復(fù)雜光照條件下的數(shù)碼管字符識(shí)別

李 執(zhí),熊經(jīng)先,閆 坤，周海燕，劉 威

(1.桂林電子科技大學(xué)信息與通信學(xué)院，廣西桂林 541004;2.桂林金格電工電子材料科技有限公司，廣西桂林 541004)

0 引言

在實(shí)際工業(yè)生產(chǎn)中，為保證生產(chǎn)質(zhì)量與效率，常需要進(jìn)行實(shí)時(shí)數(shù)據(jù)監(jiān)控，如電壓、電流、溫度、壓力等。數(shù)碼管作為數(shù)字儀表的一種[1-5]，廣泛應(yīng)用于生產(chǎn)領(lǐng)域。其具有讀寫(xiě)方便、安裝簡(jiǎn)易、精度高等優(yōu)點(diǎn)?，F(xiàn)在大多工廠采用的還是人工檢測(cè)，而工業(yè)環(huán)境較復(fù)雜，如光照不均導(dǎo)致讀數(shù)不準(zhǔn)確、高溫高壓環(huán)境讀數(shù)不方便等,而且工業(yè)生產(chǎn)中數(shù)據(jù)量較大，采用人工讀數(shù)，工作量大、正確率難以保證、不能做到全方位檢測(cè)，采集到數(shù)據(jù)也不便保存管理。數(shù)碼管識(shí)別，是研究的熱點(diǎn)。國(guó)內(nèi)外的學(xué)者也做了很多這方面的研究工作。張歷等提出了采用局部二值模式特征和支持向量機(jī)分類算法對(duì)數(shù)碼管的定位，然后采用穿線法進(jìn)行數(shù)碼管字符識(shí)別。該算法只適用于數(shù)碼管字符為統(tǒng)一顏色情況，不適用于由于復(fù)雜光照下數(shù)碼管字符顏色多樣數(shù)碼管的識(shí)別[6]。葉景東等采用了模板匹配法對(duì)數(shù)碼管進(jìn)行識(shí)別。通過(guò)待檢測(cè)圖像與標(biāo)準(zhǔn)模板的差異對(duì)比來(lái)識(shí)別定位，該方法適合單一同種類儀表的識(shí)別[7]。陳剛等提出了基于特征提取的數(shù)字儀表快速識(shí)別算法，把七段數(shù)碼管的每一段作為一個(gè)特征點(diǎn)，然后分別計(jì)算每個(gè)特征點(diǎn)的像素值，再與標(biāo)準(zhǔn)像素值大小相比較，從而判斷識(shí)別出相對(duì)應(yīng)的數(shù)字。文中測(cè)試圖像是字符與背景對(duì)比度比較明顯情況下，因此不能驗(yàn)證該算法是否適用于背景與檢測(cè)目標(biāo)灰度值相近情況下字符的識(shí)別[8]。陸靖濱等設(shè)計(jì)了自適應(yīng)特征提取算法對(duì)不同光照下儀表的自動(dòng)識(shí)別，采用改進(jìn)的最大類間方差法，通過(guò)迭代計(jì)算求出在設(shè)定的范圍內(nèi)對(duì)應(yīng)的最佳分割閾值。該方法適用于目標(biāo)與背景區(qū)域灰度值差異不大情況，不能應(yīng)用于更加復(fù)雜條件下，且平均識(shí)別時(shí)間為1.136 s，識(shí)別效率較低[9]。

