CN107730478A - 一种电能计量自动化终端的外形检测方法及装置 - Google Patents

一种电能计量自动化终端的外形检测方法及装置 Download PDF

Info

Publication number
CN107730478A
CN107730478A CN201710965901.8A CN201710965901A CN107730478A CN 107730478 A CN107730478 A CN 107730478A CN 201710965901 A CN201710965901 A CN 201710965901A CN 107730478 A CN107730478 A CN 107730478A
Authority
CN
China
Prior art keywords
electric energy
energy metering
image
metering automation
automation terminal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710965901.8A
Other languages
English (en)
Inventor
李波
林聪�
刘清蝉
李毅
曹敏
李仕林
杨明
林中爱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power System Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power System Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power System Ltd filed Critical Electric Power Research Institute of Yunnan Power System Ltd
Priority to CN201710965901.8A priority Critical patent/CN107730478A/zh
Publication of CN107730478A publication Critical patent/CN107730478A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例公开了一种电能计量自动化终端的外形检测方法及装置，包括：图像采集设备采集电能计量自动化终端的外形图像；将采集的所述电能计量自动化终端的外形图像进行图像增强处理；利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。通过将获取的电能计量自动化终端的外形图像进行一系列处理后，可以清楚快速的获取电能计量自动化终端的轮廓特征，因此在恶劣天气环境检测电能计量自动化终端的外形相比传统的方法，提高了电能计量自动化终端的外形的识别效率。

