بخشی از مقاله
خلاصه
خواندن نشانگرها در کارخانهها و مراکز صنعتی اهمیت بسیاری دارد. این نشانگرها میتوانند درجه حرارت، فشار و سایر موارد مشابه را نمایش دهند، لذا خواندن دقیق آنها بسیار ضروری است. در مراکز صنعتی در کنار نشانگرهای دیجیتال جدید همچنان تعداد زیادی نشانگر آنالوگ، هیدرولیکی و مکانیکی مشغول به کار هستند. در حال حاضر متصل کردن این نشانگرها بوسیله اینترفیسهای الکتریکی به PLC و تبدیل این سیگنالها به سیگنالهای دیجیتال هزینهی زیادی دارد.
از این رو، در این پروژه برای جلوگیری از ازدیاد هزینهها از دوربین دیجیتال برای خواندن نشانگرها استفاده میشود. با پردازش تصاویر بدست آمده از دوربینها در کامپیوتر و انجام مجموعهای از پیشپردازشهای مناسب روی تصویر و سپس سعی در تشخیص عدد نمایش داده شده توسط نشانگر، میتوان مقدار عددی را بصورت بصری مشخص نمود و به قسمت ناظر یا کنترل کننده در واحد صنعتی منتقل نمود. این روش مقرون به صرفه است و در صورت رعایت شرایط عملی بعنوان شیوه جانشین یا مکمل در مراکز قابل استفاده است.
.1 مقدمه
یکی از مسائل مهم در طراحی سیستمهای مدرن اطلاعاتی، بازشناسی خودکار الگوها است. شناسایی الگو، شاخهای از هوش مصنوعی است که با طبقهبندی و توصیف مشاهدات سر و کار دارد. شناسایی الگو به ما کمک میکند تا دادهها - الگوها - را با تکیه بر دانش قبلی یا اطلاعات آماری استخراج شده از آنها، طبقهبندی نماییم. در چند دهه گذشته، مسئله بازشناسی الگوها شامل حروف، ارقام، تصویر از یک نوشته یا رقم و سایر نمادهای متداول در اسناد مکتوب شده به زبانهای مختلف، توسط گروههای مختلفی از محققین مورد مطالعه و بررسی قرار گرفته است. نتیجه این تحقیقات منجر به پیدایش مجموعهای از روشهای سریع و تا حد زیادی مطمئن موسوم به OCR به منظور وارد نمودن اطلاعات موجود در اسناد، مدارک، کتابها و سایر موارد به داخل کامپیوتر شده است.
هنگامی که یک سند متنی اسکن میشود و یا یک تصویر از نوشته یا ارقامی گرفته میشود و به کامپیوتر داده میشود، کامپیوتر آن را به صورت گرافیکی و بعنوان یک تصویر تشخیص میدهد و کاربران قادر به ویرایش و تغییر آن نمیباشند. یک نرم افزار شناسایی بصری حروف این تصویر یا متن اسکن شده را خوانده، محتویات آن را شناسایی نموده و به صورت یک فایل دارای کاراکترهای استاندارد در کامپیوتر ذخیره میسازد.
چنین قابلیتی امکان استفاده گسترده از کامپیوتر را در پردازش سریع حجم وسیعی از دادههای مکتوب یا تصاویر متعدد گرفته شده از نمونهها توسط شرکتها، کارخانجات، ادارات مختلف مانند اداره راهنمایی و رانندگی و موسسات مختلف نظیر بانکها، شرکتهای بیمه، اداره پست و سایر نهادها را فراهم میسازد. از لحاظ نحوه ورود اطلاعات، سیستم های OCR به دو دسته سیستمهای برخط و سیستمهای برونخط تقسیم میشوند. در بازشناسی برخط، حروف در همان زمان نگارش توسط سیستم تشخیص داده میشوند. در بازشناسی برونخط، از تصویر ذخیره شدهی متن یا ارقام استفاده میشود و تفسیر دادهها بر اساس تصویر صورت میگیرد.[1]
یکی از کاربردهای مهم پردازش تصویر، خواندن نشانگرهای داخل یک کارخانه یا مراکز صنعتی میباشد. بهطور مثال با استفاده از عکسها و فیلمهای تهیه شده از یک نمایشگر هفت قسمتی و پردازش آنها در کامپیوتر بوسیله روشهای مختلف پردازش تصویر از جمله روشهای هندسی یا OCR میتوان دادههای متنی و یا رقمی آن نشانگر را تشخیص داد .[2] با توسعه سریع فناوری اطلاعات، اندازهگیرها و مقیاسهای دیجیتال به صورت گسترده مورد استفاده قرار گرفتهاند. این درحالیست که نشانگرهای ستونی و دارای عقربه نیز با توجه به ساختار ساده، قابلیت اطمینان بالا، قیمت کم و امکان استفاده راحت هنوز هم در بخش های مختلف بسیار پر کاربرد میباشند.
