用于电能表分拣装置的数字图像处理方法研究

赵炳辉 左右宇 商兵

摘 要：针对智能电能表分拣装置图像识别需求，研究了电表液晶显示数字识别方法。在图像预处理阶段，应用直方图均衡化方法增强灰度图像，使用开操作增强前景后，再用Otsu算法做二值化处理。在液晶显示区域定位阶段，应用Canny算法检测边缘，提出使用了一种双向卷积结合连通域分析的滤波方法缩小目标区域，最后使用Hough变换结合几何形状特征实现精确定位。在数字分割与识别阶段，应用水平、垂直投影法分割数字，使用交叉点连线斜率组合特征弥补了原有数字结构特征的不足，最终应用结构特征法实现了数字准确识别。结果表明：提出的数字图像处理方法可满足电能表分拣装置应用要求。

关键词：智能电能表;分拣装置;数字图像处理;边缘检测;卷积滤波;Hough变换;字符分割;字符识别

中图分类号：TH71       文献标识码：A

文章编号：1001-5922（2022）02-0097-06

随着我国经济社会的发展，居民用电量持续增长，智能电能表安装规模不断扩大。电力公司建立了一套完整的电能表全寿命周期管理体系，包括新购入库、实验室检定、配送出库、现场运行维护、拆回分拣。拆回分拣作为最后一个环节，获得的数据可以帮助进行故障信息统计、计量资产寿命预测等，提高资产管理水平，避免资源浪费，具有良好的经济和社会效益[1-2]。

电能表分拣装置是开展拆回电能表分拣业务的主要设备，配合省级计量生产调度平台、营销系统等生产业务系统，可以极大提高劳动生产效率，降低人力成本[3]。电能表分拣装置由基本功能检测单元、图像识别单元、通信功能检测单元等组成，其中图像识别单元是实现作业自动化和智能化的关键，在电能表分拣装置设计中具有重要地位[4-5]。文献[6]对基于数字图像识别技术的电能表分拣系统进行了较完整研究，实现了85%以上的电能表读数识别率。文献[7]旨在研究将电能表图像识别技术应用在自动抄表系统中，采用Hough变换检测倾斜角，解决了拍摄角度引起的识别难题。文献[8]在研究基于机器视觉的电能表检测系统时，根据电能表液晶屏矩形特征，提出了轮廓检测结合多边形逼近的定位算法。文献[9]以变电站二次设备的数显仪表为研究对象，充分利用被检测对象的颜色特征和边缘特征，得到精确的数码管字符区域。随着机器学习技术的发展，基于机器学习的图像识别方法在车牌识别方面获得广泛应用，对电能表图像识别具有借鉴作用[10，11]。

目前智能電表设计更复杂，表壳、资产铭牌、液晶显示器层次多，且色调相差不明显，增大了液晶显示器定位难度。本文在现有研究基础上，针对电能表分拣特定应用场景，将图像增强、边缘检测、图像形态学处理、图像滤波、连通域分析、数字识别等一系列图像处理技术进行集成改进，实现了单相电能表液晶显示区域精确定位、字符分割和识别。测试结果表明，本文实现的单相电能表图像识别单元可以准确识别液晶显示区域的数字，配合分拣装置的自动化控制部件，可在数秒钟内完成待分拣电能表数据采集存档，极大提高了拆回电能表分拣的作业效率和标准化水平。

1 图像预处理

1.1 图像灰度化与增强

1.2 图像二值化

图像二值化是按一定规则将像素设置为黑或者白，对于一副8位灰度图像，将灰度值设置为0或者255。二值化方法有双峰法、P参数法、大津法（OTSU）、最大熵阈值法、迭代法等等。综合考虑本文的应用需求和计算复杂度，选择OTSU算法对图像进行二值化。OTSU算法基于整副图像的统计特性，实现阈值自适应选取，基本思想是找出一个二值化阈值，使得划分的两组灰度值的类间方差最大，因此也称为最大类间方差法。对于L级灰度的M×N图像，假设图像二值化的阈值为T，灰度值小于T的像素个数为N1，占整幅图像比例为ω1，其平均灰度值为μ1，且灰度值大于T的像素个数为N2，占整幅图像比例为ω2，其平均灰度值为μ2。则由T划分而得的两组灰度值的类间方差σ2为：

σ2=ω1（μ1-μ0）2-ω2（μ2-μ0）2

式中：μ0为整幅图像的平均灰度值。从0到L-1遍历，得到使σ2取最大值的T，即为二值化阈值。本文在进行二值化前，为了使前景的灰度值更显著区别于其他区域，先采用图像形态学对图3中左图（记为G1）进行处理。首先使用图像开操作获得G1的背景G2，如图3（a）所示;再用G1减去G2，得到新的图像G3，如图3（b）所示;最后用OTSU算法对G3进行二值化，结果如图3（c）所示。

2 液晶显示区定位

从图3（c）中可以看出，二值化后的图像白色区域主要有3块，液晶显示区位于电表上方三分之一处的矩形。为了定位该白色矩形，本节首先采用边缘检测确定图像中黑白分界线，然后用卷积滤波和连通域分析进一步缩小液晶显示区可能的区域，最后使用Hough变换结合液晶显示器的几何形状特征定位液晶显示区。

