CN112699824B - 电能表仪表常数检测方法、设备及存储介质 - Google Patents
电能表仪表常数检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112699824B CN112699824B CN202110009587.2A CN202110009587A CN112699824B CN 112699824 B CN112699824 B CN 112699824B CN 202110009587 A CN202110009587 A CN 202110009587A CN 112699824 B CN112699824 B CN 112699824B
- Authority
- CN
- China
- Prior art keywords
- image
- electric energy
- energy meter
- pulse
- light pulse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000003287 optical effect Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 26
- 239000004973 liquid crystal related substance Substances 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 206010034719 Personality change Diseases 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本发明实施例提供一种电能表仪表常数检测方法、设备及存储介质，该方法包括对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像；获取所述电能表视频中的关键帧，并以所述关键帧作为首帧连续采集多帧所述光脉冲图像；将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，根据所述光脉冲识别模型的输出结果获取脉冲计数值；根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，获取计度器末位字符；根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果。本发明实施例能够达到自动化检测的水平。
Description
技术领域
本发明涉及仪表检测领域，更具体地，涉及一种电能表仪表常数检测方法及系统。
背景技术
仪表常数是衡量电能表准确度特性的重要技术指标，它是指电能表测试输出与显示器指示的电能量变化之间的关系，应与铭牌标志的常数一致，是电能表检定过程中重要检定项目之一。根据JJG 596—2012规程，仪表常数测量方法有计读脉冲法、走字试验法以及标准表法。从合格判断而言，计读脉冲法为等式判断，走字试验法和标准表法均属于不等式判断，计读脉冲法较走字试验法和标准表法合格判断更精准，不会受标准器及其主要配套设备误差因素的影响，也更加合理。
传统的计读脉冲法检测需要外接一台光脉冲或电脉冲的计数器，在给予电能表一段时间模拟用电的条件下，测试人员在液晶计度器末位数字第一次变化的瞬间启动脉冲，在液晶计度器末位数字走字到设定的数字出现的瞬间停止脉冲计数器接收脉冲，计算液晶计度器末位数字走字变化数与脉冲计数器上记录的脉冲数的比值为仪表常数，与铭牌标志的常数比较评价准确与否。
传统的计读脉冲法仪表常数检验中，由于介入了人工肉眼的观测和手动控制，存在测试人员的手眼不同步误差、脉冲计数器的截尾误差和液晶计度器的分辨率引起的误差。通常通过增加液晶计度器末位数字的走字量和减小模拟用电量的用电功率减少测试误差，但是这无疑增加了测试人员的工作强度和测试时间，容易出现视觉疲劳，分辨率不稳定和检测精度低等现象。学者盛泉根提出的自检(自校准)的方法，克服了测试人员的手眼不同步误差，但是不符合第三方检测的要求，且需要增加电能表的软硬件开发，增加成本。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的电能表仪表常数检测方法、设备及存储介质。
根据本发明实施例的第一方面，提供一种电能表仪表常数检测方法，该方法包括：对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像；获取所述电能表视频中的关键帧，并以所述关键帧作为首帧连续采集多帧所述光脉冲图像；将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，根据所述光脉冲识别模型的输出结果获取脉冲计数值；根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，获取计度器末位字符；根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果。
