CN118155194B - 电能表元器件智能比对方法及系统 - Google Patents
电能表元器件智能比对方法及系统 Download PDFInfo
- Publication number
- CN118155194B CN118155194B CN202410578622.6A CN202410578622A CN118155194B CN 118155194 B CN118155194 B CN 118155194B CN 202410578622 A CN202410578622 A CN 202410578622A CN 118155194 B CN118155194 B CN 118155194B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- image
- scale
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 230000000739 chaotic effect Effects 0.000 claims description 96
- 238000001914 filtration Methods 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 238000005286 illumination Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 19
- 238000005291 chaos (dynamical) Methods 0.000 abstract description 9
- 230000001629 suppression Effects 0.000 abstract description 7
- 238000003672 processing method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Nonlinear Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供电能表元器件智能比对方法及系统，方法包括：捕获电能表内部元器件图像，结合多尺度图像处理、特征提取和特征融合技术，采用多阶段处理方法对捕获的电能表内部元器件原始图像进行图像处理，得到融合特征；读取电能表编码信息，与预置标准数据库中存储的标准数据进行匹配，验证电能表信息的准确性和合规性；采用混沌理论和多层次非线性映射技术揭示差异尺度图像关键特征间的复杂关系，使用比对算法在多维特征空间中进行元器件识别，准确识别和比对电能表中的元器件。本发明解决了误识别和漏识别的风险、噪声抑制不足、依赖于单一类型的图像特征以及适应性不足的技术问题。
Description
技术领域
本发明涉及电力系统设备检测与维护领域，具体涉及电能表元器件智能比对方法及系统。
背景技术
电能表元器件的智能比对是电力行业中的一个关键环节，涉及到电能表的生产、质量控制、维护和检验。传统的比对方法大多依赖于人工检查或基础的自动化技术，这些方法在准确性、效率和自动化水平上存在限制。随着电力系统的现代化和智能化需求的增长，对电能表元器件的快速、准确识别和比对提出了更高的要求。
在传统的系统中，由于缺乏高级的图像处理技术和智能算法，诸如图像噪声、光照条件变化、元器件的微小差异这些因素导致识别精度不足。此外，由于数据处理能力有限，系统在处理大量或复杂数据时的效率和准确性也受到影响。随着人工智能、机器学习和图像处理技术的快速发展，出现了将这些先进技术应用于电能表元器件智能比对的可能性。这些技术可以大幅提升系统的识别精度、处理速度和自动化水平，使得电能表元器件的比对更加高效、可靠。
公布号为CN108663373A的现有发明专利申请文献《一种电能表外观结构和元器件信息采集比对方法及系统》，前述现有方法包括：将电能表整机或板卡放置于工业显微镜底盘的标准位置，用于拍摄图像；判断放置位置是否达标，在上位软件里下发拍照指令，获取电能表整机或板卡的当前图像，将图像传送至上位机软件中进行显示。通过上位机软件下发采集拍照命令，将利用图像处理技术，将拍摄到的图片与数据库标准图像进行比对，判断电能表是否被篡改或厂家是否更换。前述现有技术至少存在如下技术问题：现有技术在细节捕捉和特征识别上的精度有限，增加了误识别和漏识别的风险；噪声抑制不足，尤其是在低光照条件或图像质量较差的情况下，影响图像的清晰度，降低识别准确性；主要依赖于单一类型的图像特征，缺乏对不同特征类型的综合利用，限制了系统适应不同情况的能力；适应性不足，缺乏自适应滤波处理，无法根据不同图像的具体特性调整处理策略。
现有技术在细节捕捉和特征识别上的精度有限，增加了误识别和漏识别的风险；噪声抑制不足，尤其是在低光照条件或图像质量较差的情况下，影响图像的清晰度，降低识别准确性；主要依赖于单一类型的图像特征，缺乏对不同特征类型的综合利用，限制了系统适应不同情况的能力；适应性不足，缺乏自适应滤波处理，无法根据不同图像的具体特性调整处理策略。
综上，现有技术存在误识别和漏识别的风险、噪声抑制不足、依赖于单一类型的图像特征以及适应性不足的技术问题。
发明内容
本发明所要解决的技术问题在于：如何解决现有技术中误识别和漏识别的风险、噪声抑制不足、依赖于单一类型的图像特征以及适应性不足的技术问题。
本发明是采用以下技术方案解决上述技术问题的：电能表元器件智能比对方法包括：
S1、利用图像获取模块，在预置光照条件下采集电能表内部元器件图像，对电能表内部元器件图像，进行多尺度图像处理、特征提取操作以及特征融合操作，以得到多阶段融合电能表内部特征；
