CN112884002B - 智能电表版本分类方法 - Google Patents

智能电表版本分类方法 Download PDF

Info

Publication number
CN112884002B
CN112884002B CN202110059911.1A CN202110059911A CN112884002B CN 112884002 B CN112884002 B CN 112884002B CN 202110059911 A CN202110059911 A CN 202110059911A CN 112884002 B CN112884002 B CN 112884002B
Authority
CN
China
Prior art keywords
roi
intelligent electric
electric meter
image
texture feature
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
Application number
CN202110059911.1A
Other languages
English (en)
Other versions
CN112884002A (zh
Inventor
方夏
章炜
杨苗苗
王玫
冯战
费明晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202110059911.1A priority Critical patent/CN112884002B/zh
Publication of CN112884002A publication Critical patent/CN112884002A/zh
Application granted granted Critical
Publication of CN112884002B publication Critical patent/CN112884002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Abstract

本发明公开了一种智能电表版本分类方法，首先识别出包含智能电表版本信息的ROI，然后对ROI进行纹理特征提取，进一步基于提取的纹理特征，通过支持向量机模型实现对智能电表版本分类；本发明基于纹理特征提取与机器学习方法相结合，不仅能够有效提升识别效率，而且能够对智能电表版本实现准确分类(准确率可达到99％以上)，从而有效提高电表版本信息录入效率，满足自动化检测要求。