復(fù)雜光照一直是圖像處理中常見(jiàn)的干擾[10]，而在真實(shí)的生產(chǎn)環(huán)境中，環(huán)境光是動(dòng)態(tài)變化的，光照過(guò)強(qiáng)會(huì)導(dǎo)致圖像過(guò)度曝光，數(shù)碼管字體形狀也會(huì)發(fā)生膨脹；光照太弱，數(shù)碼管點(diǎn)亮字體與熄滅的數(shù)碼管區(qū)域灰度值差異太小,不利于算法的定位與分割。因此會(huì)導(dǎo)致采集到的數(shù)碼管數(shù)字的大小、顏色、形狀、模糊程度等不一致問(wèn)題，給數(shù)碼管的定位和識(shí)別帶來(lái)很大的挑戰(zhàn)，為了解決這個(gè)問(wèn)題，減弱光照對(duì)數(shù)碼管定位和識(shí)別影響，首先對(duì)灰度圖像進(jìn)行灰度均值統(tǒng)計(jì)，然后結(jié)合灰度直方圖特征對(duì)圖像進(jìn)行反向灰度拉伸操作，增大與前景的差異，弱化光照問(wèn)題。為使算法具有更強(qiáng)的適應(yīng)性，設(shè)計(jì)了動(dòng)態(tài)自適應(yīng)閾值分割法來(lái)實(shí)現(xiàn)對(duì)數(shù)碼管的正確定位及分割，然后再進(jìn)行校正及識(shí)別工作。經(jīng)過(guò)測(cè)試驗(yàn)證，該算法識(shí)別效率及準(zhǔn)確性比較高，與其他識(shí)別方法相比，適用性及魯棒性更強(qiáng)，符合工業(yè)生產(chǎn)要求。

1 系統(tǒng)架構(gòu)

文中對(duì)于數(shù)碼管字符的識(shí)別主要運(yùn)用的是數(shù)字圖像處理和圖像識(shí)別技術(shù)，其系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

首先通過(guò)選定的攝像頭采集數(shù)碼管圖片，通過(guò)索引計(jì)算初步定位到七段數(shù)碼管所在的區(qū)域位置并進(jìn)行圖像歸一化。再對(duì)歸一化后的圖像進(jìn)行預(yù)處理來(lái)進(jìn)一步去除噪聲及背景干擾。圖像預(yù)處理主要包括灰度化、圖像增強(qiáng)、動(dòng)態(tài)自適應(yīng)閾值分割及膨脹腐蝕等形態(tài)學(xué)操作。特征提取主要目的是根據(jù)數(shù)字所在的區(qū)域特點(diǎn)，通過(guò)具有別于背景的特征將數(shù)字提取出來(lái)。由于數(shù)碼管中字符往往是多個(gè)的，下一步是進(jìn)行數(shù)字分割，將提取出來(lái)的一連串?dāng)?shù)字分割成獨(dú)立的單個(gè)數(shù)字。最后采用穿線法識(shí)別。

2 圖像預(yù)處理

2.1 光照條件感知

在真實(shí)工業(yè)環(huán)境中，許多設(shè)備是直接暴露在陽(yáng)光下，加上設(shè)備是24 h工作的，一天之內(nèi)光照是動(dòng)態(tài)變化的。光照角度、光照強(qiáng)度等都會(huì)隨時(shí)間動(dòng)態(tài)變化，這會(huì)導(dǎo)致采集到的圖像中的數(shù)碼管字符大小、顏色、清晰度、明暗對(duì)比度等不同，給字符定位和識(shí)別準(zhǔn)確性帶來(lái)影響。而在進(jìn)行字符定位前，由于不同光照下成像效果不同，圖像中的灰度值差異明顯。因此，可以基于灰度特征統(tǒng)計(jì)，在進(jìn)行字符定位前，對(duì)圖像進(jìn)行灰度統(tǒng)計(jì)來(lái)初步判斷光照的強(qiáng)弱。

假設(shè)R為數(shù)碼管所在區(qū)域，p為區(qū)域R內(nèi)像素點(diǎn)，g(x,y)為像素點(diǎn)p灰度值，F(xiàn)為區(qū)域平面所有像素點(diǎn)總和。通過(guò)式(1)可計(jì)算得出區(qū)域灰度均值。

(1)

