指针式仪表是目前生产过程中应用非常普遍的测量仪表之一, 不仅种类多, 而且生产的数量大。如:百分表、千分表、压力表、汽车仪表、航空仪表等等。指针式仪表在生产过程以及后续的使用中, 需要进行定期的检测维护, 以达到国家检测局的标准。传统的检测方法以采用测量工具并结合人工目测进行测量, 精度低、效率低、工作量大。

随着人工智能的不断发展, 很多智能技术已经可以取代人工。机器视觉可以替代人类的眼睛和大脑, 摄像头作为眼睛, 图像处理技术作为大脑。采用机器视觉技术对指针式仪表进行读数, 可以克服人工测量过程中的困难以及误差, 提高读数的精确性, 并能有效提高仪表检测效率。

       本指针式仪表识别系统由图像采集与图像处理两个部分组成, 图像采集部分负责仪表图像采集工作, 图像处理部分负责仪表图像的分析处理。使用CCD数字摄像机采集图像, 通过USB接口将采集到的图像数据传输到PC机, PC机将采集到的图像进行处理并计算, 得出最终指针式仪表读数;本系统的核心部分为PC机的图像处理单元, 图像处理程序自主研发, 具有可调性, 可以根据使用场所更改不同参数。采集和处理同时进行, 有良好地动态性能;结构简单、使用环境广泛、程序可调性大, 可以适用于多种场所。系统的组成框图如图1所示:

       指针式仪表识别系统的硬件结构主要包括摄像头和计算机, 摄像头采用的是CCD数字摄像头, 具有灵敏度高、体积小、寿命长、抗震度高等优点, 摄像头和计算机的连接方式采用USB直接连接, 用户可在计算机上直接看到摄像头采集到的图像, 操作方便简单、可靠性高、实时性好。

       本文采用的仿真环境是VS2008, 编程语言使用C++和Opencv。Opencv是一个开源的计算机视觉库, Opencv采用C/C++语言编写, 可以运行在Linux/Windows/Mac等操作系统上。Opencv的一个目标是构建一个简单易用的计算机视觉框架, 以帮助开发人员更便捷地设计更复杂的计算机视觉相关应用程序。Opencv包含的函数有500多个, 覆盖了计算机视觉的许多应用领域, 如工厂产品检测、医学成像、信息安全、用户界面、摄像机标定、立体视觉和机器人等。因为计算机视觉和机器学习密切相关, 所以Opencv还提供了MLL机器学习库。该机器学习侧重于统计方面的模式识别和聚类。

指针式仪表识别系统的软件结构为:1.图像采集;2.图像灰度化;3.图像滤波;4.图像分割;5.图像细化;6.Hough变换拟合直线方程。

       CCD摄像头采集到的图像为彩色图片, 具有R、G、B三种颜色分量, 含有的信息量较大, 处理速度较慢。通过观察, 将彩色图片转换为灰度图片后, 识别所需的信息并未丢失, 而且会减少程序的计算量, 所以首先将摄像头采集到的图片进行灰度化处理。

按以上计算公式对采集到的真彩色指针式仪表图像进行灰度转换, 在OpenCV中输入图片时采用灰度输入。

      图片信息量的大小会影响程序的处理速度、还会在计算时干扰计算的精度, 所以要将图片中对指针自动识别有影响的部分去掉。通过观察, 图片下半部分包含的信息都是无用的, 在计算式会干扰计算精度, 所以截除下半部分图像, 只保留指针部分。

在OpenCV中采用如下函数实现。

处理结果如图2所示。

图2 截取部分图像

       图像的平滑处理, 可以初步去掉图像中的干扰信息, 本文采用的平滑方法为搞死平滑, 平滑操作的参数分别采用5、5、0、0, cvSmooth (in, out, CV＿GAUSSIAN, 5, 5, 0, 0) 。

      为了突出图像中的特征, 将指针及刻度的边缘描绘出来, 本文采用Sobel边缘检测, 进行图像的边缘检测。实际参数如下:

为了减少计算量, 并不丢失特征信息, 对表盘图像进行二值化, 即闽值分割, 以得到标准化图像。

边缘检测及二值化后的图像如图3所示。

经过二值化后的图像已经将干扰信息大部分去掉, 剩下的只有指针和刻度信息, 但是需要更清晰的将这些信息表示出来, 使用形态学运算来提取图像边缘并将其细化, 细化后表盘的特征就更容易提取出来。细化后的图像如图7所示。

仪表表盘图像经过处理后, 特征信息已经清楚可见, 仪表的自动识别需要提取的信息是指针以及刻度, 首先提取指针信息, 指针为图中最长的直线, 以此为特征提取指针信息。本文采用的Hough变换法进行直线的提取。通过hough变换后的仪表指针如图4所示。

式中N表示读数, A为量程。

机器视觉技术在指针式仪表识别检测中的应用, 可以提高人工识别的精确度, 也可以代替人工处理一些特殊场所的仪表检测。机器视觉技术的应用, 已经逐渐渗透到各个行业, 也是人工智能发展的一个重要方向。