Metody segmentace a rozpoznání číslic analogového elektroměru

Rok / Year: 2016

Svazek / Volume: 18

Číslo / Number: 1

Jazyk / Language CZ

Metody segmentace a rozpoznání číslic analogového elektroměru Methods for the Segmentation and Recognition of Value in an Analogue Electrical Meter Jiri Sliz [email protected] Faculty of Electrical Engineering and Communications, Brno University of Technology DOI: -

Abstract: The paper discusses image processing methods applicable for reading the values indicated by single-phase, analogue electrical meters commonly used in the home. The principle of an analogue meter is introduced, and relevant image processing techniques are described in detail. In this context, the author characterize methods for segmenting the dial and, subsequently, the individual digits. The final sections of the article present several approaches to character recognition and comparison of these methods. The recognition accuracy of 89.4% was obtained thanks to the use of a multilayer neural network.

VOL.18, NO.1, FEBRUARY 2016

Metody segmentace a rozpoznání číslic analogového elektroměru Jiří Sliž Fakulta elektrotechniky a komunikačních technologií VUT v Brně Email: [email protected]

2

Abstrakt – Článek pojednává o metodách zpracování obrazu s účelem odečtení hodnoty počítadla analogového elektroměru. Je uveden princip funkce analogového elektroměru. Článek se zabývá pouze jednofázovými typy, které jsou běžné v domácnostech. Hlavní částí je popis metod zpracování obrazu. Jsou popsány metody nejprve segmentace číselníku a následně segmentace jednotlivých číslic. V poslední části je rozebráno několik metod rozpoznání znaků a porovnání těchto metod. Bylo dosaženo přesnosti 89,4 % rozpoznání znaku s využitím vícevrstvé neuronové sítě.

1

Elektroměry

Elektroměrem se rozumí měřicí přístroj určující velikost elektrické práce. Využívají se k měření spotřeby elektrické energie ať už v jednotlivých spotřebičích, domácnostech, nebo průmyslových provozech. Elektroměry je možné rozdělit na analogové a digitální. Podle měřené rozvodné soustavy na jednofázové a třífázové.

2.1

Analogové elektroměry

Analogové elektroměry se v dnešní době stále ještě používají zejména pro měření spotřeby domácností. I přes to, že jsou pomalu nahrazovány digitálními přístroji, tak jsou stále rozšířeny pro jejich dlouhou životnost a nízkou pořizovací cenu. Principem funkce je převod malé části elektrické energie procházející měřeným vedením na zpravidla mechanickou energii, ta může pohybovat počítadlem a zobrazovat tak naměřená data. V praxi se používá principu indukčního měřicího přístroje. Na Obr. 1 je zobrazeno provedení jednofázového elektroměru. Skládá se z hliníkového rotačního kotouče, permanentního magnetu a dvou elektromagnetů s jádrem tvaru E. Na jedno jádro (spodní) je navinut na dvou krajních ramenech drát o větším průřezu s menším počtem závitů. Jedná se o proudovou cívku. Druhé jádro (horní) obsahuje větší množství závitů vodičem s menším průřezem na středovém sloupku jádra, plní funkci napěťové cívky. Hliníkový kotouč prochází mezerou mezi napěťovou a proudovou cívkou a v důsledku působení vířivých proudů se otáčí. Permanentní magnet zajišťuje brzdící moment. Otáčky kotouče jsou zobrazovány pomocí mechanického počítadla (Obr. 2). Analogový elektroměr tedy pracuje jako motor, jehož rychlost otáčení je úměrná elektrické energii dodávané do spotřebiče. Pohybový moment kotouče je dán vztahem:

