一种基于神经网络的电能表外观快速识别方法技术

本发明专利技术涉及一种基于神经网络的电能表外观快速识别方法，将原始图片通过灰度化、二值化边缘检测与校正后进行图像切割，结合切割后的图像，变为细分的多个检定分类问题处理，同时使用手段识别、收集电能表外观信息。本发明专利技术减少了大量人力物力、重复性、机械性等分拣工作；提高了工作准确度和工作效率；在原有线体上更改增加相应的检定单元及检定方案，兼容了新旧两种电能表的自动化外观检定系统，可以实现新旧表混合同时在线检定。

【技术实现步骤摘要】
一种基于神经网络的电能表外观快速识别方法
本专利技术涉及电能表自动化检定系统
，具体涉及一种基于神经网络的电能表外观快速识别方法。
技术介绍
随着大数据在多领域快速推广及智能电网的全面建设，“大云物移”等新技术不断深入应用于电力行业领域，各种营销数据、用电数据、配电数据等也成为海量可以利用的资源。＂按照国家电网公司大营销体系的建设要求，27家网省公司已完成计量业务的省级集中，计量资产的集中检定配送质量管控成为计量中心的核心业务之一。精益化管理需要依托全寿命周期管理才能实现计量资产的整个业务流程的在线监控、闭环管理以及质量管控，达到专业化管理要求。在营销用电环节主要信息化系统为用电信息采集系统和营销业务应用系统，其数据特点是采集点多、覆盖范围广、数据量大，各类业务数据都己颇具规模，海量数据为计量资产全寿命周期管理提供可能。自电能表大规模推广应用以来，全国各大研究机构、中国电科院和国内外大学、国网公司均以此为基础开展了电力大数据的研究和应用。在国外，大数据分析系统被IBM和C3-Energy开发并针对智能电网使用，美国、加拿大、法国、西班牙等国的电力公司开展了用户电力数据的研究应用，其研究侧重于供电优质服务及电力需求预测等方面。在国内，国家电网公司启动了多项智能电网大数据研究项目，江苏、浙江、天津、北京、上海等电力公司开始建设营销大数据智能分析系统并进行计量资产管理预测的大数据应用研究，目前各公司在数据模型的清洗整合机制方面取得了一定成果，对于数据的实际应用仍处于探索研究阶段，尚缺少系统深入的研究成果和清晰的理论框架与实际应用指导。为实现建设世界一流电网的愿景，近年来，国网公司一直致力于智能电网建设。作为智能电网末端与用户交互的关键设备，电能表除了承担传统法治计量的角色外，其非计量功能也发挥着日益显著的作用，支撑着公司营销专业及其他专业业务应用开展。截止到目前，河北南网已累计安装电能表2200万只，实现了电能表的全覆盖。国网公司高度重视电能表的质量管控，在出台《电能表质量监督管理办法》、《拆回表分拣管理办法》等文件的基础上，形成了以电能表为核心的招标采购、产品检测、在线监测、运行维护的全生命周期管理体系。电能表自2010年实施集中招标采购以来，随着运行时间的增长，故障数量逐渐增多，对优质服务提出了新的挑战。电能表的故障处理以及趋势分析已成为急需解决的重要课题。专利技术的内容本专利技术的目的在于提供一种基于神经网络的电能表外观快速识别方法，将原始图片通过灰度化、二值化边缘检测与校正后进行图像切割，结合切割后的图像，变为细分的多个检定分类问题处理，同时使用手段识别、收集电能表外观信息。进一步的，以灰度转换的方式对电能表外观成像进行预处理，降低图像复杂环境的噪声影响，同时提高图像处理的效率。进一步的，将被切割的图片按照需求对图像进行分类、识别，从而将电能表细分状态，并将细分状态情况总结为整体的外观判定结论。进一步的，采用基于不同算子并二值化的边缘检测方法清洗灰度化电能表图像噪声，将成像中不属于表计本体的噪声清除，将成像作初步切割为只包含电能表本体的图像。进一步的，使用偏移角度映射的畸变校正与插值平滑的方法，统一初步切割后不规则的电能表成像数据，统一数据规模尺寸，使得不同角度成像的电能表进行像素级的对比。进一步的，针对21个外观检定项将畸变校正后的统一尺寸成像数据进行切割，分别对21个切割图像做出检定结论，并将所有分项结论汇总。进一步的，对于切割铭牌图像的编号收集采用Multi-DigitalNumberClassification方法针对定长数字序列进行识别，并以输出为检定结果的备注信息。进一步的，对于切割铭牌图像的型号信息使用固定模板的相似度计算进行匹配，对表计型号进行区分，并输出为检定结果的备注信息。进一步的，对于切割铭牌图像的厂家信息进行单行的OCR识别，通过自动识别铭牌信息，完善收集数据，最终将编号、型号、设备信息整合为检定结果附加信息。进一步的，将21个外观检定分项结论与附加信息整合生成完整的一次外观检定结果,并批量分析检定样本数据,为数据挖掘及分析任务提供高质量的数据。一种用于快速检定的基于神经网络的电能表外观识别方法，包括边缘检测、畸变校正、图片切割、文字识别与图片分类。边缘检测：目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括：深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。在电能表快照中，包含除电能表外的大量信息，视此为噪声信息。首先，把图像边缘与背景分离出来;然后，才能知觉到图像的细节，辨认出图像的轮廓。计算机视觉正是模仿人类视觉的这个过程。因此在检测物体边缘时，先对其轮廓点进行粗略检测，然后通过链接规则把原来检测到的轮廓点连接起来，同时也检测和连接遗漏的边界点及去除虚假的边界点。图像的边缘是图像的重要特征，是计算机视觉、模式识别等的基础，因此边缘检测是图象处理中一个重要的环节。然而，边缘检测又是图象处理中的一个难题，由于实际景物图像的边缘往往是各种类型的边缘及它们模糊化后结果的组合，且实际图像信号存在着噪声。因此基于现有检定流水线的外观检测实际成像效果，分为五个部分：图像灰度化：对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。高斯滤波：图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现，也可以通过一个二维高斯核一次卷积实现。计算梯度与幅值：关于图像灰度值得梯度可使用一阶有限差分来进行近似，这样就可以得图像在x和y方向上偏导数的两个矩阵。梯度幅值非极大值抑制：寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。完成非极大值抑制后，会得到一个二值图像，非边缘的点灰度值均为0。阈值化：选择两个阈值（关于阈值的选取方法在扩展中进行讨论），根据高阈值得到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘可能不闭合，未解决这样一个问题采用了另外一个低阈值。在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。畸变校正：畸变校正的关键之处是要找到畸变前后的点位置的对应关系。图片切割：对畸变校正后的图片，首先对校正图片进行插值平滑，再根据外观检定项的区别，将外观检定快照按像素的固定位置进行区域切割，生成特定检测项的图像数据，如封铅，指示灯，示数等。以此将外观检定细分为每个检定项的分类问题。文字识别：电能表的铭牌中主要包含编号、型号、厂家信息，为了实现兼容新旧表计的外观检测并实现高效的数据收集。根据信息类型选用不容的方式进行识别。针对编号定长信息使用多位数识别方法对定长数字序列进行识别；针对型号信息使用固定模板的本文档来自技高网...