Description

智能电表版本分类方法
技术领域
本发明属于电表外观图像处理技术领域，涉及基于图像纹理特征提取与SVM机器学习模型的智能电表版本分类方法，能够用于拆回电表版本的智能图像分类。
背景技术
每年因为设备故障、功能性更换或升级、政策性拆除等原因，需要拆除并回收大量智能电表，为建立和完善拆回智能电表的质量管理体系与回收体系，从而提高智能电表使用年限、避免用户争议、改善服务质量，需统计每个智能电表型号、版本等相关参数信息。
目前智能电表数据的信息录入方法仍采用人工录入数据库的方式，面临效率低下、准确率难以保证的问题。为了解决该问题，可通过建立自动化检测产线，拍摄智能电表图像，利用图像处理技术获取相关信息，从而大大提升录入效率，降低成本。然而，由于电表图像与普通图像不同，其受拍摄光照、回收条件等因素影响，拍摄得到图像呈现高杂糅的特点，包含曝光程度不同、老化程度不同、保护罩形态不同、标签贴纸干扰等复杂情况，从而导致电表版本的图像分类准确率较差。
因此，为了提高智能电表分类准确率，需要一种图像分类方法，能够具有高度鲁棒性，即使在上述多种干扰因素影响下仍对智能电表图像分类具有较高准确率。
发明内容
针对智能电表版本分类中存在的效率低、准确率难以保证的问题，本发明目的旨在提供一种智能电表版本分类方法，基于纹理特征提取与机器学习方法相结合的方法，实现对高度杂揉化样本环境下智能电表版本图像的准确分类，且提升识别速度。
本发明提供的智能电表版本分类方法，包括以下步骤：
S1获取包含版本信息的智能电表灰度图像；
S2在获取的智能电表图像上进行几何特征识别，获取若干感兴趣区域ROI；
S3从若干ROI中提取一种以上的纹理特征向量，并将一种以上的纹理特征向量进行融合组成总纹理特征向量；
S4将总纹理特征向量输入到训练好的支持向量机模型中，得到智能电表版本分类结果。
步骤S1中，为便于处理，本发明中直接通过灰度摄像头采集智能电表灰度图像，也可通过RGB摄像头先采集智能电表彩色图像，再通过常规色域映射转换得道智能电表灰度图像。针对拍摄的智能电表中不同区域，例如信息栏区域、显示屏区域、接线区域、插卡区域等。经分析发现，对于不同版本的智能电表，其接线区域的形貌存在较大差异，而其他区域在灰度图像上差别不大，且信息栏区域不包含有关版本类型的描述，因此可以认为接线区域包含智能电表版本信息。为获取包含版本信息的待识别区域，需要从拍摄得到的图片截取接线区域。另一方面，为了实现包含版本信息区域的快速获取，通过拍摄设备固定拍摄位置，大幅减小智能电表在图片中位置的浮动差异，由于接线区域一般位于智能电表下部，且整体呈矩形，因此通过固定矩形裁剪方案即可快速获取智能电表下部包含版本信息的待识别矩形区域，并将这部分智能电表图像作为包含版本信息的智能电表图像。
由于智能电表接线区域在拆回过程均存在有无保护罩的情况，且运输过程中有不同程度的破坏、划痕、贴纸等视觉干扰因素，为减小干扰因素的影响，提高特征向量的分类效果，需要获取最易于利用图像中的信息区分版本的区域。所述步骤S2中，感兴趣区域ROI获取具体方式包括如下分步骤：
S21对智能电表图像给定中间区域进行圆形几何特征识别；
S22对识别出存在圆形几何特征的智能电表图像，分别在给定的固定位置提取若干ROI；
S23对识别出不存在圆形几何特征的智能电表图像进行直线几何特征识别，确定ROI的定位边界，根据定位边界提取相应的ROI。
上述步骤S21中，本发明以智能电表图像水平方向的中间位置为原点，以给定像素范围为中间区域；本发明中所述给定像素范围为[-80,80]。
上述步骤S22中，在优选实现方式中，在智能电表图像中间区域以外的一侧给定位置提取一块ROI，然后在智能电表图像上距离该ROI给定间隔的位置提取另一块ROI；这样提取的ROI不仅能够保证智能电表版本分类具有较高的精度，而且极大提升ROI提取速度，进而改善智能电表版本分类效率。
上述步骤S23中，在优选实现方式中，在智能电表图像中间区域以外的一侧进行直线几何特征识别，确定ROI的定位边界，根据定位边界提取相应的ROI；然后在智能电表图像上距离该ROI给定间隔的位置提取另一块ROI；同样，这样提取的ROI不仅能够保证智能电表版本分类具有较高的精度，而且极大提升ROI提取速度，进而改善智能电表版本分类效率。
上述感兴趣区域ROI的形状及大小，可根据需要来设定。
纹理特征提取机器视觉领域一个重要的研究方向，研究人员已经从统计方法、模型方法、结构方法、信号处理方法四个方面描述了纹理特征研究领域中一些常用的特征提取方法，如灰度共生矩阵、分形方法、小波变换方法等。纹理特征提取能够提取不同维度、不同类型的图形信息。
上述步骤S3中，所述纹理特征向量提取并融合的具体方式包括如下分步骤：
S31分别从若干给定的角度提取智能电表图像各ROI的灰度共生矩阵度量，灰度共生矩阵最早由Haralick等人提出，所述灰度共生矩阵度量为逆差矩、角二阶矩、对比度、熵及自相关系数等中的至少一种，从各ROI提取的所有灰度共生矩阵度量组成第一组纹理特征向量；