2.1 边缘检测

边缘检测方法主要分为一阶微分算法和二阶微分算法，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算法是图像边缘检测算法中最经典的算法，本文即采用该方法对二值化图像进行边缘检测。Canny算法有4个基本步骤，依次为高斯滤波、计算梯度幅值和方向、梯度幅值非极大值抑制、边缘连接。二值化图像经边缘检测的结果如图4所示。

2.2 卷积滤波和连通域分析

本文拟通过Hough变换检测矩形来确定液晶显示区域，若直接处理上图会得到很多直线，不利于检测算法设计。为了减少无关边缘，需要尽量消除图4中的无关边缘，尤其是中下部边缘，本文使用卷积滤波和连通域分析方法进一步缩小待检测对象。

在实施卷积滤波前，首先对图像进行图像学处理，具体是使用半径为r1的圆盘结构元对图像进行膨胀，然后再使用半径为r2的圆盘结构元进行腐蚀，调整r1和r2的参数以及操作次数，已达到较好效果。经图像学处理后的效果如图5所示。

观察图5可以看出，经过图像学处理后，图5中出现大片白色区域，通过设计合理的卷积核即可以滤除大片白色。设计的卷积核应尽量结构简单，计算快速，能保留直线特征，去除成片白色，因此选取全1的矩形卷积核。从左上开始，采用滑动法，按像素计算逻辑与再求和作为卷积值，若该值超过设定的阈值，则将部分白色像素置0。为了达到更好的滤波效果，本文用卷积核对图像从相反方向进行两次滤波，然后将两次滤波的结果进行逻辑与运算，得到最终结果。假设卷积核为a×b的矩形，本文设计的卷积滤波算法描述如图6所示。

输入：图像G（x，y）及其尺寸M×N;卷积核w（x，y）及其尺寸a×b;阈值Threshold;

过程：

1.从左上开始，以1个像素为滑動步进做正向卷积滤波，伪代码如下：

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.从右下开始，以1个像素为滑动步进做正向卷积滤波;

3.将两次卷积滤波得到的图像作逻辑与，得到滤波后图像G′（x，y）;

输出：图像G′（x，y）。

调整上述算法中的卷积核的尺寸参数，对图像5做双向卷积滤波再逻辑与，得到的图像如图7所示。

由图7可以看出，经过卷积滤波之后，图像的大片白色区域被去除，还剩一些零星的散点，仍然会对Hough变换有影响，可以通过连通域分析进一步消除这些散点。从视觉上看，连通域就是彼此连通的点形成的一个区域，则图7中的散点可以看做是很多小连通域，识别这些小连通域，然后将小连通域内的像素置0即完成了去除散点。对二值图像而言有4连通和8连通两种，本文采用8连通，具体算法流程如下：

步骤1：遍历图像，标记连通域;

步骤2：计算连通域面积，按面积从小到大排序;

步骤3：将前90%连通域内的像素置0。

通过上述连通域分析处理后的图像如图8所示。

2.3 Hough变换和区域定位

液晶显示区域定位本质上是检测液晶显示器所在的矩形框。作为特征提取技术，Hough变换可以有效识别图像中的直线，再结合单相电能表液晶显示器的几何形状特征，从而实现液晶显示区定位。在直角坐标系中，直线方程可以描述为如下截距式：

y=kx+b

式中：描述的直线可以用参数（k，b）表示。在x-y空间中的一条直线，可以表示为k-b空间中的一个点。为了能够表示垂直线，将直线采用法线描述如下：

r=xcos θ+ysin θ

式中：r是原点到直线的垂直距离;θ是原点到直线的垂直线与x轴的夹角。经过Hough变换，可以将图像中的每一条直线与参数（r，θ）相关联，由（r，θ）构成的平面称为Hough空间。图8的Hough变换结果如图9所示，其中，图9（a）中的星形标注了Hough空间的7个交点，对应图9（b）中标注的直线。

从图9可以看出，经过Hough变换后，液晶显示器的4条直线边框已被正确检测出。接下来，结合液晶显示器的几何形状特征进一步精确定位液晶显示区。根据国家电网公司单相智能电表型式规范，液晶显示器的位置和尺寸基本固定。对于电能表分拣装置应用场景，可以充分利用单相电表液晶显示器的几何形状特征，具体为长宽比，算法步骤如下：

步骤1：遍历检测出的直线，在设定误差阈值内，根据θ判别水平线和垂直线，分别记为集合LH和LV;

步骤2：遍历集合LH，计算两两水平线之间的距离，记为集合DistH;

步骤3：遍历集合LV，计算两两垂直线之间的距离，记为集合DistV;

步骤4：遍历集合DistH和DistV中的值，计算两两之间比值，在设定误差阈值内，确定比值为P的4条直线;

