一种基于双SVM多分类器的变电站数显仪表识别方法技术

本发明专利技术提出一种针对变电站室内数显仪表的识别方法，解决了变电站对于室内数显仪表数据的智能识别问题，对于实现变电站设备自动化管理具有重要意义。其实现包括，仪表数字区域定位，其中主要使用多目标模板匹配方法；子图像预处理，其中包括图像灰度化、中值滤波、仿射变换、自适应二值化；对单个数字的分割，其中包括去除周围多余黑色背景、图像归一化和开闭运算；数字识别，其中包括采集样本训练第一个SVM多分类器，用mnist手写数字体数据集训练第二个SVM多分类器，然后用训练好的两个多分类器分别对数字0‑9进行识别，将得到的预测值加权后输出为最终的识别结果。本发明专利技术对于室内较远距离的监控设备拍摄画面中的仪表具有很高的识别准确度，可以通过摄像机远程监控并识别变电站室内数显仪表的示数变化情况，进一步实现高效的变电站设备运维和自动化管理。

【技术实现步骤摘要】
一种基于双SVM多分类器的变电站数显仪表识别方法
本专利技术属于图像检测和识别
，主要涉及一种基于支持向量机(SVM)的变电站数显仪表的自动识别方法。
技术介绍
电力系统支撑着整个社会的运转和发展，而变电站作为电力系统的枢纽，其运维和管理工作对于电力设备的安全运行和保证供电可靠性也显得至关重要。变电站保护室内有许多数显仪表，为了及时了解设备状态和供电情况需要人工巡检和手工记录各仪表读数。长期以来，电力工作人员为了能够实时掌握变电站仪表读数情况，实现无人值守，部署了大量高清摄像机，但是还是需要人工读取仪表读数和记录。这种方式费时费力，也不利于系统的自动化由于变电站监控设备距离室内数显仪表较远且由于拍摄角度的问题，导致拍摄场景下的仪表在图片中占的面积比较小，而且发生一定程度的倾斜，经过放大后的数字发生严重的扭曲和形变，使用传统的穿线法或模板匹配法已经无法准确识别出数显仪表的读数。而近些年兴起的人工智能和深度学习在图像识别领域做出了重大突破，通过深度网络抽取目标特征加以识别的方法已经得到了广泛的应用。但是，深度学习网络训练起来比较费时，对于数显仪表的识别来说过于复杂。基于此，本专利技术利用图像处理和支持向量机(SVM)作为多分类器实现对变电站中较远距离拍摄的数显仪表进行读数识别。这将对变电站实现自动化管理和运维具有重要的实践意义。
技术实现思路
本专利技术针对变电站中较远距离监控的数显仪表，提出一种自动识别仪表读数的方法。本专利技术实现了对变电站较远距离监控摄像机拍摄画面中多个数显仪表的定位和读数识别功能，具体流程见图1。本专利技术的实现步骤包括：步骤1：仪表数字区域定位和提取由于监控摄像机距离仪表较远，一张监控画面中有多个背景为黑色，中间读数为红色的的小正方形区域，即为仪表所在位置，将这一区域作为模板图，对原图进行多模板匹配，即可定位一张监控图中所有的仪表所在位置。而数字区域在一个仪表上的位置是固定的，根据提前测量好的切割矩阵，将数字区域从仪表上提取出来；步骤2：子图预处理2a：灰度化：将三通道的RGB图像转换为灰度图；2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果；2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正；2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化，使得目标和背景的类间方差最大，这样的二值化使得目标和背景不容易被错分。步骤3：单个数字分割3a：按照仪表上读数的N位数字进行N等分，将数字单独分开；3b：剔除数字周围的黑色背景和轮廓中过于突出的部分：当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身；3c：图像大小归一化：将上一步处理的数字按照长宽比向四周均匀填充黑色像素，使得数字处于图像的正中心，将每个图像调整到28*28；3d：开闭运算：数字的轮廓可能会不均匀，需要使用开闭运算平滑边缘或连接断裂的部分；步骤4：数字识别4a：采用SVM作为多分类器，将大量经过上述步骤处理过的数字图片打上0-9的分类标签，建立十类样本集，开始训练第一个SVM多分类器模型。4b：用手写数字体的公开数据集mnist训练第二个SVM多分类器模型。4c：用步骤4a和步骤4b中训练好的两个SVM模型分别对数字进行识别，将两个SVM模型输出的预测值加权得到最终的分类结果。本专利技术充分考虑到较远距离拍摄的仪表数字放大后产生的倾斜和形变，对子图像进行一系列预处理后，用原图和mnist手写字体数据集分别训练SVM多分类器，通过混合加权得到对数字的最终预测值。实现了从监控画面中直接对数显仪表进行自动读数的功能，对于实现变电站自动化管理具有重大意义。附图说明图1是本专利技术的整体流程图图2是子图预处理的流程图图3是用于数字识别的多元SVM分类器图4是待识别的仪表监控图图5是单张数显仪表数据识别结果图具体实施方式下面结合附图对本专利技术做进一步描述。参照图1，本专利技术的具体实施步骤如下。步骤1：定位数字区域1a：针对变电站监控摄像机拍下的画面，其中有多个较小的正方形仪表，将该仪表作为模板对原图进行多目标模板匹配，其原理为：将模板图当做滑动窗口，按像素依次滑动，当前窗口与模板进行一次度量计算，这里使用平方差匹配算法，计算公式如下：将计算结果保存在一个矩阵中，从中找出最佳匹配值即最小值，如果超过了给定的阈值，就返回这个最小值的位置，否则视为没有匹配到模板。匹配到第一个目标之后，将计算结果矩阵中第一个目标区域全部填充为最大值，然后开始下一次匹配，直至找出所有仪表的位置；1b：根据提前测量的数字区域在仪表中的大概位置，将数字区域从中分离出来；步骤2：图像预处理2a：灰度化：将三通道的RGB图像转换为灰度图，这里直接使用opencv中自带的cvColor()函数实现；2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果。这里使用opencv的medianBlur()函数；2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正，仿射变换是一种二维坐标到二维坐标之间的线性变换，它保持了二维图形的“平直性”(直线经过变换之后依然是直线)和“平行性”(二维图形之间的相对位置关系保持不变，平行线依然是平行线，且直线上点的位置顺序不变)。任意的仿射变换都能表示为乘以一个矩阵(线性变换)，再加上一个向量(平移)的形式.如下所示：通过仿射变换将发生倾斜的数字区域进行水平矫正。2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化。OTSU是一种自适应阈值确定的方法。它根据图像的灰度特性确定出能够把图像分割为目标和背景两个部分的阈值，使用这个阈值再将图像二值化。这种算法的思想是使得目标和背景这两个部分的类间方差最大，当这两个部分出现错分时，类间方差都会变小，也就是说采用最大类间方差确定的阈值来分割目标和背景可以使得错分的几率最小；步骤3：单个数字分割3a：在当前变电站数显仪表的应用中，读数共有四位，包括小数点。按照仪表上读数的4位数字进行4等分，将数字单独分开；3b：剔除数字周围的黑色背景和轮廓中过于突出的部分：当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身，此外，数字的轮廓往往会存在过于突出的部分或者一些小本文档来自技高网...

