CN118115494A - 一种基于图像识别的智能电能表检测方法及系统 - Google Patents
一种基于图像识别的智能电能表检测方法及系统 Download PDFInfo
- Publication number
- CN118115494A CN118115494A CN202410475108.XA CN202410475108A CN118115494A CN 118115494 A CN118115494 A CN 118115494A CN 202410475108 A CN202410475108 A CN 202410475108A CN 118115494 A CN118115494 A CN 118115494A
- Authority
- CN
- China
- Prior art keywords
- point
- pixel
- pixel point
- dark
- degree
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 230000007547 defect Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明涉及图像处理领域,更具体地,本发明涉及一种基于图像识别的智能电能表检测方法及系统,方法包括:获取屏幕显示功能测试时的每个像素点在不同图像中的灰度变化,得到每个像素点的暗点特征度,根据每个像素点与邻域像素点的梯度差异和暗点特征度差异得到每个像素点的暗点异常度,并构建二维检测图,根据二维检测图中的数据点得到每个像素点的暗点程度,利用暗点程度调整数据点的分布,对调整后的数据点进行均值聚类,根据聚类结果判断电能表屏幕是否存在暗点缺陷,避免了传统均值聚类不能精准分割出暗点缺陷的问题,能够准确的识别暗点缺陷位置,提高了电能表暗点缺陷检测的准确性。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于图像识别的智能电能表检测方法及系统。
背景技术
智能电能表,是一种专门用于测量和记录电能消耗的电工仪表,主要用于家庭、商业和工业环境中的电量计量。它是电力系统中不可或缺的组成部分,为了确保电能表计量准确,防止因计量误差导致的损失和公正性问题,提高电能表的可靠性和耐用性,降低运行成本和维护成本,需要在生产线上对电能表的质量进行检测,实现质量控制,避免次品产品的流入市场。
暗点缺陷是电能表的屏幕上出现的一个或多个像素点始终显示为黑色或较暗状态,这种暗点缺陷可能会降低显示屏的可视性和清晰度,特别是在显示重要信息的区域内,过多的暗点可能会影响到用户读取电表数据的准确性,对于电能表的制造来说,出厂的产品应符合相关质量标准,因此需要对电能表的屏幕进行显示功能测试以判断其是否存在暗点缺陷,显示功能测试具体是通过改变亮度、对比度等操作测试不同状态下屏幕的显示,根据显示结果判断是否存在暗点缺陷,若通过人眼观察显示结果进行暗点缺陷的识别,则效率较低,并且准确度也容易受到影响。
现有技术是利用图像识别技术对电能表屏幕中的暗点缺陷进行识别,具体是通过采集不同测试状态下的电能表屏幕图像,然后对图像中的像素点直接进行均值聚类,根据聚类结果对屏幕上的暗点缺陷进行识别,识别出后通知工作人员进行处理,以实现对产品的质量控制,但是由于暗点缺陷较为微小,并且不同位置的暗点可能暗化程度不同,导致直接进行/>均值聚类不能对暗点像素点进行精准的分割,导致电能表检测结果存在误差。
发明内容
为解决上述一个或多个技术问题,本发明提出一种基于图像识别的智能电能表检测方法及系统,提高了智能电能表的屏幕暗点缺陷检测的准确性。具体采用如下技术方案,一种基于图像识别的智能电能表检测方法,包括:
采集电能表进行屏幕显示功能测试时的多张屏幕图像,预处理得到多张屏幕灰度图;
根据电能表屏幕中每一个像素点在不同屏幕灰度图中的灰度值得到电能表屏幕中每一个像素点的暗点特征度;
基于所述电能表屏幕中每一个像素点和邻域像素点的暗点特征度差异和梯度差异,确定所述每一个像素点的暗点异常度;
