基于機器視覺的電力線路桿塔標牌自動識別方法研究

黃肖為+吳健兒+倪曉璐+周銘權+孟慶銘+陳靜怡

摘 要：文章針對電力現場自動巡檢領域，提出了一種基于機器視覺的電力線路桿塔標牌自動識別方法，實現了圖像灰度化處理、標牌定位、字符提取與識別，尤其在邊緣檢測算法等方面進行詳細比對與選擇，最終取得了比較好的實際效果。

關鍵詞：電力線路；機器視覺；標牌；自動識別

中圖分類號：TM769 文獻標志碼：A 文章編號：2095-2945（2018）03-0084-02

Abstract： In this paper， an automatic recognition method of power line tower and tower sign based on machine vision is proposed， which realizes image grayscale processing， sign location， character extraction and recognition， especially in the edge detection algorithm and other aspects of detailed comparison and selection， and has finally achieved better practical results.

Keywords： power line； machine vision； sign； automatic recognition

1 概述

電力線路桿塔是架設輸電導線的剛性支撐結構，是電網的線路節點，在桿塔周圍建有重要的電力設施，因此定期檢測桿塔本身的穩固狀態、電力設備的狀況及周邊環境是電網巡檢的主要任務。

傳統的人工巡檢方式無法準確把握電力線路的狀態，只能在發生嚴重電網故障時才會發現，這將嚴重影響電網的穩定性。因此以自動識別技術為核心的自動巡檢成為了當前電力巡檢的新方式。

當前基于RFID的電子標簽與基于二維碼識別的自動識別技術已經應用到電力自動巡檢中，但這二種方式都存在必須要對現有設備進行改造，從而會增加較高成本。考慮到電力線路桿塔都具有標牌，利用桿塔牌照的唯一性編號，通過機器視覺技術進行圖像分割與字符提取以獲得查詢現場巡檢關鍵信息，具有很好的實際價值。

2 自動識別算法原理

自然場景中的文字提取目前最為廣泛的應用場景是車牌識別，其作為車輛檢測系統和交通自動化管理的重要環節，是開發智能交通系統的關鍵技術。桿塔標牌圖片的字符提取與車牌識別同屬于圖像字符識別算法的范疇，圖像字符識別算法并不是一個單一的算法，而是多個過程的集合，每個過程由不同的算法實現，每一部分的算法實現都關系著整體的準確性與效率，下面是各個部分的主要功能：

（1）標牌定位：對目標區域進行分析，找出能夠區分牌照與背景的特征信息，按照一定的算法流程，分割出牌照區域。

（2）字符分割：將得到的牌照圖像進行字符分割和歸一化處理，把分割出的單個字符送到后續模塊進行識別。

（3）字符識別：對分割出的字符，與標準字符模板進行匹配，求得一個匹配值，最終將最佳匹配結果作為該字符圖片代表的文字。

桿塔標牌與車牌都拍攝于自然場景下，文字區域相對較小，背景復雜，受光照天氣等影響較大，基于以上相同點，在算法實現流程上大體相似，但兩者又存在差異：

（1）桿塔標牌分為兩行文字，中間由分隔符隔開，上下文本字體間距不同，上行文本易膨脹粘連，下行文本在相同膨脹系數下不易粘連，而車牌文字排列整齊，字體間距較小只有固定一行。

（2）桿塔標牌旁邊有一塊提示標牌，同樣含有文本信息，在提取文字時易與有效信息混淆，無法正確區分篩選。

（3）桿塔標牌背景為邊緣清晰、面積較大的鐵塔塔桿，使用邊緣提取算法時將含有大量無用邊緣信息。

分析可得，桿塔標牌字符提取無法直接使用車牌識別算法，需要針對圖片的差異，在車牌識別算法的基礎上進行改進和調整。

3 自動識別算法實現過程

3.1 灰度化處理

圖像的灰度化是指將彩色圖像轉化為灰度圖像。彩色圖像每個像素的顏色由R、G、B三個分量組成，即紅、綠、藍三種顏色。對RGB進行灰度化，就是對圖像的RGB三個分量進行加權平均得到最終的灰度值。本文采用加權平均法，即 Gray=0.11B+0.59G+0.3R。

3.2 標牌定位

（1）邊緣檢測算法

邊緣檢測方法是指提取圖像局部變化最顯著的部分，局部變化則是以某個鄰域內灰度變化為情況為標準，來標識圖像中的邊緣信息。獲取圖像中的邊緣信息，就是根據二維灰度矩陣梯度向量，用離散化梯度逼近函數來尋找圖像灰度矩陣的灰度躍變像素位置，將這些像素點連接起來就構成了圖像邊緣。圖像邊緣檢測是目標提取、紋理特征和形狀特征提取的重要基礎，它主要存在于目標與背景之間，是圖像中的基礎特征之一。邊緣檢測的目的是為了提取感興趣區域，摒棄那些并不重要的信息，保存圖像的結構屬性。

