用于電能表分揀裝置的數字圖像處理方法研究

趙炳輝 左右宇 商兵

摘 要：針對智能電能表分揀裝置圖像識別需求，研究了電表液晶顯示數字識別方法。在圖像預處理階段，應用直方圖均衡化方法增強灰度圖像，使用開操作增強前景后，再用Otsu算法做二值化處理。在液晶顯示區域定位階段，應用Canny算法檢測邊緣，提出使用了一種雙向卷積結合連通域分析的濾波方法縮小目標區域，最后使用Hough變換結合幾何形狀特征實現精確定位。在數字分割與識別階段，應用水平、垂直投影法分割數字，使用交叉點連線斜率組合特征彌補了原有數字結構特征的不足，最終應用結構特征法實現了數字準確識別。結果表明：提出的數字圖像處理方法可滿足電能表分揀裝置應用要求。

關鍵詞：智能電能表;分揀裝置;數字圖像處理;邊緣檢測;卷積濾波;Hough變換;字符分割;字符識別

中圖分類號：TH71 ? ? ? 文獻標識碼：A

文章編號：1001-5922（2022）02-0097-06

隨著我國經濟社會的發展，居民用電量持續增長，智能電能表安裝規模不斷擴大。電力公司建立了一套完整的電能表全壽命周期管理體系，包括新購入庫、實驗室檢定、配送出庫、現場運行維護、拆回分揀。拆回分揀作為最后一個環節，獲得的數據可以幫助進行故障信息統計、計量資產壽命預測等，提高資產管理水平，避免資源浪費，具有良好的經濟和社會效益[1-2]。

電能表分揀裝置是開展拆回電能表分揀業務的主要設備，配合省級計量生產調度平臺、營銷系統等生產業務系統，可以極大提高勞動生產效率，降低人力成本[3]。電能表分揀裝置由基本功能檢測單元、圖像識別單元、通信功能檢測單元等組成，其中圖像識別單元是實現作業自動化和智能化的關鍵，在電能表分揀裝置設計中具有重要地位[4-5]。文獻[6]對基于數字圖像識別技術的電能表分揀系統進行了較完整研究，實現了85%以上的電能表讀數識別率。文獻[7]旨在研究將電能表圖像識別技術應用在自動抄表系統中，采用Hough變換檢測傾斜角，解決了拍攝角度引起的識別難題。文獻[8]在研究基于機器視覺的電能表檢測系統時，根據電能表液晶屏矩形特征，提出了輪廓檢測結合多邊形逼近的定位算法。文獻[9]以變電站二次設備的數顯儀表為研究對象，充分利用被檢測對象的顏色特征和邊緣特征，得到精確的數碼管字符區域。隨著機器學習技術的發展，基于機器學習的圖像識別方法在車牌識別方面獲得廣泛應用，對電能表圖像識別具有借鑒作用[10，11]。

目前智能電表設計更復雜，表殼、資產銘牌、液晶顯示器層次多，且色調相差不明顯，增大了液晶顯示器定位難度。本文在現有研究基礎上，針對電能表分揀特定應用場景，將圖像增強、邊緣檢測、圖像形態學處理、圖像濾波、連通域分析、數字識別等一系列圖像處理技術進行集成改進，實現了單相電能表液晶顯示區域精確定位、字符分割和識別。測試結果表明，本文實現的單相電能表圖像識別單元可以準確識別液晶顯示區域的數字，配合分揀裝置的自動化控制部件，可在數秒鐘內完成待分揀電能表數據采集存檔，極大提高了拆回電能表分揀的作業效率和標準化水平。

1 圖像預處理

1.1 圖像灰度化與增強

1.2 圖像二值化

圖像二值化是按一定規則將像素設置為黑或者白，對于一副8位灰度圖像，將灰度值設置為0或者255。二值化方法有雙峰法、P參數法、大津法（OTSU）、最大熵閾值法、迭代法等等。綜合考慮本文的應用需求和計算復雜度，選擇OTSU算法對圖像進行二值化。OTSU算法基于整副圖像的統計特性，實現閾值自適應選取，基本思想是找出一個二值化閾值，使得劃分的兩組灰度值的類間方差最大，因此也稱為最大類間方差法。對于L級灰度的M×N圖像，假設圖像二值化的閾值為T，灰度值小于T的像素個數為N1，占整幅圖像比例為ω1，其平均灰度值為μ1，且灰度值大于T的像素個數為N2，占整幅圖像比例為ω2，其平均灰度值為μ2。則由T劃分而得的兩組灰度值的類間方差σ2為：

