基于自适应特征提取的数显仪表识别系统
陆靖滨+许丽
摘 要： 为了适应数显仪表各种不同的室外环境，建立了自适应于不同光照条件下的仪表自动识别系统。针对数显仪表图像的点亮区域多为红色，不亮部分偏灰白的特征，设计基于RGB彩色空间滤波方法，较好地保留了点亮区域的亮度信息；并提出改进的最大类间方差法，实现了数显仪表图像字符的自适应提取。根据数显仪表数字特征信息，采用穿线识别法，实现了数显仪表的自动识别。通过大量实测实验表明，提出的自适应特征提取算法对不同角度、不同光照环境拍摄的仪表图像都有良好的适应性，应用于数显仪表自动识别系统可得到95%的识别准确率，平均运行时间为1.136 s。
关键词： 数显仪表识别； 自适应特征提取； 彩色空间滤波； 自动识别
中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）24?0147?04
Abstract： In order to make the digital?display instrument adapt to various outdoor environments， an instrument′s automatic recognition system adaptive to various illuminations is established. According to the features that the color of the bright area of the digital?display instrument image is almost red and the color of the dark area is partial to gray， the color space filtering method based on RGB is designed to reserve the luminance information of the bright area better. The improved Otsu method is proposed to realize the adaptive extraction of image characters of the digital?display instrument. The threading recognition method is used to realize the automatic recognition of the digital?display instrument according to the digital feature information of digital?display instrument. The actual measured results of massive experiments show that the adaptive feature extraction algorithm has strong adaptability to the instrument images taken in different imaging angles and different illumination environments， and can get the identification accuracy of 95% when it is applied to the automatic recognition system of digital?display instrument； its average running time is 1.136 second.
Keywords： digital?display instrument identification； adaptive feature extraction； color space filtering； automatic identification
0 引 言
目前电力系统存在着大量没有计算机接口的非智能仪表，为了获得这些仪表的数据，常采用人工抄表的方式获得，在观测环境差，特别是环境存在危险情况下，加上人为因素的影响，人工抄表数据存在精度低、可靠性差的缺点[1?3]。随着数字图像技术和模式识别的发展和应用不断深入，机器人巡检和仪表自动识别已成为当前研究的热点。
目前数显仪表的自动识别已有多种方法，2000年F.Corrêa Alegria首先提出了一种用于指针仪表以及数字显示式仪表自动化校准系统，特别针对没有计算机接口的仪表提出了基于机器视觉的半自动识别方法[4]。颜友福针对复杂多指针式仪表的读数自动识别难度大精度低的问题，提出一种基于区域生长的指针式仪表自动识别方法[5]。张文杰针对指针式仪表读数算法对光照变化影响较大、识别精度不高的问题，提出一种基于视觉显著性区域检测的指针式仪表读数方法[3]。
