CN102236788A - 电力电能表图像自动识别方法 - Google Patents

Abstract

电力电能表图像自动识别方法，包括下列步骤：步骤一图像预处理，采用sobel算子检测表盘图像的垂直纹理，并采用投影法初步去除背景区域；再采用膨胀法提取垂直纹理丰富区域；最后采用基于积分投影法的自适应阈值分割方法对图像进行二值化处理。步骤二示值与条码的精确定位，基于sobel算子的垂直边缘检测及形态学处理的基础上，结合复杂图像背景下基于示值间距和数字字符的长宽比特征的智能判断方法，适应不同类型电能表的示值精确定位。对条码区域进行水平扫描，提取条码特征区域、步骤三条码识别，针对不同条码用相似边距离归一化方法对字符条码进行识别。步骤四示值识别，使用PCA方法提取示值。本发明采用PCA字符识别方法能够准确识别各种字符示值读数，包括半字符识别。

Description

电力电能表图像自动识别方法

技术领域

本发明涉及电力电能表自动识别技术领域，特别是涉及电力电能表图像自动识别方法。

背景技术

电力电能表从新购入，检定合格、使用现场撤回、检测记录和入库是电力营销系统电能表生命周期管理的核心步骤，工作内容包括验证电能表身份(条码识别)、自动识别电能的最终示值。电能表检测记录的准确性和正确性，决定能否检测出电能表在工作期间内是否被正确地使用以及电能表计数是否被正确地记录，能够为电力企业挽回大量的电力损失。所以改进和提高自动识别电能表条码和示值的方法，是电力营销系统急需解决的重中之重的问题。

目前，电力撤回电能表的检测记录是采用人工肉眼识别、手工录入的方式进行，这样做存在的问题和漏洞是：

1、肉眼识别和手工录入两个操作环节会因为各种客观因数和人为因数产生失误或差错，使最终录入的表数与电能表中计数不一致，造成结余电量不准确；

2、电能表入库过程中，肉眼识别只能即时检查电能表外观和识别电能表示数，不能保存电能表具外观和电能表示数照片，造成电能表外观完整状况以及电能表示数的准确性无法进行审计核实；

3、由于采用人工方式，所以，一些电力公司对电能表不做任何检测和记录，直接入库保存，直至销毁。

上述撤回电能表入库流程暴露出的问题无法通过原有方式解决，无法满足电力营销现代化的发展需求。因此电能表的自动识别技术已经成为自动抄表技术的研究热点之一，作为自动识别技术之一的图像识别技术也被广泛的应用到电能表的自动识别中。

基于图像的数字识别技术目前已经比较成熟。但对于电能表图像的自动识别系统来说，在研究过程中存在以下关键问题：

1、在获取的电能表图像中，由于光照原因和反射会造成亮度分布不均。此时，定位率和识别率会显著下降，这对于整个图像处理与模式识别过程来说，都是一个难题。

2、示值的精确定位方面，由于电能表种类繁多，各类表的示值区域特征不同，采用传统的积分投影法很难准确定位出字符，因此提高示值的定位准确率也是一个需要解决的关键问题。

3、示值识别方面，由于电能表种类繁多，示值的字符类型不一致，而且机械式电能表的示值会出现半字符的现象。一般的模板匹配法、统计特征法和结构特征法都很难取得理想的识别效果，所以这对图像的识别提出了更为苛刻的要求。

发明内容

本发明要解决的技术问题，是提供一种工作效率高，抄表收费成本低，能实现一定范围内表计图像数据的自动采集，并将相关数据实时传送到管理控制中心，在该管理控制中心服务器上进行集中处理并自动识别的流量计费表数字远传图像自动识别方法。

电力电能表图像自动识别方法，包括以下步骤：

步骤一图像预处理，图像预处理首先采用基于分段线性灰度拉伸方法对图像进行对比化增强处理；然后由于条码和示值区域的垂直纹理相对水平纹理较丰富，本发明采用Sobel算子检测表盘图像的垂直纹理，并且采用投影法初步去除背景区域；再采用膨胀算法提取垂直纹理丰富的区域；最后采用基于积分投影法的自适应阈值分割方法对图像进行二值化处理。

