(shù)參數(shù)時(shí)，本文采用交叉驗(yàn)證的方法找到最優(yōu)參數(shù)。

為了控制訓(xùn)練誤差，本文選擇改進(jìn)的Nu-SVM創(chuàng)建支持向量機(jī)：

作為一個(gè)漸進(jìn)上邊界，Nu∈[0,1]可以控制訓(xùn)練誤差，取值為0.05。訓(xùn)練樣本后，對分割出的數(shù)字區(qū)域進(jìn)行識(shí)別，效果如圖7所示。

圖7 刻度數(shù)字識(shí)別效果

2.2 .4 讀數(shù)判讀

如圖5、7所示，刻度與指針相對位置均已提取，可以判定指針與刻度的相對位置。結(jié)合對刻度值數(shù)字的自動(dòng)識(shí)別結(jié)果，可以自動(dòng)生成每個(gè)刻度坐標(biāo)對應(yīng)的實(shí)際值，從而通過對指針與大刻度相對位置的計(jì)算，實(shí)現(xiàn)距離法判讀。

3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文算法的有效性，利用Manta-504B型號(hào)工業(yè)相機(jī)搭建精密指針式儀表圖像采集系統(tǒng)，測定對象為0.2級(jí)精度電壓表T24-AV。測試數(shù)據(jù)如表1所示。

表1 實(shí)驗(yàn)運(yùn)行數(shù)據(jù)

由表1可見，算法可以準(zhǔn)確獲取讀數(shù)值，且讀數(shù)精度與運(yùn)行時(shí)間滿足實(shí)際需要。需要注意的是，表中時(shí)間不包括訓(xùn)練樣本所需時(shí)間，只包含SVM分類的時(shí)間。

4 結(jié)論

本文提出了一種基于SVM的精密指針式儀表自動(dòng)讀數(shù)方法，包括儀表圖像預(yù)處理、SVM識(shí)別刻度并讀數(shù)兩個(gè)部分。預(yù)處理部分：根據(jù)精密指針儀表刻度連續(xù)分布的特征，改進(jìn)基于標(biāo)準(zhǔn)差分析二值化預(yù)處理方法；分割出刻度與指針后，通過刻度區(qū)域進(jìn)行極坐標(biāo)變化，為后續(xù)提取刻度與指針相對位置提供條件。識(shí)別與讀數(shù)部分：對極坐標(biāo)圖像進(jìn)行二值化與面積形態(tài)學(xué)分割，得到刻度與指針相對位置，提出采用SVM識(shí)別刻度上方數(shù)字部分的方法，解決傳統(tǒng)讀數(shù)算法中自動(dòng)化程度低的問題。實(shí)驗(yàn)結(jié)果與實(shí)際值相比，相對誤差均小于0.1%?？梢?，該算法穩(wěn)定可靠，增強(qiáng)了系統(tǒng)自適應(yīng)性，運(yùn)行時(shí)間滿足實(shí)用需求。

[1]MOGHADDAM R F，CHERIET M.A Multi-scale Framework for Adaptive Binarization of Degraded Document Images[J]. Pattern Recognition，2010，43（6）：2186-2198.

[2]李治瑋，郭戈.一種新型指針儀表識(shí)別方法研究[J].微計(jì)算機(jī)信息，2007，（31）：113-114，126.

[3]張冀，王俊宏，尉遲明，等.基于計(jì)算機(jī)視覺的汽車儀表指針檢測方法[J].計(jì)算機(jī)工程與科學(xué)，2013，35（3）：134-139.

[4]施健，張冬，何建國，等.一種指針式化工儀表的遠(yuǎn)程抄表設(shè)計(jì)方法[J].自動(dòng)化儀表，2014，35（5）：77-79.

[5]房樺，明志強(qiáng)，周云峰，等.一種適用于變電站巡檢機(jī)器人的儀表識(shí)別算法[J].自動(dòng)化與儀表，2013，28（5）：10-14.

[6]溫和，滕召勝，楊圣潔，等.基于計(jì)算機(jī)視覺的指針式儀表智能判讀方法[J].儀器儀表學(xué)報(bào)，2007，28（7）：1234-1239.

[7]王三武，戴亞文.多指針?biāo)碜詣?dòng)識(shí)別系統(tǒng)[J].儀器儀表學(xué)報(bào)，2005，26（11）：1178-1181.

[8]Bovik A L.Handbook of Image and Video Processing[M].New York：Academic Press，2000.

[9]Astorino A，Gorgone E，Gaudioso M，et al.Data Preprocessing in Semi-supervised SVM Classification[J]. Optimization，2011，60（1-2）：143-151.

[10]蔣華，戚玉順.基于球結(jié)構(gòu)SVM的多標(biāo)簽分類[J].計(jì)算機(jī)工程，2013，39（1）：294-297.

[11]奉國和.SVM分類核函數(shù)及參數(shù)選擇比較[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（3）：123-124.

Auto-reading Method for Precision Pointer Meter Based on Intersect Cortical Model

SHI Rui, XIE Jiangjian, ZHAO Xuan, LI Jianyu
(School of engineering, Beijing Forestry University, Beijing 100083)

Aiming at the problem of adaptivity in autoreading method for precision pointer meter, an auto-reading method for precision pointer meter based on support vector machine (SVM) is proposed. Firstly, the proposed approach extract the scale by area of morphological features of binary meter image, and polar transformation image is derived by information of arc of the scale. Secondly, the scale and index are extracted in polar transformation image using max-area information of binary polar transformation meter image. Finally, the digits of the scale values are recognized by SVM, and the meter reading is calculated by the relative position between scale and index. Experimental results show that the relative error between meter auto-readings and actual readings is less than 0.1% and the method is reliable.

pointer meter, support vector machine, digits recognition, standard deviation analysis

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助（2016ZCQ08）。