σ2=ω1（μ1-μ0）2-ω2（μ2-μ0）2

式中：μ0為整幅圖像的平均灰度值。從0到L-1遍歷，得到使σ2取最大值的T，即為二值化閾值。本文在進行二值化前，為了使前景的灰度值更顯著區別于其他區域，先采用圖像形態學對圖3中左圖（記為G1）進行處理。首先使用圖像開操作獲得G1的背景G2，如圖3（a）所示;再用G1減去G2，得到新的圖像G3，如圖3（b）所示;最后用OTSU算法對G3進行二值化，結果如圖3（c）所示。

2 液晶顯示區定位

從圖3（c）中可以看出，二值化后的圖像白色區域主要有3塊，液晶顯示區位于電表上方三分之一處的矩形。為了定位該白色矩形，本節首先采用邊緣檢測確定圖像中黑白分界線，然后用卷積濾波和連通域分析進一步縮小液晶顯示區可能的區域，最后使用Hough變換結合液晶顯示器的幾何形狀特征定位液晶顯示區。

2.1 邊緣檢測

邊緣檢測方法主要分為一階微分算法和二階微分算法，前者有Robert、Sobel和Prewitt等算法，后者有Laplacian、LOG、Canny等算法。在上述算法中，Canny算法是圖像邊緣檢測算法中最經典的算法，本文即采用該方法對二值化圖像進行邊緣檢測。Canny算法有4個基本步驟，依次為高斯濾波、計算梯度幅值和方向、梯度幅值非極大值抑制、邊緣連接。二值化圖像經邊緣檢測的結果如圖4所示。

2.2 卷積濾波和連通域分析

本文擬通過Hough變換檢測矩形來確定液晶顯示區域，若直接處理上圖會得到很多直線，不利于檢測算法設計。為了減少無關邊緣，需要盡量消除圖4中的無關邊緣，尤其是中下部邊緣，本文使用卷積濾波和連通域分析方法進一步縮小待檢測對象。

在實施卷積濾波前，首先對圖像進行圖像學處理，具體是使用半徑為r1的圓盤結構元對圖像進行膨脹，然后再使用半徑為r2的圓盤結構元進行腐蝕，調整r1和r2的參數以及操作次數，已達到較好效果。經圖像學處理后的效果如圖5所示。

觀察圖5可以看出，經過圖像學處理后，圖5中出現大片白色區域，通過設計合理的卷積核即可以濾除大片白色。設計的卷積核應盡量結構簡單，計算快速，能保留直線特征，去除成片白色，因此選取全1的矩形卷積核。從左上開始，采用滑動法，按像素計算邏輯與再求和作為卷積值，若該值超過設定的閾值，則將部分白色像素置0。為了達到更好的濾波效果，本文用卷積核對圖像從相反方向進行兩次濾波，然后將兩次濾波的結果進行邏輯與運算，得到最終結果。假設卷積核為a×b的矩形，本文設計的卷積濾波算法描述如圖6所示。

輸入：圖像G（x，y）及其尺寸M×N;卷積核w（x，y）及其尺寸a×b;閾值Threshold;

過程：

1.從左上開始，以1個像素為滑動步進做正向卷積濾波，偽代碼如下：

fori=1∶1∶N-b+1

for j=1∶1∶M-a+1

temp=w&G（j：j+a-1，i：i+b-1）

if sum（sum（temp））>Threshold

G（i，j）=0

else

continue

end if

end

end

2.從右下開始，以1個像素為滑動步進做正向卷積濾波;

3.將兩次卷積濾波得到的圖像作邏輯與，得到濾波后圖像G′（x，y）;