步骤二示值与条码的精确定位：

1、示值的精确定位，由于电能表种类繁多，各类表的示值区域特征不同，采用传统的积分投影法很难准确定位出字符，因此本发明的示值的精确定位方法在基于Sobel算子的垂直边缘检测及形态学处理等预处理的基础上，结合了复杂图像背景下基于示值间距和数字字符的长宽比特征的智能判断方法，适应不同类型电能表的示值精确定位。同时，突破传统单个完整字符定位方法，当示值处于半字符状态时能够判断该位置是否为上下两个不完整字符情况，并且根据上下半字符的比例关系选取特征信息较多的字符读数作为该位置的读数。

2、条码的精确定位根据条码区域垂直纹理较多的特征在传统的投影定位方法基础上融合了条码区域的边缘特征，对可能是条码的区域进行水平扫描，提取满足条码特征的区域，并且根据电能表条码的编码方法判断出条码类型。

步骤三条码识别，条码识别首先采用逐行扫描的方法计算出一个条码字符连续条空的宽度，然后采用归一化理论，针对不同类型的条码用相似边距离归一化的方法对字符条码进行识别。

步骤四示值识别，由于电能表种类繁多，示值的字符类型不一致，而且机械式电能表的示值会出现半字符的现象。一般的模板匹配法、统计特征法和结构特征法都很难取得理想的识别效果。因此示值识别采用基于PCA的数字识别方法，使用PCA方法可以很容易的提取出示值的内在结构的主元，即可大致描述示值的结构信息。如果有新的图像需要与原有图像比较，就可以在变换后的主元维度上进行比较，则可根据新图与原有数据集的相似度识别示值的读数。

本发明采用机器视觉技术取代人眼视觉读取表计计量数据，是现有表计计量数据远传方法无法比拟的，也是本发明的主要特色，主要表现在以下几个方面：

(1)、本发明的示值精确定位方法充分利用了各类电表的示值字符的通用先验特征，能够提取不同类型电能表的示值区域。

(2)、在示值识别方面，本发明采用基于PCA的字符识别方法能够准确识别各种字符类型的示值读数，包括半字符识别。

具体实施方式

电力电能表图像自动识别方法，包括以下步骤：

步骤一图像预处理，包括图像对比度增强、图像垂直纹理提取、示值和条码区域初步筛选以及基于积分投影法的自适应二值化处理。

其中，图像对比度增强主要采用分段线性灰度对比度拉伸法，改善自然光拍摄条件下图像对比度角度的现象。

图像垂直纹理提取采用Sobel垂直边缘检测算子提取表盘图像的垂直纹理。

示值和条码区域初步筛选采用形态学处理中的膨胀算法连接垂直纹理相对丰富的区域，从而排除大部分背景区域。

基于积分投影法的自适应二值化处理方法对筛选后的区域进行积分投影，再提取各个边缘部分的灰度均值，在进行筛选提取可能是示值边缘的灰度均值，并以此灰度均值为阈值进行二值化处理。

步骤二示值与条码的精确定位，包括基于示值间距和数字字符的长宽比特征的智能示值定位和基于边缘扫描的条码定位。

1、示值的精确定位的具体步骤如下：

(1)、采用水平垂直扫描法结合数字字符的宽度与长度的比一般在0.15～1.25之间的特征去除所有目标区域中宽度大于区域高度3/4或小于2个像素宽或宽度与长度的比一般小于0.15或大于1.25的伪目标；

(2)、采用像素统计法去除小面积的噪声点和面积很大的干扰背景；

(3)、根据示值间等间距的特征进一步精确提取示值区域，具体如下：

①求出区域中相邻、相隔目标的间距D1、D2，合并D1、D2并对其排序得到D，由于电能表示值一般为5位或6位，取D中连续4个以上间距之差小于5的间距，并求其均值得到Dmean。