式中M為目標(biāo)區(qū)域灰度均值。

在實(shí)際作業(yè)環(huán)境中，采集到的圖像是復(fù)雜多變的，而且受到噪聲污染，圖像灰度分布變化多樣。為了使算法能自適應(yīng)處理光照的動(dòng)態(tài)變化，需要將圖像根據(jù)灰度均值大小自動(dòng)進(jìn)行分類。圖像分類主要為如下7種：

夜晚無(wú)光型圖像：設(shè)備未受到光照直射，周圍背景為黑色，數(shù)碼管亮度高，字符較大，灰度均值大，與背景之間對(duì)比度明顯，如圖2(a)所示。

夜晚正常型圖像：光照均勻，圖像背景較暗，數(shù)碼管字符輪廓紋理清晰，如圖2(b)所示。

夜晚強(qiáng)光型圖像：受到非自然光照的影響，出現(xiàn)過(guò)度曝光，數(shù)碼管字體過(guò)度膨脹，字符顯示不清晰，如圖2(c)所示。

白天弱光型圖像：光照強(qiáng)度小，數(shù)碼管亮度高，字符顏色為白色，圖像較清晰，如圖2(d)所示。

白天正常型圖像：光線適中，數(shù)碼管字符大小與顏色發(fā)生變化，圖像對(duì)比度也較好，如圖2(e)所示。

白天強(qiáng)光型圖像：光照強(qiáng)度大，出現(xiàn)發(fā)光情況，數(shù)碼管點(diǎn)亮與熄滅之間灰度值差異小，字體顏色不一，不利于定位與分割，如圖2(f)所示。

設(shè)備未工作圖像：設(shè)備未開(kāi)機(jī)，數(shù)碼管字符全部為熄滅狀態(tài)，圖像整體為灰色狀態(tài)，如圖2(g)所示。

當(dāng)受到不同程度環(huán)境光照射下，對(duì)圖像的質(zhì)量也有一定影響，灰度均值是粗略分析與判斷光照強(qiáng)弱的一個(gè)指標(biāo)。不同時(shí)間段光照下的采集到的圖像分類及待檢測(cè)區(qū)域灰度均值分別如圖2和表1所示。

(a)夜晚無(wú)光型圖像

2.2 圖像預(yù)處理

采集到的圖像中存在噪聲、模糊等干擾，為了后續(xù)能正確定位分割字符以及提高字符的定位和分割的準(zhǔn)確性，還需要對(duì)圖片進(jìn)行預(yù)處理。圖像預(yù)處理目的是為了去除噪聲干擾、光照不均等問(wèn)題，從而可以更加準(zhǔn)確分割及識(shí)別字符[11]。其主要步驟包括灰度化、中值濾波、圖像增強(qiáng)、閾值分割、形態(tài)學(xué)處理。流程如圖3所示。

圖3 圖像預(yù)處理流程

2.2.1 中值濾波

采集圖像的過(guò)程中，由于工廠生產(chǎn)環(huán)境較復(fù)雜，因此原圖像會(huì)受到噪聲的影響。經(jīng)過(guò)實(shí)驗(yàn)測(cè)試驗(yàn)證，文中選擇中值濾波[12]。經(jīng)過(guò)中值濾波處理后，可以減少噪聲的干擾，同時(shí)也能保留圖像細(xì)節(jié)及邊緣信息。圖4(a)、圖4(b)分別為灰度化及中值濾波后圖像。

(a)灰度化后圖像

2.2.2 圖像增強(qiáng)

為了更好區(qū)分?jǐn)?shù)碼管亮滅狀態(tài)，增加前景和背景對(duì)比度，同時(shí)去除噪聲及光照不均的干擾，需要對(duì)濾波后的圖像進(jìn)行圖像增強(qiáng)處理，進(jìn)一步定位的數(shù)碼管字符所在的位置。文中運(yùn)用的是灰度變換中的線性灰度增強(qiáng)方法來(lái)對(duì)圖像進(jìn)行處理。其計(jì)算公式如下：

g′i(x,y)=Ai(x,y)·gi(x,y)+Bi(x,y)