针对电力系统应用中仪表图像易受到光照、拍摄条件等因素的影响，本文建立了自适应于不同光照条件下的数显仪表自动识别系统。该系统包括仪表字符特征自适应提取和字符识别两部分。
1 数显仪表图像的自适应特征提取
由于受实际场地光照、天气等外界环境以及摄像头镜片反光等输入设备的影响，采集得到的数显仪表图像质量较差，含有大量噪声、图像几何失真、模糊等干扰，不利于表盘字符区域的分割。数显仪表图像自适应特征提取主要包括彩色图像自适应灰度化、字符自适应提取和分割。
1.1 彩色图像自适应灰度化
针对数显仪表图像中点亮字符区域多为红色、不亮区域偏灰白的特征，本文采用自适应灰度化，较好地保留点亮区域的亮度信息。
图像灰度化常用的方法有加权平均法和平均值法。加权平均法利用人眼对于颜色的敏感程度，对绿色的敏感度最高、蓝色的敏感度最低[6]。实际测试场地采集的数显仪表图像由于受光照条件和相机曝光等因素的影响，数显管字符区域会出现颜色偏差现象，经过加权平均法和平均值法灰度化后LED数显管部位灰度差不明显，对之后图像二值化处理时容易造成误判。根据数显仪表这一特点，本文设计了基于RGB彩色空间的滤波器，通过设定一种对于R，G，B三种颜色的判别规则，保留以红色分量为主的颜色信息。
判别规则为，对于数显式仪表图像I，当R（i，j）红色分量明显大于其他分量时，即判别I（i，j）为红色，并通过设定判定阈值T来控制判别条件的颜色是否为红色，然后通过对灰度图像进行掩膜操作，从而得到以R分量为主的灰度图。同理，当G（i，j）绿色分量明显大于其他分量时，则判别I（i，j）为绿色分量；当B（i，j）蓝色分量明顯大于其他分量时，则判别I（i，j）为蓝色分量。
1.2 自适应字符特征提取
为了适应各种光照条件下的数显仪表字符特征提取，本文采用自适应阈值分割完成字符提取。最大类间方差法是一种常用的自适应目标阈值分割算法，对一般的前后景灰度分明的图像有很好的分割效果，但难以实现前后景灰度变化不大的目标提取[7]。传统最大类间方差法的思想是使用一个阈值将整个数据分成背景C1和目标C2两个类，使得两类之间的方差最大所对应的阈值即为最佳阈值。计算两类之间的方差为：
式中：w1和w2分别为背景和目标所占的图像像素总数的比例；u1和u2为背景和目标中像素灰度均值。当类间方差值d2最大（max（d2））时，所对应的t值即为分割的最佳阈值T。
在对实际拍摄的数显仪表在光照过亮条件下拍摄的图像，其目标区域与背景区域的灰度变化较小。传统的最大类间方差法进行二值化阈值分割后，二值图像存在大块白色区域，无法正确分割出仪表字符区域，严重影响后续字符识别。经过大量实验分析后得出，在无法分割出指针区域的过亮仪表图像中背景和目标之间最大类间方差值max（d2）较小。因此，最大类间方差值max（d2）可用于衡量指针目标是否准确提取的标准。根据这一衡量标准，本文提出改进的最大类间方差法。当对仪表灰度图像进行第一次最大类间方差法阈值分割时，其最大类间方差值max（d2）在K（[k1，k2]）范围内，则此时对应的阈值T1为最佳分割阈值，否则将第一次阈值分割时划分的目标类作为第二次最大类间方差法阈值分割的对象，判断其最大类间方差值max（d2）是否在K范围内。以此迭代计算，直到最大类间方差值max（d2）在K范围内，此时对应的阈值Tn，即为最佳分割阈值。
通过大量实验证明，改进的最大类间方差法不受各种光照条件的影响，对实际采集的背景与前景有明显灰度变化或无明显灰度变换的仪表图像都有良好的分割效果，能够自适应地选取阈值实现图像的二值化。
2 基于结构特征的字符识别
目前，图像识别的方法有很多种，常用的可以分为三类：基于统计特征的方法[8]、基于结构特征的方法[9?10]、基于神经网络的方法[11]。考虑到实际识别的数显仪表示数均为数显管形式显示，其数字字符为七段数码管字体，结构比较简单，没有复杂的特征信息。在保证识别准确度的基础上提高系统运算的效率，这里采用基于结构特征穿线识别的方法对数显仪表数字字符区域进行识别。
通过对数显仪表七段数码管字符进行分析可知，七段数码管的字符结构较为标准，7个笔画排列规则如图1所示，对七段数码管的各个码段进行定义，分别为a，b，c，d，e，f，g。取三条基线，一条过字符宽度的线分别穿过数码管a，g，d三段，两条水平线一条在字符高度处穿过数码管的c，e两段，另一条在字符高度处穿过数码管的b，f两段。对于七段数码管码段点亮状态的判定为像素值为“1”代表点亮，像素值为“0”时代表熄灭。因此在竖直方向的那条线上对字幅图像进行列向扫描，依据其与a，g，d三段的相交状态来判断这三段数码管的亮、暗。同时，在水平方向上对字符和处的两条线进行行向的扫描，可以根据其相交情况来判定c，e，b，f这四段数码管的亮、暗。最后根据以上得到的a，b，c，d，e，f，g数码管码段亮暗结果的不同排列组合，就可以对单个字符图像中0～9的数字值进行准确的判断。