Úvod

V dnešní době jsou starší analogové typy elektroměrů již nahrazovány modernějšími digitálními. Přesto jsou analogové elektroměry dosud rozšířeny patrně pro jejich nízkou cenu a dlouhou životnost. Odečítání hodnoty těchto přístrojů je ovšem problematičtější. Nyní je běžné veškeré statistiky zaznamenávat do elektronických databází a pomocí příslušného software je vyhodnotit. V případě analogových elektroměrů to znamená ručně opisovat zobrazované hodnoty. Pro usnadnění tohoto procesu je možné použít algoritmy zpracování obrazu a ze snímku elektroměru pořízeného digitální kamerou automaticky hodnotu počítadla odečíst. Problém segmentace a rozpoznání textu, respektive číslic v obrazu je často řešenou úlohou, proto je k dispozici celá řada algoritmů založených na různých principech. Některé využívají kombinace elementárních operací jako prahování, konvoluce a další, zatímco jiné využívají principy strojového učení, či umělé inteligence. V tomto článku je uvedeno více metod segmentace a rozpoznání číslic, jsou srovnány z hlediska úspěšnosti a spojením nejúspěšnějších segmentačních a rozpoznávacích metod je vytvořen algoritmus vhodný pro problém odečítání hodnoty elektroměru. Předmětem zájmu je pouze jednofázový analogový elektrometr, který se běžně vyskytuje v dnešních domácnostech. Přínosem článku je zejména přehled a srovnání metod využívaných pro segmentaci číslic a také jejich rozpoznání v konkrétní aplikaci. Kromě analogových elektroměrů mají obdobný způsob zobrazení hodnot také vodoměry a plynoměry. U těchto a dalších přístrojů je možné využít popisovaných metod k odečtení zobrazované hodnoty.

Mp = kωΦU ΦI sin Ψ,

(1)

kde k je konstanta přístroje, ω úhlová frekvence, ΦU , ΦI jsou amplitudy magnetických toků obou cívek a Ψ vyjadřuje fázový posun napěťové a proudové cívky. Počítadla analogových elektroměrů využívají rotační válce, na nichž jsou číslice od 0 do 9 (Obr. 2).

21


panelu. Využívá se zde kombinace adaptivního prahování a shlukování vertikálních hran v obrazu. Apriorními znalostmi rozumíme známé charakteristické znaky hledaného objektu v obrazu. V případě počítadla elektroměru to jsou: tmavé pozadí, 6 až 7 světlých číslic, graficky a někdy i barevně odděleno desetinné místo. Prvním krokem bude tvorba masky tmavých částí obrazu. K tomuto účelu je možné použít prahování, jenž přiřadí na základě zadané hranice jasovým úrovním obrazu pouze dvě hodnoty (černá/bílá). Jedná se o jasovou transformaci, kde je práh obvykle stanoven na základě rozsahu jasových úrovní obrazu. V případě nerovnoměrně osvětlených obrazů je vhodnější použít adaptivní prahování, kde se práh pro každý pixel určuje z jasových úrovní pouze malého okolí tohoto bodu. Před prahováním se obraz převede na stupně šedi a pomocí morfologického uzavření jsou potlačeny velmi malé detaily (Obr. 4 b) jako texty a čárový kód, které nejsou pro masku žádoucí. Pak už je možné provést adaptivní prahování (Obr. 4 c).

Převod na počítadlo

Napěťová cívka

Hlinikový kotouč Proudové cívky

Permanentní magnet

Obr. 1: Provedení jednofázového elektroměru.

Obr. 2: Počítadlo analogového elektroměru [6].

3

Segmentace

(a)

(b)

Proces segmentace v obrazu zajistí oddělení požadovaných objektů od pozadí, či jiných objektů. Pro úlohu rozpoznání číslic elektroměru je třeba provést nejprve segmentaci číselníku a následně oddělit jednotlivé číslice. 3.1

Segmentace číselníku

Příklad čelního panelu jednofázového analogového elektroměru je na Obr. 3, existuje více typů, ale drtivá většina má podobné znaky. Světlé pozadí panelu, číselník s tmavým pozadím a světlými číslicemi.

(c)

Obr. 4: Úprava obrazu pro tvorbu masky pozadí. (a) šedotónový obraz elektroměru, (b) odstraněné detaily morfologickým uzavřením, (c) výsledek prahování [8]. Dále je třeba lokalizovat všechny číslice číselníku. Vhodnou metodou je vyhledat shluk vertikálních hran. Využije se operace konvoluce dle vztahu: g(x, y) =

m

n

2 X

2 X

h(x − i, y − j) · f (i, j),

(2)

n i=− m 2 j=− 2

kde f je vstupní obraz, h je konvoluční maska, m a n jsou rozměry masky. Využije se jádro typu Sobel (3):   1 0 −1 (3) h = 2 0 −2 1 0 −1

Obr. 3: Panel elektroměru.

