磁翻板液位计(磁性浮子式液位计)根据浮力原理和磁性耦合作用研制而成 。当被测容器中的液位变化时,液位计本体管中的磁性浮子也随之变化,浮子内的永久磁钢通过磁耦合传递到磁翻柱指示器,驱动红、白翻柱翻转,指示器的红白交界处即为容器内部液位的实际高度。目前,常用的磁翻板液位计自身还不能实现自动化、远距离识别和实时监测等功能。

 

随着计算机及人工智能技术的发展,基于机器视觉的各类不同场景液位识别方法研究取得了长足的进步。刘治锋[3]应用图像识别的方法,对采集的水位图像进行了一系列处理,包括形状矫正、光强矫正、目标分析等处理方法,从而实现了水位的自动检测。任明武等[4]同样应用图像识别方法,精确地检测和定位出了水位线。在瓶装液体识别的场景中,黄玲等[5]研发了一种带标杆的透明瓶装液体液位检测系统,有效地利用了液体的折射原理,通过图像处理确定标杆断开的位置从而得到液位的高度。而神经网络的兴起又为机器视觉的图像识别研究提供了新的思路,深度神经 网 络 模 型,特 别 是 深 度 卷 积 神 经 网 络 (deepconvolutionalneuralnetworks,DCNN)[6]在 各种视觉任务中的应 用 获 得 了 巨 大 成 功。Laroca等[7]提出了利用卷积神经网络来实现自动抄表的功能。陈志恒等[8]实现了基于 EMD 的神经网络空耦超声存储油罐液位的检测,其具体采用了 BP(backpropagation)神经网络,识别率高达99% 。基于上述理论技术的发展,各类指示计、液位计等的自动化识别应用场景层出不穷,如血管血清液位计的检测[9]、试管液位检测[10]等。因此,本文提出了一种基于计算机视觉的液位实时读数识别方法,通过高精度摄像头实时抓拍液位计面板获得图像数据,再利用图像识别的方法来识别并计算液位计读数。

 

1 理论基础

1.1 字符检测

进行图像识别前,需先识别和定位液位计上的刻度值,刻度值一般从下至上均匀分布于磁翻板液位计面板,常见的磁翻板液位计面板如图1所示。

 

场景字符检测作为场景字符读取的关键组成部分,其目标是定位每个字符实例的边界或区域。近年来,基于分割的方法在文本检测的场景中十分常用,分割之后的二值化处理也至关重要,分割的结果将在这一过程中被转换为文本框或文本区域。

 

本文基于可微二值化(differentiablebinarization,DB)的模块来简化分割后的处理步骤,该方法可设定自适应阈值来提升网络性能。在此基础上,结合液位计面板上字符位置分布特征,结合快速傅里叶变换(fastFouriertransform,FFT)提出优化方法(简称 DB-FFT 方法),从而提高字符检测效率。

 

1.1.1 基于 DB实现字符检测

对于标准的二值化处理,给定一个由分段网络生成的概率图P∈RH ×W ,其中 H 代表图像的高度,W 代表图像的宽度。将其转换为二值化的图,若一个像素点的值为1,则代表该像素属于字符区域,一般来说图像二值化可表示为

式中:t为预测字符区域所定义的阈值;(i,j)为图像中像素的位置。

 

由于Bi,j的值为0和1是不可微分的,所以无法参与到网络的训练。为此,将式(1)进行转换,使得 CNN 中的二值化过程可以端到端地进行训练。转换过程为