根据本发明实施例的第二方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电能表仪表常数检测方法。
根据本发明实施例的第三方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电能表仪表常数检测方法。
本发明实施例提供的电能表仪表常数检测方法、设备及存储介质，通过手机等装置采集图像，居民和电力部门可便捷和可靠地检测电能表仪表常数，判断电能表计量的准确与否，也可以在流水线上安装CCD采集图像，进行大规模电能表仪表常数检测，以达到自动化检测的水平。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1本发明实施例提供的机器视觉同窗电能表仪表常数检测方法流程图；
图2为本发明实施例提供的卷积层激活函数性能曲线；
图3为本发明实施例提供的光脉冲卷积神经网络结构图；
图4为本发明实施例提供的光脉冲卷积神经网络准确性能测试图；
图5为本发明实施例提供的光脉冲卷积神经网络识别时间性能测试图；
图6为本发明实施例提供的电能表仪表常数检测方法的流程示意图；
图7为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例要解决的技术问题是针对计读脉冲法检测的不足，提供一种基于同一采集视窗计度器走字识别与光脉冲采集的机器视觉电能表仪表常数检测方法(机器视觉同窗法)，可以克服测试人员手眼不同步误差和脉冲计数器产生的截尾误差，有效地提高检测精度。选择不同的采集装置，可以便携地检测单个居民电能表仪表常数，也可以在流水线上大规模检测，提高检测的自动化。
针对上述问题，本发明实施例提供一种电能表仪表常数检测方法，参照图6，该方法包括但不限于以下步骤：
步骤101、对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像；
步骤102、获取所述电能表视频中的关键帧，并以所述关键帧作为首帧连续采集多帧所述光脉冲图像；
步骤103、将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，根据所述光脉冲识别模型的输出结果获取脉冲计数值；
步骤104、根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，获取计度器末位字符；
步骤105、根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果。
具体地，参见附图1，该方法基于同一采集视窗计度器走字识别与光脉冲采集的机器视觉。本发明实施例适用手机等装置采集图像，居民和电力部门便携可靠地检测家用电能表仪表常数，也适用流水线上安装CCD采集图像，进行大规模电能表仪表常数检测。本实施例构建电能表仪表常数在线检测系统，主要由摄像头，图像采集卡，支架，电脑和测试台等组成。测试前，根据电能表的型号和测量精度的要求，通过支架调整使摄像头正对着电能表屏幕采集图像，并实时记录图像数据在计算机内存中，软件系统进行字符和光脉冲分割和识别。软件部分包括图像预处理单元，关键帧提取单元，光脉冲卷积神经网络构建与训练单元，光脉冲识别与计度器末尾字符识别单元，电能表仪表常数计算单元。
基于上述实施例的内容，作为一种可选实施例，对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像，包括：对采集到的电能表视频中的图像信号进行预处理，所述预处理包括旋转或增强；将所述图像从RGB空间转到HSV空间，并在H，V两个分量中根据背景与目标的颜色和亮度差异分别进行二值化处理，以及对H，V两个进行分量腐蚀和膨胀后的二值图像融合处理；标记融合处理的目标区域，并根据液晶屏和脉冲成像的形状、大小和相对位置特征对标记过的连通区域进行筛选，分割出液晶屏和光脉冲图像；利用水平和垂直投影切分法，去除边界部分，分割出液晶屏的计度器末位字符图像。
具体地，首先进行图像的预处理，对受现场环境制约采集到的倾斜图像校正。根据图像成像原理，假设旋转β角后，利用投影变换法校正到正确位置，设旋转前的图像坐标(x，y)，旋转后的图像坐标为(x′，y′)，通过实验获得一组原始图像矩形区域和倾斜图像最小外接矩形的四个顶点值,回归计算确定β。投影变换校正倾斜图像的数学模型如下所示。