S2、利用自适应滤波模块中的高斯滤波器，对多阶段融合电能表内部特征进行高斯滤波操作，以基于电能表内部元器件图像生成差异分辨率图像集合，其中，处理电能表内部元器件图像的局部特征，根据局部特征处理得到全局统计特性数据，根据全局统计特性数据对差异分辨率图像集合进行自适应滤波，其中，利用自适应滤波函数，对电能表内部元器件图像，进行预处理、平滑噪声操作，增强局部特征；
S3、利用多尺度特征提取模块，结合边缘检测算子、纹理识别核以及颜色梯度算子，以在每个尺度上，从差异分辨率图像集合，提取得到差异尺度图像关键特征以及综合特征图，其中，差异尺度图像关键特征包括：图像轮廓边缘、图像表面特性以及颜色梯度变化数据；
S4、利用编码信息获取模块，读取电能表编码信息；
S5、利用匹配模块，根据预置标准数据库，匹配处理电能表编码信息，以验证得到电能表编码信息的准确合规验证信息；
S6、设定初始的混沌系统状态，将综合特征图中的综合特征，转换为混沌系统初始状态向量，利用混沌映射模块创建动态系统模型，以表征差异尺度图像关键特征的复杂性信息，其中，根据混沌系统初始状态向量，将混沌系统状态映射到多维特征空间；
S7、利用智能比对模块，使用比对算法在多维特征空间中进行元器件识别，得到电能表元器件识别结果，量化处理电能表元器件识别结果，以得到相似度比对信息，根据相似度比对信息确定当前的电能表内部元器件图像的最匹配元器件类型。
本发明通过综合应用多尺度图像处理、特征提取、特征融合以及混沌理论和非线性映射技术，能够更全面地捕捉电能表元器件的细节和特征，使得系统在识别和比对元器件时更为精确，减少误识别的可能性。
在更具体的技术方案中，步骤S2包括：S21、对电能表内部元器件图像进行预处理，以得到预处理图像；
S22、对预处理图像进行自适应滤波，以生成差异尺度图像；
S23、利用预置缩放因子，调整每个差异尺度图像的尺寸，生成差异分辨率图像集合。
在更具体的技术方案中，S21中，利用下述逻辑，对电能表内部元器件图像进行预处理：
式中，是电能表内部元器件图像,是预处理后的图像，是预处理阶段的权衡因子，是预处理阶段控制滤波强度的参数，是依赖于原始图像内容的动态核，表示电能表内部元器件图像中每个像素与局部均值之间的距离，是预处理阶段像素点邻域内的像素均值，是预处理阶段的像素均值，是预处理阶段像素点的邻域，是预处理阶段像素点邻域内像素的数量，表示电能表内部元器件图像在位置的像素值，是像素点邻域内的任一像素点位置。
本发明应用高斯滤波器和自适应滤波处理方法，有效平滑图像噪声并增强局部特征，对于在多种光照和拍摄条件下保持图像质量和识别准确性至关重要；通过将不同尺度上提取的特征融合成一个综合特征图，能够综合利用边缘、纹理和颜色等多方面信息，从而提供更加全面和可靠的识别依据。
在更具体的技术方案中，S22中，利用下述逻辑，对预处理图像进行自适应滤波，生成差异尺度图像：
式中，是第r个尺度上的图像，是第r个尺度的权衡因子，是第r个尺度的控制滤波强度的参数，是像素点的第r个尺度的局部均值，是第r个尺度的局部均值，是第r个尺度上以像素点为中心的邻域，是邻域中的像素数量，是在位置的预处理后的图像，是依赖于预处理后图像内容的动态核。
在更具体的技术方案中，S23中，根据预置缩放因子，利用下述逻辑调整每个差异尺度图像的尺寸，据以生成差异分辨率图像集合：
式中，是第r个尺度的缩放图像，是第r个尺度的缩放因子。
在更具体的技术方案中，S3包括：
S31、根据差异尺度图像关键特征，处理得到图像轮廓边缘、图像表面特性以及颜色梯度变化数据：
式中，表示从第r个尺度图像提取的特征，和分别是边缘检测核和纹理识别核，、、是权重系数，是颜色梯度算子，是纹理识别函数；
S32、融合处理差异尺度图像关键特征，以得到综合特征图，对差异尺度图像关键特征进行加权操作、归一化操作，以得到各尺度特征平衡点：
式中，是融合特征，是不同尺度特征的权重，是归一化因子。
在更具体的技术方案中，S5中，利用下述逻辑，匹配处理电能表编码信息：
式中，表示匹配得分，用以量化RFID（Radio Frequency Identification，射频识别）、条形码读取的数据与预置标准数据库中存储的标准数据之间的一致性，表示从RFID、条形码读取的第i项数据，是第i个预置标准数据库中的相应数据，是权重因子。
本发明结合RFID技术和条码扫描，能快速准确地读取电能表编码信息，并与预置标准数据库中的标准数据进行匹配，确保信息的准确性和合规性；通过混沌理论和多层次非线性映射技术，能够揭示图像特征间的复杂关系，并在多维特征空间中进行高精度的元器件识别和比对。
在更具体的技术方案中，S6包括：
S61、利用下述逻辑，设定初始的混沌系统状态：
式中，代表混沌系统的初始的混沌系统状态，表示第i个图像特征，表示第i个图像特征值；
S62、利用下述逻辑中的混沌映射方程，模拟混沌系统状态的演化过程，得到潜在模式、结构信息，以得到当前的混沌系统状态：
式中，表示下一时刻的混沌系统状态，表示当前时刻的混沌系统状态，和是混沌系统的控制参数，是非线性特性参数；
S63、利用下述逻辑，将混沌系统状态映射到多维特征空间，以得到映射转化动态特性信息，供识别、比对高维特征：
式中，是映射后的多维特征向量，是当前时刻第k维的混沌系统状态，是混沌系统状态的核参数，是当前时刻第k维的混沌系统状态的核参数。
在更具体的技术方案中，S7包括：
S71、利用下述逻辑，根据比对算法进行元器件识别，以得到电能表元器件识别结果：
式中，是电能表元器件识别结果，是映射后的多维特征向量，是预置标准数据库中的第j个标准多维特征向量，表示向量和预置标准数据库中的第j个标准多维特征向量的内积，是映射后的多维特征向量的协方差；
S72、计算电能表元器件识别结果与预置标准数据库中的标准特征的相似度评分，根据标准特征，计算标准特征的向量间角度差异，据以处理得到相似度比对信息：
式中，是相似度评分，是映射后的第i个维度的特征向量，是预置标准数据库中第i个维度的标准特征向量，是余弦函数的逆函数，是映射后的第i个维度的特征向量的协方差，是预置标准数据库中第i个维度的标准特征向量的协方差。