3 实验与分析
为了检测本文提出的数显仪表自适应识别算法的可行性，以Matlab R2014a作为软件测试的环境，对数显仪表自动识别功能进行了测试。
3.1 字符特征提取实验分析
针对仪表图像A和B，采用本文提出的彩色空间滤波法和传统的加权平均法进行图像灰度化比较性能分析。彩色图像灰度化的结果如图2（c）和图3（c）所示，彩色空间滤波法能更好地保留点亮字符区域的亮度信息，便于自适应字符提取。图像灰度化后经过改进最大类间方差法进行字符分割后结果如图2（d）和图3（d）所示。
改进的最大类间方差法可以在目标和背景区域灰度差异不大的情况下，完成字符特征的提取。
实验结果表明，加权平均法获得的灰度图像仪表LED数码管点亮部位与背景灰度差值不大，易造成字符分割后效果不佳，不能够正常分割出正确的字符，将直接导致后续识别的错误。采用彩色空间滤波法仪表图像中数码管点亮部位与周围的灰度差值明显，字符区域分割准确，能够为后续字符的识别提够良好的基础。
对二值数显仪表图像进行倾斜矫正、图像去噪等处理之后，需要完成单个字符的分割，进而完成字符的识别。本文算法所得二值图像中的数字字符区域显示清晰，每个数字之间有一定的间隔，且边界较明显。如图4所示，利用二值图像在垂直方向上的投影信息，对仪表图像做字符分割操作。
3.2 字符识别实验分析
为了检测数显仪表示数自动识别算法的实用性和适应性，本文在变电站实际测试场地的五号数显仪表厂区，采集了不同类型、不同角度、不同时间段的数显仪表图像样本100幅，使用本文所提出的算法对实验样本进行了识别，其中整数数字字符正确识别率为95%。这里记录了其中10组样本测试结果，如表1所示。10组测试样本每组数显仪表分别取不同拍摄角度、不同光照条件的相同示数识别10次，整个数显仪表自动识别模块运行的平均时间为1.136 s。
通过大量实验表明，本文设计的数显仪表自动识别模块对不同角度，不同光照环境拍摄的仪表图像都有良好的适应性，整个模块运行的平均时间为1.136 s，能够满足实际变电站仪表实时检测的要求。其中造成识别错误的原因是仪表表盘区域不干净造成对小数点识别的干扰，出现误判。
4 结 语
针对受背景光照和相机曝光等因素所带来的仪表图像噪声多、点亮区域特征难提取等特点，采用基于RGB彩色空间滤波的方法對仪表图像进行了自适应灰度化；使用改进的最大类间方差法完成了对字符区域自适应提取；最后根据数显仪表表盘数字的特征信息采用基于结构特征的穿线识别法实现数显仪表数字字符的识别。实验结果表明，该系统自动识别实时性强，可获得95%以上的识别精度，适用于各种光照条件下LED数显的仪表的识别，具有良好的应用前景。
参考文献
[1] 张文杰，熊庆宇，张家齐，等.基于视觉显著性的指针式仪表读数识别算法[J].计算机辅助设计与图形学学报，2015，27（12）：2282?2295.
[2] 于向阳，姜威.仪表监控识别系统中实时性和准确性的研究[J].光学技术，2015，41（3）：275?279.
[3] 陈昕然.基于机器视觉的电力仪表自动检定系统研究[D].哈尔滨：哈尔滨工业大学，2015.
[4] CORREA ALEGRIA F， CRUZ SERRA A. Automatic calibration of analog and digital measuring instruments using computer vision [J]. IEEE transactions on instrumentation and measurement， 2000， 49（1）： 94?99.
[5] 颜友福，刘金清，吴庆祥.基于区域生长的指针式仪表自动识别方法[J].计算机系统应用，2015，24（4）：164?170.
[6] 刘关松，陆宗骐，徐建国，等.几种彩色模型在不同光照条件下的稳定性分析[J].小型微型计算机系统，2002，23（7）：882?885.
[7] 吴一全，吴文怡，潘喆.二维最大类间方差阈值分割的快速迭代算法[J].中国体视学与图像分析，2007，12（3）：216?220.
[8] 郭戈，闫继宏，蒋红梅，等.基于结构特征的汉字识别[J].兰州理工大学学报，2003，29（1）：81?85.
[9] 叶景东，宗寿松，朱美强，等.基于机器视觉的矿用数显电测量仪表检测系统[J].工矿自动化，2016，42（9）：13?16.
[10] 童文超，舒小华，龙永红，等.LED显示仪表的字符识别方法[J].湖南工业大学学报，2014，28（1）：67?70.
[11] 王晓东，薛宏智，马盈仓.基于自适应遗传算法的神经网络字符识别[J].西安工程大学学报，2008，22（2）：210?213.
