磁翻板液位計(磁性浮子式液位計)根據(jù)浮力原理和磁性耦合作用研制而成 。當被測容器中的液位變化時,液位計本體管中的磁性浮子也隨之變化,浮子內的永久磁鋼通過磁耦合傳遞到磁翻柱指示器,驅動紅、白翻柱翻轉,指示器的紅白交界處即為容器內部液位的實際高度。目前,常用的磁翻板液位計自身還不能實現(xiàn)自動化、遠距離識別和實時監(jiān)測等功能。

 

隨著計算機及人工智能技術的發(fā)展,基于機器視覺的各類不同場景液位識別方法研究取得了長足的進步。劉治鋒[3]應用圖像識別的方法,對采集的水位圖像進行了一系列處理,包括形狀矯正、光強矯正、目標分析等處理方法,從而實現(xiàn)了水位的自動檢測。任明武等[4]同樣應用圖像識別方法,精確地檢測和定位出了水位線。在瓶裝液體識別的場景中,黃玲等[5]研發(fā)了一種帶標桿的透明瓶裝液體液位檢測系統(tǒng),有效地利用了液體的折射原理,通過圖像處理確定標桿斷開的位置從而得到液位的高度。而神經(jīng)網(wǎng)絡的興起又為機器視覺的圖像識別研究提供了新的思路,深度神經(jīng) 網(wǎng) 絡 模 型,特 別 是 深 度 卷 積 神 經(jīng) 網(wǎng) 絡 (deepconvolutionalneuralnetworks,DCNN)[6]在 各種視覺任務中的應 用 獲 得 了 巨 大 成 功。Laroca等[7]提出了利用卷積神經(jīng)網(wǎng)絡來實現(xiàn)自動抄表的功能。陳志恒等[8]實現(xiàn)了基于 EMD 的神經(jīng)網(wǎng)絡空耦超聲存儲油罐液位的檢測,其具體采用了 BP(backpropagation)神經(jīng)網(wǎng)絡,識別率高達99% ?；谏鲜隼碚摷夹g的發(fā)展,各類指示計、液位計等的自動化識別應用場景層出不窮,如血管血清液位計的檢測[9]、試管液位檢測[10]等。因此,本文提出了一種基于計算機視覺的液位實時讀數(shù)識別方法,通過高精度攝像頭實時抓拍液位計面板獲得圖像數(shù)據(jù),再利用圖像識別的方法來識別并計算液位計讀數(shù)。

 

1 理論基礎

1.1 字符檢測

進行圖像識別前,需先識別和定位液位計上的刻度值,刻度值一般從下至上均勻分布于磁翻板液位計面板,常見的磁翻板液位計面板如圖1所示。

 

場景字符檢測作為場景字符讀取的關鍵組成部分,其目標是定位每個字符實例的邊界或區(qū)域。近年來,基于分割的方法在文本檢測的場景中十分常用,分割之后的二值化處理也至關重要,分割的結果將在這一過程中被轉換為文本框或文本區(qū)域。

 

本文基于可微二值化(differentiablebinarization,DB)的模塊來簡化分割后的處理步驟,該方法可設定自適應閾值來提升網(wǎng)絡性能。在此基礎上,結合液位計面板上字符位置分布特征,結合快速傅里葉變換(fastFouriertransform,FFT)提出優(yōu)化方法(簡稱 DB-FFT 方法),從而提高字符檢測效率。

 

1.1.1 基于 DB實現(xiàn)字符檢測

對于標準的二值化處理,給定一個由分段網(wǎng)絡生成的概率圖P∈RH ×W ,其中 H 代表圖像的高度,W 代表圖像的寬度。將其轉換為二值化的圖,若一個像素點的值為1,則代表該像素屬于字符區(qū)域,一般來說圖像二值化可表示為

式中:t為預測字符區(qū)域所定義的閾值;(i,j)為圖像中像素的位置。

 

由于Bi,j的值為0和1是不可微分的,所以無法參與到網(wǎng)絡的訓練。為此,將式(1)進行轉換,使得 CNN 中的二值化過程可以端到端地進行訓練。轉換過程為