數控式分析儀器讀取預設和辦法研討
1在傳統的數字式儀表的采集與判讀技術中，存在著采集方法通用性不強、判讀自動化程度不高或精度較低的不足。首先，數據的采集大多是通過人工協作或設計硬件接口電路的方式得到各設備儀表的實時讀數，在進行人工或自動化的解算。這種方法首先限制了數據采集工作的自動化程度；其次，硬件接口電路一般是針對某一設備進行設計，針對性很強，不具有通用性，在一定程度上增大了系統的成本，且使用不方便。其次，表盤數字或其他信息的判讀技術需要人工干預，且精度難以達到令人滿意的程度。針對這一問題，本文旨在利用視頻輸入設備的清晰成像和靈活通用性，設計一套基于視頻采集技術的數字式儀表自動判讀設備，通過計算機自動分析判讀輸入圖像，進行各類儀表示值的判讀。
在以往的數字式儀表自動判讀技術中，主要研究的是指針式表盤的情形，可以根據二值化后的指針指向來判斷表盤的讀數，而對某些特殊類型的表盤，由于沒有可判斷讀數的指針，只能通過表盤上的數字來讀取表盤數據，這無疑增大了判讀的難度。本文旨在針對這種類型的儀表表盤，結合實際應用背景，進行系統詳細的分析。
2系統結構
系統結構主要包括數據采集設備、中心處理器、結果輸出設備、數據存儲設備等部分。
如所示。其中數據采集設備利用攝像頭進行數據錄取，可根據不同的應用需求選擇不同分辨率的攝像頭設備。對于需要多路數據采集的情況，該單元還應包含視頻服務器。中心處理器負責整個算法的實現，以及攝像頭云臺控制等。處理結果輸出設備主要由打印機、顯示器等，可根據實際需要進行選擇。數據存儲設備用于存儲處理前后的數據和圖像信息。
3軟件設計
在本研究中需要研究判讀的數據儀表類型主要有：雙表盤格式、指針式表盤格式、液晶顯示器格式以及數碼管格式。本文著重研究了雙表盤固定指針儀表的自動判讀算法，給出了該類型儀表示值自動判讀的軟件算法設計流程。如所示。需要注意的是，雖然算法流程圖中左表盤和右表盤的處理方法大體一致，但在具體實現過程中，還是有所區別的，只是在原理上是一致的。
2中的圖像二值化過程中，包含了圖像二值化閾值的自適應取值操作。圖像傾斜校正則是通過計算圖像中左右兩半部分的重心，兩重心點之間連線的斜率即可看作圖像的整體傾斜度，通過一定的坐標變換規則即可進行圖像傾斜校正。為達到充分校正圖像整體上下傾斜和左右傾斜的目的，在第一次校正圖像上下傾斜后，將圖像旋轉90度，在進行一次上述的操作，即可完成對圖像左右傾斜的校正，校正完畢后再旋轉回來即可得到完全校正后的目標圖像。為右邊圖像數據處理的詳細流程。左半部分圖像的數據處理方法類似。
4關鍵技術及算法特點
針對研究中遇到的具體問題，在儀表數字自動判讀算法的研究與實現過程中，分別就不同的處理算法進行了適當的改進，實際的處理效果表明，這些算法可較好的滿足本研究課題的需要。研究處理中所采用的主要技術及特點主要體現在以下幾點：
4.1圖像二值化閾值的自適應選取計算
本圖像數據處理模塊中，由于不能實時得到系統拍攝時的亮度信息或灰度信息，故從中心處理器的數據管理模塊中讀取的圖像數據，在進行二值化操作時閾值的選取計算就顯得非常必要。為保障和提高數據處理的自動化程度，本模塊中采用自適應閾值計算的方法，利用改進的Ostu算法，快速實時地計算二值化閾值，取得了較好的效果。
4.2基于投影變換的數字提取技術
本數據處理模塊是針對固定指針、雙表盤的圖像，兩個表盤分別位于指針的兩側。如何快速有效地提取表盤上的數字就成為本算法模塊的關鍵技術之一。首先考慮到攝像頭視場為矩形區域，而表盤為圓形，而我們所關心的只是表盤中間部分的區域信息。