3.1.1

Segmentace z apriorních znalostí

zvýrazňující pouze vertikální hrany v obrazu. Na takto vzniklý obraz je aplikována vytvořená maska tmavých oblastí, čímž se vyloučí texty se světlým pozadím (Obr. 5 (a)).

V této kapitole je uvedena metoda navržena konkrétně pro segmentaci číselníku elektroměru ze snímku čelního

22


Pro jednodušší zpracování je tento obraz ještě prahován (Obr. 5 (b)). Také jsou odstraněny příliš velké objekty, které se dotýkají horního i spodního okraje obrazu. Tak se odstraní případné hrany panelu elektroměru, které by nepříznivě ovlivnily lokalizaci číselníku.

3.1.2

Segmentace kaskádovým klasifikátorem

Druhá zde zmíněná metoda segmentace číselníku využívá aparát strojového učení. Jedná se o metodu učení klasifikátoru složeného ze slabých žáků (weak learner) na velkém množství pozitivních a negativních vzorů.

Příznaky Haar

(a)

Jedná se o velmi jednoduché příznaky, po jejichž aplikaci se převede vstupní obraz na binární prostor příznaků. Výpočet je v tomto případě velmi rychlý, což je velká výhoda těchto příznaků. Jde o rozdíl pixelů světlých a tmavých oblastí dle přiložené masky (Obr. 7) a následná aplikace prahu. Takových příznaků je celá řada, některé jsou citlivé na hrany, jiné na čáry či osamocené body. Používají se také jejich kombinace.

(b)

Obr. 5: Aplikace operátoru Sobel pro extrakci vertikálních hran. (a) Odezva Sobel operátoru maskovaná tmavými částmi obrazu, (b) prahovaný obraz vertikálních hran, odstraněny příliš velké objekty [8].

1. Příznaky hran

Nyní je možné provést lokalizaci textu, respektive číslic, které jsou předmětem zájmu. Shluk vertikálních čar je hledán ve dvou fázích. V první se určí potenciální řádky číslic a následně se vytvoří oblasti blízkých čar. Selekcí těchto oblastí na základě počtu čar a poměru stran je možné lokalizovat hledaný číselník. Na Obr. 6 jsou zobrazeny jednotlivé fáze procesu shlukování.

2. Příznaky čar

3. Příznaky středů

Obr. 7: Příklady příznaků Haar [8].

AdaBoost (a)

Tato metoda (Adaptive Boosting) zajišťuje trénování klasifikátorů a také selekci a váhování. Využívá tzv. slabé klasifikátory (Weak learner) u nichž je úspěšnost klasifikace jen o málo lepší než úplně náhodné rozhodování. Princip spočívá ve spojení více slabých klasifikátorů, čímž je možné vytvořit klasifikátor s mnohem větší úspěšností.

(b)

Kaskádový klasifikátor V roce 2001 byla publikována [10] rychlá a robustní metoda detekce objektů v obrazu využívající jednoduchých příznaků Haar a mechanizmu učení AdaBoost. Výhoda této metody je ve schopnosti rychlé filtrace chybně označených oblastí. Tréningová množina obsahuje kromě množství snímků hledaného objektu také snímky obrazů okolí. Tvoří se kaskádový klasifikátor (Obr. 8) jehož jednotlivé stupně obsahují slabé klasifikátory, nebo jednoduchou kombinaci několika z nich (Haar). Pokud kterýkoli dílčí stupeň označí vstup za negativní (není číselník), je okamžitě vyřazen, pokud projde vstup přes všechny úrovně klasifikátoru je označen za hledaný objekt. Vyhledávání

(c)

Obr. 6: Demonstrace lokalizace číselníku z obrazu hran. (a) Vyznačené oblasti potenciálních řádků textů, (b) ohraničení vyřazených oblastí (modře) a oblast nalezeného číselníku (zelená), (c) nalezený číselník vyznačen v originálním snímku [8].

23


pomocí tohoto klasifikátoru v obrazu se provádí skenováním oknem s definovaným rozsahem rozměrů.

malých objektů je provedeno v první fázi vyplňováním s následnou mediánovou filtrací (Obr. 9 c).

úroveň 1

Vstupní obraz

Haar klasifikátor 1

Haar klasifikátor 2

úroveň n

...