所述每一个像素点的暗点异常度,获取方法为:
设定所述像素点的邻域范围为八邻域;
获取所述像素点与每一个邻域像素点的梯度角度和梯度幅值;
所述像素点的暗点异常度,按照如下公式计算:
;
式中,为像素点的序号,/>为第/>个像素点的暗点异常度,/>为邻域像素点的序号,为第/>个像素点的梯度角度,/>为第/>个像素点的第/>个邻域像素点的梯度角度,/>为第/>个像素点的暗点特征度,/>为第/>个像素点的第/>个邻域像素点的暗点特征度,/>为求均值函数,/>表示第/>个像素点邻域中第/>个像素点的梯度幅值与邻域平均梯度幅值的差值的绝对值,/>为预设常数;
以暗点特征度为横轴,以暗点异常度为纵轴,构建二维检测图,所述每一个像素点对应所述二维检测图中的一个数据点;
根据每一个像素点和邻域像素点在所述二维检测图中对应的数据点之间的距离,得到所述每一个像素点的暗点程度;
利用每个像素点的暗点程度对二维检测图中的数据点的分布进行调整;
对所述二维检测图中调整后的数据点进行均值聚类,基于聚类结果确定所述电能表的屏幕是否存在暗点缺陷。
进一步地,所述每一个像素点的暗点特征度,获取方法包括:
将所述像素点在每一张屏幕灰度图中的灰度值和所述像素点在所有屏幕灰度图中的灰度均值的差异值进行累加,得到灰度差异累加值,将所述灰度差异累加值的倒数作为所述像素点的暗点特征度。
进一步地,所述每一个像素点的暗点程度,获取方法为:
;
式中,为第/>个像素点的暗点程度,/>为第/>个像素点在所述二维检测图中对应的数据点与原点之间的欧氏距离,/>为第/>个像素点与其第/>个邻域像素点在所述二维检测图中对应的数据点之间的欧式距离,/>[]为计算样本方差函数,/>为邻域像素点的序号。
进一步地,利用每个像素点的暗点程度对二维检测图中的数据点的分布进行调整,包括:
将每个像素点的暗点程度的倒数进行归一化后的数值,再与暗点程度相乘,得到的数值作为每个像素点的最终暗点程度;
获取每个像素点在所述二维检测图中对应的数据点与原点之间的欧式距离;
将最终暗点程度和欧式距离相乘得到的数值作为每个像素点的移动距离;
将每个像素点在所述二维检测图中对应的数据点按照移动距离向原点方向移动,完成二维检测图中的数据点分布调整。
进一步地,所述均值聚类,设置类簇中心点数量为2。
进一步地,基于聚类结果确定所述电能表的屏幕是否存在暗点缺陷,包括:
若所述聚类将所述二维检测图中的数据点划分为两个类簇,则所述电能表的屏幕存在暗点缺陷,并基于每个类簇与原点的距离对所述暗点缺陷进行定位;
若所述聚类将所述二维检测图中的所有数据点划分为同一个类簇,则所述电能表的屏幕不存在暗点缺陷。
进一步地,基于每个类簇与原点的距离对所述暗点缺陷进行定位,包括:
计算每个类簇中心与原点的欧式距离,并进行对比;
将与原点的欧式距离大的一个类簇内的数据点对应的像素点作为暗点缺陷像素点;将与原点的欧式距离小的一个类簇内的数据点对应的像素点作为正常像素点。
本发明还提供一种基于图像识别的智能电能表检测系统,所述检测系统包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时实现以上任一项所述检测方法的步骤。
本发明具有以下效果:
本发明通过对屏幕显示的不同图像中的每个像素点进行分析,计算出每个像素点的暗点特征度,该特征度反映了像素点在灰度变化中的异常表现,利用每个像素点与其邻域内像素点之间的梯度差异以及暗点特征度差异,计算得出每个像素点的暗点异常度,以进一步揭示可能存在的暗点缺陷的像素点,接着,将所有像素点的暗点特征度和暗点异常度作为二维坐标构建二维检测图,其中每个像素点在该图中对应一个数据点,数据点的位置由其暗点特征度和暗点异常度决定,根据数据点在二维检测图中的分布位置,评估每个像素点的暗点程度,即距离原点越远,像素点为暗点的可能性越大,进一步,通过对二维检测图中数据点分布进行适应性调整,并运用均值聚类算法对调整后的数据点进行聚类,以识别和区分可能存在暗点缺陷的像素点,根据/>均值聚类的结果,精确判断电能表屏幕是否存在暗点缺陷,并定位暗点缺陷的具体位置,相较于传统的直接对像素点进行/>均值聚类的方法,本发明通过综合考虑像素点的灰度变化和邻域特征,有效解决了无法精准识别暗点缺陷的问题,从而显著提升了电能表暗点缺陷检测的准确性。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明的方法流程的示意图。
