简介这是一份面向Python与OpenCV初学者的电表LED数字自动识别方案配套可直接运行的Python源码和对应效果图。内容围绕图像预处理、轮廓检测、形态学处理、模板匹配/OCR识别等关键环节展开既适合学习计算机视觉基础流程也可作为电力自动化、智能家居等场景的参考实现。压缩包仅2个文件包含1个py脚本和1张效果图整体约205KB轻量易用下载后即可对照学习。目前已有1819人学习源码保留了函数调用顺序与参数配置读者可从灰度化、二值化、轮廓提取到数字匹配完整走通识别链路若遇到光照变化、数字宽高不一致等干扰也可结合代码理解如何调整预处理策略。对想快速入门OpenCV数字识别、或希望复用现成读表逻辑的开发者来说是一份小而精的实例资料。1. 用 OpenCV 识别 LED 电表数字这场识别难的不是“读”是“先看清”我见过不少人第一次接触这个需求第一反应是“能不能直接用 OCR 库”但在真实电表照片上试过就知道结果非常惨。原因很简单OCR 是用在打印字符、文档扫描这类背景干净、笔画清晰的场合而电表上的 LED 数字是发光的、带背光的、有重影的甚至电表玻璃罩还会反光。把这种图直接扔给 OCR识别率崩得比想象中快得多。用 Python 和 OpenCV 做这件事靠的是传统图像处理那一套灰度化、二值化、轮廓提取、模板匹配。流程不复杂真正考验人的是每一步参数怎么调才不死。适合谁做适合已经有固定安装位、摄像头视角基本不变的电表抄表场景比如机房、配电房、充电桩计费。这篇文章把从拍照到输出读数的完整方案拆开讲代码可以直接照着改。2. 方案选型与运行环境模板匹配为什么比 OCR 靠谱2.1 为什么选 OpenCV 模板匹配而不是 OCR 或深度学习先解决一个根本问题LED 数字和打印数字的成像规律截然不同。打印数字是光线照上去反射回来的白色像素来自纸张黑色像素来自墨迹LED 数字是自己发光的数字笔画是亮的背景是不亮的。这两种成像在二值化之后的表现非常稳定——LED 亮起来就是一个高亮的七段数码管图形每段之间的间距是固定的。而深度学习方案比如训练一个 YOLO 或一个分类网络不是不行但它需要标注数据LED 数字在不同角度、不同亮度下有变化通用模型很难覆盖部署时还牵扯到依赖和推理速度。在这个固定视角、固定设备、数字只有 0-9 的场景里模板匹配是“投入产出比”最好的方案匹配速度以毫秒计不需要 GPU一个树莓派都跑得动。2.2 最小依赖安装Python、OpenCV 和 NumPy环境上不需要花哨的东西。建议直接用 Python 3.8 及以上版本安装 OpenCV-Python 和 NumPy 就够了。OpenCV 的安装命令在 Windows、Linux 和 macOS 上是通用的。pip install opencv-python numpy装完验证一下能正常输出版本号就说明环境没问题。import cv2 print(cv2.__version__)这里有一点常被忽略OpenCV 的版本会影响部分 API 的写法。比如findContours在 OpenCV 3 之后返回的是两个值而不是三个值如果抄网上的老代码会直接报错。建议使用 4.x 版本下面的代码都按 4.x 的写法来。2.3 固定视角的重要性先确定相机位置再写代码绝大多数人栽的第一个跟头不是算法是相机位置。如果把摄像头拿在手里对着一张电表随拍同一个电表在不同角度下数字的长宽比、倾斜程度、LED 段间距都会变模板匹配的准确率会大幅下降。正确的流程是先固定相机调整到电表数字区域基本水平、占据画面三分之一以上的位置再开始写识别逻辑。如果实在没法固定视角那就必须在预处理阶段做透视校正。关于透视校正的细节放在第 5 章这里先明确一个原则识别程序是给固定安装场景用的不是给手持拍照用的。3. 识别流程逐段拆解从图片到读数3.1 预处理灰度化、高斯模糊和二值化参数不是越大越好拿到一张电表照片之后先要做的不是找数字而是把数字从背景里“抠”出来。LED 数字是发光的、偏亮背景是暗的这种亮度差异给了我们很大的处理空间。标准流程是转灰度图、高斯模糊去噪、二值化把亮部变白、暗部变黑。这里每一步都有值得注意的细节。转灰度图用的是cv2.cvtColor这是纯色域转换不会丢特征。高斯模糊是去噪的关键cv2.GaussianBlur的核尺寸必须用奇数常用的值是(5, 5)或(7, 7)。核太大数字边缘被抹平分割数字时会粘连核太小噪点滤不干净二值化之后会出现很多白点。二值化这一步新手容易误用全局阈值但实际场景里电表玻璃罩的反光会造成亮度不均一个固定阈值不可能同时照顾亮区和暗区。这时候要用cv2.adaptiveThreshold。# 转灰度图把 RGB 三通道压成一维亮度 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊去噪核尺寸必须为奇数常用 (5,5) 或 (7,7)太大边缘会糊 blurred cv2.GaussianBlur(gray, (5, 5), 0) # 自适应阈值二值化blockSize 取奇数C 值越小保留的亮像素越多 binary cv2.adaptiveThreshold( blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)逻辑说明adaptiveThreshold会根据每个像素周围blockSize×blockSize窗口内的局部亮度计算阈值C 是偏移量。这样一来画面上半部分亮、下半部分暗也能各自按局部基准做分割避免了全局阈值一竿子打倒一片的问题。