故通過設定一定的參數截取圖像中間部分構成子圖像，作為后續算法處理的基礎。在該子圖像的基礎上，利用垂直投影算法將圖像分割成左右兩部分，以分別計算左右表盤的刻度數。通過交替運用水平投影和垂直投影技術，可將表盤上的數字分割提取出來，并在此基礎上，進行數字的準確框化，以提高后續數字識別算法的準確性。
4.3指針坐標及表盤刻度線的確定
在實際條件下，指針并不是總指定在刻度線上，更多情況下，是位于表盤刻度線的間隔內，因此確定指針在表盤上的點同所識別刻度數字的刻度線之間的相對角度關系也是本算法模塊中的關鍵所在。對于指針在表盤上的點的位置的確定可采用投影的方法，垂直投影可確定橫坐標，水平投影可確定縱坐標。對于表盤刻度線的分布，本算法模塊中提出了對圓環進行圓弧投影的方法，并且圓弧投影的半徑和圓環的寬度均為自適應計算得到，無需人工干預。
4.4圖像傾斜校正技術
在大多數情況下，待識別的表盤上的刻度數字并不是處于水平狀態，這就需要進行數字區域圖像的傾斜校正。在參閱相關文獻資料的基礎上，采用了斜率計算校正的方法。將待校正的數字區域圖像劃分為左右兩部分，分別計算左半部分和右半部分的像素的重心，通過計算得到的兩個中心點的坐標計算左右兩半部分像素的斜率，根據此斜率進行相應的像素坐標變換，以得到校正后的圖像。值得注意的是，在實際處理過程中，有時會出現校正后更加傾斜的情況，研究發現這種現象主要是由于數字區域圖像存在著噪聲干擾引起的，因此在進行傾斜校正前，進行必要的濾波處理（或進行更加準確的數字區域截取，當噪聲干擾為較大塊區域時）是必要的。
4.5基于協同神經網絡識別算法的數字識別算法
數字識別技術一直是模式識別領域研究的熱點，各種識別算法不斷地被提出。在諸多算法當中，協同學識別算法是近年來得到廣泛研究的方法之一，另外還有神經網絡法、模板匹配法等。鑒于本算法模塊中待識別的數字模式較少，數字的變形和模糊程度也相對較小，以及協同學模式識別算法中識別結果同序參量初始值相一致的特性，故選用協同神經網絡模式識別算法作為本算法中數字識別模塊的算法，并在研究過程中針對遇到的現有協同神經網絡模式識別算法中存在的問題，提出了原型模式重構的改進算法，以滿足計算的快速性和準確性的要求。實驗研究表明，該方法取得了較為滿意的識別效果，原型樣本庫較小，計算量較小、效率高。
5實驗分析
利用前面介紹的系統結構設計和軟件算法，進行了實驗驗證分析。實驗條件為：采集的圖像分辨率為；中心處理器采用P－III1.7G的PC機；算法實現采用Matlab7.01.
為采集到的實際圖像。為進行二值化后截取中間表盤部分的圖像。由圖中可以看出經本文方法二值化得到的數字圖像較為清晰，可以滿足數字提取與識別得到需要。中給出了數字校正技術的應用結果。經過校正可減小模式識別算法中樣本庫中樣本的個數，提高識別效率。采用圓弧投影技術得到的曲線中可以清晰的分辨出圖像中刻度的標識情況和當前指針對應的位置。
利用基于協同神經網絡的模式識別算法，得到的最終表盤刻度判讀結果為：左邊表盤為29.417，右邊表盤為45.556.可見該識別結果的識別精度同表盤最小刻度相比要低1－2個數量級，完全可以滿足實際應用的需要。通過多次實驗，本文提出的算法在大多數情況下可以較好的判讀數字式表盤，總的識別率可達到95％以上。
6結論
本文在設計了數字式儀表自動判讀系統總體結構的基礎上，詳細分析了儀表示值自動判讀算法的設計流程和特點。實驗結果表明該算法在精確度上可優于儀表的最小刻度級，同時具有良好的實時性，可滿足當前各領域中實際應用的需求。由于本文算法的實時性和準確度均較高，而且算法可推廣到其它類型的表盤（如指針型表盤等），因此具有較高的推廣應用價值。http://www.pc256.com