具体实施方式
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、完整地描述,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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,一种基于图像识别的智能电能表检测方法,包括步骤S1-S7,具体如下:
S1:采集电能表进行屏幕显示功能测试时的多张屏幕图像,预处理得到多张屏幕灰度图。
在智能电能表显示功能测试时,屏幕的像素点的像素值会发生改变,这是因为显示功能测试的目的之一是验证显示屏在显示不同信息时的性能表现,这包括但不限于:对比度测试,具体是调整显示屏对比度时,像素点的灰度值会发生变化,以确保在不同对比度设置下,电表显示屏上的数字、符号和信息都能清晰可见;亮度测试,具体是测试不同亮度级别下,像素点的亮度值会有所调整,以检查在暗环境和亮环境中电表显示屏的可视性;信息更新测试,具体是当电表读数改变时,显示屏上相应像素点的像素值会更新以显示新的读数,此时像素点的灰度或颜色会发生变化;显示内容完整性测试,具体是测试不同格式和布局的显示内容时,显示屏上不同区域的像素点将根据显示内容改变其像素值,由于本实施例中的智能电表的显示屏为黑白屏,即屏幕中的颜色包括屏幕原色和黑色(数字部分)。
在本步骤中,首先,确保电能表的屏幕处于清晰可见状态,无反光、污渍等影响图像采集的因素,然后,使用相机拍摄电能表显示功能测试时的多张照片,由于每张电能表图像中包括屏幕显示部分和背景部分,故通过语义分割将每张电能表图像的屏幕和背景进行分割,得到多张屏幕图像,本步骤中设置共获取100张电能表的屏幕图像,之后通过灰度预处理,将所有的电能表屏幕图像进行灰度化,得到所有的电能表屏幕图像的灰度图用于后续步骤。
S2:根据电能表屏幕中每一个像素点在不同屏幕灰度图中的灰度值得到电能表屏幕中每一个像素点的暗点特征度。
本实施例中像素点的暗点特征度通常是指在图像处理或显示设备质量检测中,用来描述像素点出现异常暗化的程度,通过像素点在显示功能测试时发生的灰度变化特征,对其暗点特征进行衡量。
其中,每一个像素点的暗点特征度,获取方法为:
将所述像素点在每一张屏幕灰度图中的灰度值和所述像素点在所有屏幕灰度图中的灰度均值的差异值进行累加,得到灰度差异累加值,将所述灰度差异累加值的倒数作为所述像素点的暗点特征度。
一个具体的示例中,以第个像素点(第/>个位置的像素点)为例,获取第/>个像素点在所有灰度图中的灰度值,构建第/>个像素点的灰度变化曲线,灰度变化曲线的横坐标为屏幕灰度图的序号,纵坐标为第/>个像素点在对应灰度图中的灰度值;
则第个像素点的暗点特征度,用公式表述为:
公式中,为像素点的序号,/>为灰度图的序号,/>为灰度图的总数,/>的值取遍/>范围内所有整数,/>表示第/>个像素点的暗点特征度,/>为表示第/>个像素点在第/>个图像中的灰度值,/>为第/>个像素点在所有图像中的灰度均值。
表示第/>个图像中第/>个像素点的灰度值与灰度均值的绝对偏差,用来衡量单次测试中像素点灰度是否偏离正常值,电能表屏幕的正常状态下,显示内容包括墨黑色(数字部分)和屏幕原色(非数字部分),暗点可能使得数字部分变浅或非数字部分变深,数字部分颜色变浅,即灰度值增大,非数字部分颜色变深,即灰度值减小,从而导致受影响的像素点灰度值与正常像素点的灰度值有差异。