S32分别提取智能电表图像各ROI在0～255灰度值区间的直方图特征，并将各ROI的直方图特征平均划分为若干灰度值区间，每个区间内的像素数量作为一个特征量，各ROI的若干特征量组成第二组纹理特征向量；
S33将步骤S31与步骤S32中得到的第一组纹理特征向量和第二组纹理特征向量进行拼接，组成最终的总纹理特征向量。
机器学习过程可以理解为三个部分：任务、参数训练、模型对特征进行表征，为实现任务，通过对模型的训练逐渐提高模型表现效果。常用于分类与回归任务，分类任务通过样本学习并寻找其中的规律，建立相应的模型，输出最匹配的参数。在大量样本标签的支持下，能有效提高作业效率，节省大量人力成本。为了在确保智能电表版本分类准确率的同时，提升智能电表版本分类效率，本发明首先通过主成分分析的方式，将总纹理特征向量的各维数据进行融合，以降低数据维度与数据差异，然后通过训练好的支持向量机模型对智能电表完成分类。
因此，本发明所述步骤S4中，采用机器学习方法对智能电表版本进行分类的具体方式包括如下分步骤：
S41将步骤S3中得到的总纹理特征向量进行归一化处理；
S42将归一化处理后的总纹理特征向量进行主成分分析，以总贡献率大于95％的主成分作为输入特征向量；
S43将输入特征向量输入到训练好的支持向量机模型，得到智能电表版本分类结果。
本发明中，可以将已知版本信息的若干智能电表，按照以上步骤S1-S3处理，并利用处理好的数据对支持向量机模型进行训练，得到训练好的支持向量机模型。这样将提取得到的不同批次智能电表的纹理统计特征输入到支持向量机模型中，便可完成对两种智能电表版本的分类工作。
与现有技术相比，本发明具有如下十分突出的优点和有益技术效果：
1、本发明首先识别出包含智能电表版本信息的ROI，然后对ROI进行纹理特征提取，进一步基于提取的纹理特征，通过支持向量机模型实现对智能电表版本分类；本发明基于纹理特征提取与机器学习方法相结合，不仅能够有效提升识别效率，而且能够对智能电表版本实现准确分类(准确率可达到99％以上)，从而有效提高电表版本信息录入效率，满足自动化检测要求；
2、本发明通过多种图像识别手段，能够较为准确定位智能电表ROI，有利于图像纹理特征的准确提取，从而有助于提高智能电表版本分类准确率；
3、本发明融合图像的灰度共生矩阵特征与直方图特征，作为机器学习分类模型的特征输入，选择最佳的特征数量与特征度量，能够包含局部特征和全局特征，从而充分描述智能电表版本信息的特征，提高分类模型训练精度。
附图说明
图1为本发明智能电表版本分类方法流程示意图。
图2为获取若干感兴趣区域ROI流程示意图。
图3为本发明实施例中两种版本智能电表原图对比；其中，(a)为旧版智能电表，(b)为新版智能电表。
图4为本发明实施例中智能电表接线区域示例；其中，(a)为新版本智能电表存在贴纸，(b)为方旧版本智能电表存在贴纸，(c)为有保护罩的智能电表，(d)为欠曝严重的智能电表。
图5为本发明实施例中智能电表版本识别区域中的ROI展示示意图。
图6为本发明实施例中支持向量机模型分类测试得到的混淆矩阵。
具体实施方式
以下将结合附图给出本发明实施例，并通过实施例对本发明的技术方案进行进一步的清楚、完整说明。显然，所述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明内容，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
实施例
如图3所示，本实施例以新版本智能电表和旧版本智能电表版本为例，对本发明提供的智能电表版本分类方法进行详细解释。
本实施例中选取10000张图片样本，其中两种版本图片各5000张，打乱顺序后，按照3:7的比例构建训练集和测试集。
本实施例提供的智能电表版本分类方法，如图1所示，包括以下步骤：
S1获取包含版本信息的智能电表灰度图像。
本实施例直接采集的是智能电表灰度图像。采集得到的智能电表中包含不同区域，如图3所示，包含信息栏区域1、显示屏区域2、接线区域3、插卡区域4等。经分析发现，对于不同版本的智能电表，其接线区域的形貌存在较大差异，而其他区域在灰度图像上差别不大，且信息栏区域不包含有关版本类型的描述，因此可以认为接线区域包含智能电表版本信息。由于接线区域一般位于智能电表下部，且整体呈矩形，因此通过固定矩形裁剪方案即可快速获取智能电表下部包含版本信息的待识别矩形区域，并将这部分智能电表图像作为包含版本信息的智能电表图像，如图4所示。
S2在获取的智能电表图像上进行几何特征识别，获取若干感兴趣区域ROI。
从图4中可以看到，即使对于接线区域，也容易存在贴纸影响、保护罩影响、欠曝影响等干扰因素，为实现对智能电表版本的准确识别，仍需要选取出具有代表性的感兴趣区域。感兴趣区域ROI获取具体方式，如图2所示，包括如下分步骤：
S21对智能电表图像给定中间区域进行圆形几何特征识别。