Není číselník

úroveň 2

(a)

(c)

Obr. 9: Prahování číselníku. (a) Šedotónový obraz, (b) adaptivní prahování, (c) odstranění malých objektů [8].

Haar klasifikátor n

Dále je třeba odstranit vodorovné čáry, které vznikají na hranici rotačních kotoučů číselníku. K tomuto účelu je použita horizontální projekce. Jedná se o sumu světlých pixelů jednotlivých řádků (Obr. 10). V takto vzniklém grafu je z obou stran hledáno nejprve lokální maximum a pokud přesahuje velikost 3/4 šířky obrazu, tak první lokální minimum směrem do středu obrazu určí hranici vodorovné čáry a číslic. Nalezené oblasti se od okraje až k lokálnímu minimu odstraní a zůstanou pouze číslice. Ideální případ, kdy jsou po tomto kroku již jednotlivé číslice odděleny od sebe, je vidět na Obr. 10 (b). V případě, že se i po této fázi nachází na snímku nežádoucí objekty způsobené šumem, odlesky, či poškozením číselníku, je třeba provést selekci číslic.

Je číselník

Obr. 8: Znázornění kaskádového klasifikátoru. Pro účely této práce byla použita implementace tvorby kaskádového klasifikátorů, která je součástí knihovny OpenCV. K trénování klasifikátoru určeného k detekci číselníku bylo použito 200 pozitivních snímků číselníků a 400 negativních vzorků pozadí a okolí.

3.1.3

Úspěšnost lokalizace číselníku

V Tab. 1 jsou uvedeny úspěšnosti nalezení číselníku. Testování proběhlo na 40 snímcích, které nebyly součástí trénovací množiny kaskádového klasifikátoru. Přesnost kaskádového klasifikátoru by mohla být navýšena v případě výrazného zvýšení počtu trénovacích vzorů, což se pro účel této práce nepodařilo. K dispozici bylo získáno okolo 250 snímků elektroměrů různých typů. Metoda Thresh&Verticals HaarCascade

(a)

(b)

Úspěšnost segmentace [%] 97,5 90

Tab. 1: Výsledky testů detekce číselníku elektroměru.

3.2

(b)

(c)

Obr. 10: (a) Prahovaný obraz bez detailů, (b) odstraněny vodorovné pruhy, (c) horizontální projekce [8].

Segmentace číslic

Jakmile je oddělen číselník elektroměru, je třeba oddělit jednotlivé číslice, které budou následně rozpoznávány. 3.2.1

3.2.2

Předzpracování

Snímek číselníku bývá zatížen šumem a chybami způsobenými nerovnoměrným osvětlením a odlesky. Je třeba provést předzpracování, aby bylo možné oddělit jednotlivé číslice od sebe. Nejprve se použije adaptivní prahování a následně se odstraní velmi malé objekty, které představují šum. Proces předzpracování je ukázán na Obr. 9. Na Obr. 9 (b) je výřez číselníku po aplikaci adaptivního prahování s velikostí okna desetiny šířky obrazu. Odstranění

Selekce číslic

Jednou z možností selekce číslic je vyhledávání lokálních minim v grafu vertikální projekce. Tato metoda není citlivá na horizontální pruhy, ovšem v případě poškození číslic může dojít k jejich rozdělení. Lepších výsledků bylo dosaženo selekcí kontur. Vyhledáváno je 6 až 7 objektů srovnatelné výšky s pravidelnými rozestupy. Tato metoda byla použita pro segmentaci číslic na číselníku.

24


3.2.3

Úspěšnost oddělení číslic

4.2

Úspěšnost segmentace jednotlivých číslic byla vyhodnocena na 40 snímcích číselníků pořízených předchozími zmíněnými metodami. Bylo dosaženo úspěšnosti 96,31 %.