参数上blockSize11和C2是一个比较中庸的起点如果画面里的数字偏小blockSize可以降到 7如果背景花纹较深C适当增大到 5 左右。3.2 筛选数字区域轮廓提取之后用几何特征过滤掉干扰二值化之后画面里除了 LED 数字还可能存在电表品牌文字、指示灯、玻璃反光区域这些东西都会在二值图里形成白块。找出数字区域的办法是先做轮廓检测再用几何条件过滤。LED 数字有几个稳定特征面积大于某个阈值、宽度和高度比落在数码管的合理区间、位置大致集中在画面的固定区域。用这些条件过滤之后剩下的基本就是数字区域。# 提取所有白色区域的轮廓只有外部轮廓即可 contours, _ cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 过滤条件面积太小是噪点太高太宽的是文字或反光斑 candidates [] for contour in contours: x, y, w, h cv2.boundingRect(contour) area w * h if area 500: continue if h / w 0.3 or h / w 5.0: continue candidates.append((x, y, w, h))参数说明RETR_EXTERNAL的意思是只取最外层轮廓适合我们这种要提取整体数字块的情况CHAIN_APPROX_SIMPLE会压缩水平、垂直和对角方向的轮廓点减少内存占用。area 500这个阈值是按 500 万像素的照片经验定的如果相机分辨率更高这个值也要等比例放大。宽高比范围0.3 到 5.0是防止把长条形文字或正方形图案当作候选。3.3 分割单个数字用亮度列的分布找到每个数字的边界找到整个数字区域之后紧接着的任务是把连续的数字串切成一个一个独立的数字。LED 数字之间有明显的空隙这个空隙在竖直投影里会表现为“亮度列之和接近 0 的连续列”。做法是把二值化图像的数字区域投影到 x 轴上统计每一列的白色像素数量然后找到连续的零值区段作为分割点。这个办法的前提是数字区域已经比较干净、没有粘连所以预处理尤其重要。# 按列统计白色像素数量得到垂直投影 region binary[y:yh, x:xw] col_sums region.sum(axis0) / 255 # 找出所有亮度降为 0 的列作为候选分割点 split_points [] in_gap False for i, val in enumerate(col_sums): if val 1 and not in_gap: split_points.append(i) in_gap True elif val 1: in_gap False这一段代码的逻辑是把连续的空隙列合并成一个分割点col_sums等于零说明这一列没有白色像素也就是数字之外的空隙。需要小心的情况是如果前一步二值化阈值选得不好数字笔画之间的空隙会被残留噪声填上col_sums永远不会归零分割就会失败。遇到这种情况优先去调二值化的blockSize和C而不是改分割逻辑。3.4 模板匹配识别数字用 0-9 的模板逐个比对单个数字切好之后就可以进入识别环节。模板匹配的做法是对每个数字区域缩放模板到同样尺寸计算模板和区域的相似度取相似度最高的作为识别结果。这一步里最关键的参数是cv2.matchTemplate的方法选择我一般用TM_CCOEFF_NORMED它考虑了模板和图像各自的均值和方差归一化对亮度变化不敏感比较适合 LED 这种自发光数字在不同环境亮度下的表现。# 将候选区域裁剪出来缩放到匹配模板的尺寸 digit_roi binary[y:yh, x:xw] digit_roi cv2.resize(digit_roi, (template_width, template_height)) results [] for template in templates: # 模板和 ROI 均为二值图计算归一化相关系数 result cv2.matchTemplate( digit_roi, template, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ cv2.minMaxLoc(result) results.append(max_val) best_digit int(np.argmax(results)) score results[best_digit]逻辑说明templates是一个包含 0-9 十个数字二值图模板的列表每个模板在构建时就要做和识别目标一致的预处理灰度化、二值化、透视校正否则模板的形态特征和待识别区域不一致匹配分会整体偏低。关于模板的构建技巧第 5 章会进一步展开。3.5 完整可跑的识别主流程代码把上面的步骤汇总成一个类输入一张电表图片输出读数的字符串。这个代码结构可以直接作为项目的起点预留了模板目录和调试输出目录的接口。