本实施例中，以智能电表图像水平方向的中间位置为原点，以[-80,80]像素范围为中间区域。
首先通过双边滤波对智能电表图像进行去噪处理，然后通过Canny算法进行图像边缘检测，再利用霍夫圆变换进行圆形几何特征识别，具体为：
S211利用双边滤波对智能电表图像进行去噪处理
本实施例采用7*7的双边滤波模板，中值滤波模型为：
Figure BDA0002902110400000051
式中，G(i,j)表示处理后的图像，f(k,l)表示原始图像，ω(i,j,k,l)表示双边滤波权重函数；(i，j)表示像素索引，(k，l)表示模板中心点。ω(i,j,k,l)取决于定义域核和值域核的乘积。
定义域核表示如下：
Figure BDA0002902110400000061
值域核表示如下：
Figure BDA0002902110400000062
则，
Figure BDA0002902110400000063
式中，σd表示位置方差，建议取值范围为[10,150]像素，本实施例中取值为75；σr表示灰度值方差，为一给定值，本实施例中取值为75。
S212通过Canny算法进行图像边缘检测
本实施例采用Canny算法步骤包括：
S2121计算梯度幅值G和梯度方向grad(θ)：
Figure BDA0002902110400000064
Figure BDA0002902110400000065
式中，Gx(i,j)、Gy(i,j)分别表示去噪处理后图像在X方向和Y方向的梯度(即邻域差)，θgrad表示梯度方向，本实施例中，将0～360°梯度方向角归并为4个方向，0°、45°、90°、135°。
S2122非极大值抑制，采用“非极大值抑制(Non-maxima Suppression)”的技术，将梯度方向上具有最大梯度值的像素保留，其它像素剔除，来使图像边缘细化。
S2123滞后阈值化，设定一个高阈值thigh、低阈值tlow，将像素幅值高于高阈值thigh的保留，低于低阈值tlow的剔除；当像素梯度值介于高阈值thigh和低阈值tlow之间时，若其周围存在高于高阈值thigh的像素点则保留，否则将其剔除，从而实现对边缘像素点的标记提取，得到图像边缘。
S213利用霍夫圆变换进行圆形几何特征识别。
本实施例采用的霍夫圆变换包括以下分步骤：
S2131对检测到的图像边缘通过霍夫圆变换进行圆拟合，若拟合不到圆形，则判定没有识别到圆形几何特征，进入步骤S23；若拟合得到圆形，进入步骤S2132；
S2132将拟合得到的圆形半径与设定半径阈值范围[50,100]像素比较，当圆形半径在该范围时，则判定识别到圆形几何特征，进入步骤S22，否则判定没有识别到圆形几何特征，进入步骤S23。
上述通过霍夫圆变换进行圆形检测，采用的是本领域常规手段，参见：毛星云,冷雪飞,王碧辉,等.Opencv3编程入门[M].北京：电子工业出版社。
当识别出存在圆形几何特征时，说明该智能电表图像接线区域有保护罩，这种类型的智能电表接线区域边界不易于检测，因此本实施例中，对于这种情况，是按照步骤S22给出的方式来获取感兴趣区域ROI的。而对于识别不出圆形几何特征的智能电表图像中感兴趣区域的提取方式可以按照步骤S23进行。
S22对识别出存在圆形几何特征的智能电表图像，分别在给定的固定位置提取ROI。
在智能电表图像中间区域以外的左侧给定位置提取一块大小为高*宽＝300像素*150像素的矩形ROI，然后在智能电表图像上水平距离该ROI 650像素的位置提取另一块大小一样ROI。因此，本实施例中，一个智能电表图像上感兴趣区域ROI的数量为两个。
S23对识别出不存在圆形几何特征的智能电表图像进行直线几何特征识别，确定ROI的定位边界，根据定位边界提取相应的ROI，具体包括以下分步骤：
S231利用霍夫直线变换识别中间区域以外的左侧进行直线几何特征识别，并以识别出直线作为定位ROI的边界。
本实施例采用的霍夫直线变换识别中间区域以外的左侧进行直线几何特征识别具体实现方式为：对检测到的智能电表图像中间区域以外的左侧区域通过霍夫直线变换进行直线拟合，得到直线位置及直线线段长度。
上述通过霍夫直线变换进行直线检测，采用的是本领域常规手段，参见毛星云,冷雪飞,王碧辉,等.Opencv3编程入门[M].北京：电子工业出版社。
通过上述操作，在智能电表图像中间区域以外的左侧检测到一条直线，并以此作为ROI边界线。
S232利用步骤S231确定的直线边界提取给定尺寸的矩形ROI，然后在智能电表图像上距离该ROI 650像素的位置提取另一块大小一样ROI。
以检测的一条垂直直线边界作为ROI的一条边，以此在智能电表图像上提取大小为高*宽＝300像素*150像素的矩形ROI。然后在智能电表图像上距离该ROI 650像素的位置提取另一块大小一样ROI。
S3从若干ROI中提取一种以上的纹理特征向量，并将一种以上的纹理特征向量进行融合组成总纹理特征向量。
本实施例中，针对智能电表图像上的两个ROI，分别进行纹理特征提取，并融合，具体包括如下分步骤：