Description

一种电能计量自动化终端的外形检测方法及装置
技术领域
本申请涉及计量自动化技术领域，尤其涉及一种电能计量自动化终端的外形检测方法及装置。
背景技术
电能计量自动化终端是指负责各级计量点电能信息的采集、数据管理、数据传输以及执行或转发计量自动化***主站下发的控制命令的设备，按应用场所可分为产站电能量采集终端、负荷管理终端、配变检测计量终端、低压电力用户集中抄表终端等类型。
根据《计量自动化终端系列标准》等规定，电能计量自动化终端的外观、结构、颜色、尺寸应符合相应的技术规范要求，不应有明显的凹凸痕、划伤、裂缝和毛刺，镀层不应脱落，颜色均匀，标牌文字、符号应清晰、耐久，接线应牢固。因此电能计量自动化终端的外形检测一直是供电部门对终端进行定期维护和远程读数前的必检项目。传统的电能计量自动化终端的外形检测一般是人工完成，但是对着众多类型的电能计量自动化终端在国内大范围的使用，传统的人工检测终端外形的方法耗时耗力且效率低下，因此电子识别得到广泛应用。
电子识别对电能计量自动化终端的外形进行检测虽然相比传统的人工手段效率得到提高，但是一旦遇到恶劣天气环境或者在视线不好的情况下，电子识别精度降低，影响正常的检测作业。因此，需要一种计量自动化终端外形检测方法，既保证检测的高效率性，又能够满足在恶劣天气环境下检测的高识别率的需求。
发明内容
本申请提供了一种电能计量自动化终端的外形检测方法及装置，以解决现有的电子识别手段在恶劣天气环境检测电能计量自动化终端的外形，识别率低的问题。
一种电能计量自动化终端的外形检测方法，所述方法包括：图像采集设备采集电能计量自动化终端的外形图像；将采集的所述电能计量自动化终端的外形图像进行图像增强处理；利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。
可选地，所述图像采集设备采集电能计量自动化终端的外形图像包括：所述图像采集设备对所述电能计量自动化终端进行拍摄，获取所述电能计量自动化终端的照片；从拍摄获取的所述电能计量自动化终端的照片中获得所述电能计量自动化终端的外形图像。
可选地，所述将采集的所述电能计量自动化终端的外形图像进行图像增强处理，包括：对所述电能计量自动化终端的外形图像进行灰度化处理，获取所述电能计量自动化终端外形图像的灰度图像；将所述灰度图像进行直方图均衡化处理；利用最大类间方差法获取直方图均衡化处理后的所述灰度图像的最优二值化分割阈值，以获得边缘连续性更好的二值化图像。
可选地，所述利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征，包括：对所述二值化图像进行膨胀运算，获得第一图像；将膨胀运算后的所述第一图像进行孔洞填充运算，获得第二图像；利用Canny边缘检测处理获取所述第二图像的轮廓特征。
可选地，所述将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差，包括：获取所述标准模板中所述电能计量自动化终端对应的标准轮廓模板；将所述标准轮廓模板与所述第二图像的轮廓特征进行比对，确定所述第二图像的轮廓特征与所述标准轮廓模板之间的误差。
一种电能计量自动化终端的外形检测装置，所述装置包括：图像采集模块，用于图像采集设备采集电能计量自动化终端的外形图像；图像增强处理模块，用于将采集的所述电能计量自动化终端的外形图像进行图像增强处理；边缘检测模块，用于利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；比对模块，用于将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。
可选地，所述图像采集模块包括：拍摄单元，用于所述图像采集设备对所述电能计量自动化终端进行拍摄，获取所述电能计量自动化终端的照片；图像获取单元，用于从拍摄获取的所述电能计量自动化终端的照片中获得所述电能计量自动化终端的外形图像。
可选地，所述图像增强处理模块包括：灰度处理单元，用于对所述电能计量自动化终端的外形图像进行灰度化处理，获取所述电能计量自动化终端外形图像的灰度图像；直方图均衡化处理单元，用于将所述灰度图像进行直方图均衡化处理；图像二值化单元，用于利用最大类间方差法获取直方图均衡化处理后的所述灰度图像的最优二值化分割阈值，以获得边缘连续性更好的二值化图像。
可选地，所述边缘检测模块包括：膨胀运算单元，用于对所述二值化图像进行膨胀运算，获得第一图像；孔洞填充运算单元，用于将膨胀运算后的所述第一图像进行孔洞填充运算，获得第二图像；轮廓获取单元，用于利用Canny边缘检测处理获取所述第二图像的轮廓特征。
可选地，所述比对模块包括：标准轮廓模板获取单元，用于获取所述标准模板中所述电能计量自动化终端对应的标准轮廓模板；比对单元，用于将所述标准轮廓模板与所述第二图像的轮廓特征进行比对，确定所述第二图像的轮廓特征与所述标准轮廓模板之间的误差。
由以上技术方案可见，本申请实施例提供的一种电能计量自动化终端的外形检测方法及装置，包括：图像采集设备采集电能计量自动化终端的外形图像；将采集的所述电能计量自动化终端的外形图像进行图像增强处理；利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。通过将获取的电能计量自动化终端的外形图像进行一系列处理后，可以清楚快速的获取电能计量自动化终端的轮廓特征，因此在恶劣天气环境检测电能计量自动化终端的外形相比传统的方法，提高了电能计量自动化终端的外形的识别效率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的电能计量自动化终端的外形检测方法的一个实施例的示意图；