import cv2 import numpy as np import os class LEDMeterReader: def __init__(self, template_dir, debugFalse): self.debug debug self.templates self._load_templates(template_dir) def _load_templates(self, template_dir): # 约定模板文件名为 digit_0.png, digit_1.png ... digit_9.png templates [] for i in range(10): path os.path.join(template_dir, fdigit_{i}.png) img cv2.imread(path, cv2.IMREAD_GRAYSCALE) if img is None: raise FileNotFoundError(fmissing template: {path}) _, binary cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) templates.append(binary) return templates def read_meter(self, img_path): img cv2.imread(img_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5, 5), 0) binary cv2.adaptiveThreshold( blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) contours, _ cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for contour in contours: x, y, w, h cv2.boundingRect(contour) if w * h 500: continue if h / w 0.3 or h / w 5.0: continue candidates.append((x, y, w, h)) # 按 x 坐标排序保证读数的顺序正确 candidates.sort(keylambda r: r[0]) digits [] for (x, y, w, h) in candidates: region binary[y:yh, x:xw] # 检查宽高比过滤掉明显不是数字的块 if w / h 1.0: continue roi_resized cv2.resize(region, (40, 80)) scores [] for tpl in self.templates: tpl_resized cv2.resize(tpl, (40, 80)) result cv2.matchTemplate( roi_resized, tpl_resized, cv2.TM_CCOEFF_NORMED) _, score, _, _ cv2.minMaxLoc(result) scores.append(score) best int(np.argmax(scores)) digits.append((best, scores[best])) # 过滤低置信度结果低于 0.6 的当作识别失败 readable_digits [str(d) for d, s in digits if s 0.6] return .join(readable_digits)这段代码里有一个很关键的细节w / h 1.0的过滤条件。LED 数字尤其是单个“1”宽度比高度窄得多如果出现宽高比接近 1 甚至大于 1 的白块大概率是反光区域或两三个数字粘连到了不应参与匹配。模板统一缩放成(40, 80)是考虑到不同相机成像大小不同的情况统一尺寸能让匹配分数可比。置信度阈值 0.6 是可以调的——如果现场环境稳定这个值可以提到 0.8减少误读如果环境复杂降到 0.5 可以避免漏读。实际项目里低于阈值的数字可以标记为“待人工确认”而不是硬报一个数。4. 常见问题避坑识别率从 90% 到 98% 的关键排查4.1 数字区域亮度不均二值化后数字笔画断裂现象在同一张图里左边数字清楚右边数字糊成一团甚至某一段 LED 笔画直接消失了。原因电表玻璃罩有弧度边缘区域反光严重或透光率低导致画面里不同位置的数字亮度不一致固定阈值处理不过来。解决办法是把全局阈值换成自适应阈值如果块尺寸选得不对还会出现另一种情况——笔画中间出现空洞。空洞的处理办法是对二值图做一次形态学闭运算填补小缺口。kernel np.ones((3, 3), np.uint8) binary cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)闭运算的作用是先用膨胀再把结果腐蚀能把数字笔画里因为反光产生的黑色小洞填上。注意核尺寸别超过(3, 3)太大容易把邻近数字黏在一起导致后面的分割失败。4.2 电表断电或缺位显示空位被识别成数字“0”现象某一位数字不亮按常理应该是空的但程序把它报告成 0。原因这两者本来就不一样正常显示 0 时是六段 LED 全亮而断电位不亮时没有任何白色像素。但固定位置的模板匹配有个坑——如果二值化后该区域存在微弱反光、灰尘反光或模板匹配的分数计算方式问题程序就会用一个不存在的弱信号硬找一个答案。解决思路是在每一位识别前先检查该区域的有效白色像素占比如果占比低于某个阈值直接判定为空位。region_bright_ratio cv2.countNonZero(region) / (w * h) if region_bright_ratio 0.02: continue # 当前位不亮跳过经验值正常亮起的 LED 数字白色像素占比一般超过 10%如果占比低于 2%基本可以认为是“没有数字”不必进入模板匹配流程。这个前置检查同时还能挡掉一部分脏点非常管用。4.3 小数点和指示灯被识别成额外数字位现象读数结果里多了一个数字比如真实读数 123.5程序报成了 12355 或者 12305。原因小数点、负号、报警指示灯这类 LED 形状和数字的高亮轮廓在二值化后同样形成白块如果面积和宽高比恰好落在过滤区间内就会被当成候选数字。