【技术保护点】
1.一种基于双SVM多分类器的变电站数显仪表识别方法，其特征在于，包括有如下步骤：/n步骤1：仪表数字区域定位和提取/n由于监控摄像机距离仪表较远，一张监控画面中有多个背景为黑色，中间读数为红色的的小正方形区域，即为仪表所在位置，将这一区域作为模板图，对原图进行多模板匹配，即可定位一张监控图中所有的仪表所在位置。而数字区域在一个仪表上的位置是固定的，根据提前测量的数据，将数字区域从仪表上分离出来；/n步骤2：图像预处理/n2a：灰度化：将三通道的RGB图像转换为灰度图；/n2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果；/n2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正；/n2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化，使得目标和背景的类间方差最大，这样的二值化使得目标和背景不容易被错分。/n步骤3：单个数字分割/n3a：按照仪表上读数的N位数字进行N等分，将数字单独分开；/n3b：剔除数字周围的黑色背景和轮廓中过于突出的部分：当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身；/n3c：图像大小归一化：将上一步处理的数字按照长宽比向四周均匀填充黑色像素，使得数字处于图像的正中心，将每个图像调整到28*28；/n3d：开闭运算：数字的轮廓可能会不均匀，需要使用开闭运算平滑边缘或连接断裂的部分；/n步骤4：数字识别/n4a：采用SVM作为多分类器，将大量经过上述步骤处理过的数字图片打上0-9的分类标签，建立十类样本集，开始训练第一个SVM多分类器模型。/n4b：用手写数字体的公开数据集mnist训练第二个SVM多分类器模型。/n4c：用步骤4a和步骤4b中训练好的两个SVM模型分别对数字进行识别，将两个SVM模型输出的预测值加权得到最终的分类结果。/n...

【技术特征摘要】
1.一种基于双SVM多分类器的变电站数显仪表识别方法，其特征在于，包括有如下步骤：
步骤1：仪表数字区域定位和提取
由于监控摄像机距离仪表较远，一张监控画面中有多个背景为黑色，中间读数为红色的的小正方形区域，即为仪表所在位置，将这一区域作为模板图，对原图进行多模板匹配，即可定位一张监控图中所有的仪表所在位置。而数字区域在一个仪表上的位置是固定的，根据提前测量的数据，将数字区域从仪表上分离出来；
步骤2：图像预处理
2a：灰度化：将三通道的RGB图像转换为灰度图；
2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果；
2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正；
2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化，使得目标和背景的类间方差最大，这样的二值化使得目标和背景不容易被错分。
步骤3：单个数字分割
3a：按照仪表上读数的N位数字进行N等分，将数字单独分开；
3b：剔除数字周围的黑色背景和轮廓中过于突出的部分：当数字区域被二值化和等分后，每个单独数字并不能处于整个图像的正中心，需要将周围不均匀的黑色背景剔除，只留下数字本身；
3c：图像大小归一化：将上一步处理的数字按照长宽比向四周均匀填充黑色像素，使得数字处于图像的正中心，将每个图像调整到28*28；
3d：开闭运算：数字的轮廓可能会不均匀，需要使用开闭运算平滑边缘或连接断裂的部分；
步骤4：数字识别
4a：采用SVM作为多分类器，将大量经过上述步骤处理过的数字图片打上0-9的分类标签，建立十类样本集，开始训练第一个SVM多分类器模型。
4b：用手写数字体的公开数据集mnist训练第二个SVM多分类器模型。
4c：用步骤4a和步骤4b中训练好的两个SVM模型分别对数字进行识别，将两个SVM模型输出的预测值加权得到最终的分类结果。

<...

【专利技术属性】
技术研发人员：张方，周开源，闫希颖，张沛方，
申请(专利权)人：西安英诺视通信息技术有限公司，
类型：发明
国别省市：陕西;61