(2)

式中：i表示第i張圖像；g′i(x,y)為變換后的灰度值；gi(x,y)為原來(lái)的灰度值；Ai(x,y)為所乘系數(shù)；Bi(x,y)為加權(quán)偏移值。

Ai(x,y)和Bi(x,y)的最佳取值計(jì)算公式如下：

(3)

Bi(x,y)=-Ai(x,y)·Gimin(x,y)

(4)

式中：Gimax為圖像最大灰度值；Gimin為圖像最小灰度值。

灰度直方圖就是通過(guò)直方圖的形式統(tǒng)計(jì)圖像中灰度分布頻率特性[13]，反映了各個(gè)級(jí)別灰度出現(xiàn)的次數(shù)和頻率。圖5為圖4灰度化后和中值濾波后的圖像灰度直方圖。

(a)灰度化后直方圖

對(duì)于復(fù)雜光照條件下數(shù)碼管的識(shí)別，在不同時(shí)間段的光照下數(shù)碼管成像效果有差異，結(jié)合實(shí)驗(yàn)測(cè)試、灰度統(tǒng)計(jì)分析以及光照不均特點(diǎn)，最后選擇了反向灰度拉伸。經(jīng)過(guò)該步驟后，去除了噪聲，且前景與背景的灰度差異更明顯，背景更干凈統(tǒng)一，消除了光照對(duì)圖像的影響，為后續(xù)圖像閾值分割提供了有利操作。圖6為光照較弱和光照較強(qiáng)條件下的圖像增強(qiáng)，以及增強(qiáng)后的灰度直方圖。

(a)光照較強(qiáng)下圖像增強(qiáng) (b)光照較弱下圖像增強(qiáng)

2.2.3 動(dòng)態(tài)自適應(yīng)閾值分割

閾值分割是根據(jù)圖像灰度值的分布特征來(lái)選擇合適的閾值K，將圖像灰度值劃分成不同的區(qū)間范圍。分割方法如下：

(5)

式中：g(x,y)為閾值分割后圖像灰度值；f(x,y)為圖像增強(qiáng)后圖像灰度值。

g(x,y)=1的部分表示在設(shè)定閾值K下所分割的目標(biāo)區(qū)域，g(x,y)=0表示圖像中背景區(qū)域。

為解決光照不均的影響，提高算法的適用性及穩(wěn)定性，設(shè)計(jì)了動(dòng)態(tài)自適應(yīng)閾值分割，其主要步驟為：

(1)根據(jù)灰度均值將圖像進(jìn)行自動(dòng)分類。

(2)通過(guò)Otsu算法[14]計(jì)算得到閾值參數(shù)K0。

(3)以K0為基準(zhǔn)附加補(bǔ)償值得到動(dòng)態(tài)閾值參數(shù)K。

K=K0+δi

(6)

式中δi為第i張圖像的附加補(bǔ)償值。

由于復(fù)雜光照影響，圖像的灰度分布并不唯一，會(huì)出現(xiàn)超過(guò)2個(gè)高斯核的灰度分布，此時(shí)利用Otsu算法計(jì)算得到的閾值參數(shù)可能并非為最佳閾值參數(shù)，沒(méi)法得到正確的分割，為了使算法具有更強(qiáng)的適用性和穩(wěn)定性，通過(guò)附加補(bǔ)償值δi實(shí)現(xiàn)動(dòng)態(tài)自適應(yīng)閾值分割，根據(jù)灰度均值M范圍設(shè)定計(jì)算所需要的附加補(bǔ)償值，從而減少光照對(duì)定位分割的影響，提高分割定位的準(zhǔn)確性。閾值參數(shù)K選擇根據(jù)不同灰度均值(式(1))動(dòng)態(tài)變化。其具體取值選擇如表2所示。

