基于机器视觉的光学测量自动识别方法

《基于机器视觉的光学测量自动识别方法》由会员分享，可在线阅读，更多相关《基于机器视觉的光学测量自动识别方法（6页珍藏版）》请在金锄头文库上搜索。

1、 基于机器视觉的光学测量自动识别方法文摘:基于一种综合的多样化研究的自动识别算法相比 ,传统眼球光学测量仪器的实现。以一个通用工具显微镜(UTM 的) 镜头的观点图像为例,双层自动识别模型,建立了数据的读取采用一系列的预处理算法。该模型是一个最佳组合 correlation-based 模板匹配的方法和并行反向传播(BP)神经网络。多补充特征提取用于产生对应的特征向量并行网络。为了提高容错能力,旋转不变特征为基础的提取的时刻是在 Zernike 数字特征和了四维集团的轮廓同时也得到了特征。此外,工作时间和阅读动态调节精度通过设置阈值。实验结果表明,新开发的算法具有最优识别精度和工作速度。平均阅

2、读率可实现 97.23%。能自动识别技术获得结果的光学测量仪器快速、稳定地没有修改他们的原结构,以适应的应用程序要求。关键词:自动识别;光学测量仪器;模板匹配; 神经网络技术实现随着信息技术的发展,大量的数字化和自动化设备为实现测试和测量现代测量和控制系统。光学测量仪器中占据了很大比重现代测量设备,特点它们的高准确度,抗干扰能力强能力、长期稳定性1。然而,很多局限,在他们的数据自动抄表系统 ,包括单调乏味的阅读程序,费时的阅读方法和可能的人为错误。因此,完成调节自动化老的模式是十分必要,通用工具显微镜(UTM 的), 它的阅读系统由标线、员工和螺旋板,一种具有典型性、代表性的光学测量仪器。有几

3、个发展的最近的调自动化 UTM 的研究方法1 。他们的一个共同的特征是嵌入一个自动数据阅读模块到 UTM 的。原机械配置工具必须是重建和一些人类阅读配套被删除为了容纳模块的要求。然而,这 500 多人方法不方便能提高现有 old-pattern 眼部光学仪器。本文在深入研究抄表系统的结构及工作原理 UTM image-type,给出了自动的自动抄表系统基于 CCD 图像传感器、哪个可以实现自动阅读和结果播放而不改变原仪器结构。通过新研制的方式方法,测量仪器的准确性可以达到或超越手册的精度眼部阅读和阅读速度是可以提高的。1 UTM 的工作原理,自动的识别系统 11 传统的读数方法图 1 显示一个

4、典型的形象镜头角度 UTM 的。这手动阅读过程如下2:(1)Archimedean 螺旋板轮子一个 mm 准星上是一对之间的重叠螺旋双曲线,(2)读数字以上 mm 准星上的范围的水平员工所导致的整体分。(3)根据岗位的 mm 准星上相对的员工的工作、阅读数字低于员工准星上得到 0.1 毫米价值;4)根据证行到极致的黑色三角, 判断其相对位置旋板和阅读 0.01 毫米的价值 0.001 毫米。(5)估计大约值 0.000 1 毫米。(6)的价值总数上面得到结果。图 1 一个安全网关 的直观的镜头的观点的形象 ,图 1 显示一个典型的形象镜头角度 UTM 的。这手动阅读过程如下2:(1)Archi

5、medean 螺旋板轮子一个 mm 准星上是一对之间的重叠螺旋双曲线,(2)读数字以上 mm 准星上的范围的水平员工所导致的整体分。(3)根据岗位的 mm 准星上相对的员工的工作、阅读数字低于员工准星上得到 0.1 毫米价值;4)根据证行到极致的黑色三角, 判断其相对位置旋板和阅读 0.01 毫米的价值 0.001 毫米。(5)估计大约值 0.000 1 毫米。(6)的价值总数上面得到结果。从图 1,但可以肯定的是,整个眼部的镜头观点图像可以分为两大地区水平职员区放在最上面的层和 Archimedean 螺旋导流板的区域的底层。特点 reticles 和人物的,包括他们的灰色的水平和字体,有很