图2为本申请提供的一种图像增强处理的方法流程图；
图3为本申请提供的一种边缘快速检测的方法流程图；
图4为本申请提供的电能计量自动化终端的外形检测装置的一个实施例的结构示意图；
图5为本申请提供的图像增强处理模块的一个实施例的结构示意图；
图6为本申请提供的边缘检测模块的一个实施例的结构示意图。
具体实施方式
参见图1，本申请提供的电能计量自动化终端的外形检测方法的一个实施例的示意图，如图1所示，所述方法包括：
S101，图像采集设备采集电能计量自动化终端的外形图像。
具体地，所述图像采集设备对所述电能计量自动化终端进行拍摄，获取所述电能计量自动化终端的照片。所述图像采集设备可以设置有多个摄像头，这样可以最终获得完整的电能计量自动化终端的照片。
然后从拍摄获取的所述电能计量自动化终端的照片中获得所述电能计量自动化终端的外形图像，将拍摄的照片中其他与电能计量自动化终端不相关的设备的图像进行处理，最终获得只有电能计量自动化终端的照片图像。
S102，将采集的所述电能计量自动化终端的外形图像进行图像增强处理。如图2是一种图像增强处理的方法流程图，参见图2，为方便对电能计量自动化终端外形图像进行边缘检测和特征提取，需要做图像增强处理，改善图像分割的效果。具体实施步骤如下：
S1021，对所述电能计量自动化终端的外形图像进行灰度化处理，获取所述电能计量自动化终端外形图像的灰度图像。
对输入的高分辨率三通道图像H(R,G,B)进行灰度化处理，获取原始电能计量自动化终端外形图像的灰度图像：
Gray(x,y)＝0.02989*R+0.05870*G+0.1140*B
式中：Gray(x,y)为灰度图像，R,G,B分别为三个通道像素分布函数。
S1022，将所述灰度图像进行直方图均衡化处理。
为扩展像素动态分布范围，提升图像整体对比度，增强电能计量自动化终端边缘信息，对其做直方图均衡化处理。直方图均衡化处理是以累积分布函数变换法为基础的直方图修正法，假设变换函数s为：
式中：为r归一化后的灰度级，满足0≤r≤1；w为积分变量；Pr(w)为随机变量r的概率密度函数；T(r)为r的累积分布函数。利用s作为变换函数可产生一幅灰度级分布具有均匀概率密度的图像，从而达到扩展像素取值的动态范围的效果。对于离散数字图像而言，算法实现步骤如下：
(1)统计灰度图像Gray(x,y)各灰度级的像素数目nK，其中L为总灰度级数，K＝0，1，…,L-1。
(2)基于原始图像的像素统计结果，获取各灰度级概率密度：
式中：rK为第K级灰度值；N为图像的像素总数；nK为第K级灰度值的总像素数；pr(rK)为第K级灰度值的概率。
(3)计算变换函数s：
(4)计算输出灰度级gK：
gK＝INT((gmax-gmin)*sK(rK)+gmin+0.5)/(L-1)
式中：INT()为数值向下取整函数；gmax取值为L-1；gmin取值为0。
(5)根据Gray(x,y)与gK的映射关系获取图像增强后的灰度图像f(x,y)。
S1023，利用最大类间方差法获取直方图均衡化处理后的所述灰度图像的最优二值化分割阈值，以获得边缘连续性更好的二值化图像。具体地，利用最大类间方差法寻找直方图均衡化处理后的灰度图的最优二值化分割阈值，尽可能降低图像中背景和前景的错误分割概率，得到边缘连续性更好的二值化图像。
S103，利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征。图3为本申请提供的一种边缘快速检测的方法流程图，参见图3，为进一步减少环境背景干扰，本申请还需要运用多组形态学算法实现终端外形的检测，主要实施步骤如下：
S1031，对所述二值化图像进行膨胀运算，获得第一图像；
对二值化图像B(x,y)进行膨胀运算，运算结果BD(x,y)可以表示为：
式中为3×3的正方形结构元素，*为其中心点；ε为二值化图像B(x,y)中任意位置的像素点；为膨胀运算符；BD(x,y)为经过膨胀处理后的结果。膨胀运算的实现流程为：
(1)从二值化图像B(x,y)中寻找第一个像素值为0的点，作为算法起始点。
(2)将结构元素S的中心移动至该点。
(3)判断该结构元素覆盖范围内的像素值中是否存在大小为1的目标点，若存在，则设定膨胀后图像中相同位置上的像素值为1；若不存在，则设定膨胀后图像中相同位置上的像素值为0。
(4)寻找下一个像素值为0的点。
(5)重复步骤(2)到(4)，直到搜索处理完毕，得到膨胀后的图像BD(x,y)。
S1032，将膨胀运算后的所述第一图像进行孔洞填充运算，获得第二图像。
经上述步骤所得到的膨胀后的图像BD(x,y)已经可以滤除电能计量自动化终端外形图像边缘中的大量的杂乱的直线结构，但是终端图像中不仅存在着直线结构的干扰，还存在着较多开放或闭合的黑色孔洞，这些孔洞区域包含大量边缘干扰结构，为了消除BD(x,y)图像中的黑色孔洞，我们使用一种基于形态学重建的孔洞区域快速消除算法，具体算法流程为：
(1)以待处理BD(x,y)图像为参考模板，计算标记图像M(x,y):
式中R1为BD(x,y)的边界区域；R2为边界以外的内部区域。
(2)对BD(x,y)图像求取补集，得到BDC(x,y)。
(3)选取合适结构元素P，对M0＝M(x,y)进行如下操作得到:
式中：DK为膨胀操作的中间结果；MK+1为新的标记图像，K＝0，1，2，…,N。
(4)对(3)进行循环操作，如果Ms+1＝Ms，则认为K＝s时，循环已经达到平衡状态。