能够反映第/>个像素点在第/>张灰度图中出现暗点特征的可能性,一般来说,若像素点在所有灰度图中的灰度值与其平均灰度值差异越大,说明该像素点响应正常显示内容的能力越强,即为正常像素点的可能性越高,反之,若差异越小,则该像素点存在暗点缺陷的可能性更高。
可以看作是像素点在整个显示功能测试过程中,其灰度值相对于平均灰度值的累计偏离程度,如果像素点在所有灰度图中的灰度值都与其平均值非常接近,即分母值较小,说明该像素点的灰度变化不大,趋于固定不变,这意味着在电能表屏幕中该像素点存在暗点缺陷的可能性越大,因为正常情况下,像素点在显示功能测试时,为了响应不同的显示内容,其灰度值应该会有相应变化,该累计偏离程度应该越大,
因此通过对像素点的灰度特征进行分析,获取图像中每个像素点在显示功能测试过程中的灰度值变化,以得到每个像素点的暗点特征度。
S3:基于所述电能表屏幕中每一个像素点和邻域像素点的暗点特征度差异和梯度差异,确定所述每一个像素点的暗点异常度。
本实施例中像素点的暗点异常度主要是通过将像素点与邻域像素点相比,对比暗点特征度的差异和梯度差异进行衡量。
其中,所述每一个像素点的暗点异常度获取方法为:
设定该像素点的邻域范围为八邻域;
选取该像素点在显示功能测试过程中的任意一张屏幕灰度图,并获取该灰度图中该像素点及邻域范围内像素点的梯度角度;
则所述每一个像素点的暗点异常度,用公式表示为:
公式中,表示第/>个像素点的暗点异常度,值越大,该像素点为暗点缺陷的可能性越大,/>表示第/>个像素点的梯度角度数值,/>表示第/>个像素点的邻域范围内的第/>个像素点的梯度角度数值,通过/>反映第/>个像素点与邻域像素点梯度方向的近似关系,/>表示第/>个像素点的暗点特征度,/>表示第/>个像素点的8邻域中的第/>个像素点的暗点特征度,/>表示第/>个像素点的8邻域中第/>个像素点的梯度幅值与8邻域像素点的梯度幅值均值的差值,再求绝对值得到的数值,其中/>是个常数,经验值为5,可自行设定,/>用于与像素点的梯度幅值进行比较,相当于一个预设阈值,以确定像素点及其邻域的灰度变化是否超出正常范围。
上述公式的分子部分:,二者相乘的意义在于综合考虑像素点梯度方向差异和暗点特征度差异两方面的信息,以更全面地评估该像素点及其邻域内像素点是否存在暗点异常,/>反映了像素点/>与其邻域内像素点/>在梯度方向上的差异,若像素点存在暗点,可能会影响到其邻域内像素点的梯度分布,导致梯度方向发生变化,梯度方向差异越大,越可能受到暗点影响,/>则反映了像素点/>与其邻域内像素点/>在暗点特征度上的差异,暗点特征度反映的是像素点灰度值变化情况,若像素点存在暗点,其自身以及邻域内像素点的暗点特征度可能出现显著差异,两者相乘,实际上是将梯度方向变化的信息与灰度变化的信息结合起来,共同判断像素点/>是否受暗点影响的程度,当像素点/>与邻域内像素点/>在梯度方向和暗点特征度上差异均较大时,相乘的结果会较大,这可能指示像素点/>更有可能存在暗点缺陷,通过这种方式,可以更准确地识别出暗点像素点。
上述公式的分母部分,的意义在于衡量第/>个像素点及其邻域内像素点/>的梯度幅值/>与预设阈值/>之间的差异程度的平均值,这里的梯度幅值反映了像素点的灰度变化强度,当像素点存在暗点缺陷时,其邻域内的梯度幅值可能会受到影响,与正常像素点的梯度幅值有所区别,通过计算这个平均差异平方,可以得到一个标准化的度量值,用于评判第/>个像素点及其邻域整体上受暗点影响的程度,当分母值较小,表明像素点/>及其邻域内像素点的梯度幅值与阈值/>之间的差距较大,说明第/>个像素点及其邻域整体上受暗点影响的程度越大。
将上述作为第/>个像素点的暗点异常度,这个数值的意义在于综合评估第/>个像素点与其邻域内像素点在梯度方向差异、暗点特征度差异以及整体梯度幅值差异三者之间的关系,以此判断第/>个像素点是否可能存在暗点缺陷,当/>的值越大,表明第/>个像素点及其邻域在梯度方向和暗点特征度上的差异显著,且整体梯度幅值与预设阈值相差较大,因此该像素点为暗点缺陷的可能性也就越大。通过这种综合计算,可以更准确地识别出可能存在的暗点问题。
按照S2-S3,可以得到每张灰度图中每一个像素点的暗点异常度以及暗点特征度。