在實際情況中，受噪聲、光線的影響，很少有理想的灰度階躍和線條清晰的邊緣，同時，傳感器的低頻濾波特性使得階躍邊緣變為斜坡，看起來其中的強度變化不是瞬間的，而是有時間差的。這就使得濾波是進行邊緣檢測的首要工作。

a.濾波：邊緣檢測利用邊緣的灰度變化特點，對圖像各個像素點求微分或二階微分來定位邊緣，但微分通常對噪聲很敏感，因此為了改善邊緣檢測器的性能，必須采用合適的濾波器減少噪聲影響。常見的濾波方法主要有高斯濾波，即采用離散化的高斯函數產生一組歸一化的高斯核，然后基于高斯核函數對圖像灰度矩陣的每一點進行加權求和。

b.增強：濾波器在降低噪聲時，也導致邊緣強度的損失。增強算法是將圖像鄰域中灰度有顯著變化的點凸顯出來。邊緣增強的基礎是計算圖像像素點鄰域的灰度強度變化值，編程時通過計算梯度幅值。endprint

c.檢測：經過增強的圖像，往往存在較多梯度值大的像素點，這些點并不都是邊緣點，所以在實際工程中，采用某種方法來對這些點進行取舍。常用的方法是梯度幅值閾值判定。

在邊緣檢測過程中，一般采用Canny算法、Sobel算法與Roberts算法。其中Canny算法由于精確度較高，對于桿塔上的污點及結構褶皺也能檢測出細小的邊緣，檢測出的文字輪廓清晰且連續，但是背景存在過多無用細節；Sobel邊緣檢測比較清晰，無用邊緣細節較少，已經實現了較好的效果，但是和Roberts邊緣檢測結果相比，Roberts算法輪廓更加連續，線條更簡潔清晰，因此通過比較分析，本文選取Roberts算子進行邊緣檢測。

（2）圖像二值化

桿塔標牌經邊緣檢測之后，標牌上的字符邊緣已經顯現出來，為了加強邊緣與背景的對比度，減少噪聲的影響，需要對桿塔圖像進行二值化處理。圖像的二值化就是將像素點的灰度值設置為0或255，這樣使整個圖像呈現出明顯的黑白效果。二值化方法有很多，主要包括迭代閾值法、最大類間方法（OTSU）、自適應閾值法等、最大熵閾值法，本文采取OTSU算法，主要是求得最佳門限閾值，利用此閾值將圖像灰度分割成黑白兩部分，使得兩部分類間方差取得最大值，并使類內方差值最小，也即類間分離性最大，類內的相似性最大。

（3）膨脹與腐蝕算法

膨脹是指將圖像中的一部分區域A與核B進行卷積，即計算核B覆蓋的區域的像素點最大值，并把得到的最大值付給參考點指定像素。膨脹使得圖像較亮區域的面積增大，在通常情況下，目標區域會被背景、陰影、噪聲分割成多個部分，通過膨脹算法可以使得相鄰區域連通起來。腐蝕是膨脹算法的對偶運算，腐蝕操作，是將核B劃過圖像，將核B覆蓋的區域最小像素值提取，并替代錨點位置的像素。腐蝕算法可以去除圖像中較小的孤立色塊、噪聲和細小邊緣。

（4）矩形輪廓查找與篩選

通過對桿塔圖像的形態學運算，圖中保留了大塊連通區域和小塊的獨立區域，這些區域與桿塔牌照混合在一起，為此，需要根據標牌特點的先驗知識進行形狀篩選，以最終定位到桿塔標牌所在的矩形區域。

本文經過多次實驗對大量樣本進行對比分析，發現標牌文字區域經過腐蝕膨脹算法后，有以下顯著特點：文字區域的第一行為連通矩形區域；提示標語經過膨脹算法，與上部圓形區域連通，形成面積較大的連通區；桿塔部分邊緣已經剔除，剩下的是不規則的高度較大連通色塊；經過篩選后的剩余區域，文字區域寬度最大；文字部分第一行高度近似為文字區域寬度的1/2。

3.3 字符提取與識別

定位出標牌位置后，要進一步進行文字分割提取，但無需再做形態學處理，過程依然與標牌定位流程相同，依次是灰度化、輪廓檢測、二值化、膨脹腐蝕、自定義篩選、定位。

提取出干凈的文字塊并二值化后，接下來需要進行光學字符識別。進行識別之前首先要有一套標準字庫模板作為參考，然后將提取出來的字符圖片與每個模板進行某種算法的匹配，求得一個匹配值，最終將最佳匹配結果作為該字符圖片所代表的字符。本文將采用Tesserac-Ocr作為字符識別庫，Tesserac-Ocr是Google支持的開源項目，支持多種語言的識別，并且識別率非常高。

4 結束語

本文針對電力線路桿塔標牌這一特殊對象，提出了基于機器視覺的自動識別方法，并通過大量的實際圖片采集、處理與分析，選取了合適的圖像分割與字符識別方法，已經取得了比較好的實際應用效果。

參考文獻：

[1]陳靜怡.基于桿塔圖像識別查詢的電網巡檢系統[D].杭州：浙江大學，2017.

[2]魏武，張起森，王明俊，等.一種基于模板匹配的車牌識別方法[J].中國公路學報，2001，14（1）：104-106.

[3]顧勝蘭.自然場景下的文本定位與提取[D].上海：上海交通大學，2009.

[4]晉瑾，平西建，張濤，等.圖像中的文本定位技術研究綜述[J].計算機應用研究，2007，24（6）：8-11.

[5]郭志紅.基于機器視覺的組培苗自動化識別方法研究[J].科技創新與應用，2017（19）：20+22.

[6]王茂盛.TFDS圖像自動識別系統框架設計與實現[J].科技創新與應用，2013（06）：23-24.endprint