基于MATLAB刻度线表盘识别系统

  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
千宇宙航6 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第十四课——图像二值化的FPGA实现
图像处理·计算机视觉·fpga开发
橡晟6 小时前
深度学习入门:让神经网络变得“深不可测“⚡(二)
人工智能·python·深度学习·机器学习·计算机视觉
PyAIExplorer6 小时前
图像亮度调整的简单实现
人工智能·计算机视觉
xingshanchang7 小时前
Matlab的命令行窗口内容的记录-利用diary记录日志/保存命令窗口输出
开发语言·matlab
AI technophile8 小时前
OpenCV计算机视觉实战(15)——霍夫变换详解
人工智能·opencv·计算机视觉
JNU freshman9 小时前
计算机视觉 之 数字图像处理基础(一)
人工智能·计算机视觉
千宇宙航9 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第十五课——基于sobel算子边缘检测的FPGA实现
图像处理·计算机视觉·fpga开发
MSTIFIY12 小时前
【PyMuPDF】PDF图片处理过程内存优化分析
图像处理·pdf·内存优化
AndrewHZ15 小时前
【图像处理基石】什么是色盲仿真技术?
图像处理·人工智能·pytorch·深度学习·计算机视觉·颜色科学·hvs
nightunderblackcat16 小时前
进阶向:Python图像处理,使用PIL库实现圆形裁剪
开发语言·图像处理·python