②在D1、D2中分别取满足|D1[i]-Dmean|＜8或|D2[i]-Dmean|＜5的坐标i，并且映射到目标区域坐标，即记录坐标i和i+1为有效目标坐标。

③统计有效目标的高度均值Hmean，如果Hmean＜10，此区域为非示值区域，返回下一个区域。

④统计有效目标个数，如果大于7个目标需要采用基于中心坐标特征进一步排除干扰目标。首先求出有效目标的中心坐标的横坐标均值(去掉最大值和最小值)Cxmean，如果有效目标的中心坐标的横坐标Cx-Cxmean＞15，认为该目标位伪目标。

⑤判断示值状态。分别求出示值高度的最大值Hmax和最小值Hmin，如果Hmax-Hmin＞8，认为该示值中存在半字符，且认为Hmax与示值高度H的差大于8的示值为半字符，然后分别去该示值字符的上下边界(R_top、R_bottom)与高度最大示值字符的上下边界(Hmax_top、Hmax_bottom)做差，如果Hmax_top-R_top＞8该示值字符为上半字符，如果R_bottom-Hmax_bottom＞8该示值字符为下半字符。

2、条码的精确定位根据条码区域垂直纹理较多的特征在传统的投影定位方法基础上融合了条码区域的边缘特征，对可能是条码的区域进行逐行扫描，统计区域内边界个数k和边界点的横坐标构成矩阵A，当k满足44≤k＜60认为该条码为8码条码，否则当k≥60认为该条码为13码条码，如果k＜44重新扫描下一行。

步骤三条码识别，包括基于归一化理论的条码识别。

(1)、根据条码行的坐标矩阵A求条码连续条空宽度，得到矩阵C。

(2)、采用归一化理论，用一种相似距离归一化的方法对条码进行判别。

步骤四示值识别，包括基于PCA的示值识别。

PCA是Principal component analysis的缩写，中文翻译为主元分析。它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应用与各个场合，因此应用极其广泛。

本发明中的示值识别部分采用基于PCA的数字识别方法。基于PCA的数字识别方法包括字符图像训练和识别两部分。

字符图像训练首先搜集了10类数字字符图库，每类包含70幅各种类型的数字字符二值图像，图像尺寸归一化为20×36；另外分别从上向下和从下向上截取整字符高度2/3到8/9部分的字符区域组成上下半字符图库，半字符图像归一化尺寸为20×24。然后采用PCA算法训练特征数据，以整字符训练为例，设待测试图像为X，M＝36，N＝20，m＝10×70＝700，n＝M×N＝720，训练过程具体步骤如下：

1、计算平均图像M_u＝sum(X_i)/m；i＝1，...，m；

2、X_i-＝M_u；

3、计算协方差矩阵SIGMA＝sum(X_i×T(X_i))/m；i＝1，...，m。SIGMA是一个n×n实对称矩阵，T(X_i)表示矩阵X_i转置；

4、计算Sigma的特征值lambda_k和特征向量W_k，k＝1，...，n，lambda_1＞＝lambda_2＞＝...＞＝lambda_n；

5、构造n×m′大小的子空间变换矩阵W＝[W₁，...，W_m’]；m′＜＝m，m′＜＜n，m′的大小根据需要选择，使之满足：

[sum(lambda_k，k＝1，...m′)/sum(lambda_k，k＝1，...，n)]＞0.90

6、计算图像X_i的投影坐标：A_i＝T(W)×(X_i-M_u)；T(W)表示矩阵W转置，A_i是m′×1的列向量，投影坐标就是图像特征。

7、保存矩阵A、T作为特征数据。

示值识别部分具体步骤如下：

1、将定位得到的二值字符图像做待识别字符归一化处理，即整字符归一化为20×36的图像，半字符归一化为20×24的图像；

2、根据字符状态调入训练好的特征数据A、T；

3、对于N×M大小的待识别图像Y，计算Y的投影坐标坐标：B＝T(W)×Y；T(W)表示矩阵W转置；

4、计算待识别图像Y与库中图像Xi间距离：

d(X_i，Y)＝sqrt(sum((B[k]-A_i[k])×(B[k]-A_i[k])))