S4:以暗点特征度为横轴,以暗点异常度为纵轴,构建二维检测图,所述每一个像素点对应所述二维检测图中的一个数据点。
根据每张灰度图中每个像素点的暗点特征度与暗点异常度,建立每张灰度图对应的二维检测图,其横轴为暗点特征度,纵轴为暗点异常度,则可以将该灰度图中每个像素点都对应到二维检测图中的一个数据点,在二维检测图中,每个数据点都对应一个暗点特征度和一个暗点暗点异常度,数据点距离原点的位置越远,则说明该数据对应的像素点为暗点的可能性越大,同时,在正常情况下,相邻像素点之间特征近似,而暗点与相邻像素点存在较大的差异,对这些数据点基于暗点特征度和暗点异常度进行聚类,将聚类结果结合灰度图进行分析,灰度图中大部分正常像素点在二维检测图中对应的数据点都在坐标原点附近位置聚集,灰度图中大部分存在暗点缺陷的像素点在二维检测图中对应的数据点在坐标原点的45度角方向的较远位置聚集,但可能会存在少量的暗点缺陷的像素点对应的数据点坐标系的中间位置,可能会影响最终的聚类效果。
S5:根据每一个像素点和邻域像素点在所述二维检测图中对应的数据点之间的距离,得到所述每一个像素点的暗点程度。
其中,每个像素点的暗点程度,获取方法为:
公式中,表示第/>个像素点的暗点程度,其值越大则该像素点为暗点缺陷的可能性就越大,/>表示第/>个像素点在二维检测图中对应的数据点与二维图原点的欧式距离,数据点距离原点的位置越远,则说明该数据对应的像素点为暗点的可能性越大,/>表示第/>个像素点在二维检测图中对应的数据点,以及第/>个像素点邻域的第1个像素点在二维检测图中对应的数据点,这两个数据点之间的欧式距离,其余同理,/>函数作用为计算样本的方差。
因为在正常情况下,相邻像素点之间特征近似,而暗点与相邻像素点存在较大的差异,若用作为第/>个像素点的邻域内像素点的序号,/>表示第/>个像素点在二维检测图中对应的数据点和第/>个像素点在二维检测图中对应的数据点之间的欧式距离,其值越大则说明第i个像素点为暗点的可能性越大,使用/>计算第/>个像素点与其邻域内8个像素点在二维检测图上对应数据点之间欧式距离的方差,方差越大,说明该像素点与邻域像素点之间的差异越大,考虑到正常情况下相邻像素点特征近似,较大的方差可能反映了该像素点更有可能存在暗点缺陷。
对于,实际上是把像素点在二维检测图上的位置信息/>和该像素点与其邻域像素点特征差异的程度/>结合起来,计算出/>,若/>的值越大,说明该像素点既是检测图上的“极端点”(距离原点远),又与邻域像素点存在显著的特征差异,从而极大提高了该像素点为暗点的可能性,总之,该公式通过综合考虑像素点的位置信息和其与邻域像素点的特征差异,给出了一个量化像素点暗点程度的指标。
至此,得到了每个像素点在二维检测图中对应数据点的暗点程度。
S6:利用每个像素点的暗点程度对二维检测图中的数据点的分布进行调整。
通过以上步骤得到了各像素点的暗点程度,因为暗点程度越大的像素点为暗点缺陷的可能性越大,为了能够准确的识别出存在暗点缺陷的像素点,本实施例通过对二维检测图中的数据点的分布进行调整,以实现暗点缺陷检测目的,具体包括:
将二维检测图中每个数据点的暗点程度的倒数进行归一化后的数值,然后再与暗点程度相乘,得到的数值作为该数据点的最终暗点程度;
将每个像素点在所述二维检测图中对应的数据点与原点之间的欧式距离和最终暗点程度相乘,得到的数值作为每个像素点的移动距离;
将每个像素点在所述二维检测图中对应的数据点按照移动距离向原点方向移动,完成二维检测图中的数据点分布调整。
因为正常像素点对应的数据点移动距离较大,而存在暗点缺陷的像素点对应的数据点移动距离较小,因此可以将两种数据点区分开,以此调整数据点得到新的二维检测图数据分布。
S7:对所述二维检测图中调整后的数据点进行均值聚类,基于聚类结果确定所述电能表的屏幕是否存在暗点缺陷。
