昆山市拓恒機電有限公司
馮先生 137-7635-6532
E-mail: kstuoheng@126.com
江蘇省昆山市經濟技術開發區
金沙江南路16號3號廠房
1 引言
目前，電子臺秤的檢測主要依賴人工搬運砝碼，存在安全隱患大及工作效率低等問題，考慮這些問題研制了電子臺秤自動檢測裝置。
在此自動檢測裝置中電子臺秤的數顯儀表讀數的實時讀取是該裝置至關重要的環節。數顯儀表實時正確讀取保證控制系統能夠實時的接收到電子臺案秤的檢測數據。在自動檢測的過程中快速實時的處理電子臺秤數顯儀表讀數，提高生產效率和減少人為因素造成的誤判，利用攝像技術、圖像處理技術、圖像識別技術以及通信技術，來實現儀器儀表讀數的實時自動識別。
目前我國仍沒有專門針對電子臺秤數顯儀表示數識別，尤其針對運動狀態的電子臺秤數顯儀表示數識別。
2 硬件平臺搭建
電子臺秤自動檢測裝置如圖1所示，總控制系統控制驅動電機驅動大理石平臺載著平臺秤和相機鏡頭組成一起沿著軌道運動，配合砝碼做電子臺秤自動檢測工作。鑒于做偏載時砝碼會遮擋鏡頭，故本研究采用兩個相機鏡頭裝在平臺兩側，對電子臺秤數顯儀表讀數進行采集。
圖1 電子臺秤自動檢測裝置 下載原圖
3 圖像處理算法設計
兩個CCD采集的圖像，圖像中含有紅、綠、藍三通道顏色，通過數據線傳輸至圖像處理平臺，圖像處理平臺首先進行灰度化處理，將彩色圖像轉換為256級的灰度圖像，然后，對該灰度圖像進行濾波去噪、圖像增強，經過二值化處理后，圖像邊緣形態顯現，然后通過形態學膨脹處理，讓數字斷裂處連續，提高可讀性，通過邊框檢測檢測出字符邊框，然后通過幾何變換和圖像校正，圖像經過拉伸校正后，進行圖像分割將數碼管顯示字符摳出來，最后，利用訓練過的深度學習框架對字符進行識別。專家評判系統根據摳出的字符完整度來評判選取哪個相機圖像處理結果，如圖2所示。
圖2 圖像處理流程圖 下載原圖
4 軟件平臺搭建
本研究采用OpenCV+MFC進行軟件設計。OpenCV是一個基于BSD許可（開源）發行的跨平臺計算機視覺庫，可以根據自己需要對庫文件進行修改，可以運行在Linux、Windows、Android和Mac OS操作系統上。它由一系列C函數和少量C++類構成，同時提供了Python、Ruby、MATLAB等語言的接口，可以實現圖像處理和計算機視覺方面的很多通用算法。
人機界面采用MFC微軟基礎類庫是微軟公司提供的一個類庫（class libraries），以C++類的形式封裝了Windows API，并且包含一個應用程序框架，在保證程序運行的情況下較大的減少了應用程序開發人員的工作量。
OpenCV和MFC均是在visual studio環境下，使用C和C++語言編寫的，在用于工業工作中，穩定性和效率均有較好的表現。
5 項目實例
平臺通過USB接口向集成在Logitech攝像頭內部的控制模塊發送圖像采集指令，鏡頭輸出的PAL制或NTSC制模擬視頻信號通過內部集成的A/D轉換芯片轉換成數字視頻信號，把數字視頻信號存儲到靜態存儲器（SRAM）中，每完成一幀圖像的采集便實時通過以太網將圖像信號傳輸給PC機。
圖3 數顯儀表 下載原圖
圖4 二值化處理 下載原圖
首先對目標圖像進行二值化處理然后再細化，在保持原圖形的結構性信息的提前下，將圖形細化為一個象素寬度，這樣即可保證Hough變換所求得傾角的精確性，同時減少了Hough變換所需要處理的象素點，減少Hough變換計算量，從而減少了計算時間。
利用Hough變換精確定位出圖3中每個LED數碼管中心位置處的坐標。由于圖像采集過程中攝像機與被采集目標存在對位偏差，采集到的圖像有一小的傾角，在精確定位之前，我們需要通過Hough變換計算出此傾角，然后對圖4旋轉矯正，得到我們所需要的、無傾斜的圖像，然后通過字符分割，精確定位出每個LED數碼管中心位置處的坐標，對這些坐標做一變換，則可得到原圖4中每個LED數碼管中心位置處的坐標。
5.1 利用霍夫變換來確定傾角
Hough變換是一種對噪聲干擾不敏感，能夠在圖像中檢測出形狀曲線的技術，因此廣泛應用于目標檢測領域。對于直線上的一個點（xi,yi）來說，它在變換空間（u,v）中應該滿足方程式:
對于任意方向和任意位置直線的檢測，為了避免垂直直線的斜率無限大，往往采用極坐標作為變換空間，其極坐標方程可以寫成:
在這里我們對圖3進Hough變換，尋找出其中一條最長的白色直線，進而求得傾斜角度。具體的算法如下：構造一個二維數組作為計數器，第一維是角度，第二維是距離。先計算出可能出現的最大距離為squar(width×width+height×height），用來確定數組第二維的大小（其中width為圖片的寬度，height為圖片的高度）。對于每一個白色點（象素為1的點），角度θ的變化范圍從-90°到+90°，按上方程求出對應的距離S，相應的數組元素[S][θ]加1所有元素都算完后，找到數組元素中最大的一個，就是要找的最長的那條直線，該直線的對應的θ即是我們所要求的傾角。
5.2 圖像旋轉
通過Hough變換檢測到目標偏斜后，需要根據檢測到的偏斜角度對圖像進行校正，即對圖像進行旋轉操作。如圖5所示，點（x0,y0）經過旋轉θ角后變為（x1,y1）。
圖5 校正后圖像 下載原圖
5.3 字符分割
考慮到本文中待分割的對象相對簡單，每兩字符之間均有明顯的間距，本文選用直接的分割法，即把投影分割法。投影法分割的基本思想是把二維圖像的像素分布簡化為X軸和Y軸的兩個一維函數，通過對兩個函數的分析，找到我們想要的結果。在二值圖像，我們用“1”來表示目標字符，用“0”來表示背景，那么如果某一行中或者某一列都是背景，則該行或者該列的投影為O。在理想的情況下，這個波谷的值應該為零，并且每個字符之間都應該有相應的波谷，根據這個重要特征，我們可以輕松的找到字符間隙，把圖像中的字符塊分離出來。
分別對其進行了圖像灰度化、圖像增強、二值化以及字符分割及定位處理。
5.4 字符識別
本文采用深度學習TensorFlow框架在分割好的字符集上進行訓練。在訓練網絡前首先要準備好數據訓練集，將分割好的大小為28×28大小的字符“0-9”以及“.”分成11類別作為網絡的數據訓練集對深度學習框架進行訓練，另外，取部分分割好的大小為28*28大小的字符“0-9”以及“.”數據集對訓練好的模型進行測試、驗證。
6 總結
本文方法通過對相機采集的儀表圖像做細化處理，得到僅有一個象素寬度的邊框線，利用Hough變換檢測出邊框的傾斜角，對傾斜的待識別目標區域做了旋轉校正。緊接著，通過投影法分割出了每個字符，對各字符的LED數碼管中心位置進行定位計算坐標值。最后通過訓練好的深度學習模型檢測得出圖像中所顯示的數值。