其中，k＝1，...，m′。理论上，如果d(X_j，Y)＝min{d(X_i，Y)}，则Y与X_j为基本同类的字符。但是在实际应用中直接取最小距离对应的类最为Y的读数往往识别率不高，因此本发明对识别部分算法进行了改进：

(1)将距离d分为10类，每一类中包含70个距离；

(2)对每一类距离进行升序排序，得到dsort；

(3)取dsort中前10个距离的均值记做d_min，如果d_min(i)＝min{d_min)}，则Y属于第i类字符，i＝1，...，10。

Claims (3)

1.电力电能表图像自动识别方法，其特征在于包括以下步骤：

步骤一图像预处理，采用sobel算子检测表盘图像的垂直纹理，并且采用投影法初步去除背景区域；再采用膨胀算法提取垂直纹理丰富的区域；最后采用基于积分投影法的自适应阈值分割方法对图像进行二值化处理；

步骤二示值与条码的精确定位：

(1)、示值的精确定位，基于sobel算子的垂直边缘检测及形态学处理的基础上，结合了复杂图像背景下基于示值间距和数字字符的长宽比特征的智能判断方法，适应不同类型电能表的示值精确定位，同时，突破传统单个完整字符定位方法，当示值处于半字符状态时能够判断该位置是否为上下两个不完整字符情况，并且根据上下半字符的比例关系选取特征信息较多的字符读数作为该位置的读数；

(2)、条码精确定位，根据条码区域垂直纹理较多的特征在传统投影定位方法基础上融合了条码区域的边缘特征，对可能是条码的区域进行水平扫描，提取满足条码特征的区域，并且根据电能表条码的编码方法判断出条码类型；

步骤三条码识别，首先采用逐行扫描的方法计算出一个条码字符连续条空的宽度，然后采用归一化理论，针对不同类型的条码用相似边距离归一化方法对字符条码进行识别；

步骤四示值识别，由于电能表种类繁多，示值的字符类型不一致，而且机械式电能表的示值会出现半字符的现象，一般的模板匹配法、统计特征法和结构特征法都是很难取得理想的识别效果，因此示值识别采用基于PCA的数字识别方法，使用PCA方法可以很容易的提取出示值的内在结构的主元，即可初步描述示值的结构信息，若有新的图像需要与原有图像比较，就可以在变换的主元维度上进行比较，则可根据新图与原有数据集的相似度识别示值的读数。

2.根据权利要求1所述的电力电能表图像自动识别方法，其特征在于：示值的精确定位的具体步骤如下：

(1)、采用水平垂直扫描法结合数字字符的宽度与长度的比一般在0.15～1.25之间的特征去除所有目标区域中宽度大于区域高度3/4或小于2个像素宽或宽度与长度的比一般小于0.15或大于1.25的伪目标；

(2)、采用像素统计法去除小面积的噪声点和面积很大的干扰背景；

(3)、根据示值间等间距的特征进一步精确提取示值区域，具体如下：

①求出区域中相邻、相隔目标的间距D1、D2，合并D1、D2并对其排序得到D，由于电能表示值一般为5位或6位，取D中连续4个以上间距之差小于5的间距，并求其均值得到Dmean；

②在D1、D2中分别取满足|D1[i]-Dmean|＜8或|D2[i]-Dmean|＜5的坐标i，并且映射到目标区域坐标，即记录坐标i和i+1为有效目标坐标；

③统计有效目标的高度均值Hmean，如果Hmean＜10，此区域为非示值区域，返回下一个区域；

④统计有效目标个数，如果大于7个目标需要采用基于中心坐标特征进一步排除干扰目标；首先求出有效目标的中心坐标的横坐标均值Cxmean，如果有效目标的中心坐标的横坐标Cx-Cxmean＞15，认为该目标位伪目标；