其中均值聚类时,设置类簇中心点数量为2,将二维检测图中的数据点分为两类,当所有数据点对应的像素点为正常像素点时,其暗点程度基本一致,在这种情况下,/>均值聚类算法的结果取决于初始化聚类中心的方式,但无论怎样初始化,都会将所有数据点分配到同一个聚类中,由于所有数据点都在同一个聚类内,聚类中心不会再发生变化,算法会很快收敛,也就是/>均值聚类的结果将是所有数据点都被分配到同一个聚类中,另一个聚类为空,而当所有数据点对应的像素点中既有正常像素点又有暗点缺陷像素点时,正常像素点和暗点缺陷像素点的暗点程度差异较大,因此在二维检测图中的数据点会被分为两类,且靠近坐标原点的一类数据点的暗点程度小,对应的像素点为正常像素点,远离坐标原点的一类数据点的暗点程度大,对应的像素点为暗点像素点。
因此,基于聚类结果确定所述电能表的屏幕是否存在暗点缺陷,方法为:
若所述聚类将所述二维检测图中的数据点划分为两个类簇,则所述电能表的屏幕存在暗点缺陷,并基于每个类簇与原点的距离对所述暗点缺陷进行定位;
若所述聚类将所述二维检测图中的所有数据点划分为同一个类簇,则所述电能表的屏幕不存在暗点缺陷。
综上所述,本实施例中的一种基于图像识别的智能电能表检测方法遵循了图像处理和数据分析的基本原则,能够提高电能表屏幕暗点缺陷检测的准确性和效率。
本发明还提供一种基于图像识别的智能电能表检测系统包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时实现所述检测方法的步骤,以对电能表屏幕中的暗点缺陷进行准确检测。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (8)
1.一种基于图像识别的智能电能表检测方法,其特征在于,包括:
采集电能表进行屏幕显示功能测试时的多张屏幕图像,预处理得到多张屏幕灰度图;
根据电能表屏幕中每一个像素点在不同屏幕灰度图中的灰度值得到电能表屏幕中每一个像素点的暗点特征度;
基于所述电能表屏幕中每一个像素点和邻域像素点的暗点特征度差异和梯度差异,确定所述每一个像素点的暗点异常度;
所述每一个像素点的暗点异常度,获取方法为:
设定所述像素点的邻域范围为八邻域;
获取所述像素点与每一个邻域像素点的梯度角度和梯度幅值;
所述像素点的暗点异常度,按照如下公式计算:
;
式中,为像素点的序号,/>为第/>个像素点的暗点异常度,/>为邻域像素点的序号,/>为第/>个像素点的梯度角度,/>为第/>个像素点的第/>个邻域像素点的梯度角度,/>为第/>个像素点的暗点特征度,/>为第/>个像素点的第/>个邻域像素点的暗点特征度,/>为求均值函数,/>表示第/>个像素点邻域中第/>个像素点的梯度幅值与邻域平均梯度幅值的差值的绝对值,/>为预设常数;
以暗点特征度为横轴,以暗点异常度为纵轴,构建二维检测图,所述每一个像素点对应所述二维检测图中的一个数据点;
根据每一个像素点和邻域像素点在所述二维检测图中对应的数据点之间的距离,得到所述每一个像素点的暗点程度;
利用每个像素点的暗点程度对二维检测图中的数据点的分布进行调整;
对所述二维检测图中调整后的数据点进行均值聚类,基于聚类结果确定所述电能表的屏幕是否存在暗点缺陷。
2.根据权利要求1所述的一种基于图像识别的智能电能表检测方法,其特征在于,所述每一个像素点的暗点特征度,获取方法包括:
将所述像素点在每一张屏幕灰度图中的灰度值和所述像素点在所有屏幕灰度图中的灰度均值的差异值进行累加,得到灰度差异累加值,将所述灰度差异累加值的倒数作为所述像素点的暗点特征度。
3.根据权利要求1所述的一种基于图像识别的智能电能表检测方法,其特征在于,所述每一个像素点的暗点程度,获取方法为:
;
式中,为第/>个像素点的暗点程度,/>为第/>个像素点在所述二维检测图中对应的数据点与原点之间的欧氏距离,/>为第/>个像素点与其第/>个邻域像素点在所述二维检测图中对应的数据点之间的欧式距离,/>为计算样本方差函数,/>为邻域像素点的序号。
4.根据权利要求2所述的一种基于图像识别的智能电能表检测方法,其特征在于,利用每个像素点的暗点程度对二维检测图中的数据点的分布进行调整,包括:
将每个像素点的暗点程度的倒数进行归一化后的数值,再与暗点程度相乘,得到的数值作为每个像素点的最终暗点程度;