(5)对Ms求取补集，可得到消除孔洞区域Duc的图像H(x,y)。
S1033，利用Canny边缘检测处理获取所述第二图像的轮廓特征。
对上述步骤所得到的图像H(x,y)进行Canny边缘检测处理获取边缘图像E(x,y)，得到被检测电能计量自动化终端的外形图像。
S104，将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。
获取所述标准模板中所述电能计量自动化终端对应的标准轮廓模板；将所述标准轮廓模板与已经滤除了复杂背景干扰的所述第二图像的轮廓特征进行比对，确定所述第二图像的轮廓特征与所述标准轮廓模板之间的误差,完成检测。
从上述实施例可以看出，本实施例提供的一种电能计量自动化终端的外形检测方法及装置，包括：图像采集设备采集电能计量自动化终端的外形图像；将采集的所述电能计量自动化终端的外形图像进行图像增强处理；利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。通过将获取的电能计量自动化终端的外形图像进行一系列处理后，可以清楚快速的获取电能计量自动化终端的轮廓特征，因此在恶劣天气环境检测电能计量自动化终端的外形相比传统的方法，提高了电能计量自动化终端的外形的识别效率。
与本申请提供的电能计量自动化终端的外形检测方法的一个实施例相对应，本申请还提供了电能计量自动化终端的外形检测装置的一个实施例。
参见图4，本申请提供的电能计量自动化终端的外形检测装置的一个实施例的示意图，如图1所示，所述装置包括：图像采集模块201、图像增强处理模块202、边缘检测模块203和比对模块204，所述图像采集模块201、图像增强处理模块202、边缘检测模块203和比对模块204之间通信连接。
所述图像采集模块201，用于图像采集设备采集电能计量自动化终端的外形图像；所述图像增强处理模块202，用于将采集的所述电能计量自动化终端的外形图像进行图像增强处理；所述边缘检测模块203，用于利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；所述比对模块204，用于将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。
所述图像采集模块201包括：拍摄单元和图像获取单元，所述拍摄单元和图像获取单元电连接。所述拍摄单元，用于所述图像采集设备对所述电能计量自动化终端进行拍摄，获取所述电能计量自动化终端的照片。所述图像获取单元，用于从拍摄获取的所述电能计量自动化终端的照片中获得所述电能计量自动化终端的外形图像。
如图5所示，所述图像增强处理模块202包括：灰度处理单元2021、直方图均衡化处理单元2022和图像二值化单元2023，所述灰度处理单元2021、直方图均衡化处理单元2022和图像二值化单元2023通信连接。所述灰度处理单元2021用于对所述电能计量自动化终端的外形图像进行灰度化处理，获取所述电能计量自动化终端外形图像的灰度图像。所述直方图均衡化处理单元2022，用于将所述灰度图像进行直方图均衡化处理。所述图像二值化单元2023，用于利用最大类间方差法获取直方图均衡化处理后的所述灰度图像的最优二值化分割阈值，以获得边缘连续性更好的二值化图像。
如图6所示，所述边缘检测模块203包括：膨胀运算单元2031、孔洞填充运算单元2032和轮廓获取单元2033，所述边缘检测模块203包括：膨胀运算单元2031、孔洞填充运算单元2032和轮廓获取单元2033电连接。所述膨胀运算单元2031用于对所述二值化图像进行膨胀运算，获得第一图像。所述孔洞填充运算单元2032，用于将膨胀运算后的所述第一图像进行孔洞填充运算，获得第二图像。所述轮廓获取单元2033，用于利用Canny边缘检测处理获取所述第二图像的轮廓特征。
所述比对模块包括：标准轮廓模板获取单元和比对单元，所述标准轮廓模板获取单元和比对单元电连接。所述标准轮廓模板获取单元用于获取所述标准模板中所述电能计量自动化终端对应的标准轮廓模板。所述比对单元，用于将所述标准轮廓模板与所述第二图像的轮廓特征进行比对，确定所述第二图像的轮廓特征与所述标准轮廓模板之间的误差。
从上述实施例可以看出，本实施例提供的一种电能计量自动化终端的外形检测装置，包括：图像采集模块201、图像增强处理模块202、边缘检测模块203和比对模块204，所述图像采集模块201、图像增强处理模块202、边缘检测模块203和比对模块204之间通信连接。所述图像采集模块201，用于图像采集设备采集电能计量自动化终端的外形图像；所述图像增强处理模块202，用于将采集的所述电能计量自动化终端的外形图像进行图像增强处理；所述边缘检测模块203，用于利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；所述比对模块204，用于将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。通过将获取的电能计量自动化终端的外形图像进行一系列处理后，可以清楚快速的获取电能计量自动化终端的轮廓特征，因此在恶劣天气环境检测电能计量自动化终端的外形相比传统的方法，提高了电能计量自动化终端的外形的识别效率。。
具体实现中，本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本申请提供的呼叫方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (10)