輸出：圖像G′（x，y）。

調整上述算法中的卷積核的尺寸參數，對圖像5做雙向卷積濾波再邏輯與，得到的圖像如圖7所示。

由圖7可以看出，經過卷積濾波之后，圖像的大片白色區域被去除，還剩一些零星的散點，仍然會對Hough變換有影響，可以通過連通域分析進一步消除這些散點。從視覺上看，連通域就是彼此連通的點形成的一個區域，則圖7中的散點可以看做是很多小連通域，識別這些小連通域，然后將小連通域內的像素置0即完成了去除散點。對二值圖像而言有4連通和8連通兩種，本文采用8連通，具體算法流程如下：

步驟1：遍歷圖像，標記連通域;

步驟2：計算連通域面積，按面積從小到大排序;

步驟3：將前90%連通域內的像素置0。

通過上述連通域分析處理后的圖像如圖8所示。

2.3 Hough變換和區域定位

液晶顯示區域定位本質上是檢測液晶顯示器所在的矩形框。作為特征提取技術，Hough變換可以有效識別圖像中的直線，再結合單相電能表液晶顯示器的幾何形狀特征，從而實現液晶顯示區定位。在直角坐標系中，直線方程可以描述為如下截距式：

y=kx+b

式中：描述的直線可以用參數（k，b）表示。在x-y空間中的一條直線，可以表示為k-b空間中的一個點。為了能夠表示垂直線，將直線采用法線描述如下：

r=xcos θ+ysin θ

式中：r是原點到直線的垂直距離;θ是原點到直線的垂直線與x軸的夾角。經過Hough變換，可以將圖像中的每一條直線與參數（r，θ）相關聯，由（r，θ）構成的平面稱為Hough空間。圖8的Hough變換結果如圖9所示，其中，圖9（a）中的星形標注了Hough空間的7個交點，對應圖9（b）中標注的直線。

從圖9可以看出，經過Hough變換后，液晶顯示器的4條直線邊框已被正確檢測出。接下來，結合液晶顯示器的幾何形狀特征進一步精確定位液晶顯示區。根據國家電網公司單相智能電表型式規范，液晶顯示器的位置和尺寸基本固定。對于電能表分揀裝置應用場景，可以充分利用單相電表液晶顯示器的幾何形狀特征，具體為長寬比，算法步驟如下：

步驟1：遍歷檢測出的直線，在設定誤差閾值內，根據θ判別水平線和垂直線，分別記為集合LH和LV;

步驟2：遍歷集合LH，計算兩兩水平線之間的距離，記為集合DistH;

步驟3：遍歷集合LV，計算兩兩垂直線之間的距離，記為集合DistV;

步驟4：遍歷集合DistH和DistV中的值，計算兩兩之間比值，在設定誤差閾值內，確定比值為P的4條直線;

步驟5：截取4條直線圍成的區域，即為液晶顯示區。

最終定位的液晶顯示區域如圖10所示。

3 數字分割與識別

3.1 數字分割

字符分割是字符識別的基礎，常用的字符分割方法有聚類、投影、連通域分析等。單相電能表的字符為分段顯示，間距較大，字符規整，因此使用投影法最簡單高效。分析對象選擇圖3（c）所示的二值化圖像或經邊緣檢測后的圖像，根據液晶顯示區定位結果，將該區域單獨截取出來，如圖11所示。

從圖11中可以看出，單相電表有3個特有的顯示圖案，數字在中間一行。本文據此設計了先水平投影、再垂直投影的字符分割方案，算法步驟如下：

步驟1：對圖11進行水平投影，取第2個直方圖所在水平區域，記為D;

步驟2：對D區域進行垂直投影，取后8個直方圖所在區域，記為D′={d1，d2，…，d8}。

水平投影、垂直投影和字符分割效果如圖12所示。

3.2 數字識別

常用的字符識別方法有模板匹配法、統計決策法、結構特征法和機器學習等。針對電能表分揀裝置應用場景，采用結構特征法即可獲得較高的識別準確度。結構特征法的核心在于設計合理的字符識別特征，本文借鑒文獻[7]，采用特定直線與數字字符的交叉點個數為特征，具體為選取中垂線和上、下兩條水平線，除數字“1”外，其他數字的交叉點特征如表1所示。