4

Srovnání významných bodů

Druhá metoda rozpoznání číslic opět využívá srovnání se vzorem, ovšem v tomto případě jsou srovnávány významné body nalezené v jednotlivých vzorech a testovaném obrazu. Významné body v obrazu jsou takové, které jsou určitým způsobem zajímavé. Obvykle se jedná o místa s velkým gradientem jasových hodnot malého okolí. Mohou to být např. hrany, nebo rohy v obrazu. Detektorů významných bodů existuje celá řada (Harris, Shi-Tomasi, SIFT - ScaleInvariant Feature Transform, SURF - Speeded Up Robust Features, FAST - Features from Accelerated Segment Test a další), liší se v definicích významných bodů, způsobu a rychlosti výpočtu. Pro účel srovnání dvou binárních obrazů číslic je vhodným detektorem FAST, který je určen pro rychlou detekci rohů v obrazu. Rozpoznání vstupní neznámé číslice spočívá v nalezení odpovídajících významných bodů v jednotlivých vzorech (Obr. 11). Vzor, který má nejvíce shodných významných bodů s vyšetřovanou číslicí bude označen za výsledek. Příklad přiřazení je na obrázku 13.

Rozpoznání číslic

V předchozí kapitole byly popsány metody nejprve segmentace číselníku a následně jednotlivých číslic. Při rozpoznávání budou zpracovávány samostatné číslice zvlášť. Vzhledem k mechanizmu počítadla, které obsahuje rotační válce s číslicemi, mohou kromě celých čísel 0 až 9 nastat také přechody mezi sousedními číslicemi. Z tohoto důvodu byla číselná sada (0-9) rozšířena o přechody mezi jednotlivými číslicemi (viz Obr. 11), což zajistí lepší rozpoznávání. V této kapitole jsou uvedeny tři metody, které byly vybrány k rozpoznání číslic elektroměru. Na závěr kapitoly je uvedeno jejich srovnání.

Obr. 11: Vzory číslic a přechodů mezi nimi [8].

4.1

Geometrické deskriptory

První navržená metoda rozpoznávání číslic využívá geometrických deskriptorů. Jedná se o metodu srovnávání se vzorem (Obr. 11). Geometrické deskriptory využívají k popisu objektu jeho tvar. K rozpoznání znaků bylo využito v prvé řadě geometrických momentů. Samy o sobě vykazovaly chybovost zejména u tvarově podobných číslic, proto byly číslice rozčleněny ještě podle dalších parametrů. Na Obr. 12 je znázorněn rozhodovací strom, který rozčleňuje vstupní číslice nejprve na základě počtu objektů, dále podle otvorů a na konečné přiřazení je využito geometrických momentových invariantů.

Obr. 13: Příklady rozpoznání s využitím srovnání významných bodů. Vlevo testovaná číslice, uprostřed srovnání, vpravo nalezený vzor.

4.3

Třetí metoda využívá umělou neuronovou síť, která jakmile je „naučenaÿ podle velkého množství vzorů, je schopna přiřazovat vstupní data do příslušných tříd. Pro účel rozpoznání textu byla použita vícevrstvá neuronová síť s učením metodou zpětného šíření chyby (Back propagation of error). Před popisem neuronové sítě je třeba definovat neuron, což je základní stavební prvek. Jedná se o zjednodušený matematický model biologického neuronu přítomného v mozku živých organizmů. Neuron obsahuje n vstupů, které jsou přes příslušnou váhu přivedeny na vstupní sumátor neuronu, výstup je pak dán přenosovou funkcí neuronu. Nejčastější výstupní funkcí neuronu je sigmoida. Na Obr. 14 je znázornění jednoho neuronu. Výstup neuronu je dán vztahem:

Vstupní znak:

Počet objektů? jiný 1

0

Počet otvorů 1

2

Konec

2

0

Počet otvorů 1

Neuronové sítě

2

Obr. 12: Rozhodovací strom pro rozpoznání číslice na základě geometrických deskriptorů.

y = f (w0 +

n X i=0

25

xi wi ),

(4)


x1

1 w0

w x2 w 1 2 x3 w3

∑

z

f(z)

Počet vnitřních vrstev 1 1 1 1 1 2 2 2 2 2

y

Obr. 14: Znázornění neuronu.

kde w0 je bias, xi je i -tý vstup, wi je i -tá váha a f je přenosová funkce neuronu.

Vstupy

Počet iterací při učení 383 346 355 327 714 2454 256 294 771 430

Úspěšnost klasifikace [%] 73,73 85,59 71,19 87,29 80,93 89,41 63,38 80,28 78,87

Tab. 2: Výsledky testů neuronové sítě pro 1 a 2 vnitřní vrstvy a rozsah počtu vnitřních neuronů 20 − 100.