步骤5：截取4条直线围成的区域，即为液晶显示区。

最终定位的液晶显示区域如图10所示。

3 数字分割与识别

3.1 数字分割

字符分割是字符识别的基础，常用的字符分割方法有聚类、投影、连通域分析等。单相电能表的字符为分段显示，间距较大，字符规整，因此使用投影法最简单高效。分析对象选择图3（c）所示的二值化图像或经边缘检测后的图像，根据液晶显示区定位结果，将该区域单独截取出来，如图11所示。

从图11中可以看出，单相电表有3个特有的显示图案，数字在中间一行。本文据此设计了先水平投影、再垂直投影的字符分割方案，算法步骤如下：

步骤1：对图11进行水平投影，取第2个直方图所在水平区域，记为D;

步骤2：对D区域进行垂直投影，取后8个直方图所在区域，记为D′={d1，d2，…，d8}。

水平投影、垂直投影和字符分割效果如图12所示。

3.2 数字识别

常用的字符识别方法有模板匹配法、统计决策法、结构特征法和机器学习等。针对电能表分拣装置应用场景，采用结构特征法即可获得较高的识别准确度。结构特征法的核心在于设计合理的字符识别特征，本文借鉴文献[7]，采用特定直线与数字字符的交叉点个数为特征，具体为选取中垂线和上、下两条水平线，除数字“1”外，其他数字的交叉点特征如表1所示。

在表1中，数字1、2、3、5需要另外处理。对于数字1，在字符分割时截取的区域窄，不适用于特征法，可以使用统计法或尺寸识别，具体特征为黑色像素占比或字符高宽比远大于其他数字。本文采用字符高宽比识别数字“1”。对于数字2、3、5，由于交叉点个数相同，需要使用新特征。本文提出了一种斜率特征，即依次计算5个交叉点连线的斜率，根据斜率符号组合区分3个数字。数字2、3、5和特定直线的交叉点特征如图13所示。

从表2可以看出，交叉点连线斜率符号可以有效区分数字2、3、5。

本文的字符识别算法步骤：

步骤1：计算字符的高宽比，若大于设定阈值，判定为数字1，否则继续执行步骤2;

步骤2：根据交叉点数判别数字0和2～9，若判别可能为数字2、3、5，则继续执行步骤3;

步骤3：依次计算交叉点连线的斜率，根据斜率符号组合识别数字2、3、5。

3.3 测试结果

在电能表分拣装置上对上述图像识别算法进行了测试。设计制造的分拣装置，其摄像头位于电表正上方，因此针对性进行了4种工况测试：（1）摄像头镜头正对电表;（2）摄像头镜头向下偏移;（3）摄像头镜头向左偏移;（4）摄像头镜头发生旋转。

依次对100只电表的表地址、底度进行了拍照识别测试，结果表明：工况一，识别准确率为100%;工况二和工况三，表地址和低度的识别准确度均略有下降;工况四，表地址的识别准确度显著下降。由于电能表分拣装置属于实验室设备，调试完毕后，工作环境一般无震动。因此，可以认为本文设计的图像处理方法可以满足电能表分拣装置的应用要求。

4 结语

本文针对电能表分拣装置中的图像识别单元，将图像增强、边缘检测、图像形态学处理、图像滤波、连通域分析、数字识别等一系列图像处理技术进行集成，实现了单相电能表液晶显示区域的数字识别，有利于提高拆回电能表分拣的作业效率。设计的双向卷积结合连通域分析的滤波方法，可有效去除聚集的连通区域，缩小目标区。设计的交叉点连线斜率组合特征，弥补了原有数字结构特征的不足，可应用到其他规整数字识别。最后的测试结果表明，在不考虑屏幕损坏的情况下，本文设计的数字图像处理方法能满足电能表分拣装置应用要求。

【参考文献】

[1] 金阳忻.基于模糊神经网络的电能表误差超差风险预测模型[J].电网技术，2019（6）：1 962-1 968.

[2] 蔡慧，乔适苏，袁健，等.基于信息融合的低压智能电能表动态评价模型[J].电力系统自动化，2020，44（11）：206-214.

[3] 朱东升，储鹏飞，李天阳，等.拆回电能表分拣架构设计与实现[J].自动化仪表，2018，39（11）：6-10.

[4] 李青.智能电表自动化检定系统设计及应用分析[D].北京：华北电力大学，2018.

[5] 李霖.拆回电能表智能管理装置研究设计与实现[D].济南：山东大学，2018.

[6] 张晓颖.電能表数字图像识别技术研究与实现[D].上海：上海交通大学，2007.

[7] 杨娟.基于数字图像处理的电能表图像识别技术研究与实现[D].南京：南京理工大学，2012.

[8] 阮春雷.基于机器视觉的电能表检测系统研究[D].杭州：浙江工业大学，2013..

[9] 彭刚杜兵.变电站二次设备的数显仪表定位方法[J].自动化仪表，2018，39（7）：56-60.

[10] 陈政，李良荣，李震，等.基于机器学习的车牌识别技术研究[J].计算机技术与发展，2020，30（6）：13-18.

[11] 罗世刚，安旭东，周盛成，等.基于机器学习的图像识别技术在电能表中的应用[J].电子世界，2020，602（20）：96-97.