在更具体的技术方案中，电能表元器件智能比对系统包括：
图像获取模块，用以在预置光照条件下采集电能表内部元器件图像，对电能表内部元器件图像，进行多尺度图像处理、特征提取操作以及特征融合操作，以得到多阶段融合电能表内部特征；
自适应滤波模块，用以利用高斯滤波器，对多阶段融合电能表内部特征进行高斯滤波操作，以基于电能表内部元器件图像生成差异分辨率图像集合，其中，处理电能表内部元器件图像的局部特征，根据局部特征处理得到全局统计特性数据，根据全局统计特性数据对差异分辨率图像集合进行自适应滤波，其中，利用自适应滤波函数，对电能表内部元器件图像，进行预处理、平滑噪声操作，增强局部特征，自适应滤波模块与图像获取模块连接；
多尺度特征提取模块，用以结合边缘检测算子、纹理识别核以及颜色梯度算子，以在每个尺度上，从差异分辨率图像集合，提取得到差异尺度图像关键特征以及综合特征图，其中，差异尺度图像关键特征包括：图像轮廓边缘、图像表面特性以及颜色梯度变化数据，多尺度特征提取模块与自适应滤波模块连接；
编码信息获取模块，用以读取电能表编码信息；
匹配模块，用以根据预置标准数据库，匹配处理电能表编码信息，以验证得到电能表编码信息的准确合规验证信息，匹配模块与编码信息获取模块连接；
混沌映射模块，用以设定初始的混沌系统状态，将综合特征图中的综合特征，转换为混沌系统初始状态向量，利用混沌映射模块创建动态系统模型，以表征差异尺度图像关键特征的复杂性信息，其中，根据混沌系统初始状态向量，将混沌系统状态映射到多维特征空间，混沌映射模块与匹配模块及多尺度特征提取模块连接；
智能比对模块，用以使用比对算法在多维特征空间中进行元器件识别，得到电能表元器件识别结果，量化处理电能表元器件识别结果，以得到相似度比对信息，根据所述相似度比对信息确定当前的电能表内部元器件图像的最匹配元器件类型，智能比对模块与混沌映射模块及多尺度特征提取模块连接。
本发明相比现有技术具有以下优点：
本发明通过综合应用多尺度图像处理、特征提取、特征融合以及混沌理论和非线性映射技术，能够更全面地捕捉电能表元器件的细节和特征，使得系统在识别和比对元器件时更为精确，减少误识别的可能性。
本发明应用高斯滤波器和自适应滤波处理方法，有效平滑图像噪声并增强局部特征，对于在多种光照和拍摄条件下保持图像质量和识别准确性至关重要；通过将不同尺度上提取的特征融合成一个综合特征图，能够综合利用边缘、纹理和颜色等多方面信息，从而提供更加全面和可靠的识别依据。
本发明结合RFID技术和条码扫描，能快速准确地读取电能表编码信息，并与预置标准数据库中的标准数据进行匹配，确保信息的准确性和合规性；通过混沌理论和多层次非线性映射技术，能够揭示图像特征间的复杂关系，并在多维特征空间中进行高精度的元器件识别和比对。
本发明解决了现有技术中存在的误识别和漏识别的风险、噪声抑制不足、依赖于单一类型的图像特征以及适应性不足的技术问题。
附图说明
图1为本发明实施例1的电能表元器件智能比对系统基本模块示意图；
图2为本发明实施例2的电能表元器件智能比对方法基本步骤示意图；
图3为本发明实施例2的自适应滤波的具体步骤示意图；
图4为本发明实施例2的提取差异尺度图像关键特征以及综合特征图的具体步骤示意图；
图5为本发明实施例2的表征图像特征复杂性信息的具体步骤示意图；
图6为本发明实施例2的进行智能比对的具体步骤示意图。
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，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，本领域普通技术人员在没有作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。
实施例1
如图1所示，本发明提供的电能表元器件智能比对系统，包括：图像获取模块1、自适应滤波模块2、多尺度特征提取模块3、编码信息获取模块4、匹配模块5、混沌映射模块6以及智能比对模块7；
图像获取模块1，用以在预置光照条件下采集电能表内部元器件图像，对所述电能表内部元器件图像，进行多尺度图像处理、特征提取操作以及特征融合操作，以得到多阶段融合电能表内部特征；
在本实施例中，利用图像获取模块1使用高分辨率摄像头，在预置光照条件下捕获电能表内部元器件图像，通过多尺度图像处理、特征提取操作得到原始图像数据，对原始图像数据进行特征融合操作；图像获取模块1通过数据传输的方式与自适应滤波模块2连接；
在本实施例中，预置光照条件按照电能表内部的光照强度设置；数据传输的方式包括但不限于：数据连接线、CAN总线；在本实施例中，选用高分辨率摄像头的分辨率包括但不限于：400万像素、200万像素：
自适应滤波模块2，用以利用高斯滤波器，进行高斯滤波操作，以基于电能表内部元器件图像生成差异分辨率图像集合；在本实施例中，处理电能表内部元器件图像的局部特征，以处理得到全局统计特性数据，据以对差异分辨率图像集合进行自适应滤波；在本实施例中，利用自适应滤波函数，对电能表内部元器件图像，进行预处理、平滑噪声操作，增强局部特征，自适应滤波模块2与图像获取模块1连接；
在本实施例中，利用自适应滤波模块2对原始图像数据进行初步处理，在本实施例中，初步处理包括但不限于：平滑噪声、增强局部特征；在本实施例中，基于高斯滤波器进行优化，自适应生成差异分辨率图像集合，以适应性地调整滤波效果；在本实施例中，自适应滤波模块2中的采用的元件包括但不限于：滤波器。
多尺度特征提取模块3，用以结合边缘检测算子、纹理识别核以及颜色梯度算子，以在每个尺度上，从差异分辨率图像集合，提取得到差异尺度图像关键特征以及综合特征图，在本实施例中，差异尺度图像关键特征包括：图像轮廓边缘、图像表面特性以及颜色梯度变化数据，多尺度特征提取模块3与自适应滤波模块2连接；