在图像预处理单元中，增强图像中的目标，根据现在通用电能表液晶屏黄底黑字，脉冲区域呈橘红色的颜色特性，以及这两个目标区域亮度明显高于背景区域的亮度特性。
a和b的值，根据现场液晶屏的颜色饱和度调整，当a在区间(0.16,0.69)时,能清楚地区分特征颜色区域和背景区域，本实施例优选地，a为0.3，b为-2。
在图像预处理单元中，分割出脉冲和液晶屏计度器的末位字符，具体过程为，将图像从RGB空间转到HSV空间，在H，V两个分量根据背景与目标的颜色和亮度差异分别进行二值化处理，以及对H，V两个分量腐蚀和膨胀后的二值图像融合处理，最后标记融合处理的目标区域，根据液晶屏和脉冲成像的形状,大小和相对位置特征对标记过的连通区域进行筛选，分割出液晶屏和脉冲。利用水平和垂直投影切分法，去除边界部分，分割液晶屏计度器的末位字符。
基于上述实施例的内容，作为一种可选实施例，获取所述电能表视频中的关键帧，包括：选取光脉冲强度最大的帧脉冲图像作为参考帧；将采集到的每一帧脉冲图像与所述参考帧作比较，若差值小于设定的阈值，则将这一帧脉冲图像作为所述关键帧。
具体地，在关键帧提取单元中，选取光脉冲强度最大的帧脉冲图像作为参考帧，采集到的每一帧脉冲图像和参考帧作比较，若差值小于设定的阈值，这一帧作为关键帧，用fi(i＝1,2,......n)表示当前采集的视频帧，本实施例优选地，阈值取30，具体公式如下式。并以关键帧为首帧，连续采集m帧的连续脉冲图像视频，作为脉冲卷积神经网络检测脉冲的输入。
基于上述实施例的内容，作为一种可选实施例，将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，根据所述光脉冲识别模型的输出结果获取脉冲计数值，包括：依次将连续两帧所述光脉冲图像分别输入至所述光脉冲识别模型，获取所述光脉冲识别模型输出的识别结果；若根据所述识别结果确定识别到光脉冲的概率大于未识别到脉冲的概率，则将脉冲计数器的数值加1。
基于上述实施例的内容，作为一种可选实施例，所述光脉冲识别模型包括两层并行卷积神经网络，每个并行层都包括两个卷积层和两个池化层；所述两层并行卷积神经网络共用一个全连接层和输出层；将时序连续的两帧所述光脉冲图像输入至所述光脉冲识别模型后，每一帧所述光脉冲图像都依次经过第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；所述全连接层的输出经过分类的softmax层进行概率空间映射，输出光脉冲的置信度，并根据所述置信度获得光脉冲或非光脉冲的分类结果。
基于上述实施例的内容，作为一种可选实施例，将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，还包括对所述光脉冲识别模型进行模型训练，其包括：从样本电能表视频中提取样本图像，并对所述样本图像进行所述分割处理，获得样本光脉冲图像；对所述样本光脉冲图像进行数据增广，并统一图像大小；若两帧所述样本图像均为含有光脉冲的图像，则添加光脉冲标签；若两帧所述样本图像均为背景图像或者背景和光脉冲组成的图像，则添加非光脉冲标签，以提取训练样本集；
基于所述训练样本集，将时序连续的两帧所述样本图像作为单个样本并行输入卷积神经网络模型以进行模型训练，训练时采用反向传播法计算网络连接权重的梯度，当训练的损失不再下降，结束网络训练，获得训练好的光脉冲识别模型。
具体地，光脉冲卷积神经网络构建与训练单元分为网络构建与训练两个步骤。
构建的网络包括两层并行卷积神经网络，网络结构如图3所示，每个并行层都包括两个卷积层，两个池化层，两层并行网络共用一个全连接层和输出层，每层结构的参数如表1所示。时序连续的两帧增强后的脉冲图像并行输入网络，每一帧都依次经过第一卷积层，第一池化层，第二卷积层，第二池化层，全连接层，最后的输出经过作分类的softmax层进行概率空间映射，输出光脉冲的置信度，从而给出光脉冲和非光脉冲的分类结果。本实施例各层网络参数如下表所示。
表1实施例各层网络参数
卷积层激活函数采用参数可调节的指数非线性单元(MPELU)，性能曲线如图2所示，具体数学模型如下所示。
从上式和图2看出，当α＝0时，就是ReLU函数；β接近于0时，近似于线性变换，随着α和β的增加，非线性特征越明显。因此，MPELU对小于0的输入通过调节两个参数进行线性和非线性两种变换，结合了Sigmoid函数和ReLU函数的优势和特性，克服了卷积神经网络在优化求解过程能出现局部最优的现象，提高了网络性能。
池化层兼顾平均值池化算法和最大值池化算法的优点，选择K近最大值均值池化法。具体过程如下：
①计算池化域中特征的最大值。
②在池化域中选择K个与最大值的差值为最小的特征值，本实施例优选地，K＝2。
③用这K个像素特征值的均值作为池化域的全局特征。