6、大的不同,无论这些两部分。因此,我们需要采用不同的方法设计的识别方法。此外,亮度,精度和定义镜头浏览图像自动是重要的自动抄表系统。通过比较几种不同类型的 CCS 相机,有不同的感光表面大小 ,分辨率、灵敏度和信噪比,我们选择矿渣 MTC -23X11H CCD 照相机,这是一种 MINTRON:含黑白高清晰度短相机。大小的 CCD 传感器48 毫米 3.6 毫米。它有一个总像素 798 的数量(部落) (5),600-line 584 水平分辨率和 60分贝检测前信噪比。SSE0812,一种人工光圈的镜头从 AVENIR 公司,是采用光学镜头为了获取最好的影像捕获的效果。1.2 的识别方法,水

7、平职员区是为水平职员区、自动识别过程是这样的(1)检测三角块在一定的搜寻范围。找到两条横线和工作人员的尺度基于位置关系不变三角形的员工。(2)使用的亚像素的方法来找到 mm 准星上和中心的员工线两条水平 0 - 10 分计规模水平的员工。用最小二乘法方法(LSM), 以适应这两条线。及其交点的一点是,小数部分的部分。由于限制精密,只有 0.1 毫米数字结果仍将保留。(3)选择数字字符区以上 mm 准星上。首先我们区段 three-digit 图像面积和 binarize 它最大方差比的方法。然后我们使用紧密操作数学形态学的理论来抑制噪声。最后,这个地区分为几个人部分通过垂直-投影方法。图 2

8、展现了后的效果完成这些预处理程序。(3)认识到数字字符从他们的图像和拯救他们的价值观的分别。(4)总结了积分和小数的价值观。图 2 积分数字字符的预处理1.3 的识别方法,螺旋导流板的区域为螺旋导流板的区域,自动识别过程是这样的。(1)搜索三角块在一定的范围内。位于 reticles 螺纹板和接近圆的地区的基础上数字字符不变位置之间的关系进行了三角形的中心倾角的影响。mm 准星上和它的数字字符数位可能涉及螺旋导流板的区域。我们可以让利用他们的不同特点,灰色水平分开他们分开。(2)在螺旋导流板的面积镜头看来 ,这里至少两组完整的数字。他们相应的有明显的 reticles比另外一些东西。因此,我们

9、采用的哈夫变换这个圈子里的两倍区域。然后我们可以满足两线提取,遍及原 reticles 指字符身边。图 3 中显示的是那些安装线提取。(3)根据结束点这些领域,他们的夹角可以计算出来。我们可以推导出数字之间的差异值规模号码与实际水平的价值。(4)使用夹角定位边界盒子里 ,位于小数字字符,像图。3 显示。采用适当的预处理算法已经提过,在第 1.1。(5)认识到数字值从其个人形象。结果应该增加 /减少的不同导出了在价值,步骤(2)为了获得实际的阅读价值 1 毫米 0.000 0.01 毫米,。(6)总结这些结果在一起得到最终的决定结果。图 3 哈夫变换的地理位置 ,小数特征目前,主要有两种算法在数

10、字图像字符识别 :模板匹配和神经网络的 3。模板匹配具有较高的计算速度,不过不是很有效当字体差异 ,字体偏以及字体吗由于污秽环境或仪器本身。神经网络方法具有比较大空间来提高的识别效果,可完成的目标更高的识别比率与更多的训练和研究。整个系统的速度会变成什么模样由于其缓慢速度较慢的识别比4。因此,提出了一种新的解决方案,结合了优势两种方式 (见图)。模板匹配方法,比较快,分布第一层。神经网络算法,该算法具有较高的识别比 ,是第 2 层分布。其目的是要提高整个系统的运行速度时间了比例的高度重视网络被维持。每个这两层能够独立工作的能力。第一层,其匹配阈值严重限制为了避免误读快速识别,能完成在大约几毫秒