⑤判断示值状态，分别求出示值高度的最大值Hmax和最小值Hmin，如果Hmax-Hmin＞8，认为该示值中存在半字符，且认为Hmax与示值高度H的差大于8的示值为半字符，然后分别去该示值字符的上下边界R_top、R_bottom与高度最大示值字符的上下边界Hmax_top、Hmax_bottom做差，如果Hmax_top-R_top＞8该示值字符为上半字符，如果R_bottom-Hmax_bottom＞8该示值字符为下半字符。

3.根据权利要求2所述的其特征在于：条码的精确定位根据条码区域垂直纹理较多的特征在传统的投影定位方法基础上融合了条码区域的边缘特征，对可能是条码的区域进行逐行扫描，统计区域内边界个数k和边界点的横坐标构成矩阵A，当k满足44≤k＜60认为该条码为8码条码，否则当k≥60认为该条码为13码条码，如果k＜44重新扫描下一行；

步骤三条码识别，包括基于归一化理论的条码识别：

(1)、根据条码行的坐标矩阵A求条码连续条空宽度，得到矩阵C；

(2)、采用归一化理论，用一种相似距离归一化的方法对条码进行判别；

步骤四示值识别，包括基于PCA的示值识别；

PCA是Principal component analysis的缩写，中文翻译为主元分析；它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化；正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构；它的优点是简单，而且无参数限制，可以方便的应用与各个场合，因此应用极其广泛；

本发明中的示值识别部分采用基于PCA的数字识别方法，基于PCA的数字识别方法包括字符图像训练和识别两部分；

字符图像训练首先搜集了10类数字字符图库，每类包含70幅各种类型的数字字符二值图像，图像尺寸归一化为20×36；另外分别从上向下和从下向上截取整字符高度2/3到8/9部分的字符区域组成上下半字符图库，半字符图像归一化尺寸为20×24；然后采用PCA算法训练特征数据，以整字符训练为例，设待测试图像为X，M＝36，N＝20，m＝10×70＝700，n＝M×N＝720，训练过程具体步骤如下：

1、计算平均图像M_u＝sum(X_i)/m；i＝1，...，m；

2、X_i-＝M_u

3、计算协方差矩阵SIGMA＝sum(X_i×T(X_i))/m；i＝1，...，m。SIGMA是一个n×n实对称矩阵，T(X_i)表示矩阵X_i转置；

4、计算Sigma的特征值lambda_k和特征向量W_k，k＝1，...，n，lambda_1＞＝lambda_2＞＝...＞＝lambda_n；

5、构造n×m′大小的子空间变换矩阵W＝[W₁，...，W_m’]；m′＜＝m，m′＜＜n，m′的大小根据需要选择，使之满足：

[sum(lambda_k，k＝1，...m′)/sum(lambda_k，k＝1，...，n)]＞0.90

6、计算图像X_i的投影坐标：A_i＝T(W)×(X_i-M_u)；T(W)表示矩阵W转置，A_i是m′×1的列向量，投影坐标就是图像特征；

7、保存矩阵A、T作为特征数据；

示值识别部分具体步骤如下：

(1)、将定位得到的二值字符图像做待识别字符归一化处理，即整字符归一化为20×36的图像，半字符归一化为20×24的图像；

(2)、根据字符状态调入训练好的特征数据A、T；

(3)、对于N×M大小的待识别图像Y，计算Y的投影坐标，坐标：B＝T(W)×Y；T(W)表示矩阵W转置；

(4)、计算待识别图像Y与库中图像X_i间距离：

d(X_i，Y)＝sqrt(sum((B[k]-A_i[k])×(B[k]-A_i[k])))

其中，k＝1，...，m′；理论上，如果d(X_j，Y)＝min{d(X_i，Y)}，则Y与X_j为基本同类的字符，但是在实际应用中直接取最小距离对应的类最为Y的读数往往识别率不高，因此本发明对识别部分算法进行了改进：

①将距离d分为10类，每一类中包含70个距离；

②对每一类距离进行升序排序，得到dsort；

③取dsort中前10个距离的均值记做d_min，如果d_min(i)＝min{d_min)}，则Y属于第i类字符，i＝1，...，10。