摘 要： 为了适应数显仪表各种不同的室外环境，建立了自适应于不同光照条件下的仪表自动识别系统。针对数显仪表图像的点亮区域多为红色，不亮部分偏灰白的特征，设计基于RGB彩色空间滤波方法，较好地保留了点亮区域的亮度信息；并提出改进的最大类间方差法，实现了数显仪表图像字符的自适应提取。根据数显仪表数字特征信息，采用穿线识别法，实现了数显仪表的自动识别。通过大量实测实验表明，提出的自适应特征提取算法对不同角度、不同光照环境拍摄的仪表图像都有良好的适应性，应用于数显仪表自动识别系统可得到95%的识别准确率，平均运行时间为1.136 s。
关键词： 数显仪表识别； 自适应特征提取； 彩色空间滤波； 自动识别
中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2017）24?0147?04
Abstract： In order to make the digital?display instrument adapt to various outdoor environments， an instrument′s automatic recognition system adaptive to various illuminations is established. According to the features that the color of the bright area of the digital?display instrument image is almost red and the color of the dark area is partial to gray， the color space filtering method based on RGB is designed to reserve the luminance information of the bright area better. The improved Otsu method is proposed to realize the adaptive extraction of image characters of the digital?display instrument. The threading recognition method is used to realize the automatic recognition of the digital?display instrument according to the digital feature information of digital?display instrument. The actual measured results of massive experiments show that the adaptive feature extraction algorithm has strong adaptability to the instrument images taken in different imaging angles and different illumination environments， and can get the identification accuracy of 95% when it is applied to the automatic recognition system of digital?display instrument； its average running time is 1.136 second.
Keywords： digital?display instrument identification； adaptive feature extraction； color space filtering； automatic identification
0 引 言
目前电力系统存在着大量没有计算机接口的非智能仪表，为了获得这些仪表的数据，常采用人工抄表的方式获得，在观测环境差，特别是环境存在危险情况下，加上人为因素的影响，人工抄表数据存在精度低、可靠性差的缺点[1?3]。随着数字图像技术和模式识别的发展和应用不断深入，机器人巡检和仪表自动识别已成为当前研究的热点。
目前数显仪表的自动识别已有多种方法，2000年F.Corrêa Alegria首先提出了一种用于指针仪表以及数字显示式仪表自动化校准系统，特别针对没有计算机接口的仪表提出了基于机器视觉的半自动识别方法[4]。颜友福针对复杂多指针式仪表的读数自动识别难度大精度低的问题，提出一种基于区域生长的指针式仪表自动识别方法[5]。张文杰针对指针式仪表读数算法对光照变化影响较大、识别精度不高的问题，提出一种基于视觉显著性区域检测的指针式仪表读数方法[3]。
