基于matlab的仪器表盘识别

  1. 实验背景

指针式机械表盘具有安装维护方便、结构简单、防电磁干扰等诸多优点, 目前广泛应用于工矿企业、能源及计量等部门。随着仪表数量的增加及精密仪表技术的发展,人工判读已经不能满足实际应用需求。随着计算机技术和图像处理技术的不断发展,指针式机械表自动读表技术应运而生。该技术提高了表盘识别的自动化程度及实时性,将代替传统工业仪表的读取方式得到广泛应用。
2. 实验目的
(1)了解机械式表盘自动读表技术的基本原理。
(2)了解仪器表盘识别技术的基本方法和相关算法。
(3)学会利用MATLAB实现对图像的边缘检测、图像边缘锐化、二值化处理、Hough变换等图像处理技术。
3. 实验原理

根据机械式表盘的图像特征,采用图像边缘点法线方向计数累加的圆心定位方法及过定点的直线检测算法,达到表盘识别的目标。仪表刻度检测流程如下: 摄像头采集表盘图像,送入计算机进行预处理及边缘检测操作;计算机检测出表盘回转中心及半径,并定位出表盘的有效显示区域;在此区域内,利用过定点( 回转中心)的Hough 直线变换,基于特征点对应角度的峰值搜索算法识别出指针中心线,从而输出检测结果。
4 实验要求
(1)自选一副仪表图片。读入图像,对图像进行预处理及边缘检测操作。
(2)采用平滑滤波法对图像进行处理,滤波的同时锐化图像的边缘。
(3)通过对读入的仪表图像进行处理,能清楚的识别表盘指针指数,且具有较准确的识别精度。

5运行结果

  1. 实验程序
    RGB=imread('14.jpg');
    figure,imshow(RGB); title('RGB')
    GRAY=rgb2gray(RGB);
    figure,imshow(GRAY); title('GRAY')
    threshold=graythresh(GRAY);
    BW=im2bw(GRAY,threshold);
    figure,imshow(BW); title('BW')
    BW=~BW;
    figure,imshow(BW); title('~BW')
    BW=bwmorph(BW,'thin',Inf);
    figure,imshow(BW); title('BWMORPH')
    [M,N]=size(BW);
    [H,T,R] = hough(BW);
    figure;
    imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit');
    xlabel('\theta'), ylabel('\rho');
    axis on, axis normal, hold on;
    P = houghpeaks(H,1,'threshold',ceil(0.3*max(H(:))));
    x = T(P(:,2));
    y = R(P(:,1));
    plot(x,y,'s','color','white');
    %%%%%%%%%%%%%%%%%%%% Find lines and plot them%%%%%%%%%%%%%%
    for k = 1:length(lines)
    xy = [lines(k).point1; lines(k).point2];
    plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green');
    %%%%%%%%%% plot beginnings and ends of lines%%%%%%%%%%%%%%%%%%
    plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow'); plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red');
    %%%% determine the endpoints of the longest line segment %%%%
    len = norm(lines(k).point1 - lines(k).point2);
    if ( len > max_len)
    max_len = len;
    xy_long = xy;
    end
    end
    %%%%%%%%%%%%% highlight the longest line segment%%%%%%%%%%%%%%
    plot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan');
    k=(xy(2,2)-xy(1,2))/(xy(2,1)-xy(1,1));
    theta=pi/2+atan(k);
    if((xy(1,1)+xy(2,1))/2<=N/2)
    q=(theta+pi)*180/3.14;
    else
    q=theta*180/3.14;
    end
    shishu=q*6/2700-0.2;
    disp (theta);
    disp (q);
    disp (shishu);
相关推荐
Return-Log4 小时前
Matplotlab显示OpenCV读取到的图像
python·opencv
九亿AI算法优化工作室&5 小时前
GWO优化LSBooST回归预测matlab
人工智能·python·算法·机器学习·matlab·数据挖掘·回归
小李学AI7 小时前
基于YOLO11的遥感影像山体滑坡检测系统
人工智能·深度学习·yolo·目标检测·机器学习·计算机视觉·yolo11
AI浩8 小时前
【Block总结】CPCA,通道优先卷积注意力|即插即用
人工智能·深度学习·目标检测·计算机视觉
软件算法开发10 小时前
基于UKF-IMM无迹卡尔曼滤波与交互式多模型的轨迹跟踪算法matlab仿真,对比EKF-IMM和UKF
matlab·ukf·无迹卡尔曼滤波·轨迹跟踪·ukf-imm·交互式多模型·ekf-imm
老艾的AI世界11 小时前
AI定制祝福视频,广州塔、动态彩灯、LED表白,直播互动新玩法(附下载链接)
图像处理·人工智能·深度学习·神经网络·目标检测·机器学习·ai·ai视频·ai视频生成·ai视频制作
追求源于热爱!13 小时前
记4(可训练对象+自动求导机制+波士顿房价回归预测
图像处理·人工智能·算法·机器学习·回归
釉色清风13 小时前
【matlab】绘图 离散数据--->连续函数
开发语言·matlab
Icomi_13 小时前
【PyTorch】7.自动微分模块:开启神经网络 “进化之门” 的魔法钥匙
c语言·c++·人工智能·pytorch·python·机器学习·计算机视觉
我的运维人生14 小时前
计算机视觉:解锁智能时代的钥匙与实战案例
人工智能·计算机视觉·运维开发·技术共享