python opencv识别万用表读数

        读取数字方法主要有两种，1是选用图像处理，比较等方法识别，2是用深度学习的方法，比如yolo，识别数字。

        如果万用表屏幕能够稳定的读取，可以选用方法1进行，如果万用表屏幕不固定，选用方法2比较好。

感谢三维重建及点云的电表识别源码本文采用方法1识别数字，基于yolo的识别也在进行中。在此感谢三维重建及点云的电表识别源码，他的源码各方面处理的极好，对于一些比较耗时的函数，我改成了较为省时的CV内置函数，整体识别时间从最早6秒左右到现在的300ms以下。

 一，图像基本处理及画轮廓   

        图像原始图像为图1，把照片适当压扁，并进行灰度化，转换成HSV格式，取色调h通道进行滤波，求反，见图2，二值化，膨胀操作，见图3，取外轮廓，并在图上画出，见图4 。数字识别的关键就在于屏幕轮廓的选择上，可以做个小函数来实时看每个图像处理参数的效果，这样能选择到最适合自己的参数。

   

      图1                 图2                                图3                            图4

图像处理参数实时效果函数：

import cv2
import numpy as np
import imutils

def nothing(x):
    pass

img = cv2.imread('test.jpg')
image = imutils.resize(img, height=300)
image = cv2.resize(image, None, fx=0.5, fy=0.5,interpolation=cv2.INTER_CUBIC)
img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 创建窗口
cv2.namedWindow('Canny')

# 创建滑动条，分别对应Canny的两个阈值
cv2.createTrackbar('threshold1', 'Canny', 0, 255, nothing)
cv2.createTrackbar('threshold2', 'Canny', 0, 255, nothing)
#cv2.createTrackbar('threshold3', 'Canny', 0, 255, nothing)

while (1):

    # 返回当前阈值
    threshold1 = cv2.getTrackbarPos('threshold1', 'Canny')
    threshold2 = cv2.getTrackbarPos('threshold2', 'Canny')
    #threshold3 = cv2.getTrackbarPos('threshold3', 'Canny')
    _, img_output = cv2.threshold(img_gray, threshold1, threshold2, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 显示图片
    cv2.imshow('original', img)
    cv2.imshow('Canny', img_output)

    # 空格跳出
    if cv2.waitKey(1) == ord(' '):
        break

    # 摧毁所有窗口
cv2.destroyAllWindows()

二，选取屏幕区域

        对所有轮廓排序，从大到小计算，如果宽高比在4～6.5范围内，且面积在大小阈值内的，即为屏幕区域，如图5所示。进行霍夫变换，旋转图像至水平，灰度化图像，局部均衡化，局部二值化（比较耗时），处理完的屏幕如图6。

 

                               图5                                                             图6

三，分割数字

先进行水平分割，只取有数字部分，再进行垂直分割，取出各数字和小数点。

     

四，识别数字

根据图像特征，判断数字，其中，1和"."的图像很窄，需要单独判断一下。

if result.shape[1] < 100:  #如果宽度过小，则为1或"."
    # 计算白色像素占比
    total_pixels = result.shape[0] * result.shape[1]
    white_pixels = np.count_nonzero(result == 255)
    white_pixel_ratio = white_pixels / total_pixels
    if 0 < white_pixel_ratio < 0.33: 
        number = 1
        digits.append(number)

    else:
        if white_pixel_ratio > 0.66 or white_pixel_ratio == 0:
            number = '.'
            digits.append(number)

其它数字可按照数字段数的定义，结合字典，读取数字值 。

   

数码管定义

字典：

DIGITS_LOOKUP = {
    (1, 1, 1, 0, 1, 1, 1): 0,
    (0, 0, 1, 0, 0, 1, 0): 1,
    (1, 0, 1, 1, 1, 0, 1): 2,
    (1, 0, 1, 1, 0, 1, 1): 3,
    (0, 1, 1, 1, 0, 1, 0): 4,
    (1, 1, 0, 1, 0, 1, 1): 5,
    (1, 1, 0, 1, 1, 1, 1): 6,
    (1, 0, 1, 0, 0, 1, 0): 7,
    (1, 1, 1, 1, 1, 1, 1): 8,
    (1, 1, 1, 1, 0, 1, 1): 9,
}

 五、运行效果

如图所示，识别速度在300ms以内。

六、总结

采用图像处理的方式读取数字，需要读取的图像稳定一致，最好光线、角度、分辨率均统一，识别率才高。后续将采用yolo试试识别效果怎么样。