针对电力系统应用中仪表图像易受到光照、拍摄条件等因素的影响，本文建立了自适应于不同光照条件下的数显仪表自动识别系统。该系统包括仪表字符特征自适应提取和字符识别两部分。
1 数显仪表图像的自适应特征提取
由于受实际场地光照、天气等外界环境以及摄像头镜片反光等输入设备的影响，采集得到的数显仪表图像质量较差，含有大量噪声、图像几何失真、模糊等干扰，不利于表盘字符区域的分割。数显仪表图像自适应特征提取主要包括彩色图像自适应灰度化、字符自适应提取和分割。
1.1 彩色图像自适应灰度化
针对数显仪表图像中点亮字符区域多为红色、不亮区域偏灰白的特征，本文采用自适应灰度化，较好地保留点亮区域的亮度信息。
图像灰度化常用的方法有加权平均法和平均值法。加权平均法利用人眼对于颜色的敏感程度，对绿色的敏感度最高、蓝色的敏感度最低[6]。实际测试场地采集的数显仪表图像由于受光照条件和相机曝光等因素的影响，数显管字符区域会出现颜色偏差现象，经过加权平均法和平均值法灰度化后LED数显管部位灰度差不明显，对之后图像二值化处理时容易造成误判。根据数显仪表这一特点，本文设计了基于RGB彩色空间的滤波器，通过设定一种对于R，G，B三种颜色的判别规则，保留以红色分量为主的颜色信息。
判别规则为，对于数显式仪表图像I，当R（i，j）红色分量明显大于其他分量时，即判别I（i，j）为红色，并通过设定判定阈值T来控制判别条件的颜色是否为红色，然后通过对灰度图像进行掩膜操作，从而得到以R分量为主的灰度图。同理，当G（i，j）绿色分量明显大于其他分量时，则判别I（i，j）为绿色分量；当B（i，j）蓝色分量明顯大于其他分量时，则判别I（i，j）为蓝色分量。
1.2 自适应字符特征提取
为了适应各种光照条件下的数显仪表字符特征提取，本文采用自适应阈值分割完成字符提取。最大类间方差法是一种常用的自适应目标阈值分割算法，对一般的前后景灰度分明的图像有很好的分割效果，但难以实现前后景灰度变化不大的目标提取[7]。传统最大类间方差法的思想是使用一个阈值将整个数据分成背景C1和目标C2两个类，使得两类之间的方差最大所对应的阈值即为最佳阈值。计算两类之间的方差为：
式中：w1和w2分别为背景和目标所占的图像像素总数的比例；u1和u2为背景和目标中像素灰度均值。当类间方差值d2最大（max（d2））时，所对应的t值即为分割的最佳阈值T。
在对实际拍摄的数显仪表在光照过亮条件下拍摄的图像，其目标区域与背景区域的灰度变化较小。传统的最大类间方差法进行二值化阈值分割后，二值图像存在大块白色区域，无法正确分割出仪表字符区域，严重影响后续字符识别。经过大量实验分析后得出，在无法分割出指针区域的过亮仪表图像中背景和目标之间最大类间方差值max（d2）较小。因此，最大类间方差值max（d2）可用于衡量指针目标是否准确提取的标准。根据这一衡量标准，本文提出改进的最大类间方差法。当对仪表灰度图像进行第一次最大类间方差法阈值分割时，其最大类间方差值max（d2）在K（[k1，k2]）范围内，则此时对应的阈值T1为最佳分割阈值，否则将第一次阈值分割时划分的目标类作为第二次最大类间方差法阈值分割的对象，判断其最大类间方差值max（d2）是否在K范围内。以此迭代计算，直到最大类间方差值max（d2）在K范围内，此时对应的阈值Tn，即为最佳分割阈值。
通过大量实验证明，改进的最大类间方差法不受各种光照条件的影响，对实际采集的背景与前景有明显灰度变化或无明显灰度变换的仪表图像都有良好的分割效果，能够自适应地选取阈值实现图像的二值化。
2 基于结构特征的字符识别
目前，图像识别的方法有很多种，常用的可以分为三类：基于统计特征的方法[8]、基于结构特征的方法[9?10]、基于神经网络的方法[11]。考虑到实际识别的数显仪表示数均为数显管形式显示，其数字字符为七段数码管字体，结构比较简单，没有复杂的特征信息。在保证识别准确度的基础上提高系统运算的效率，这里采用基于结构特征穿线识别的方法对数显仪表数字字符区域进行识别。
通过对数显仪表七段数码管字符进行分析可知，七段数码管的字符结构较为标准，7个笔画排列规则如图1所示，对七段数码管的各个码段进行定义，分别为a，b，c，d，e，f，g。取三条基线，一条过字符宽度的线分别穿过数码管a，g，d三段，两条水平线一条在字符高度处穿过数码管的c，e两段，另一条在字符高度处穿过数码管的b，f两段。对于七段数码管码段点亮状态的判定为像素值为“1”代表点亮，像素值为“0”时代表熄灭。因此在竖直方向的那条线上对字幅图像进行列向扫描，依据其与a，g，d三段的相交状态来判断这三段数码管的亮、暗。同时，在水平方向上对字符和处的两条线进行行向的扫描，可以根据其相交情况来判定c，e，b，f这四段数码管的亮、暗。最后根据以上得到的a，b，c，d，e，f，g数码管码段亮暗结果的不同排列组合，就可以对单个字符图像中0～9的数字值进行准确的判断。