این مطالعه سعی به تشخیص عدد مندرج در نشانگرهای مربوط به کارخانه ها یا پالایشگاه های موجود دارد. نشانگرهای موجود در کارخانهها به صورت آنالوگ، دیجیتال - نمایشگر هفت قسمتی - و یا به صورت ستونی میباشند. با بکارگیری یک دوربین در راهروهای مربوط به نشانگرها میتوان همزمان چندین نشانگر را پوشش داد. در شکل 1 نمونهای از نشانگرهای آنالوگ نمایش داده شده است. هدف از انجام این مطالعه، بکارگیری روشهای جدید هوش مصنوعی، پردازش تصویرها و تشخیص آنلاین عدد روی نشانگرها جهت افزایش دقت خواندن نشانگرهای صنعتی به صورت بصری است و به کمک آن میتوان برنامهریزیهای لازم را در جهت کنترل دستگاه مربوطه انجام داد.
در این مطالعه دلیل استفاده از دوربین، به جای اتصال مستقیم صفحات نمایشگر به PLC یا مکانیزم کنترل مرکزی، گرانی قیمتهای اینترفیس و بعضاً مشکلات انتقال اطلاعات با سیم در محیط صنعتی است. همچنین باید در نظر داشت خواندن این نشانگرها به صورت مکرر توسط انسان امری خستهکننده میباشد. وظیفه اینترفیسها تبدیل سیگنالهای ورودی به سیگنال دیجیتال است، به طوری که بتوان از اطلاعات آن در PLC استفاده کرد. همچنین در قسمتهای مختلف کارخانهها ممکن است نشانگرهای آنالوگ منفرد وجود داشته باشند که به صورت مستقیم قابل اتصال به PLC نمیباشند و یا حتی برخی از نشانگرهای دیجیتال نیز ممکن است به صورت مستقیم قابل اتصال نباشند.
از این رو، در این مطالعه از روش بصری استفاده شده است. این روش علاوه بر صرفهجویی در هزینهها، در صورت قطع سیستم مرکزی میتواند به عنوان یک سیستم جایگزین و مکمل مورد استفاده قرار گیرد. این در حالی است که همچنان در کارخانجات تعدادی نشانگر مکانیکی و هیدرولیکی وجود دارند که فاقد خروجی الکتریکی میباشند. برخی از شرایط محیطی مانند گرد و غبار، نور موجود و شرایط صنعتی از پیچیدگیهای روش بصری محسوب میشوند که خواندن نشانگرها و پردازش عکسهای تهیه شده بوسیله کامپیوتر را مشکل میسازد.
همچنین باید در نظر داشت که برای نشانگرهای آنالوگ علاوه بر خواندن عدد آن نشانگر، نیاز به تشخیص حرکت عقربه و جهت حرکت آن نیز میباشد. در این مقاله، فاز خواندن عقربهها جزء تکنیک OCR به حساب نمیآید و یک تکنیک پردازش تصویری و تشخیص الگو میباشد. برای خواندن اعداد نشانگرهای عقربهای، هدف مطالعه حاضر استفاده از OCR است که مشکلاتی را شامل میشود و در ادامه بیان شده است و برای تشخیص جهت آن نیاز به یکسری محاسبات میباشد که با استفاده از فیلترهای مناسب و لبهیابی صحیح این کار انجام شده است.
.2 مرور کارهای پیشین
در سال 2015، جینان چی و همکارانش [3] روی خواندن اتوماتیک یک نشانگر عقربهای با استفاده از بینایی ماشین کار کردهاند. به منظور عملکرد بهتر و دقت و پایداری بیشتر در تشخیص، روش این مطالعه یک روش بالا به پایین است. در ابتدا با استفاده از روش رشد دادن منطقه1، منطقه اطراف نشانگر و مرکز عقربه نشانهگذاری میشود. در ادامه با روش بهبود یافته تابش مرکزی2، منطقه مقیاس دایره را تحت سیستم مختصات قطبی تعیین میکند.
همچنین علایم مقیاس را تشخیص میدهد. در مرحله بعدی سعی در تشخیص عقربه و جهت آن دارد و در نهایت با استفاده از روش تابش مرکزی با مقایسه مکان عقربه و علائم مقیاس، عدد روی نشانگر نمایش داده میشود. این مطالعه که روی نشانگر خاصی انجام شده است، خطای خواندن رقم نشانگر با چشم عادی توسط یک فرد را حدود 2/153 درصد تخمین زده است، که بیشترین خطا حدود 8/333 درصد و کمترین خطا برابر با 0/8 درصد میباشد . این در حالی است که در مطالعه با استفاده از بینایی ماشین3، میانگین خطا به مقدار 1/528 کاهش یافته و بیشترین و کمترین خطا به ترتیب برابر با 5/37 و 0/486 درصد میباشد.