S31分别从若干给定的角度提取智能电表图像各ROI的灰度共生矩阵度量，所述灰度共生矩阵度量为逆差矩、角二阶矩、对比度、熵及自相关系数等中的至少一种，从各ROI提取的所有灰度共生据陈度量组成第一组纹理特征向量。
本实施例中，根据灰度共生矩阵(Gray Level Cooccurrence Matrix，GLCM)计算原理，分别提取两个ROI的四个度量：逆差矩、角二阶矩、对比度、熵，计算公式分别为：
逆差矩：
Figure BDA0002902110400000081
角二阶矩：
Figure BDA0002902110400000082
对比度：
Figure BDA0002902110400000083
熵：
Figure BDA0002902110400000084
式中，GL(p,q)即表示灰度共生矩阵(GLCM)，如下式：
Figure BDA0002902110400000085
式中，
Figure BDA0002902110400000086
表示图像中灰度值为p和q的点对数，q在p距离为d，方向为θ的位置处，d为步长，本实施例中取1；p和q分别表示原图灰度级经过灰度级压缩后的低灰度级变量I(i,j)，公式如下：
Figure BDA0002902110400000087
式中，L表示原灰度级，L′表示变换后的低灰度级，本实施例中L取256，L′取16，G(i,j)表示双边滤波得到的位置(i,j)处的灰度值，I(i,j)表示压缩后位置(i,j)处的灰度值。
本实施例同时提取四个θ方向(分别为0°、45°、135°、180°)特征，组成具有32个维度的特征向量，即第一组纹理特征向量：
(IDM1θ＝0°、45°、135°、180°,ASM1θ＝0°、45°、135°、180°,CON1θ＝0°、45°、135°、180°,ENT1θ＝0°、45°、135°、180°,
IDM2θ＝0°、45°、135°、180°,ASM2θ＝0°、45°、135°、180°,CON2θ＝0°、45°、135°、180°,ENT2θ＝0°、45°、135°、180°)
上述的灰度共生矩阵计算原理，可参见Haralick,Robert M,Shanmugam,etal.Textural Features for Image Classification[J].Systems,Man and Cybernetics,IEEE Transactions on,1973。
S32分别提取智能电表图像各ROI在0～255灰度值区间的直方图特征，并将各ROI的直方图特征平均划分为若干灰度值区间，每个区间内的像素数量作为一个特征量，各ROI的若干特征量组成第二组纹理特征向量；
本实施例中，根据直方图统计像素数量的原理，分别提取智能电表图像两个ROI的直方图特征，并将每个ROI的直方图特征平均划分为6个灰度值区间，每个区间内的像素数量作为一个特征量，两组ROI直方图特征共组成具有12个维度的特征向量，即第二组纹理特征向量：
(Hist1-1,Hist1-2,Hist1-3,Hist1-4,Hist1-5,Hist1-6,
Hist2-1,Hist2-2,Hist2-3,Hist2-4,Hist2-5,Hist2-6)
S33将步骤S31与步骤S32中得到的第一组纹理特征向量和第二组纹理特征向量进行拼接，组成最终的总纹理特征向量。
本实施例，得到的总纹理特征向量是44个维度的特征向量，即：
(IDM1θ＝0°、45°、135°、180°,ASM1θ＝0°、45°、135°、180°,CON1θ＝0°、45°、135°、180°,ENT1θ＝0°、45°、135°、180°,
IDM2θ＝0°、45°、135°、180°,ASM2θ＝0°、45°、135°、180°,CON2θ＝0°、45°、135°、180°,ENT2θ＝0°、45°、135°、180°,
Hist1-1,Hist1-2,Hist1-3,Hist1-4,Hist1-5,Hist1-6,Hist2-1,Hist2-2,Hist2-3,Hist2-4,Hist2-5,Hist2-6)
对选取的10000张智能电表图片样本，按照步骤S1-S3处理，便可得到各样本的总纹理特征向量。
S4将总纹理特征向量输入到训练好的支持向量机模型中，得到智能电表版本分类结果。
本实施例，为了满足支持向量机训练需要，并在保证分类准确率的前提下加快其分类效率，本实施例首先对得到的总纹理特征向量进行降维处理，再利用降维后的样本数据对支持向量机模型进行训练和测试。
本实施例，采用机器学习方法对智能电表版本进行分类的具体方式包括如下分步骤：
S41将步骤S3中得到的总纹理特征向量进行归一化处理。
以umn表示第m个样本总纹理特征向量中第n个维度特征值，其中m＝1，2，…，M，M＝10000，n＝1,2，…，N，N＝44。
则按照以下公式(3)进行归一化处理：