11、。2 层负责其中的人物 ,不能被认可在前层。识别比高度评价通过这个长费时保证神经网络5。通过预设相关标准的模板在第一层匹配算法。该阈值动态的版本中可能会有更改操作使整个系统时间以及阅读精度可调整。详细实验结果显示在第 4。图 4 Auto-reading 系统流程图2 基于模板匹配之间的相互关系功能模板匹配算法是最常见的用于印刷字符识别中6。首先, 我们打造十个数字模板( 从 0 到 9)从图像收集到。为了提高计算速度、模板(mn)采用二值图像模型,用价值 1 /数字像素面积和值为 0 另外一些东西。假设所选择的字符区域 S,通常大于模板特征矩阵吗 W。我们选择马克矩阵的 F 不但同样大小的像

12、素从一开始就在 S。然后之间的关系可以计算 F 和 W 认识到数字字符,也就是说, 相关值越大,R 是近了这两个数字字符。每次匹配计算选择的面积迈进一个像素另一个。因此,总匹配次模板被(mi)(nj)。所有的像素图像选择的字符区域的大小和数字模板摘要文章根据相关计算公式。模板具有最大的相关值会考虑到吗为识别效果。数字字符图像模板在 UTM 的镜头显示在图 5。数位成字符在毫米准星上有大的大小和清楚的轮廓,可结果非常不错的切分效果。因此我们使用单数字模板匹配。数位成字符在螺旋导流板的相对较小,它们非常易受伤害对噪声。因此,我们把它包围盒子当做一个字符,无论有多少人物的实际情况,在7。该方法能识别

13、度增加在模板, 那将有益于识别精度。图二的镜头角度数字模板安 全 网 关 的形象3 应用反向传播(BP)神经网络作为第二节字符显示,却不能这样做被认可 ,被发送到模板匹配神经网络 8。它的主要任务是保证识别性比例。只要数位问题的性格识别而言,特征提取过程是非常重要的, 其效果会直接影响最后的识别效果。一般来说,有三种类型的性格特征提取方法: 原始图像格,概述了与骨架属性。每一种方法都有它的力量和弱点。基于的方法原始图像格可反映全球形象信息,适用于收集和特点降噪,却很难代表详细说明结构的角色。该方法相比 ,基于轮廓和骨骼的属性可以体现人物的细节,而且十分敏感的抗噪能力。因此, 提出了一种多特征提

14、取方法,结合国内外原始图像的特点和详细的轮廓方向属性在一起。在模板匹配过程中,字符是 pre-processed 和制度规范。然而, 数字特征对螺旋导流板的偏在某种程度上是这样因为板旋转,显示在图 6。这投手轮值将会有害承认下一步。使神经网络训练样本不同的旋转角度可以改善识别比,而且网络大小将会扩展 ,速度会减慢9。在比较各种相关的理论,我们用 Zernike算法 extractionof 时刻数位特点特征 ,提高神经网络效率。喧闹的案例也会考虑。图旋转的例子数字字符3.1 全球的图像特征来自 Zernike 矩Zernike 矩算法提供良好的旋转不变特征和反映了全球的图像信息。Zernike

15、 二维的定义时刻图像密度函数在 n 是一个正整数或零,m 是正面或吗负整数约束,经 n|m|is even and|m|n，向量从产地(x,y)像素 代表向量 p 和 x 轴之间在逆时针方向的夹角，Rnm()径向多项式定义为 要计算一个给定图像的 Zernike 矩， 图像的中心是作为起源和像素 坐标映射到单位圆，即范围 x2 + y2 1。这些像素在单位圆外下降 不用于计算。假设一个给定的图像，旋转 ，是代表 为 F：f 的（，）= f 的（，-）。这样，我们可以 获得旋转前后的 Zernike 时刻：。例如。（6）表明，只有时刻泽尼克 相位移动，而其模式的价值保持不变。 因此，| |纳米 A 可以被视为一个旋转 不变的特点。由于 - =，| | | |纳米二，N m 甲 A 条件， 唯一的 M0 的情况需要考虑。 表 1 显示了 Zernike 矩的一些数据， 均值 ，均方差 和 / 的 数字样本“1”后旋转。倾斜角的范围 大约从 0 变化在不同情况下的 50 。 由于此实验图像功能 离散的，而不是连续的，实验数据 每个单独的倾斜角不完全一致 所以，一个微小的间隔是允许的误差。：表 1 泽尼克矩的数字字符值 1。