Topologie sítě je znázorněná na Obr. 15. Výstup každého neuronu je přiveden na každý neuron následující vrstvy až k vrstvě výstupní. Vstupem neuronové sítě je přímo obraz rozpoznávané číslice normalizovaný na velikost 30 × 30 pixelů, tedy síť má 900 neuronů ve vstupní vrstvě. Počet neuronů výstupní vrstvy je dán počtem požadovaných tříd, do kterých je požadováno rozčleňovat vstupní data. V případě číslic rozšířených o přechody je to 20 (viz Obr. 11).

1. skrytá vrstva

Neuronů ve vnitřní vrstvě 20 40 60 80 100 20 40 60 80 100

Obr. 16: Uměle vytvořená tréningová data. Rozpoznání Metoda Geom. deskriptory Významné body Neuronová síť

k-tá skrytá vrstva

Výstupy

znaků Úspěšnost [%] 66,95 87,71 89,41

Tab. 3: Porovnání úspěšností jednotlivých metod rozpoznání číslic. 4.4

Vyhodnocení rozpoznání číslic

V Tab. 3 jsou uvedeny úspěšnosti jednotlivých klasifikátorů číslic testovaných na 236 obrazech číslic. Je zřejmé, že metoda geometrických deskriptorů je v tomto případě nepoužitelná. Důvod nízké úspěšnosti této metody je způsoben zejména častým zkreslením jednotlivých číslic v důsledku šumu, odlesků a také poškození číselníku. Výrazně lepších výsledků dosahuje metoda využívající srovnávání významných bodů. Nejvyšší přesnosti ovšem bylo dosaženo s využitím vícevrstvé neuronové sítě, která po naučení na vhodně zvolené množině tréningových dat potlačuje vlivy zkreslení číslic. Pokud by byla rozšířena sada znaků pro učení sítě např. na 50 vzorů každé číslice, bylo by s nejvyšší pravděpodobností dosaženo lepší přesnosti.

Obr. 15: Topologie neuronové síě.

Počet vnitřních vrstev a počet jejich neuronů musí být nějakým způsobem stanoven, ovšem naneštěstí neexistuje žádná univerzální metoda pro jejich určení. V případě této práce byla topologie vnitřních vrstev zjištěna experimentálně. V Tab. 2 jsou uvedeny úspěšnosti přiřazení správné číslice pro 236 testovacích vzorků oddělených číslic, kde byly postupně testovány neuronové sítě s jednou a dvěma vnitřními vrstvami o 20 až 100 neuronech. K učení neuronové sítě byla vytvořena sada symbolů, kde každý z dvaceti znaků měl alespoň 20 různých vzorů částečně z reálných snímků a zčásti uměle vytvořených. Nejlepšího výsledku bylo dosaženo v případě sítě o dvou vnitřních vrstvách, kde každá obsahuje 40 neuronů.

5

Závěr

V článku byl nejprve uveden popis analogových elektroměrů, které jsou stále ještě v praxi využívány. Konkrétně jsou uvažovány jednofázové analogové elektroměry. Následuje popis metod zpracování obrazu, které postupně provádějí segmentaci číselníku, jednotlivých číslic a na závěr rozpoznání číslic. Jsou uvedeny dvě odlišné metody pro segmentaci číselníku ze snímku panelu elektroměru. První z nich byla na-

Tréningová data byla vytvořena částečně segmentací číslic metodami popsanými v předchozích kapitolách a zčásti byla vytvořena uměle aplikací různých zkreslení na vzorové číslice (Obr. 16). Číslice použité k testování nebyly součástí trénovací množiny, aby nebylo ovlivněno stanovení přesnosti.