表2 閾值參數(shù)K與灰度均值M之間關(guān)系

灰度信息是圖像的基本特征之一，灰度值的大小可以表示圖像的亮暗程度，利用這個(gè)特征對(duì)圖像進(jìn)行了灰度均值的統(tǒng)計(jì)及圖像自動(dòng)分類。閾值門限的大小與灰度均值相關(guān)，表2所列的動(dòng)態(tài)閾值參數(shù)K取值與灰度均值M的關(guān)系主要通過(guò)點(diǎn)對(duì)點(diǎn)判斷，為使算法具有更高的通用性，將這種離散關(guān)系通過(guò)特征數(shù)據(jù)擬合成連續(xù)的泛化關(guān)系。

分別取每一梯度灰度均值M范圍的一個(gè)特征數(shù)據(jù)點(diǎn)作為自變量，閾值K作為因變量，進(jìn)行四階多項(xiàng)式擬合。

擬合函數(shù)原型如下：

p(x)=P4x4+P3x3+P2x2+P1x+P0

(7)

式中：x為灰度均值M；p(x)為閾值K。

將7組數(shù)據(jù)輸入可得多項(xiàng)式系數(shù)，得到最終的擬合函數(shù)(如圖7所示)：

圖7 多項(xiàng)式擬合函數(shù)

p(x)=-1.159×10-7x4+6.014×10-5x3-0.009x2+0.491x-0.031

(8)

通過(guò)上述函數(shù)關(guān)系，將不同類型的圖像輸入，得到動(dòng)態(tài)自適應(yīng)閾值分割后結(jié)果，如圖8所示。

(a)光照較弱時(shí)分割結(jié)果

2.2.4 形態(tài)學(xué)處理

閾值分割處理后的圖像還存在其他連通區(qū)域干擾，需要將字符進(jìn)一步提取處理。采用形態(tài)學(xué)處理進(jìn)一步去除干擾。常見(jiàn)的形態(tài)學(xué)處理有膨脹、腐蝕、開(kāi)運(yùn)算、閉運(yùn)算。

開(kāi)運(yùn)算(先腐蝕后膨脹)、閉運(yùn)算(先膨脹后腐蝕)。文中根據(jù)不同時(shí)間段采集到的數(shù)碼管圖像選擇不同的形態(tài)學(xué)處理方法。夜晚采集到的數(shù)碼管字符比較大，文中選擇腐蝕操作，平滑邊緣，去除細(xì)小毛刺。針對(duì)白天情況，選擇先進(jìn)性閉操作，填充孔洞，后進(jìn)行開(kāi)操作，消除噪聲及干擾區(qū)域。圖像經(jīng)過(guò)形態(tài)學(xué)操作后處理效果如圖9所示。

圖9 形態(tài)學(xué)處理效果

3 字符分割

經(jīng)過(guò)預(yù)處理后的圖像再通過(guò)特征篩選即可把數(shù)碼管區(qū)域提取出來(lái)。但數(shù)碼管區(qū)域都是由多個(gè)字符組成的，要進(jìn)行識(shí)別首先要進(jìn)行字符分割[15-16]，把一連串字符分割成單個(gè)字符來(lái)依次識(shí)別。由于每個(gè)數(shù)字所處的區(qū)域不同，并且每個(gè)數(shù)字的筆畫(huà)也不同，要將每個(gè)數(shù)字準(zhǔn)確分割出來(lái)，就必須找到每個(gè)數(shù)字的精準(zhǔn)位置。根據(jù)數(shù)字特點(diǎn)及形狀特征，選擇最小外接旋轉(zhuǎn)矩形法的定位方法。首先統(tǒng)計(jì)圖像中數(shù)字個(gè)數(shù)，然后依次求出每個(gè)數(shù)字的最小外接旋轉(zhuǎn)矩形再進(jìn)行分割。數(shù)字分割結(jié)果如圖10所示。