【技术保护点】
1.一种基于神经网络的电能表外观快速识别方法，其特征在于，包括边缘检测、畸变校正、图片切割、文字识别与图片分类步骤，将原始图片通过灰度化、二值化边缘检测与校正后进行图像切割，结合切割后的图像，变为细分的多个检定分类问题处理，同时使用手段识别、收集电能表外观信息。/n

【技术特征摘要】
1.一种基于神经网络的电能表外观快速识别方法，其特征在于，包括边缘检测、畸变校正、图片切割、文字识别与图片分类步骤，将原始图片通过灰度化、二值化边缘检测与校正后进行图像切割，结合切割后的图像，变为细分的多个检定分类问题处理，同时使用手段识别、收集电能表外观信息。


2.根据权利要求1所述的一种基于神经网络的电能表外观快速识别方法，其特征在于，以灰度转换的方式对电能表外观成像进行预处理，降低图像复杂环境的噪声影响，同时提高图像处理的效率。


3.根据权利要求1所述的一种基于神经网络的电能表外观快速识别方法，其特征在于，将被切割的图片按照需求对图像进行分类、识别，从而将电能表细分状态，并将细分状态情况总结为整体的外观判定结论。


4.根据权利要求3所述的一种基于神经网络的电能表外观快速识别方法，其特征在于，采用基于不同算子并二值化的边缘检测方法清洗灰度化电能表图像噪声，将成像中不属于表计本体的噪声清除，将成像作初步切割为只包含电能表本体的图像。


5.根据权利要求1或3所述的一种基于神经网络的电能表外观快速识别方法，其特征在于，使用偏移角度映射的畸变校正与插值平滑的方法，统一初步切割后不规则的电能表成像数据，统一数据规模尺寸，使得不同角度成像的电能表进行像素级的对...

【专利技术属性】
技术研发人员：马红明，史轮，李倩，陶鹏，赵国鹏，马笑天，张知，杨丽，
申请(专利权)人：国网河北省电力有限公司营销服务中心，国网河北省电力有限公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：河北;13