在训练卷积神经网络中，网络中从电能表视频中提取10000帧图像，经过预处理单元，对分割出的光脉冲图像数据增广，归一化为32×32的图像。并行输入网络时序连续的两帧图像作为单个样本，如果这两帧图像都为含有光脉冲图像，添加标签1，为光脉冲标签；而两帧全为背景图像或者背景和光脉冲组成的图像，添加标签0，为非光脉冲标签。按此要求从电能表视频中提取样本集合，随机地取出样本集合的三分之二和三分之一分别作为训练样本集和测试样本集。
训练样本集训练脉冲卷积神经网络，训练时采用反向传播法计算网络连接权重的梯度，利用负对数似然作为Softmax损失函数，为网络权值更新依据，逐步降低学习率，当训练的损失不再下降，结束网络训练，下式为损失函数。
其中，D为当前的样本集合，yi为样本的标签值，si为网络计算的预测值，它由下式计算得到。
其中，a为yi为样本的标签值，为光脉冲和非光脉冲，k为样本序号。
以训练集和测试集训练和测试网络性能，依据网络当前预测的准确率判断训练和测试的性能，判断函数如下式所示。
其中，pyi＝argmax(yi,1)表示标签yi的最大标签值，psi＝argmax(si,1)表示网络计算预测si的最大概率标签值，accuracy表示正确率，bathsize表示本代样本大小。
在光脉冲识别与计度器末尾字符识别单元中，采集电能表视频，经过关键帧单元检测，如果检测到关键帧，以此作为首帧，连续采集m帧脉冲图像视频，m＝2*k,k取正整数，本实施例中，k＝1依次提取连续两帧图像的单个样本输入训练好的光脉冲卷积神经网络识别光脉冲，如果识别到脉冲，则脉冲计数器加1。
测试的真确率和识别时间性能分别如图4和图5所示。准确率达到98％以上，时间大约在40ms左右，优选地，采样周期Δt取40ms，本发明明显优于传统测试方法的效率。
基于上述实施例的内容，作为一种可选实施例，根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，包括：若采样周期为Δt，则每隔n个Δt的图像帧或者检测到所述关键帧时，使用Lenet-5对所述图像帧或所述关键帧分割出的计度器末位字符图像进行识别。
具体地，LeNet-5对手写数字有很好的识别效果，假设采样周期为Δt,每隔n个Δt或者检测到关键帧时，本实施例中，n＝25,Δt＝40ms,使用Lenet-5对该帧分割出计度器末位字符识别。
基于上述实施例的内容，作为一种可选实施例，根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果，包括：从相邻计度器末位字符变化时刻作为始终，识别并计数期间内的光脉冲的次数，以计算电能表仪表常数；将所述电能表仪表常数与电能表名牌上的仪表常数比较，若小于设定阈值，则判定电能表计量准确。
具体地，在电能表仪表常数计算单元中,利用光脉冲与计度器末尾字符识别的结果，从相邻计度器末位字符变化时刻作为始终，识别并计数光脉冲的次数，计算电能表仪表常数；和电能表名牌上的仪表常数比较，小于设定阈值，判定电能表计量准确，否则，重新检测，若三次检测计量不准确，转入人工检测。
为了检测本发明的性能，在不同拍摄环境下和不同功率环境下获取电能表的视频，提取8个视频样本,样本工作的功率依次增大，按本发明方法识别，统计光脉冲和外接计数器统计电脉冲的结果比较，计算电能表仪表常数，计算结果和用标准法检测的结果比较，结果如下表所示。
表2实施例识别结果
从表2的结果看出，8个视频样本测试的准确度都达到了97％以上，并且大功率环境下样本识别的准确率高于小功率环境下样本识别的准确率。因此，可以调整图像的采样周期提高识别的准确率。
另外，为了对本发明实施例提供的上述电能表仪表常数检测方法进行进一步说明，参见附图1，该方法包括：
S1：对采集到的电能表视频中的图像信号进行旋转，增强等图像预处理，分割出光脉冲和液晶计度器末位字符；
S2：根据输入帧与参考帧的差分，提取关键帧；
S3：构建光脉冲识别卷积神经网络；
S4：训练与测试光脉冲识别卷积神经网络；
S5：以关键帧作为首帧，连续采集m帧脉冲图像视频，用训练好的光脉冲卷积神经网络识别，用LeNet-5网络识别对应的计度器末位字符；
S6：计算电能表仪表常数；和电能表名牌上的仪表常数比较，小于设定阈值，判定电能表计量准确，否则，重新检测，若三次检测计量不准确，转入人工检测。
更进一步地，在步骤S1中，对受现场环境制约采集到的倾斜图像，根据图像成像原理，假设旋转β角后，利用投影变换法校正到正确位置，设旋转前的图像坐标(x，y)，旋转后的图像坐标为(x′，y′)，通过实验获得一组原始图像矩形区域和倾斜图像最小外接矩形的四个顶点值,回归计算确定β。投影变换校正倾斜图像的数学模型如下所示。
更进一步地，在步骤S1中，根据现在通用电能表液晶屏黄底黑字，脉冲区域呈橘红色的颜色特性，以及这两个目标区域亮度明显高于背景区域的亮度特性。