解决办法是把候选区域的几何过滤条件加强加一条“高度不应小于数字区域平均高度的 60%”。小数点通常比数字矮一半以上在位置上也更偏下很容易被这条规则过滤掉。digit_heights [item[3] for item in candidates] avg_height np.mean(digit_heights) valid_cands [c for c in candidates if c[3] avg_height * 0.6]有时候也会反过来小数点在图片里非常靠近前一位数字在垂直投影阶段就黏在了前面的数字上导致分割出错把“1.”当成“1”或把“5.”当成“5”。遇到这种情况可以考虑按列投影时把连续空隙的最小宽度设为一个像素以上消除小数点造成的干扰。4.4 模板匹配整体分数偏低且数字间分数差很小现象识别结果经常在 8 和 0、5 和 6 之间摇摆置信度普遍低于 0.7。原因模板和现场数字的形态存在系统性差异最常见的是模板取自网上图片而没有做透视校正或者模板分辨率太低缩放后边缘锯齿明显。解决思路是现场截取一张清晰、无遮挡的数字区域图像把每个数字手动切出来做成符合你现场视角的一套模板而不是拿一个通用的模板集硬套。每个模板裁好后要做和识别端一样的预处理灰度化、二值化、统一缩放。4.5 识别结果正确但偶尔吞掉首位数字“1”或“7”现象今天的读数是 1042程序报成 042 或 0042丢了一位。原因LED 数字“1”在二值图里是笔画最细的它的宽度远小于其他数字在轮廓过滤阶段我们设置的面积阈值或宽高比范围可能把它当做一个细长噪声块排除了。解决方法是放宽宽度过滤条件或者不对单个数字应用面积阈值——先找整块数字区域再在数字区域内做分割。另一个隐蔽原因是数字区域排序后最左边的“1”刚好处在画面边缘被截断了一部分导致二值化后不成形。这种情况属于安装问题调整摄像头角度比调算法更省心。5. 更进一步透视校正与模板自举让同一套代码换表也能用5.1 用四个角点做透视校正消除倾斜视角带来的误差固定安装不等于完全水平很多时候摄像头只能从一个斜角拍到电表数字区域是梯形的。在这样的图上做轮廓分割数字的宽高比会失真模板匹配分数当然高不了。做一个四点透视校正能直接改变这个局面。思路是取数字区域外接矩形的四个顶点映射到目标矩形上。src_pts np.float32([[x1, y1], [x2, y2], [x3, y3], [x4, y4]]) dst_pts np.float32([[0, 0], [width, 0], [width, height], [0, height]]) matrix cv2.getPerspectiveTransform(src_pts, dst_pts) corrected cv2.warpPerspective(img, matrix, (width, height))这段代码里角点的选取可以用检测到的最外侧数字块边缘来估计或者干脆在程序里设定一个固定的 ROI 区域手动标定一次角点。标定一次后只要相机没动这些坐标就是稳定参数可以直接写进配置文件。5.2 模板自举从识别成功的图片里自动更新模板我养成的一个习惯是每次程序跑出来的识别结果如果置信度高于 0.9就把这块数字区域切下来自动归档成“准模板”。累积一段时间后从这些高置信度样本中挑出平均形态最好的一个替换旧模板。这个做法能明显延长程序在同一个安装位上的稳定寿命因为 LED 的老化、灰尘积累是一个缓慢过程模板跟着现场微调比重新手工标定要省事得多。if score 0.9: template_path farchive/digit_{best}_conf_{score:.2f}.png cv2.imwrite(template_path, roi_resized)这一小段代码如果做成定时任务每周自动跑一次就能让模板集逐步贴合当前现场的光照状态。前提是归档时要人工抽查一次防止把误识别结果也归档进模板库造成错误累积。5.3 验证识别稳定的方法连续 100 帧的抖动统计我在每个项目上线前都会做一个简单又有效的验证对着电表拍 100 帧连续照片统计识别结果的变化情况。如果 100 帧里有 95 帧以上输出同一个读数说明整个链路是稳定的。如果读数在个别数字上跳动就把那个数字对应的帧截图出来看看到底是分割不稳还是匹配分太接近。from collections import Counter results [] for i in range(100): reading reader.read_meter(fframes/frame_{i:04d}.jpg) results.append(reading) counter Counter(results) most_common_reading, count counter.most_common(1)[0] stability count / len(results) print(f最频繁读数: {most_common_reading}, 占比: {stability:.2%})这个验证工具不需要额外依赖却能暴露很多肉眼看不到的问题。比如某个数字在高频闪烁时会被拍到熄灭瞬间这个帧就会被识别成空位导致瞬时读数异常。这种情况下不要急着调模板而是要在识别端加一个“连续多帧一致才输出”的逻辑。这个做法比我最早那种单帧识别完直接上报的方式可靠得多——当初上线第一周就是吃了这个亏电表数字跳变瞬间抓拍到的半亮状态直接让我误报了一条大数据。后来学乖了所有的自动读数都必须经过帧间一致性判断再上报。希望帮到你。本文还有配套的精品资源点击获取