1.一种电能计量自动化终端的外形检测方法，其特征在于，所述方法包括：
图像采集设备采集电能计量自动化终端的外形图像；
将采集的所述电能计量自动化终端的外形图像进行图像增强处理；
利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；
将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。
2.根据权利要求1所述的电能计量自动化终端的外形检测方法，其特征在于，所述图像采集设备采集电能计量自动化终端的外形图像包括：
所述图像采集设备对所述电能计量自动化终端进行拍摄，获取所述电能计量自动化终端的照片；
从拍摄获取的所述电能计量自动化终端的照片中获得所述电能计量自动化终端的外形图像。
3.根据权利要求2所述的电能计量自动化终端的外形检测方法，其特征在于，所述将采集的所述电能计量自动化终端的外形图像进行图像增强处理，包括：
对所述电能计量自动化终端的外形图像进行灰度化处理，获取所述电能计量自动化终端外形图像的灰度图像；
将所述灰度图像进行直方图均衡化处理；
利用最大类间方差法获取直方图均衡化处理后的所述灰度图像的最优二值化分割阈值，以获得边缘连续性更好的二值化图像。
4.根据权利要求3所述的电能计量自动化终端的外形检测方法，其特征在于，所述利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征，包括：
对所述二值化图像进行膨胀运算，获得第一图像；
将膨胀运算后的所述第一图像进行孔洞填充运算，获得第二图像；
利用Canny边缘检测处理获取所述第二图像的轮廓特征。
5.根据权利要求4所述的电能计量自动化终端的外形检测方法，其特征在于，所述将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差，包括：
获取所述标准模板中所述电能计量自动化终端对应的标准轮廓模板；
将所述标准轮廓模板与所述第二图像的轮廓特征进行比对，确定所述第二图像的轮廓特征与所述标准轮廓模板之间的误差。
6.一种电能计量自动化终端的外形检测装置，其特征在于，所述装置包括：
图像采集模块，用于图像采集设备采集电能计量自动化终端的外形图像；
图像增强处理模块，用于将采集的所述电能计量自动化终端的外形图像进行图像增强处理；
边缘检测模块，用于利用多组形态学算法对图像增强处理后的电能计量自动化终端的外形图像进行边缘快速检测，获得所述电能计量自动化终端的轮廓特征；
比对模块，用于将所述电能计量自动化终端的轮廓特征与标准模板进行比对，以确定与标准模板的误差。
7.根据权利要求6所述的电能计量自动化终端的外形检测装置，其特征在于，所述图像采集模块包括：
拍摄单元，用于所述图像采集设备对所述电能计量自动化终端进行拍摄，获取所述电能计量自动化终端的照片；
图像获取单元，用于从拍摄获取的所述电能计量自动化终端的照片中获得所述电能计量自动化终端的外形图像。
8.根据权利要求7所述的电能计量自动化终端的外形检测装置，其特征在于，所述图像增强处理模块包括：
灰度处理单元，用于对所述电能计量自动化终端的外形图像进行灰度化处理，获取所述电能计量自动化终端外形图像的灰度图像；
直方图均衡化处理单元，用于将所述灰度图像进行直方图均衡化处理；
图像二值化单元，用于利用最大类间方差法获取直方图均衡化处理后的所述灰度图像的最优二值化分割阈值，以获得边缘连续性更好的二值化图像。
9.根据权利要求8所述的电能计量自动化终端的外形检测装置，其特征在于，所述边缘检测模块包括：
膨胀运算单元，用于对所述二值化图像进行膨胀运算，获得第一图像；
孔洞填充运算单元，用于将膨胀运算后的所述第一图像进行孔洞填充运算，获得第二图像；
轮廓获取单元，用于利用Canny边缘检测处理获取所述第二图像的轮廓特征。
10.根据权利要求9所述的电能计量自动化终端的外形检测装置，其特征在于，所述比对模块包括：
标准轮廓模板获取单元，用于获取所述标准模板中所述电能计量自动化终端对应的标准轮廓模板；
比对单元，用于将所述标准轮廓模板与所述第二图像的轮廓特征进行比对，确定所述第二图像的轮廓特征与所述标准轮廓模板之间的误差。
CN201710965901.8A 2017-10-17 2017-10-17 一种电能计量自动化终端的外形检测方法及装置 Pending CN107730478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710965901.8A CN107730478A (zh) 2017-10-17 2017-10-17 一种电能计量自动化终端的外形检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710965901.8A CN107730478A (zh) 2017-10-17 2017-10-17 一种电能计量自动化终端的外形检测方法及装置