圖10 字符分割處理

4 字符識(shí)別

4.1 字符校正

由于拍攝角度原因，采集到圖像中的數(shù)碼管字符并不都是方正的，為提高字符識(shí)別準(zhǔn)確性，將傾斜的數(shù)字進(jìn)行校正。在前面處理工作中，字符分割時(shí)選用的是最小外接旋轉(zhuǎn)矩形方法，可以得到數(shù)字區(qū)域的傾斜角度θ，判斷出字符是否發(fā)生傾斜。通過(guò)仿射變換將傾斜的字符進(jìn)行校正。

仿射變換是指二維坐標(biāo)系經(jīng)過(guò)旋轉(zhuǎn)和平移變換到另一個(gè)二維坐標(biāo)的過(guò)程。旋轉(zhuǎn)變換矩陣H1和平移變換矩陣T1分別如下：

式中：θ為旋轉(zhuǎn)角度；Tx為沿x軸平移量；Ty為沿y軸平移量。

假設(shè)w(x，y)為原始像素點(diǎn)坐標(biāo)，w′(x′，y′)為仿射變換后的坐標(biāo)，通過(guò)平移矩陣和平移矩陣關(guān)系可以計(jì)算得到仿射變換矩陣，仿射變換計(jì)算公式為

H′=T1·H1

(9)

(10)

式中H′為仿射變換矩陣。

校正前后圖片如圖11所示。

(a)校正前圖像 (b)校正后圖像

4.2 字符識(shí)別

數(shù)碼管字符識(shí)別方法選用穿線法[17]。分別采用兩次水平掃描和一次垂直掃描，水平掃描選擇的分別是數(shù)碼管字符外接矩形高度1/3和2/3處，垂直方向選擇的是數(shù)碼管字符外接矩形寬度1/2處。然后依次檢測(cè)3條線與7段數(shù)碼管的每一段(1，2，3，4，5，6，7)相交情況，相交的記為1，不相交的記為0。再與數(shù)碼管字符編碼表(表3)作對(duì)比，以此得到識(shí)別結(jié)果。

表3 數(shù)碼管字符八位二進(jìn)制碼表

表3中，數(shù)字1具有與其他字符獨(dú)特的形態(tài)，所以可以通過(guò)字符面積及長(zhǎng)寬比來(lái)判斷。各類光照條件下字符識(shí)別結(jié)果如圖12所示。

(a)(b)

5 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)測(cè)試圖像全部都是在真實(shí)工業(yè)條件下采集的，由于工業(yè)壞境復(fù)雜，一天中光照是動(dòng)態(tài)變化的，不同時(shí)間段下采集到的圖片由于光照強(qiáng)度不同導(dǎo)致成像效果不一樣，為了驗(yàn)證算法的可實(shí)施性及準(zhǔn)確性，選擇不同時(shí)間段的、光照不均的，每種圖像分類選取不同數(shù)目的圖片作為測(cè)試數(shù)據(jù)集。數(shù)據(jù)集中包括875張白天非均勻光照采集(其中825張為數(shù)碼管正常工作狀態(tài)，50張為數(shù)碼管關(guān)閉)，455張夜晚采集圖像，總共測(cè)試1 330張圖像。為了驗(yàn)證算法的準(zhǔn)確性及適用性，此次實(shí)驗(yàn)測(cè)試選取的圖像中都包含4個(gè)字符的七段數(shù)碼管，而且數(shù)碼管字符大小不一、顏色多樣，當(dāng)且僅當(dāng)每張圖像中4個(gè)七段數(shù)碼管字符全部正確識(shí)別才算作一次成功的識(shí)別，不同類別圖像識(shí)別結(jié)果如表4所示。