在本实施例中，利用多尺度特征提取模块3结合边缘检测算子、纹理识别核以及颜色梯度算子，在不同尺度上提取电能表内部元器件图像的差异尺度图像关键特征；在本实施例中，关键特征包括但不限于：边缘、纹理以及颜色特征；
编码信息获取模块4，用以读取电能表编码信息；
在本实施例中，编码信息获取模块4可采用例如：RFID读取器和条码扫描器，从电能表上读取电能表编码信息，识别电能表的身份和规格信息；
匹配模块5，用以根据预置标准数据库，匹配处理电能表编码信息，以验证得到电能表编码信息的准确合规验证信息，匹配模块5与编码信息获取模块4连接；在本实施例中，预置标注数据库可部署于例如：电能表数据处理云台设备、电能表数据存储硬盘；
在本实施例中，利用匹配模块5对RFID读取器的电能表编码信息与预置标准数据库中存储的标准数据进行匹配，以验证电能表编码信息的准确性和合规性；
混沌映射模块6，用以设定初始的混沌系统状态，将综合特征图中的综合特征，转换为混沌系统初始状态向量，利用混沌映射模块6创建动态系统模型，以表征差异尺度图像关键特征的复杂性信息；在本实施例中，根据混沌系统初始状态向量，将混沌系统的状态映射到多维特征空间，混沌映射模块与匹配模块6及多尺度特征提取模块3连接；
在本实施例中，利用混沌映射模块6将多尺度特征提取模块3提取的综合特征，转换为混沌系统的初始状态向量，并模拟混沌系统的演化过程，使用混沌理论来揭示差异尺度图像关键特征之间的复杂关系；
智能比对模块7，用以使用比对算法在多维特征空间中进行元器件识别，据以处理得到电能表元器件识别结果，量化处理电能表元器件识别结果，以得到相似度比对信息，据以确定当前的电能表内部元器件图像的最匹配元器件类型，智能比对模块7与混沌映射模块6及多尺度特征提取模块3连接。
在本实施例中，利用智能比对模块7使用比对算法在多维特征空间中进行元器件识别，准确识别和比对电能表中的元器件。在本实施例中，电能表中的元器件包括但不限于：电容器、电阻器、二极管、三极管、集成电路以及晶振。
实施例2
如图2所示，在本实施例中，电能表元器件智能比对方法，包括以下基本步骤：
S1、利用图像获取模块1，在预置光照条件下采集电能表内部元器件图像，对电能表内部元器件图像，进行多尺度图像处理、特征提取操作以及特征融合操作，以得到多阶段融合电能表内部特征；
S2、利用自适应滤波模块2中的高斯滤波器，对多阶段融合电能表内部特征进行高斯滤波操作，以基于电能表内部元器件图像生成差异分辨率图像集合；在本实施例中，处理电能表内部元器件图像的局部特征，根据局部特征处理得到全局统计特性数据，根据全局统计特性数据对差异分辨率图像集合进行自适应滤波；在本实施例中，利用自适应滤波函数，对电能表内部元器件图像，进行预处理、平滑噪声操作，增强局部特征；
如图3所示，在本实施例中，进行自适应滤波的步骤S2，还包括以下具体步骤：
S21、对电能表内部元器件图像进行预处理，以得到预处理图像；
S22、对预处理图像进行自适应滤波，以生成差异尺度图像；
在本实施例中，在自适应滤波处理操作过程中，自适应滤波模块2使用自适应滤波函数对原始的电能表内部元器件图像进行初步处理，平滑噪声并增强局部特征，具体公式为：
其中，是电能表内部元器件图像,是预处理后的图像，是预处理阶段的权衡因子，是预处理阶段控制滤波强度的参数，是依赖于原始图像内容的动态核，表示电能表内部元器件图像中每个像素与局部均值之间的距离，是预处理阶段像素点邻域内的像素均值，是预处理阶段像素点的邻域，是预处理阶段像素点邻域内像素的数量，表示电能表内部元器件图像在位置的像素值，是像素点邻域内的任一像素点位置；
在本实施例中，对预处理图像进行自适应滤波，生成差异尺度图像：
其中，是第r个尺度上的图像，是第r个尺度的权衡因子，是第r个尺度的控制滤波强度的参数，是像素点的第r个尺度的局部均值，是第r个尺度的局部均值，是第r个尺度上以像素点为中心的邻域，是邻域中的像素数量，是在位置的预处理后的图像，是依赖于预处理后图像内容的动态核。
S23、利用预置缩放因子，调整每个差异尺度图像的尺寸，生成差异分辨率图像集合。
在本实施例中，应用预置缩放因子调整每个尺度的电能表内部元器件图像的大小，生成差异分辨率图像集合，具体公式为：
其中，是第r个尺度的缩放图像，是第r个尺度的缩放因子。
在本实施例中，应用高斯滤波器从原始的电能表内部元器件图像生成不同分辨率的图像集合，高斯滤波器被用于平滑图像、减少噪声，同时通过调整高斯核的标准差，可以生成不同分辨率的电能表内部元器件图像。在保持原始的电能表内部元器件图像内容的基础上，创建不同尺度的图像版本，从而在不同的尺度上捕捉电能表内部元器件图像的细节和特征，供后续特征提取操作；
在本实施例中，为了优化高斯滤波的处理效果，考虑电能表内部元器件图像的局部特征，包括但不限于：亮度及纹理以及全局统计特性数据，用以适应性地调整滤波效果。
在本实施例中，自适应滤波模块2结合了原始的电能表内部元器件图像和经过动态核处理的图像，滤波器在不同区域根据电能表内部元器件图像的特性，适应性地调整滤波效果；在本实施例中，动态核的设计依赖于电能表内部元器件图像中像素与其局部均值的距离，能够保留图像中的细节特征，同时实现平滑处理；
S3、利用多尺度特征提取模块3，结合边缘检测算子、纹理识别核以及颜色梯度算子，以在每个尺度上，从差异分辨率图像集合，提取得到差异尺度图像关键特征以及综合特征图；在本实施例中，差异尺度图像关键特征包括：图像轮廓边缘、图像表面特性以及颜色梯度变化数据；
如图4所示，在本实施例中，提取差异尺度图像关键特征以及综合特征图的步骤S3，还包括以下具体步骤：
S31、根据差异尺度图像关键特征，处理得到图像轮廓边缘、图像表面特性以及颜色梯度变化数据：
式中，表示从第r个尺度图像提取的特征，和分别是边缘检测核和纹理识别核，、、是权重系数，是颜色梯度算子，是纹理识别函数，在本实施例中，纹理识别函数可采用例如：灰度共生矩阵；
在本实施例中，边缘检测有助于识别电能表内部元器件图像中的轮廓和边缘，纹理分析可以揭示表面特性，引入颜色梯度算子有助于区分颜色变化。