首先通过以下变换函数增强颜色特征，a和b的值，根据现场液晶屏的颜色饱和度调整。然后将图像从RGB空间转到HSV空间，在H，V两个分量根据背景与目标的颜色和亮度差异分别进行二值化处理，以及对H，V两个分量腐蚀和膨胀后的二值图像融合处理，最后标记融合处理的目标区域，根据液晶屏和脉冲成像的形状,大小和相对位置特征对标记过的连通区域进行筛选，分割出液晶屏和脉冲。利用水平和垂直投影切分法，去除边界部分，分割液晶屏计度器的末位字符。
更进一步地，在步骤S2中，关键帧是能够准确描述光脉冲强度最大的一帧或几帧连续序列图像，具体为选取光脉冲强度最大的帧脉冲图像作为参考帧，采集到的每一帧脉冲图像和参考帧作比较，若差值小于设定的阈值，这一帧作为关键帧。并以关键帧为首帧，连续采集m帧的连续脉冲图像视频，作为脉冲卷积神经网络检测脉冲的输入。
更进一步地，在步骤S3中，该网络包括两层并行卷积神经网络，每个并行层都包括两个卷积层，两个池化层，两层并行网络共用一个全连接层和输出层。时序连续的两帧增强后的脉冲图像并行输入网络，每一帧都依次经过第一卷积层，第一池化层，第二卷积层，第二池化层，全连接层，最后的输出经过作分类的softmax层进行概率空间映射，输出光脉冲的置信度，从而给出光脉冲和非光脉冲的分类结果。
更进一步地，卷积层激活函数采用参数可调节的指数非线性单元(MPELU)，性能曲线如图3所示，具体数学模型如下所示。
从上式和图2看出，当α＝0时，就是ReLU函数；β接近于0时，近似于线性变换，随着α和β的增加，非线性特征越明显。因此，MPELU对小于0的输入通过调节两个参数进行线性和非线性两种变换，结合了Sigmoid函数和ReLU函数的优势和特性，克服了卷积神经网络在优化求解过程能出现局部最优的现象，提高了网络性能。
更进一步地，池化层兼顾平均值池化算法和最大值池化算法的优点，选择K近最大值均值池化法。具体过程如下：
①计算池化域中特征的最大值。
②在池化域中选择K个与最大值的差值为最小的特征值。
③用这K个像素特征值的均值作为池化域的全局特征。
更进一步地，在步骤S4中，从电能表视频中提取帧图像，经过步骤S1预处理，对分割出的光脉冲图像数据增广，统一大小。并行输入网络时序连续的两帧图像作为单个样本，如果这两帧图像都为含有光脉冲图像，添加标签1，为光脉冲标签；而两帧全为背景图像或者背景和光脉冲组成的图像，添加标签0，为非光脉冲标签。按此要求从电能表视频中提取训练样本集。
更进一步地，在步骤S4中，用训练样本集训练脉冲卷积神经网络，训练时采用反向传播法计算网络连接权重的梯度，逐步降低学习率，当训练的损失不再下降，结束网络训练。
更进一步地，在步骤S5中，采集电能表视频，采用步骤S2检测关键帧，如果检测到关键帧，以此作为首帧，连续采集m帧脉冲图像视频，m＝2*k,k取正整数，依次提取连续两帧图像的单个样本输入训练好的光脉冲卷积神经网络识别光脉冲，如果识别到脉冲的概率大于未识别到脉冲的概率，则脉冲计数器加1。
更进一步地，在步骤S5中，LeNet-5对手写数字有很好的识别效果，假设采样周期为Δt,每隔n个Δt或者检测到关键帧时，使用lenet-5对该帧分割出计度器末位字符识别。
更进一步地，在步骤S6中，利用步骤S5识别的结果，从相邻计度器末位字符变化时刻作为始终，识别并计数光脉冲的次数，计算电能表仪表常数；和电能表名牌上的仪表常数比较，小于设定阈值，判定电能表计量准确，否则，重新检测，若三次检测计量不准确，转入人工检测。
本发明实施例利用机器视觉技术对电能表图像进行处理，识别计度器末位数字走字和脉冲，可以降低人力成本并提高检测的准确率，对于实现电能表管理的自动化有着重大意义。最常见的方法主要分为神经网络算法以及非神经网络算法。而卷积神经网络通过深度学习可以达到很高的识别率，解决工程中的识别和分类等问题。通过手机等装置采集图像，居民和电力部门可便捷和可靠的检测电能表仪表常数，判断电能表计量的准确与否，也可以在流水线上安装CCD采集图像，进行大规模电能表仪表常数检测。
本发明实施例提供的电能表仪表常数检测方法，通过手机等装置采集图像，居民和电力部门可便捷和可靠地检测电能表仪表常数，判断电能表计量的准确与否，也可以在流水线上安装CCD采集图像，进行大规模电能表仪表常数检测，以达到自动化检测的水平。