Publications (1)

Publication Number Publication Date
CN107730478A true CN107730478A (zh) 2018-02-23

Family

ID=61211508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710965901.8A Pending CN107730478A (zh) 2017-10-17 2017-10-17 一种电能计量自动化终端的外形检测方法及装置

Country Status (1)

Country Link
CN (1) CN107730478A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236788A (zh) * 2010-04-20 2011-11-09 荣科科技股份有限公司 电力电能表图像自动识别方法
CN103512495A (zh) * 2013-06-04 2014-01-15 国家电网公司 一种智能电能表外形尺寸自动检测装置和方法
CN104677782A (zh) * 2015-02-13 2015-06-03 江苏大学 一种电连接器壳体机器视觉在线检测***及方法
CN105911508A (zh) * 2015-03-08 2016-08-31 李勇 电表缺陷智能化检测设备
CN105975904A (zh) * 2015-04-01 2016-09-28 彭青 一种基于视觉识别的电能表型号检测方法
CN106228159A (zh) * 2016-07-29 2016-12-14 深圳友讯达科技股份有限公司 一种基于图像识别的计量表抄表装置及其方法
WO2017103982A1 (ja) * 2015-12-14 2017-06-22 株式会社 ニコン・トリンブル 欠陥検出装置及びプログラム
CN107228962A (zh) * 2016-03-25 2017-10-03 李春 一种基于图像检测的智能型电表

