方法一：基於opencv和lssvm的數字儀表讀數自動識別
步驟概括：
數字儀表影象預處理
①採集影象
②儀表影象傾斜校正（canny邊緣檢測與hough變換相結合的傾斜校正方法）
③影象的形體學處理（腐蝕、膨脹，簡化影象資料，除去不相干結構）
④影象二值化（將影象分割為背景和目標兩部分，otsu演算法）
影象特徵提取
①特徵分析（形狀、顏色和亮度）
②定位分割（基於連通域的方法進行定位分割/ 投影法）
③數字特徵提取
讀數識別（模式匹配法、基於人工神經網路法、穿線法、最小二乘支援向量機（lssvm）演算法）
方法二：opencv儀表數字識別
步驟概括：
1.自動定位數字區域（需要一張有資料的，一張儀表關閉時沒有資料的；儀表數字和背景的區別是資料會在短時間內變化，這樣在差分二值圖中未變化的背景區域就會被濾除）
2.如果是多行資料，對資料進行按行分割（投影法）
3.**因為拍攝角度，數字可能發生傾斜，此時進行傾斜矯正（hough變換）
4.數字分隔提取，將每行數字單獨分割出來乙個乙個識別
①腐蝕操作，去除雜點
②膨脹，保證乙個數字的數碼管都是相連的
③使用opencv的函式cvfindcontours查詢各個數字邊緣
④分別建立各個輪廓的輪廓矩
⑤將每個矩形切割出來，並單獨存為乙個影象
方法一：基於深度學習的指標儀表示數識別
步驟概括：
應用深度學習的faster-rcnn演算法從攝像頭採集的影象中迅速定位儀表區域，並且去除影象的干擾資訊
①傳統表盤提取常用演算法：
hough變換（計算量大，抗干擾能力不強，效率較低）
區域生長分隔演算法（需要手動選擇種子點和判斷停止條件）
②faster-rcnn演算法選用caffe作為演算法框架，c++為基礎語言
找到表盤後，
①通過灰度化（加權平均法）和二值化（將灰度變成僅有0和255，選擇合適的閾值，區域自適應法）
②標記出表盤刻度線和指標的連通域（四連通方式）
找表盤中心圓的圓心，根據連通域提取指標並細化
①提取指標（差影法、hough變換檢測直線、最小二乘法）
②指標細化，找指標的骨架（最小二乘法擬合）
對刻度線和表盤數字進行分割，利用基於深度學習的卷積神經網路lenet-5識別表盤刻度值，結合刻度線的處理和刻度值的確定，計算出分度值
方法二：使用opencv進行指標儀表數值讀取
方案：模板匹配+k-means+直線擬合
步驟概括：
1.模板匹配是opencv自帶演算法，可以根據乙個模板圖到目標圖上尋找對應位置（兩次匹配，提高精度）
2.k-means演算法對影象進行二值化
3.旋轉擬合直線法，假設一條直線從右邊0度位置順時針繞中心旋轉當其轉到指標指向的位置時重合的最多，此時記錄角度，根據角度計算刻度值
python視覺之各種儀表識別
多指標 單刻度儀表 對於圖3 圖6這種圖 隨著人工智慧的發展，現在各行各業都在開始被ai滲透，其中最成功的當屬工業，尤其是在安防 巡檢板塊。該文章將就工業中比較有挑戰的儀表識別進行記錄，免得自己以後忘了。畢竟做演算法這一塊，邏輯是最關鍵的，打死也不能忘的 該文章的方案是已實際應用到工程中，並部署到實...
風險識別方法
德爾菲法 優點 1 吸收專家參與 充分利用專家的經驗和學識 2 採用匿名或背靠背的方式，能使每一位專家獨立自由地作出自己的判斷 3 過程幾輪反饋，使專家的意見逐漸趨同。缺點 過程比較複雜，花費時間較長。swot分析方法 是一種根據企業自身的既定內在條件進行分析，找出企業的優勢 劣勢及核心競爭力之所在...
語音識別方法 筆記
語音識別方法 基於引數模型的隱馬爾科夫模型 hmm 的方法和基於非引數模型的向量量化 vq 的方法。基於人工神經網路 ann 的語音識別方法。傳統的會與動態時間規劃的演算法 dtw 在連續語音識別中仍然是主流方法。同時，在小詞彙量 孤立字識別系統中，也已有許多改進的dtw演算法被提出。提高系統的識別...