本发明实施例提供了一种电子设备，如图7所示，该设备包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序，以执行上述各实施例提供的电能表仪表常数检测方法，例如包括：对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像；获取所述电能表视频中的关键帧，并以所述关键帧作为首帧连续采集多帧所述光脉冲图像；将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，根据所述光脉冲识别模型的输出结果获取脉冲计数值；根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，获取计度器末位字符；根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的电能表仪表常数检测方法，例如包括：对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像；获取所述电能表视频中的关键帧，并以所述关键帧作为首帧连续采集多帧所述光脉冲图像；将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，根据所述光脉冲识别模型的输出结果获取脉冲计数值；根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，获取计度器末位字符；根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果。
以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种电能表仪表常数检测方法，其特征在于，包括：
对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像；
获取所述电能表视频中的关键帧，并以所述关键帧作为首帧连续采集多帧所述光脉冲图像；
依次将连续两帧所述光脉冲图像分别输入至光脉冲识别模型，获取所述光脉冲识别模型输出的识别结果；若根据所述识别结果确定识别到光脉冲的概率大于未识别到脉冲的概率，则将脉冲计数值加1；其中，所述光脉冲识别模型包括两层并行卷积神经网络，每个并行层都包括两个卷积层和两个池化层；所述两层并行卷积神经网络共用一个全连接层和输出层；
将时序连续的两帧所述光脉冲图像输入至所述光脉冲识别模型后，每一帧所述光脉冲图像都依次经过第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；所述全连接层的输出经过分类的softmax层进行概率空间映射，输出光脉冲的置信度，并根据所述置信度获得光脉冲或非光脉冲的分类结果；
根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，获取计度器末位字符；
根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果。
2.根据权利要求1所述的方法，其特征在于，对采集到的电能表视频进行分割处理，获得光脉冲图像和计度器末位字符图像，包括：
对采集到的电能表视频中的图像信号进行预处理，所述预处理包括旋转或增强；
将所述图像从RGB空间转到HSV空间，并在H，V两个分量中根据背景与目标的颜色和亮度差异分别进行二值化处理，以及对H，V两个分量进行 腐蚀和膨胀后的二值图像融合处理；
标记融合处理的目标区域，并根据液晶屏和脉冲成像的形状、大小和相对位置特征对标记过的连通区域进行筛选，分割出液晶屏和光脉冲图像；
利用水平和垂直投影切分法，去除边界部分，分割出液晶屏的计度器末位字符图像。
3.根据权利要求1所述的方法，其特征在于，获取所述电能表视频中的关键帧，包括：
选取光脉冲强度最大的帧脉冲图像作为参考帧；
将采集到的每一帧脉冲图像与所述参考帧作比较，若差值小于设定的阈值，则将这一帧脉冲图像作为所述关键帧。
4.根据权利要求1所述的方法，其特征在于，将多帧所述光脉冲图像输入至预先训练好的光脉冲识别模型中，还包括对所述光脉冲识别模型进行模型训练，其包括：
从样本电能表视频中提取样本图像，并对所述样本图像进行所述分割处理，获得样本光脉冲图像；
对所述样本光脉冲图像进行数据增广，并统一图像大小；
若两帧所述样本图像均为含有光脉冲的图像，则添加光脉冲标签；若两帧所述样本图像均为背景图像或者背景和光脉冲组成的图像，则添加非光脉冲标签，以提取训练样本集；
基于所述训练样本集，将时序连续的两帧所述样本图像作为单个样本并行输入卷积神经网络模型以进行模型训练，训练时采用反向传播法计算网络连接权重的梯度，当训练的损失不再下降，结束网络训练，获得训练好的光脉冲识别模型。
5.根据权利要求1所述的方法，其特征在于，根据所述关键帧或在所述电能表视频中每隔设定周期采样的图像帧对应的计度器末位字符图像，包括：
若采样周期为Δt，则每隔n个Δt的图像帧或者检测到所述关键帧时，使用Lenet-5对所述图像帧或所述关键帧分割出的计度器末位字符图像进行识别。
6.根据权利要求1所述的方法，其特征在于，根据所述脉冲计数值和所述计度器末位字符确定所述电能表仪表常数的检测结果，包括：