26


vržena s využitím kombinace prahování a shlukování vertikálních čar. Úspěšnost této metody je 97,5 %. Tato metoda je při vhodném nastavení parametrů velmi efektivní, ovšem pouze pro konkrétní aplikaci. Naopak druhá metoda, která využívá kaskádového klasifikátoru, je naprosto univerzální a záleží jen na správné tréningové množině, která určí předmět lokalizace. Vzhledem k poměrně malému počtu tréningových dat (200), která byla k dispozici, tato metoda měla menší úspěšnost 90 %. Ovšem v případě dostatečného množství tréninkových dat (alespoň 1000) by bylo možné úspěšnost zvýšit. V další části je navržena metoda zajišťující oddělení jednotlivých číslic. Tomuto procesu předchází předzpracování, které má za úkol potlačit šum a jiné rušivé artefakty jako nerovnoměrné osvětlení a malé poškození, či nečistoty číselníku. Výsledkem je binární obraz, kde jsou oddělené číslice a minimum dalších objektů. Samotnou segmentaci z připraveného obrazu je možné provést s využitím selekce kontur objektů. Takto bylo dosaženo úspěšnosti segmentace znaků 96,3 %. Posledním krokem je rozpoznání oddělených číslic. Pro zvýšení přesnosti byla znaková sada rozšířena o přechody mezi sousedními číslicemi. Jsou uvedeny nejprve dvě metody využívající srovnání se vzorem. Metoda geometrických deskriptorů využívá popisu tvaru objektů pomocí vlastností jako počet otvorů v objektu, nebo geometrických momentů. V tomto případě byl navržen rozhodovací strom využívající těchto vlastností pro přiřazení správného vzoru. Tato metoda ovšem není vhodná v případě zkreslení tvaru číslice šumem, či nečistotami a odlesky (67 % úspěšnost rozpoznání). Lepších výsledků dosahovala metoda využívající srovnání významných bodů, kde jsou hledány odpovídající si body u vzoru a testované číslice s tím, že nevyhovující body jsou zahazovány. Spolehlivost této metody je 87,7 %. Nejvhodnější metodou z testovaných je ovšem využití neuronové sítě naučené na velkém množství vzorů zatíženích rozličnými druhy zkreslení. I přes relativně malý počet tréningových vzorů bylo dosaženo přesnosti přiřazení vzoru 89,4 %.

[5] HU, Ming-Kuei. Visual pattern recognition by moment invariants. IEEE Transactions on Information Theory. 1962, 8(2), 179-187. DOI: 10.1109/tit.1962.1057692. [6] Jednofázové elektromechanické elektromery [online]. In: . Elektroměry s.r.o., 2001 [cit. 2015-05-02]. Dostupné z: http://www.elektromery.com/soubory/EJsl.pdf [7] KALOVÁ, Ilona. Segmentace a detekce geometrických primitiv [online]. In: . [cit. 2015-04-30]. Dostupné z: http://midas.uamt.feec.vutbr.cz/ POV/lectures-pdf/05_Segmentace_a_detekce_ geometrickych_primitiv.pdf [8] SLIŽ, Jiří Zpracování obrazu v systému Android - Odečet hodnoty elektroměrů. Diplomová práce. Brno: Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií, 2014. 72 s. Vedoucí diplomové práce Ing. Peter Honec, Ph.D [9] ŠONKA, Milan, Václav HLAVÁČ a Roger BOYLE. Image processing, analysis, and machine vision. 3rd ed. Toronto: Thomson, 2008, xxv, 829 s. ISBN 978-0-49508252-1. [10] VIOLA, Paul a Michael JONES. Rapid object detection using a boosted cascade of simple features. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition. USA: 2001. s. 511-518. ISBN 0-7695-1272-0. [11] YUNGANG Zhang a Zhang CHANGSHUI. A new algorithm for character segmentation of license plate. In: IEEE IV2003 Intelligent Vehicles Symposium. USA: 2003. s. 106-109. ISBN 0-7803-7848-2.

Literatura [1] LELIS BAGGIO, Daniel. Mastering OpenCV with practical computer vision projects. Birmingham, UK: Packt Pub., 2012, v, 318 p. ISBN 978-184-9517-829. [2] Elektrotechnická měření 1. vyd. Praha: BEN - technická literatura, 2002, 255 s. ISBN 80-730-0022-9. [3] EUGENE, Borovikov. A survey of modern optical character recognition techniques [online]. 2004, , 36 [cit. 2015-05-12]. Dostupné z: http://www.academia.edu/ 3732087/A_survey_of_modern_optical_character_ recognition_techniques [4] FLUSSER, Jan, Tomáš SUK a Barbara ZITOVÁ. Moments and moment invariants in pattern recognition. 1st ed. Chichester: John Wiley, 2009, xiv, 296 s. ISBN 978-0-470-69987-4.

27

Metody segmentace a rozpoznání číslic analogového elektroměru

Recommend Documents