获取每个像素点在所述二维检测图中对应的数据点与原点之间的欧式距离;
将最终暗点程度和欧式距离相乘得到的数值作为每个像素点的移动距离;
将每个像素点在所述二维检测图中对应的数据点按照移动距离向原点方向移动,完成二维检测图中的数据点分布调整。
5.根据权利要求1所述的一种基于图像识别的智能电能表检测方法,其特征在于,所述均值聚类,设置类簇中心点数量为2。
6.根据权利要求5所述的一种基于图像识别的智能电能表检测方法,其特征在于,基于聚类结果确定所述电能表的屏幕是否存在暗点缺陷,包括:
若所述聚类将所述二维检测图中的数据点划分为两个类簇,则所述电能表的屏幕存在暗点缺陷,并基于每个类簇与原点的距离对所述暗点缺陷进行定位;
若所述聚类将所述二维检测图中的所有数据点划分为同一个类簇,则所述电能表的屏幕不存在暗点缺陷。
7.根据权利要求6所述的一种基于图像识别的智能电能表检测方法,其特征在于,基于每个类簇与原点的距离对所述暗点缺陷进行定位,包括:
计算每个类簇中心与原点的欧式距离,并进行对比;
将与原点的欧式距离大的一个类簇内的数据点对应的像素点作为暗点缺陷像素点;将与原点的欧式距离小的一个类簇内的数据点对应的像素点作为正常像素点。
8.一种基于图像识别的智能电能表检测系统,其特征在于,所述检测系统包括存储器和处理器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410475108.XA CN118115494B (zh) | 2024-04-19 | 2024-04-19 | 一种基于图像识别的智能电能表检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410475108.XA CN118115494B (zh) | 2024-04-19 | 2024-04-19 | 一种基于图像识别的智能电能表检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118115494A true CN118115494A (zh) | 2024-05-31 |
CN118115494B CN118115494B (zh) | 2024-06-25 |
Family
ID=91208855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410475108.XA Active CN118115494B (zh) | 2024-04-19 | 2024-04-19 | 一种基于图像识别的智能电能表检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118115494B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154029A (zh) * | 2017-05-08 | 2017-09-12 | 聚龙智瞳科技有限公司 | 用于低照度图像处理的方法及装置 |
CN113554583A (zh) * | 2020-04-24 | 2021-10-26 | 京东方科技集团股份有限公司 | 一种显示面板的检测方法及检测系统 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117372436A (zh) * | 2023-12-08 | 2024-01-09 | 红叶风电设备(营口)有限公司 | 基于图像数据的风电叶片故障检测方法 |
-
2024
- 2024-04-19 CN CN202410475108.XA patent/CN118115494B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107154029A (zh) * | 2017-05-08 | 2017-09-12 | 聚龙智瞳科技有限公司 | 用于低照度图像处理的方法及装置 |