S32、融合处理差异尺度图像关键特征，以得到综合特征图，对差异尺度图像关键特征进行加权操作、归一化操作，以得到各尺度特征平衡点：
式中，是最终的融合特征，是不同尺度特征的权重，是归一化因子。
在本实施例中，将不同尺度上提取的特征融合成一个综合特征图，通过对差异尺度图像关键特征的重要性进行加权和归一化处理，找到各尺度特征平衡点，使得各尺度的差异尺度图像关键特征的贡献都被考虑到。
S4、利用编码信息获取模块4，读取电能表编码信息；
在本实施例中，编码信息获取模块4使用RFID读取器和条码扫描器从电能表上读取电能表编码信息；在本实施例中，RFID技术能够无接触地识别和跟踪带有电子标签的物品，而条码扫描器用于读取打印的条形码。
S5、利用匹配模块5，根据预置标准数据库，匹配处理电能表编码信息，以验证得到电能表编码信息的准确合规验证信息；
在本实施例中，为了验证电能表信息的准确性和合规性，确保后续处理的数据准确无误，采用匹配模块5将电能表信息中的每个数据项的匹配情况转换为一个得分，并将所有得分汇总以获得总匹配得分，匹配被读取的电能表信息与预置标准数据库中的标准信息。匹配方法为：
其中，表示匹配得分，用以量化RFID或条形码读取的数据与预置标准数据库中存储的标准数据之间的一致性，表示从RFID、条形码读取的第i项数据，是第i个预置标准数据库中的相应数据，是权重因子；
在本实施例中，根据不同数据项的重要性进行调整，例如，对于更关键的数据项，例如：型号、制造日期，赋予更高的权重；表示相等性测试，用于比较两个数据项是否匹配。
在本实施例中，根据预设的阈值评估匹配得分，该阈值根据历史数据和系统准确性需求设定的，用于判断读取的电能表信息与预置标准数据库中的信息是否足够匹配。得分高于阈值表示信息匹配成功，低于阈值则表示匹配失败；在本实施例中，阈值包括但不限于：使用时间阈值；
在本实施例中，若匹配得分超过阈值，匹配模块5将此电能表标记为：验证通过，并将相关信息传送至下一个处理步骤，例如图像比对；若匹配得分低于阈值，匹配模块5将此电能表标记为：验证失败，并启动异常处理流程，包括生成错误报告、通知操作员进行手动检查，或将该电能表排除出自动处理流程；
S6、设定初始的混沌系统状态，将综合特征图中的综合特征，转换为混沌系统初始状态向量，利用混沌映射模块6创建动态系统模型，以表征差异尺度图像关键特征的复杂性信息，其中，根据混沌系统初始状态向量，将混沌系统状态映射到多维特征空间；
如图5所示，在本实施例中，表征图像特征复杂性信息的步骤S6，还包括以下具体步骤：
S61、利用下述逻辑，设定初始的混沌系统状态：
式中，代表混沌系统的初始的混沌系统状态，表示第i个图像特征，表示第i个图像特征值；
在本实施例中，设定初始的混沌系统状态，将综合特征转换为混沌系统的初始的混沌系统状态向量，混沌映射模块6创建一个反映图像特征复杂性的动态系统模型；
S62、利用下述逻辑中的混沌映射方程，模拟混沌系统状态演化过程，得到潜在模式、结构信息，以得到当前的混沌系统状态：
式中，表示下一时刻的混沌系统状态，表示当前时刻的混沌系统状态，和是混沌系统的控制参数，是非线性特性参数；在本实施例中，利用非线性特性参数表达混沌系统演化的复杂性、不可预测性；
在本实施例中，混沌映射模块6采用混沌映射方程模拟系统状态的演化，通过模拟多维动态系统的演化，揭示潜在模式和结构；
S63、利用下述逻辑，将混沌系统状态映射到多维特征空间，以得到映射转化动态特性信息，供识别、比对高维特征：
式中，是映射后的多维特征向量，是当前时刻第k维的混沌系统状态。
在本实施例中，为了进一步分析演化后的混沌系统，混沌映射模块6将混沌系统状态映射到多维特征空间；在本实施例中，映射混沌系统状态转化的动态特性，是可用于识别和比对的高维特征。在本实施例中，混沌系统状态的维度代表混沌系统的一个不同的状态变量。例如，在一个三维的混沌系统中，存在三个变量，变量可为例如：位置、速度以及加速度，每个变量都是混沌系统状态向量的一部分；
S7、利用智能比对模块7，使用比对算法在多维特征空间中进行元器件识别，得到电能表元器件识别结果，量化处理电能表元器件识别结果，以得到相似度比对信息，根据相似度比对信息确定当前的电能表内部元器件图像的最匹配元器件类型。
在本实施例中，采用混沌理论和多层次非线性映射技术揭示差异尺度图像关键特征之间的复杂关系，使用比对算法在多维特征空间中进行元器件识别，准确识别和比对电能表的元器件。
在本实施例中，为了提升电能表元器件智能比对的准确性，采用混沌理论和多层次非线性映射技术。通过将图像处理问题转化为混沌系统的分析问题，揭示差异尺度图像关键特征之间的复杂关系。
如图6所示，在本实施例中，进行智能比对的步骤S7，还包括以下具体步骤：
S71、利用下述逻辑，根据比对算法进行元器件识别，以得到电能表元器件识别结果：
式中，是电能表元器件识别结果，指向预置标准数据库中一个具体的元器件标识，代表与当前图像特征最相似元器件，是映射后的多维特征向量，是预置标准数据库中的第j个标准多维特征向量，表示映射后的多维特征向量和预置标准数据库中的第j个标准多维特征向量的内积；
在本实施例中，智能比对模块7使用比对算法在多维特征空间中进行元器件识别，对电能表的元器件进行识别、比对。
S72、计算识别特征与预置标准数据库中的标准特征的相似度评分，根据标准特征，计算标准特征向量间的角度差异，据以处理得到相似度比对信息：
式中，是相似度评分，是映射后的第i个维度的特征向量，是数据库中第i个维度的标准特征向量。在本实施例中，标准特征向量的维度指的是该标准特征向量中包含的特征数量。例如：一个有10个特征的标准特征向量就是一个10维特征向量。
在本实施例中，为了量化电能表元器件识别结果的相似度，智能比对模块7计算识别特征与预置标准数据库中标准特征的相似度评分，通过计算标准特征向量之间的角度差异来衡量标准特征向量间的相似度。