在表1中，數字1、2、3、5需要另外處理。對于數字1，在字符分割時截取的區域窄，不適用于特征法，可以使用統計法或尺寸識別，具體特征為黑色像素占比或字符高寬比遠大于其他數字。本文采用字符高寬比識別數字“1”。對于數字2、3、5，由于交叉點個數相同，需要使用新特征。本文提出了一種斜率特征，即依次計算5個交叉點連線的斜率，根據斜率符號組合區分3個數字。數字2、3、5和特定直線的交叉點特征如圖13所示。

從表2可以看出，交叉點連線斜率符號可以有效區分數字2、3、5。

本文的字符識別算法步驟：

步驟1：計算字符的高寬比，若大于設定閾值，判定為數字1，否則繼續執行步驟2;

步驟2：根據交叉點數判別數字0和2～9，若判別可能為數字2、3、5，則繼續執行步驟3;

步驟3：依次計算交叉點連線的斜率，根據斜率符號組合識別數字2、3、5。

3.3 測試結果

在電能表分揀裝置上對上述圖像識別算法進行了測試。設計制造的分揀裝置，其攝像頭位于電表正上方，因此針對性進行了4種工況測試：（1）攝像頭鏡頭正對電表;（2）攝像頭鏡頭向下偏移;（3）攝像頭鏡頭向左偏移;（4）攝像頭鏡頭發生旋轉。

依次對100只電表的表地址、底度進行了拍照識別測試，結果表明：工況一，識別準確率為100%;工況二和工況三，表地址和低度的識別準確度均略有下降;工況四，表地址的識別準確度顯著下降。由于電能表分揀裝置屬于實驗室設備，調試完畢后，工作環境一般無震動。因此，可以認為本文設計的圖像處理方法可以滿足電能表分揀裝置的應用要求。

4 結語

本文針對電能表分揀裝置中的圖像識別單元，將圖像增強、邊緣檢測、圖像形態學處理、圖像濾波、連通域分析、數字識別等一系列圖像處理技術進行集成，實現了單相電能表液晶顯示區域的數字識別，有利于提高拆回電能表分揀的作業效率。設計的雙向卷積結合連通域分析的濾波方法，可有效去除聚集的連通區域，縮小目標區。設計的交叉點連線斜率組合特征，彌補了原有數字結構特征的不足，可應用到其他規整數字識別。最后的測試結果表明，在不考慮屏幕損壞的情況下，本文設計的數字圖像處理方法能滿足電能表分揀裝置應用要求。

【參考文獻】

[1] 金陽忻.基于模糊神經網絡的電能表誤差超差風險預測模型[J].電網技術，2019（6）：1 962-1 968.

[2] 蔡慧，喬適蘇，袁健，等.基于信息融合的低壓智能電能表動態評價模型[J].電力系統自動化，2020，44（11）：206-214.

[3] 朱東升，儲鵬飛，李天陽，等.拆回電能表分揀架構設計與實現[J].自動化儀表，2018，39（11）：6-10.

[4] 李青.智能電表自動化檢定系統設計及應用分析[D].北京：華北電力大學，2018.

[5] 李霖.拆回電能表智能管理裝置研究設計與實現[D].濟南：山東大學，2018.

[6] 張曉穎.電能表數字圖像識別技術研究與實現[D].上海：上海交通大學，2007.

[7] 楊娟.基于數字圖像處理的電能表圖像識別技術研究與實現[D].南京：南京理工大學，2012.

[8] 阮春雷.基于機器視覺的電能表檢測系統研究[D].杭州：浙江工業大學，2013..

[9] 彭剛杜兵.變電站二次設備的數顯儀表定位方法[J].自動化儀表，2018，39（7）：56-60.

[10] 陳政，李良榮，李震，等.基于機器學習的車牌識別技術研究[J].計算機技術與發展，2020，30（6）：13-18.

[11] 羅世剛，安旭東，周盛成，等.基于機器學習的圖像識別技術在電能表中的應用[J].電子世界，2020，602（20）：96-97.