CN113554583A (zh) * | 2020-04-24 | 2021-10-26 | 京东方科技集团股份有限公司 | 一种显示面板的检测方法及检测系统 |
CN117078672A (zh) * | 2023-10-13 | 2023-11-17 | 深圳市凯尔文电子有限公司 | 基于计算机视觉的手机屏幕缺陷智能检测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117372436A (zh) * | 2023-12-08 | 2024-01-09 | 红叶风电设备(营口)有限公司 | 基于图像数据的风电叶片故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118115494B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349145B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
CN112699876B (zh) | 一种用于集气站多类型仪表自动读数方法 | |
CN106412573A (zh) | 一种检测镜头污点的方法和装置 | |
CN113643276B (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN114066857A (zh) | 红外图像质量评价方法、装置、电子设备及可读存储介质 | |
CN115018850A (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN117252872B (zh) | 一种手机屏幕缺陷视觉检测方法及系统 | |
CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
CN112419229A (zh) | 一种显示屏线状缺陷检测方法、装置及存储介质 | |
CN116664551B (zh) | 基于机器视觉的显示屏检测方法、装置、设备及存储介质 | |
CN116523913B (zh) | 一种丝杆质量智能检测方法 | |
CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
CN113065538A (zh) | 基于图像识别的压力传感器检测方法、装置及设备 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN118115494B (zh) | 一种基于图像识别的智能电能表检测方法及系统 | |
CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
CN117274211A (zh) | 一种屏幕缺陷检测方法、装置、终端设备及存储介质 | |
CN115452845B (zh) | 一种基于机器视觉的led屏幕表面损伤检测方法 | |
CN116152220A (zh) | 一种基于机器视觉的种子计数和尺寸测量方法 | |
CN115861318A (zh) | 一种棉花加工生产质量检测方法 | |
CN112051003A (zh) | 液压表自动产品检测装置、检测方法及读取方法 | |
CN118154600B (zh) | 光伏发电系统的掉串检测方法、装置、电子设备和介质 | |
CN116563289B (zh) | 一种基于机器视觉的贴标品质检测方法和系统 | |
CN116523906B (zh) | 一种玻璃基板光学性能检测方法和系统 | |
CN117745730B (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法及系统 |
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 |