在本实施例中，电能表元器件识别结果R是从多维特征空间中选择的图像特征，该图像特征是与当前的电能表内部元器件图像的特征最相似的数据库条目，通过计算映射后的特征向量与预置标准数据库中标准特征向量之间的余弦相似度，确定与当前电能表内部元器件图像最匹配的元器件类型。该过程识别出与当前的电能表内部元器件图像最相似的元器件，为了量化识别特征的相似度，为用户提供一个直观的相似度度量。计算相似度评分，有助于判断电能表元器件识别结果的可靠性。例如，一个高相似度评分表示电能表元器件识别结果与预置标准数据库中的标准元器件特征接近，而一个低评分可能表明需要进一步检测，或存在误识别的情形。
综上，本发明通过综合应用多尺度图像处理、特征提取、特征融合以及混沌理论和非线性映射技术，能够更全面地捕捉电能表元器件的细节和特征，使得系统在识别和比对元器件时更为精确，减少误识别的可能性。
本发明应用高斯滤波器和自适应滤波处理方法，有效平滑图像噪声并增强局部特征，对于在多种光照和拍摄条件下保持图像质量和识别准确性至关重要；通过将不同尺度上提取的特征融合成一个综合特征图，能够综合利用边缘、纹理和颜色等多方面信息，从而提供更加全面和可靠的识别依据。
本发明结合RFID技术和条码扫描，能快速准确地读取电能表编码信息，并与预置标准数据库中的标准数据进行匹配，确保信息的准确性和合规性；通过混沌理论和多层次非线性映射技术，能够揭示图像特征间的复杂关系，并在多维特征空间中进行高精度的元器件识别和比对。
本发明解决了现有技术中存在的误识别和漏识别的风险、噪声抑制不足、依赖于单一类型的图像特征以及适应性不足的技术问题。
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 (10)
1.电能表元器件智能比对方法，其特征在于，所述方法包括：
S1、利用图像获取模块，在预置光照条件下采集电能表内部元器件图像，对所述电能表内部元器件图像，进行多尺度图像处理、特征提取操作以及特征融合操作，以得到多阶段融合电能表内部特征；
S2、利用自适应滤波模块中的高斯滤波器，对所述多阶段融合电能表内部特征进行高斯滤波操作，以基于所述电能表内部元器件图像生成差异分辨率图像集合，其中，处理所述电能表内部元器件图像的局部特征，根据所述局部特征处理得到全局统计特性数据，根据所述全局统计特性数据对所述差异分辨率图像集合进行自适应滤波，其中，利用自适应滤波函数，对所述电能表内部元器件图像，进行预处理、平滑噪声操作，增强所述局部特征；
S3、利用多尺度特征提取模块，结合边缘检测算子、纹理识别核以及颜色梯度算子，以在每个尺度上，从所述差异分辨率图像集合，提取得到差异尺度图像关键特征以及综合特征图，其中，所述差异尺度图像关键特征包括：图像轮廓边缘、图像表面特性以及颜色梯度变化数据；
S4、利用编码信息获取模块，读取电能表编码信息；
S5、利用匹配模块，根据预置标准数据库，匹配处理所述电能表编码信息，以验证得到所述电能表编码信息的准确合规验证信息；
S6、设定初始的混沌系统状态，将所述综合特征图中的综合特征，转换为混沌系统初始状态向量，利用混沌映射模块创建动态系统模型，以表征所述差异尺度图像关键特征的复杂性信息，其中，根据所述混沌系统初始状态向量，将所述混沌系统状态映射到多维特征空间；
S7、利用智能比对模块，使用比对算法在所述多维特征空间中进行元器件识别，得到电能表元器件识别结果，量化处理所述电能表元器件识别结果，以得到相似度比对信息，根据所述相似度比对信息确定当前的所述电能表内部元器件图像的最匹配元器件类型。
2.根据权利要求1所述的电能表元器件智能比对方法，其特征在于，所述S2包括：S21、对所述电能表内部元器件图像进行预处理，以得到预处理图像；
S22、对所述预处理图像进行自适应滤波，以生成差异尺度图像；
S23、利用预置缩放因子，调整每个所述差异尺度图像的尺寸，生成所述差异分辨率图像集合。
3.根据权利要求2所述的电能表元器件智能比对方法，其特征在于，所述S21中，利用下述逻辑，对所述电能表内部元器件图像进行预处理：
式中，是所述电能表内部元器件图像,是预处理后的图像，是预处理阶段的权衡因子，是预处理阶段控制滤波强度的参数，是依赖于原始图像内容的动态核，表示所述电能表内部元器件图像中每个像素与局部均值之间的距离，是预处理阶段像素点邻域内的像素均值，是预处理阶段的像素均值，是预处理阶段像素点的邻域，是预处理阶段像素点邻域内像素的数量，表示所述电能表内部元器件图像在位置的像素值，是像素点邻域内的任一像素点位置。
4.根据权利要求2所述的电能表元器件智能比对方法，其特征在于，所述S22中，利用下述逻辑，对所述预处理图像进行所述自适应滤波，生成所述差异尺度图像：
式中，是第r个尺度上的图像，是第r个尺度的权衡因子，是第r个尺度的控制滤波强度的参数，是像素点的第r个尺度的局部均值，是第r个尺度的局部均值，是第r个尺度上以像素点为中心的邻域，是邻域中的像素数量，是在位置的预处理后的图像，是依赖于预处理后图像内容的动态核。
5.根据权利要求2所述的电能表元器件智能比对方法，其特征在于，所述S23中，根据所述预置缩放因子，利用下述逻辑调整每个所述差异尺度图像的尺寸，据以生成所述差异分辨率图像集合：
式中，是第r个尺度的缩放图像，是第r个尺度的缩放因子。
6.根据权利要求1所述的电能表元器件智能比对方法，其特征在于，所述S3包括：
S31、根据所述差异尺度图像关键特征，处理得到所述图像轮廓边缘、所述图像表面特性以及所述颜色梯度变化数据：
式中，表示从第r个尺度图像提取的特征，和分别是边缘检测核和纹理识别核，、、是权重系数，是颜色梯度算子，是纹理识别函数；
S32、融合处理所述差异尺度图像关键特征，以得到所述综合特征图，对所述差异尺度图像关键特征进行加权操作、归一化操作，以得到各尺度特征平衡点：
式中，是融合特征，是不同尺度特征的权重，是归一化因子。