表4 數(shù)碼管字符識(shí)別準(zhǔn)確度

根據(jù)表4結(jié)果，采用文中提出的動(dòng)態(tài)自適應(yīng)閾值分割方法，總體識(shí)別準(zhǔn)確性都比較高，在夜晚正常型、白天弱光型及設(shè)備未工作類型圖像中，識(shí)別準(zhǔn)確率達(dá)到100%。但對(duì)于夜晚強(qiáng)光型圖像識(shí)別準(zhǔn)確性比較低，由于過(guò)度曝光原因，在這種類型的圖像中，一些數(shù)碼管字符不是標(biāo)準(zhǔn)數(shù)字，導(dǎo)致算法造成了誤判或不能識(shí)別。白天強(qiáng)光型圖像識(shí)別準(zhǔn)確率也較低，經(jīng)過(guò)對(duì)圖像的分析，發(fā)現(xiàn)在這個(gè)時(shí)間段采集到的圖像中由于受到光照影響太大，導(dǎo)致七段數(shù)碼管點(diǎn)亮的段數(shù)和熄滅的段數(shù)之間的灰度值差異太小，導(dǎo)致有些數(shù)字不能正確分割出來(lái)，從而影響識(shí)別結(jié)果。實(shí)驗(yàn)測(cè)試總體識(shí)別準(zhǔn)確率達(dá)到98.17%，平均識(shí)別時(shí)間為0.5 s，具有比較高的穩(wěn)定性和準(zhǔn)確性。也驗(yàn)證了該算法的適用性，可以對(duì)復(fù)雜光照條件下的數(shù)碼管進(jìn)行區(qū)域定位以及準(zhǔn)確識(shí)別字符。

為了驗(yàn)證算法的適用性，將文中方法與文獻(xiàn)[9]方法作比較。對(duì)于不同光照下數(shù)碼管閾值分割定位，文獻(xiàn)[9]采用改進(jìn)的最大類間方差法的方法閾值分割方法來(lái)處理光照不均的影響，字符識(shí)別同樣采用穿線法。每個(gè)數(shù)字的識(shí)別準(zhǔn)確度如圖13所示。

圖13 本文方法與文獻(xiàn)[9]方法識(shí)別準(zhǔn)確度對(duì)比

受到復(fù)雜光照影響，圖像灰度分布為動(dòng)態(tài)變化，傳統(tǒng)的閾值分割方法不能滿足各類情況，相比較可知，本文設(shè)計(jì)方法可以更好適應(yīng)復(fù)雜光照條件下對(duì)數(shù)碼管的識(shí)別，準(zhǔn)確性更高，識(shí)別效率更快，滿足工業(yè)生產(chǎn)實(shí)時(shí)性要求。

6 結(jié)束語(yǔ)

在實(shí)際生產(chǎn)環(huán)境中，由于光照強(qiáng)度和角度的動(dòng)態(tài)變化，導(dǎo)致不同時(shí)間段采集到的數(shù)碼管圖像灰度值及形態(tài)有明顯差異，不利于數(shù)碼管字符的正確定位與分割，從而給字符的識(shí)別帶來(lái)很大挑戰(zhàn)。為解決這個(gè)問(wèn)題，利用圖像的灰度特征結(jié)合灰度直方圖設(shè)計(jì)了反向灰度拉伸方法，消除了光照不均對(duì)數(shù)碼管定位的影響，為提高字符分割的準(zhǔn)確性，提出了動(dòng)態(tài)自適應(yīng)閾值分割方法，對(duì)不同灰度均值范圍的圖像選用不同的閾值參數(shù)，提高了算法的適用性和魯棒性。通過(guò)實(shí)驗(yàn)證明，該方法可以解決在復(fù)雜光照環(huán)境下對(duì)七段數(shù)碼管字符的識(shí)別，具有較強(qiáng)的穩(wěn)定性和適應(yīng)性而且準(zhǔn)確率較高、效率快，符合實(shí)際生產(chǎn)應(yīng)用。下一步將進(jìn)行的工作是研究圖像模糊及數(shù)碼管字符過(guò)度膨脹下識(shí)別算法，使算法具有更強(qiáng)的適用性與穩(wěn)定性。