基于机器视觉的光学测量自动识别方法.doc

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)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。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。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。3.2大纲方向特征 代表大纲方向特征的统计 在人物形象的轮廓像素性质 四个方向的水平，垂直，左斜 和右对角线。概述的和归 人物形象分为16万次区域。 每个区域由多个2 2模板进行扫描。该 模板，如图所示。 7，反映了像素ascriptions 水平，垂直，左斜，右斜 方向。根据这些像素的数字，4 - 维特征向量成立。最后，我们推导出 4 16（64）维特征向量为每个 字符。 。图7四维方向特征该系统作为其主要工具选择BP网络。 在第3.1和3.2，我们已经获得了泽尼克 矩特征的字符，这给他们的全球 信息，并提供旋转不变性质。 此外，我们还收集了轮廓方向特征 它们代表了详细的人物属性。为了充分利用这些优势互补 功能，一并发网络架构，包括 两个同型网络的建立10。网络 1使用的所有字符Zernike矩值 作为其输入神经元，而网络2使用的大纲 作为它的输入方向的特征向量。这两个网络 同时处理输入数据。随后， 输出值相应地总结。该 最大的总和，比获得更大的 阈值确定为最终结果。至于 网络，他们都被定义为threelayer结构 BP神经网络的形式。这两个网络 单独训练，并同时处理，也就是说， 他们被认为是两个独立的承认 系统，优化自己的网络连接 权重。图。 8显示了这个整个架构 识别系统。图8位并行BP网络识别方法4实验结果 百眼透镜查看拍摄的图像 为了验证自动识别方法的有效性。他们的数据读取结果约 偶分布在0-200毫米范围内。每个 形象是通过人的眼睛看第一和结果 保留作为精密的测试的参考 自动读法。标签。 2给出了实验 结果从不同种类的识别 方法。从结果我们可以看出，平均 识别率等于神经网络，而平均识别时间是接近于 模板匹配方法。通过修改 层阈值T，识别性能 可灵活调整。举例来说，情况 T = 0.2和T = 0.8所示标签。 2。平均 识别率可以达到97.23，当T的最大化。Tab.2性能不同的识别方法。5结论 本文提出了一种自动识别 方法光学测量仪器。阅读 该系统的精度在此基础上可以接受的 发挥高识别率的优点 神经网络。通过互补的功能意味着 拔牙，并发神经网络算法 提高识别的可靠性，最大限度 度。此外，该算法具有良好的实用性 和扩展性。便携式自动识别 在硬件平台为基础的系统 DSP和虚拟仪器界面基于PC的 已经实施11。眼部光学测量 仪器可以很容易地升级，而无需修改 其原有的结构。参考文献 1陈刘志军，遴迂鸱，赵没蓉等。预处理 算法的数字字符自动识别 鉴于眼球晶状体场显微镜万能工具 研究J。光电子激光，2005年杂志 16（1）：80-82（中文）。 2施檬，藤泽义治。手写数字 识别方法和灰度梯度曲率 影像研究J模式识别，2002，35（10）：。2051 - 2059。 3王帅，赵枚溶，遴吁啻。设计一个 便携式自动抄表系统基于DSP的通用 工具显微镜研究J。组