从相邻计度器末位字符变化时刻作为始终，识别并计数期间内的光脉冲的次数，以计算电能表仪表常数；
将所述电能表仪表常数与电能表名牌上的仪表常数比较，若小于设定阈值，则判定电能表计量准确。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述电能表仪表常数检测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述电能表仪表常数检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110009587.2A CN112699824B (zh) | 2021-01-05 | 2021-01-05 | 电能表仪表常数检测方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110009587.2A CN112699824B (zh) | 2021-01-05 | 2021-01-05 | 电能表仪表常数检测方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112699824A CN112699824A (zh) | 2021-04-23 |
| CN112699824B true CN112699824B (zh) | 2022-02-11 |
Family
ID=75514755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110009587.2A Active CN112699824B (zh) | 2021-01-05 | 2021-01-05 | 电能表仪表常数检测方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699824B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635905A (zh) * | 2023-12-13 | 2024-03-01 | 国网上海市电力公司 | 基于图像识别算法的电能表装接质量智能监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203673058U (zh) * | 2013-12-20 | 2014-06-25 | 国家电网公司 | 一种电能表现场检验装置 |
| CN109471058A (zh) * | 2018-09-29 | 2019-03-15 | 国网浙江省电力有限公司金华供电公司 | 一种现场校验计量误差系统及方法 |
| CN110927656A (zh) * | 2019-12-16 | 2020-03-27 | 深圳供电局有限公司 | 电能表误差测量装置及其控制方法 |
| CN110969245A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 医学图像的目标检测模型训练方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103134571B (zh) * | 2013-01-24 | 2014-11-26 | 宁波市计量测试研究院（宁波市衡器管理所） | 一种基于动态视频图像处理和模式识别算法的水表自动检定方法 |
| CN103424732B (zh) * | 2013-08-05 | 2015-10-28 | 广西电网公司电力科学研究院 | 一种直流电能表检定装置 |
| CN105259532A (zh) * | 2015-11-26 | 2016-01-20 | 云南电网有限责任公司电力科学研究院 | 一种电动汽车充电桩直流电能表检定系统 |
| CN110967663A (zh) * | 2018-09-29 | 2020-04-07 | 武汉格蓝若智能技术有限公司 | 一种适用于现场工况的数字化电能表快速校验方法 |
| CN110455378B (zh) * | 2019-08-23 | 2020-09-29 | 中国计量大学 | 一种基于机器视觉的水表小流量检定方法 |
-
2021
- 2021-01-05 CN CN202110009587.2A patent/CN112699824B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203673058U (zh) * | 2013-12-20 | 2014-06-25 | 国家电网公司 | 一种电能表现场检验装置 |
| CN109471058A (zh) * | 2018-09-29 | 2019-03-15 | 国网浙江省电力有限公司金华供电公司 | 一种现场校验计量误差系统及方法 |