3 实验与分析
为了检测本文提出的数显仪表自适应识别算法的可行性，以Matlab R2014a作为软件测试的环境，对数显仪表自动识别功能进行了测试。
3.1 字符特征提取实验分析
针对仪表图像A和B，采用本文提出的彩色空间滤波法和传统的加权平均法进行图像灰度化比较性能分析。彩色图像灰度化的结果如图2（c）和图3（c）所示，彩色空间滤波法能更好地保留点亮字符区域的亮度信息，便于自适应字符提取。图像灰度化后经过改进最大类间方差法进行字符分割后结果如图2（d）和图3（d）所示。
改进的最大类间方差法可以在目标和背景区域灰度差异不大的情况下，完成字符特征的提取。
实验结果表明，加权平均法获得的灰度图像仪表LED数码管点亮部位与背景灰度差值不大，易造成字符分割后效果不佳，不能够正常分割出正确的字符，将直接导致后续识别的错误。采用彩色空间滤波法仪表图像中数码管点亮部位与周围的灰度差值明显，字符区域分割准确，能够为后续字符的识别提够良好的基础。
对二值数显仪表图像进行倾斜矫正、图像去噪等处理之后，需要完成单个字符的分割，进而完成字符的识别。本文算法所得二值图像中的数字字符区域显示清晰，每个数字之间有一定的间隔，且边界较明显。如图4所示，利用二值图像在垂直方向上的投影信息，对仪表图像做字符分割操作。
3.2 字符识别实验分析
为了检测数显仪表示数自动识别算法的实用性和适应性，本文在变电站实际测试场地的五号数显仪表厂区，采集了不同类型、不同角度、不同时间段的数显仪表图像样本100幅，使用本文所提出的算法对实验样本进行了识别，其中整数数字字符正确识别率为95%。这里记录了其中10组样本测试结果，如表1所示。10组测试样本每组数显仪表分别取不同拍摄角度、不同光照条件的相同示数识别10次，整个数显仪表自动识别模块运行的平均时间为1.136 s。
通过大量实验表明，本文设计的数显仪表自动识别模块对不同角度，不同光照环境拍摄的仪表图像都有良好的适应性，整个模块运行的平均时间为1.136 s，能够满足实际变电站仪表实时检测的要求。其中造成识别错误的原因是仪表表盘区域不干净造成对小数点识别的干扰，出现误判。
4 结 语
针对受背景光照和相机曝光等因素所带来的仪表图像噪声多、点亮区域特征难提取等特点，采用基于RGB彩色空间滤波的方法對仪表图像进行了自适应灰度化；使用改进的最大类间方差法完成了对字符区域自适应提取；最后根据数显仪表表盘数字的特征信息采用基于结构特征的穿线识别法实现数显仪表数字字符的识别。实验结果表明，该系统自动识别实时性强，可获得95%以上的识别精度，适用于各种光照条件下LED数显的仪表的识别，具有良好的应用前景。
参考文献
[1] 张文杰，熊庆宇，张家齐，等.基于视觉显著性的指针式仪表读数识别算法[J].计算机辅助设计与图形学学报，2015，27（12）：2282?2295.
[2] 于向阳，姜威.仪表监控识别系统中实时性和准确性的研究[J].光学技术，2015，41（3）：275?279.
[3] 陈昕然.基于机器视觉的电力仪表自动检定系统研究[D].哈尔滨：哈尔滨工业大学，2015.
[4] CORREA ALEGRIA F， CRUZ SERRA A. Automatic calibration of analog and digital measuring instruments using computer vision [J]. IEEE transactions on instrumentation and measurement， 2000， 49（1）： 94?99.
[5] 颜友福，刘金清，吴庆祥.基于区域生长的指针式仪表自动识别方法[J].计算机系统应用，2015，24（4）：164?170.
[6] 刘关松，陆宗骐，徐建国，等.几种彩色模型在不同光照条件下的稳定性分析[J].小型微型计算机系统，2002，23（7）：882?885.
[7] 吴一全，吴文怡，潘喆.二维最大类间方差阈值分割的快速迭代算法[J].中国体视学与图像分析，2007，12（3）：216?220.
[8] 郭戈，闫继宏，蒋红梅，等.基于结构特征的汉字识别[J].兰州理工大学学报，2003，29（1）：81?85.
[9] 叶景东，宗寿松，朱美强，等.基于机器视觉的矿用数显电测量仪表检测系统[J].工矿自动化，2016，42（9）：13?16.
[10] 童文超，舒小华，龙永红，等.LED显示仪表的字符识别方法[J].湖南工业大学学报，2014，28（1）：67?70.
[11] 王晓东，薛宏智，马盈仓.基于自适应遗传算法的神经网络字符识别[J].西安工程大学学报，2008，22（2）：210?213.