Figure BDA0002902110400000101
式中，
Figure BDA0002902110400000102
分别表示归一化前和归一化后的第m个样本总纹理特征向量中第n个维度特征值，umax,n表示归一化前各样本第n个维度特征中的最大值，umin,n是表示归一化前各样本第n个维度特征中的的最小值。
S42将归一化处理后的总纹理特征向量进行主成分分析，以总贡献率大于95％的主成分作为输入特征向量。
本步骤包括以下分步骤：
S421基于归一化后的总纹理特征向量，构建特征参数矩阵；
根据计算得到的各样本总纹理特征向量的归一化特征值，构成特征参数矩阵为U：
Figure BDA0002902110400000103
S422获取特征参数矩阵的协方差矩阵；
按照以下公式计算得到特征参数矩阵U的协方差矩阵C：
Figure BDA0002902110400000104
式中，UT表示U的转置。
S423获取协方差矩阵的特征根及与特征根对应的特征向量；
以λ表示特征值，通过求解特征方程|λI-C|＝0(I表示单位矩阵)，得到协方差矩阵的N个非负特征值λk(k＝1,2,…,N)，并使其按大小顺序排列，即λ1﹥λ2﹥…﹥λN≥0，然后对每个λk解方程组|C-λI|U＝0，分别求出特征值对应的特征向量μk。
S424依据得到的特征向量，获取其对应的单位正交向量；
按照以下公式计算得到特征向量的单位正交向量
Figure BDA0002902110400000111
Figure BDA0002902110400000112
式中，||μk||表示向量μk的模。
S425将得到的单位正交向量与构建的特征参数矩阵相乘得到对应的主成分，并计算相应主成分的贡献度；
按照以下公式计算得到主成分：
Figure BDA0002902110400000113
Zk表示第k个主成分，因此主成分的个数最多N个。
第k主成分Zk对U的贡献率νk由以下公式计算得到：
Figure BDA0002902110400000114
计算得到的各主成分贡献度，如表1所示。
表1主成分贡献度
Figure BDA0002902110400000115
Figure BDA0002902110400000121
S426以总贡献度大于95％的主成分作为输入向量。
由于主成分分析的目的就是为了降维，从表1可以看出，前10个主成分贡献率之和大于95％，因此可以取前10个作为支持向量机模型的输入特征向量。
前面已经指出，利用选取的10000张图片样本中包含两种版本各5000张，打乱顺序后，按照3:7比例构建训练集和测试集。因此可以将步骤S42处理后得到的样本输入特征向量分为训练集和测试集。
S43将输入特征向量输入到训练好的支持向量机模型，得到智能电表版本分类结果。
支持向量机(SVM)本质上是一个二分模式的分类器。本实施例中使用的支持向量机模型核函数为线性核函数(Linear kernel function，LIN)。分类判别函数为：
Figure BDA0002902110400000122
式中，l表示输入支持向量机样本数量；Zm表示第m个样本的主成分输入向量；ym表示第m个样本的标签值，其取值为0或1(“0”表示智能电表样本为旧版本，“1”表示智能电表样本为新版本)。SVM的训练就是寻找支持向量Zm、支持向量权重系数
Figure BDA0002902110400000123
和偏移系数b*的过程，本实施例采用的是本领域已经披露的常规手段，参见Chang C C,Lin C J.LIBSVM:Alibrary for support vector machines[J].ACM transactions on intelligentsystems and technology(TIST),2011,2(3):1-27.以及Platt J.Probabilistic outputsfor support vector machines and comparisons to regularized likelihood methods[J].Advances in large margin classifiers,1999,10(3):61-74。
支持向量机模型训练完成后，进一步将测试集中的数据输入到训练好的支持向量机模型中，得到测试集中各样本的预测类别。
依据测试集中样本真实类别及利用支持向量机得到的预测类别，得到相应的混淆矩阵，如图6所示。
从图6中可以看出利用本发明提供的智能电表版本分类方法，其准确率高达99.39％，具有非常优越的分类效果。
本发明克服了现有人工录入效率低、准确率难以保证的不足，提出一种基于纹理特征提取与机器学习算法模型的智能电表新旧版本图像分类方法，其对智能电表版本图像分类具有很好的分类效果，采用SVM分类模型达到了99％以上的分类精度。
以上仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (4)