7.根据权利要求1所述的电能表元器件智能比对方法，其特征在于，所述S5中，利用下述逻辑，匹配处理所述电能表编码信息：
式中，表示匹配得分，用以量化RFID、条形码读取的数据与数据库中存储的标准数据之间的一致性，表示从RFID、条形码读取的第i项数据，是第i个数据库中的相应数据，是权重因子。
8.根据权利要求1所述的电能表元器件智能比对方法，其特征在于，所述S6包括：
S61、利用下述逻辑，设定初始的所述混沌系统状态：
式中，代表混沌系统的初始的所述混沌系统状态，表示第i个图像特征，表示第i个图像特征值；
S62、利用下述逻辑中的混沌映射方程，模拟所述混沌系统状态的演化过程，得到潜在模式、结构信息，以得到当前的所述混沌系统状态：
式中，表示下一时刻的所述混沌系统状态，表示当前时刻的所述混沌系统状态，和是混沌系统的控制参数，是非线性特性参数；
S63、利用下述逻辑，将所述混沌系统状态映射到所述多维特征空间，以得到映射转化动态特性信息，供识别、比对高维特征：
式中，是映射后的多维特征向量，是当前时刻第k维的所述混沌系统状态，是所述混沌系统状态的核参数，是当前时刻第k维的所述混沌系统状态的核参数。
9.根据权利要求1所述的电能表元器件智能比对方法，其特征在于，所述S7包括：
S71、利用下述逻辑，根据所述比对算法进行元器件识别，以得到所述电能表元器件识别结果：
式中，是所述电能表元器件识别结果，代表与当前图像特征最相似元器件，是映射后的多维特征向量，是数据库中的第j个标准多维特征向量，表示向量和所述数据库中的第j个标准多维特征向量的内积，是映射后的多维特征向量的协方差；
S72、计算所述电能表元器件识别结果与所述数据库中的标准特征的相似度评分，根据所述标准特征，计算所述标准特征的向量间角度差异，据以处理得到所述相似度比对信息：
式中，是相似度评分，是映射后的第i个维度的特征向量，是所述数据库中第i个维度的标准特征向量，是余弦函数的逆函数，是映射后的第i个维度的特征向量的协方差，是数据库中第个维度的标准特征向量的协方差。
10.电能表元器件智能比对系统，其特征在于，所述系统包括：
图像获取模块，用以在预置光照条件下采集电能表内部元器件图像，对所述电能表内部元器件图像，进行多尺度图像处理、特征提取操作以及特征融合操作，以得到多阶段融合电能表内部特征；
自适应滤波模块，用以利用高斯滤波器，对所述多阶段融合电能表内部特征进行高斯滤波操作，以基于所述电能表内部元器件图像生成差异分辨率图像集合，其中，处理所述电能表内部元器件图像的局部特征，根据所述局部特征处理得到全局统计特性数据，根据所述全局统计特性数据对所述差异分辨率图像集合进行自适应滤波，其中，利用自适应滤波函数，对所述电能表内部元器件图像，进行预处理、平滑噪声操作，增强所述局部特征，所述自适应滤波模块与所述图像获取模块连接；
多尺度特征提取模块，用以结合边缘检测算子、纹理识别核以及颜色梯度算子，以在每个尺度上，从所述差异分辨率图像集合，提取得到差异尺度图像关键特征以及综合特征图，其中，所述差异尺度图像关键特征包括：图像轮廓边缘、图像表面特性以及颜色梯度变化数据，所述多尺度特征提取模块与所述自适应滤波模块连接；
编码信息获取模块，用以读取电能表编码信息；
匹配模块，用以根据预置标准数据库，匹配处理所述电能表编码信息，以验证得到所述电能表编码信息的准确合规验证信息，所述匹配模块与所述编码信息获取模块连接；
混沌映射模块，用以设定初始的混沌系统状态，将所述综合特征图中的综合特征，转换为混沌系统初始状态向量，利用混沌映射模块创建动态系统模型，以表征所述差异尺度图像关键特征的复杂性信息，其中，根据所述混沌系统初始状态向量，将所述混沌系统状态映射到多维特征空间，所述混沌映射模块与所述匹配模块及所述多尺度特征提取模块连接；
智能比对模块，用以使用比对算法在所述多维特征空间中进行元器件识别，得到电能表元器件识别结果，量化处理所述电能表元器件识别结果，以得到相似度比对信息，根据所述相似度比对信息确定当前的所述电能表内部元器件图像的最匹配元器件类型，所述智能比对模块与所述混沌映射模块及所述多尺度特征提取模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410578622.6A CN118155194B (zh) | 2024-05-11 | 2024-05-11 | 电能表元器件智能比对方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410578622.6A CN118155194B (zh) | 2024-05-11 | 2024-05-11 | 电能表元器件智能比对方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118155194A CN118155194A (zh) | 2024-06-07 |
| CN118155194B true CN118155194B (zh) | 2024-07-23 |
Family
ID=91285358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410578622.6A Active CN118155194B (zh) | 2024-05-11 | 2024-05-11 | 电能表元器件智能比对方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118155194B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104660266A (zh) * | 2015-03-16 | 2015-05-27 | 哈尔滨工业大学 | 基于离散混沌序列的伪随机观测矩阵的mwc欠采样方法 |
| CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2520992B1 (en) * | 2011-05-02 | 2014-04-16 | Autoform Engineering GmbH | Method and computer system for characterizing a sheet metal part |
| CN113139557B (zh) * | 2021-05-10 | 2024-03-29 | 东南大学 | 一种基于二维多元经验模态分解的特征提取方法 |
| WO2024042508A1 (en) * | 2022-08-24 | 2024-02-29 | Edgy Bees Ltd. | Geosynchronization of an aerial image using localizing multiple features |
| CN117115790A (zh) * | 2023-08-18 | 2023-11-24 | 广西电网有限责任公司来宾供电局 | 一种用于巡检机器人的仪表图像自动识别与分类方法 |
| CN117648651A (zh) * | 2023-10-19 | 2024-03-05 | 国网湖南省电力有限公司 | 一种电力系统电弧检测辨识方法及电子设备 |
| CN117272055B (zh) * | 2023-11-23 | 2024-02-06 | 国网山西省电力公司营销服务中心 | 一种基于滤波增强自编码器的电能表异常检测方法及装置 |
| 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 |
-
2024
- 2024-05-11 CN CN202410578622.6A patent/CN118155194B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104660266A (zh) * | 2015-03-16 | 2015-05-27 | 哈尔滨工业大学 | 基于离散混沌序列的伪随机观测矩阵的mwc欠采样方法 |
| CN113076802A (zh) * | 2021-03-04 | 2021-07-06 | 国网湖北省电力有限公司检修公司 | 基于缺少断开图像样本的变电站开关分合状态图像识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118155194A (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105787466B (zh) | 一种车辆类型的精细识别方法及系统 | |
| CN110728225A (zh) | 一种用于考勤的高速人脸搜索方法 | |
| CN117974601B (zh) | 基于模板匹配的硅片表面缺陷检测方法及系统 | |
| CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、系统及介质 | |
| CN114445879A (zh) | 一种高精度人脸识别方法及人脸识别设备 | |
| CN118038515B (zh) | 一种人脸识别方法 | |
| CN118037091A (zh) | 一种基于计算机视觉技术的智能化报工质检方法及系统 | |
| CN110659563A (zh) | 基于改进YOLOv3网络的电网调度图纸自动识别方法、系统及介质 | |
| CN118196309B (zh) | 基于图像处理工控机的高清视觉检测识别系统 | |
| CN113361673A (zh) | 一种基于支持向量机的彩色二维码防伪方法 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN110188646A (zh) | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 | |
| CN118155194B (zh) | 电能表元器件智能比对方法及系统 | |
| CN117496570A (zh) | 一种基于多尺度卷积的人脸识别方法及系统 | |
| CN111626150A (zh) | 商品识别方法 | |
| CN111652048A (zh) | 一种基于深度学习的1：n人脸比对方法 | |
| CN115393624A (zh) | 一种基于机器视觉的配电变压器参数检定方法 | |
| CN112818735A (zh) | 一种基于物品识别的舰艇备件识别方法 | |
| CN110298354A (zh) | 一种设备信息识别系统及其识别方法 | |
| Qiu et al. | Face recognition based on principal component analysis (PCA) | |
| Praseeda Lekshmi et al. | Analysis of facial expressions from video images using PCA | |
| CN110738268A (zh) | 一种基于sift和ddis的智能立体仓库货物自动识别方法 | |
| CN118032789B (zh) | 基于机器视觉的手表外壳表面检测系统及方法 | |
| CN118172860B (zh) | 一种基于身份识别的智能校园门禁系统 | |
| Lin et al. | A cost-effective automatic dial meter reader using a lightweight convolutional neural network |
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 |