| CN110927656A (zh) * | 2019-12-16 | 2020-03-27 | 深圳供电局有限公司 | 电能表误差测量装置及其控制方法 |
| CN110969245A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 医学图像的目标检测模型训练方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 电能表射频电磁场辐射抗扰度试验自动检测系统;丁琦;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20200215;第28-56页 * |
| 电能表常数检验的误差分析及检验方法优化;盛泉根;《电测与仪表》;20121031;第49卷(第10A期);第55-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112699824A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
| CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
| CN109584232A (zh) | 基于图像识别的设备使用状态在线监测方法、系统及终端 | |
| CN111950396A (zh) | 一种仪表读数神经网络识别方法 | |
| CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
| CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
| CN112113638B (zh) | 水表功能自检装置及方法 | |
| Shuo et al. | Digital recognition of electric meter with deep learning | |
| CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
| CN116778386A (zh) | 一种六氟化硫的泄露检测方法、装置、设备及存储介质 | |
| Wu et al. | Multimeter digital recognition based on feature coding detection | |
| CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
| CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
| CN104165696A (zh) | 一种材料表面颜色特征在线自动检测方法 | |
| CN113781513A (zh) | 一种电厂供水管道泄漏检测方法及系统 | |
| CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
| Zheng et al. | Automatic Digital Recognition of Multiple Electricity Dashboards | |
| Kainz et al. | Measurement of Water Consumption based on Image Processing | |
| Vázquez-Fernández et al. | A machine vision system for the calibration of digital thermometers | |
| CN115542100B (zh) | 绝缘子故障检测方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231213 Address after: 435000 Huangshi Economic and Technological Development Zone, Huangshi City, Hubei Province. No. 16 Guanshan Road, Tieshan District (Declaration Commitment) Patentee after: HUBEI RENZHE MECHANICAL TECHNOLOGY Co.,Ltd. Address before: 435000 No. 16 Guilin North Road, Huangshi City, Hubei Province Patentee before: HUBEI POLYTECHNIC University |