1.一种智能电表版本分类方法，其特征在于包括以下步骤：
S1 获取包含版本信息的智能电表灰度图像；
S2 在获取的智能电表图像上进行几何特征识别，获取若干感兴趣区域ROI；感兴趣区域ROI获取具体方式包括如下分步骤：
S21 对智能电表图像给定中间区域进行圆形几何特征识别；
S22 对识别出存在圆形几何特征的智能电表图像，分别在给定的固定位置提取若干ROI；具体操作为：在智能电表图像中间区域以外的一侧给定位置提取一块ROI，然后在智能电表图像上距离该ROI给定间隔的位置提取另一块ROI；
S23 对识别出不存在圆形几何特征的智能电表图像进行直线几何特征识别，确定ROI的定位边界，根据定位边界提取相应的ROI；具体操作为：在智能电表图像中间区域以外的一侧进行直线几何特征识别，确定ROI的定位边界，根据定位边界提取相应的ROI；然后在智能电表图像上距离该ROI给定间隔的位置提取另一块ROI；
S3 从若干ROI中提取一种以上的纹理特征向量，并将一种以上的纹理特征向量进行融合组成总纹理特征向量；
S4 将总纹理特征向量输入到训练好的支持向量机模型中，得到智能电表版本分类结果。
2.根据权利要求1所述智能电表版本分类方法，其特征在于步骤S21中，以智能电表图像水平方向的中间位置为原点，以给定像素范围为中间区域。
3.根据权利要求1所述智能电表版本分类方法，其特征在于步骤S3中，所述纹理特征向量提取并融合的具体方式包括如下分步骤：
S31 分别从若干给定的角度提取智能电表图像各ROI的灰度共生矩阵度量，所述灰度共生矩阵度量为逆差矩、角二阶矩、对比度、熵及自相关系数中的至少一种，从各ROI提取的所有灰度共生矩阵度量组成第一组纹理特征向量；
S32 分别提取智能电表图像各ROI在0~255灰度值区间的直方图特征，并将各ROI的直方图特征平均划分为若干灰度值区间，每个区间内的像素数量作为一个特征量，各ROI的若干特征量组成第二组纹理特征向量；
S33 将步骤S31与步骤S32中得到的第一组纹理特征向量和第二组纹理特征向量进行拼接，组成最终的总纹理特征向量。
4.根据权利要求1所述智能电表版本分类方法，其特征在于所述步骤S4中，对智能电表版本进行分类的具体方式包括如下分步骤：
S41 将步骤S3中得到的总纹理特征向量进行归一化处理；
S42 将归一化处理后的总纹理特征向量进行主成分分析，以总贡献率大于95%的主成分作为输入特征向量；
S43 将输入特征向量输入到训练好的支持向量机模型，得到智能电表版本分类结果。
CN202110059911.1A 2021-01-18 2021-01-18 智能电表版本分类方法 Active CN112884002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110059911.1A CN112884002B (zh) 2021-01-18 2021-01-18 智能电表版本分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110059911.1A CN112884002B (zh) 2021-01-18 2021-01-18 智能电表版本分类方法