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236788A (zh) * 2010-04-20 2011-11-09 荣科科技股份有限公司 电力电能表图像自动识别方法
CN103512495A (zh) * 2013-06-04 2014-01-15 国家电网公司 一种智能电能表外形尺寸自动检测装置和方法
CN104677782A (zh) * 2015-02-13 2015-06-03 江苏大学 一种电连接器壳体机器视觉在线检测***及方法
CN105911508A (zh) * 2015-03-08 2016-08-31 李勇 电表缺陷智能化检测设备
CN105975904A (zh) * 2015-04-01 2016-09-28 彭青 一种基于视觉识别的电能表型号检测方法
WO2017103982A1 (ja) * 2015-12-14 2017-06-22 株式会社 ニコン・トリンブル 欠陥検出装置及びプログラム
CN107228962A (zh) * 2016-03-25 2017-10-03 李春 一种基于图像检测的智能型电表
CN106228159A (zh) * 2016-07-29 2016-12-14 深圳友讯达科技股份有限公司 一种基于图像识别的计量表抄表装置及其方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ZHONGHUA LIU等: "Edge detection and automatic threshold based on wavelet transform in the VPPAW keyhole image processing", 《 CONFERENCE RECORD OF THE 2000 IEEE INDUSTRY APPLICATIONS CONFERENCE》 *
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", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
杨帆编著: "《数字图像处理与分析》", 31 May 2015, 北京：北京航空航天大学出版社 *
梁伟建等: "智能电能表外观缺陷质量检验装置开发及关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
梁志芳等编著: "《计算机在材料加工中的应用》", 31 March 2012, 北京：煤炭工业出版社 *
石康: "基于机器视觉的平板显示屏检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
高雨翔等: "基于图像处理技术的电能表外观检测***", 《计算机测量与控制》 *

Similar Documents

Publication Publication Date Title
CN103440488A (zh) 一种虫害识别的方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN109543676B (zh) 一种基于图像处理的字轮型水表数字字符识别方法
CN100580694C (zh) 一种用于灰度图像快速多阈值分割的方法
CN102982534B (zh) 基于弦线切线法的Canny边缘检测双阈值获取方法
CN103093208B (zh) 一种果蔬识别的方法及***
CN108829711B (zh) 一种基于多特征融合的图像检索方法
CN106408555A (zh) 一种基于图像视觉的轴承表面瑕疵检测方法
CN116977329B (zh) 一种基于机器视觉的光伏板栅线检测方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN109726649B (zh) 遥感影像云检测方法、***及电子设备
CN111127360B (zh) 一种基于自动编码器的灰度图像迁移学习方法
CN116485785B (zh) 一种太阳能电池片的表面缺陷检测方法
CN116740073B (zh) 基于石墨舟视觉图像的太阳能电池片缺陷检测方法及***
CN111209858A (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN108615401B (zh) 基于深度学习的室内非均匀光线车位状况识别方法
CN104282027A (zh) 一种基于Hough变换的圆检测方法
CN103489012A (zh) 一种基于支持向量机的人群密集度检测方法及***
Ren et al. Steel Surface Defect Detection Using Improved Deep Learning Algorithm: ECA-SimSPPF-SIoU-Yolov5
CN113393430A (zh) 用于风机叶片缺陷检测的热成像图像增强训练方法和装置
CN113506315A (zh) 运动物体的检测方法、装置及存储介质
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN107730478A (zh) 一种电能计量自动化终端的外形检测方法及装置
CN111191659A (zh) 服装生产***多形状衣架识别方法
CN111310772A (zh) 用于双目视觉slam的点线特征选取方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180223