Publications (2)

Publication Number Publication Date
CN112884002A CN112884002A (zh) 2021-06-01
CN112884002B true CN112884002B (zh) 2022-07-01

Family

ID=76048673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110059911.1A Active CN112884002B (zh) 2021-01-18 2021-01-18 智能电表版本分类方法

Country Status (1)

Country Link
CN (1) CN112884002B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378819B (zh) * 2021-06-24 2022-11-18 成都飞机工业（集团）有限责任公司 一种机载软件版本的快速识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236788A (zh) * 2010-04-20 2011-11-09 荣科科技股份有限公司 电力电能表图像自动识别方法
CN105184793A (zh) * 2015-09-02 2015-12-23 广东电网有限责任公司汕尾供电局 一种电能表样品外观及pcb板元件检测方法
CN108303576A (zh) * 2018-01-30 2018-07-20 国家电网公司 快速自动甄别与定位窃电和电能表错接线的方法
CN110991847A (zh) * 2019-11-26 2020-04-10 国网重庆市电力公司电力科学研究院 一种电能表批次管理方法、装置及可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011083862A1 (de) * 2011-09-30 2013-04-04 Siemens Aktiengesellschaft Verfahren zur Ermittlung von Manipulationen an einer Energieverbrauchsmesseinrichtung
CN204215439U (zh) * 2014-12-01 2015-03-18 国家电网公司 电能表外观成像及表码信息管理平台
AU2016100153A4 (en) * 2016-02-12 2016-03-24 Utopia Global Inc. Definition of a classification system for photographs of meters, schema of attributes for each of those photo classifications, and a method to extract those meter attributes via crowdsourcing.
CN106485274B (zh) * 2016-10-09 2019-05-10 湖南穗富眼电子科技有限公司 一种基于目标特性图的物体分类方法
CN109214420A (zh) * 2018-07-27 2019-01-15 北京工商大学 基于视觉显著性检测的高纹理图像分类方法及系统
CN110688900A (zh) * 2019-08-27 2020-01-14 国网河北省电力有限公司电力科学研究院 一种基于图像识别的撤回表计管理方法
CN110674827A (zh) * 2019-09-24 2020-01-10 哈尔滨工业大学 一种融合深度学习与形态学滤波的设备状态视觉检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236788A (zh) * 2010-04-20 2011-11-09 荣科科技股份有限公司 电力电能表图像自动识别方法
CN105184793A (zh) * 2015-09-02 2015-12-23 广东电网有限责任公司汕尾供电局 一种电能表样品外观及pcb板元件检测方法
CN108303576A (zh) * 2018-01-30 2018-07-20 国家电网公司 快速自动甄别与定位窃电和电能表错接线的方法
CN110991847A (zh) * 2019-11-26 2020-04-10 国网重庆市电力公司电力科学研究院 一种电能表批次管理方法、装置及可读存储介质

Also Published As

Publication number Publication date
CN112884002A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Zou et al. CrackTree: Automatic crack detection from pavement images
Quelhas et al. Cell nuclei and cytoplasm joint segmentation using the sliding band filter
Petroudi et al. Automatic classification of mammographic parenchymal patterns: A statistical approach
Kim et al. Spatiotemporal saliency detection and its applications in static and dynamic scenes
CN110210448B (zh) 一种智能人脸皮肤老化程度的识别与评估方法
TWI797262B (zh) 預處理線路缺陷檢測系統和方法
CN106326834B (zh) 人体性别自动识别方法及装置
CN106340000A (zh) 骨龄评估方法
Shen et al. Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement
CN110008968A (zh) 一种基于图像视觉的机器人结算自动触发方法
CN108460344A (zh) 屏幕中的动态区域智能识别系统及智能识别方法
Patki et al. Cotton leaf disease detection & classification using multi SVM
Lodh et al. Flower recognition system based on color and GIST features
CN108280469A (zh) 一种基于稀疏表示的超市商品图像识别方法
CN110472081A (zh) 一种基于度量学习的鞋图片跨域检索方法
CN112884002B (zh) 智能电表版本分类方法
CN105354405A (zh) 基于机器学习的免疫组化图像自动化判读系统
CN111461143A (zh) 一种图片翻拍识别方法和装置及电子设备
CN114373079A (zh) 一种快速准确的探地雷达目标检测方法
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
CN108229562B (zh) 一种得到路面具体破损分类情况的方法
Kartika et al. Combining of Extraction Butterfly Image using Color, Texture and Form Features
Karamizadeh et al. Race classification using gaussian-based weight K-nn algorithm for face recognition.
Yudha et al. Preprocessing Analysis on Medical Image Retrieval Using One-to-one Matching of SURF Keypoints
Srinivasan et al. Classification of cervix lesions using filter bank-based texture mode

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