CN114047471A - 电能表校验方法、装置、电子设备和存储介质 - Google Patents
电能表校验方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114047471A CN114047471A CN202111289551.0A CN202111289551A CN114047471A CN 114047471 A CN114047471 A CN 114047471A CN 202111289551 A CN202111289551 A CN 202111289551A CN 114047471 A CN114047471 A CN 114047471A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- image
- metering
- digital display
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000012795 verification Methods 0.000 claims description 49
- 238000003491 array Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000004246 zinc acetate Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电能表校验方法、装置、电子设备、存储介质和计算机程序产品。所述方法包括:获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;确定电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;根据与电能表型号对应的数显区域位置,对电能表图像中的表盘示数进行识别,得到第一计量结果;对标准校验图像中的表盘示数进行识别,得到第二计量结果;根据第一计量结果和第二计量结果,确定电能表校验结果。采用本方法能够提高电能表和计量校验仪的测量数据采集的工作效率以及该测量数据的准确性,从而提高电能表校验的准确性。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种电能表校验方法、装置、电子设备、存储介质和计算机程序产品。
背景技术
经济社会的高速发展离不开电力供应的持续稳定,电能表作为联系桥梁,对电能表进行误差校验、保障其高效运维是维持电力可靠稳定的重要环节。
对于电能表的误差校验,目前普遍采用标准表法,即将计量校验仪接入电能表所在的电网***,计量校验仪与电能表同时测量电能参数并进行参数比较,来确定电能表的误差,若误差大于预设值,则说明电能表不能准确计量,电量表不符合标准。较为常见的计量校验仪为电能表现场校验仪,电能表现场校验仪是集电能参数测量、电能表校验、接线判断为一体的测试仪器。
然而,由于受到技术以及管理等方面因素的影响,在实际进行电能表的误差校验时,需要工作人员去到现场逐台记录电能表和电能表现场校验仪所测量的数据,即工作人员逐台读取并抄录数据到纸质的工作手册上,并且抄录完数据后需要对其进行整理计算、误差分析、编写报告等统计分析工作。而人工读数容易出现人为误差、存在读数不规范的问题,难以保证校验的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电能表校验准确性的电能表校验方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电能表校验方法。所述方法包括:
获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定所述电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果;
对所述标准校验图像中的表盘示数进行识别,得到第二计量结果;
根据所述第一计量结果和所述第二计量结果,确定电能表校验结果。
在其中一个实施例中,所述根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果,包括:根据与所述电能表型号对应的数显区域位置,在所述电能表轮廓所包围的区域内确定目标数显区域;基于所述目标数显区域进行表盘示数识别,得到第一计量结果。
在其中一个实施例中,所述基于所述目标数显区域进行表盘示数识别,得到第一计量结果,包括:从所述电能表图像中划分出包括有目标数显区域的目标数显图像;确定所述目标数显图像中的单数字区域;去除所述单数字区域中面积不符合预设条件的连通区域;对剩余的连通区域进行特征提取,并基于提取的特征对所述单数字区域中的整字和半字进行识别,得到第一计量结果。
在其中一个实施例中,对所述目标数显图像二值化,得到目标数显投影曲线;遍历目标数显投影曲线,提取最低点坐标;计算两个最低点的横坐标间距,判断是否符合预设条件;将符合预设条件的两个最低点之间的区域从所述目标数显图像中分割出来,得到多个单数字区域。
在其中一个实施例中,所述根据所述第一计量结果和所述第二计量结果,确定电能表校验结果,包括:对所述第一计量结果和所述第二计量结果作差并取绝对值;若绝对值相对于第二计量结果不超过设定阈值,则判定电能表计量准确。
在其中一个实施例中,所述方法还包括:基于条码特征从所述电能表图像中确定出条码区域;在所述条码区域内进行逐行扫描,识别出所有符合条码行特征的数组;根据所有符合条码行特征的数组计算出条码条空宽度的平均值,基于平均值并根据条码编码规则识别出对应的条码字符并保存。
第二方面,本申请还提供了一种电能表校验装置。所述装置包括:
获取模块,用于获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定模块,用于确定所述电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
识别模块,用于根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果;
所述识别模块,还用于对所述标准校验图像中的表盘示数进行识别,得到第二计量结果;
所述确定模块,还用于根据所述第一计量结果和所述第二计量结果,确定电能表校验结果。
第三方面,本申请还提供了一种电子设备。所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定所述电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果;
对所述标准校验图像中的表盘示数进行识别,得到第二计量结果;
根据所述第一计量结果和所述第二计量结果,确定电能表校验结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定所述电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果;
对所述标准校验图像中的表盘示数进行识别,得到第二计量结果;
根据所述第一计量结果和所述第二计量结果,确定电能表校验结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定所述电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果;
对所述标准校验图像中的表盘示数进行识别,得到第二计量结果;
根据所述第一计量结果和所述第二计量结果,确定电能表校验结果。
上述电能表校验方法、装置、电子设备、存储介质和计算机程序产品,通过获取对电能表进行拍摄所得到的电能表图像,可对电能表图像进行图像识别,得到电能表轮廓,基于电能表轮廓确定电能表型号。由于不同型号的电能表的表盘示数所在区域不同,因此在确定了电能表型号后,可根据与电能表型号对应的数显区域位置识别出电能表的表盘示数。如此,便能根据电能表图像识别出准确的电能表的读数,提高了采集电能表的测量数据的准确性。相对于人工手动地读取并抄录测量数据,也减少了工作人员的工作量,提高了电能表的测量数据采集的工作效率。另一方面,还通过获取对计量校验仪进行拍摄所得到的标准校验图像,识别出计量校验仪的表盘示数,并将电能表的表盘示数和计量校验仪的表盘示数比较,从而完成对电能表的校验。相对于人工抄录数据、对抄录的数据进行统计分析,此电能表校验方法可以大大提高电能表校验准确性,并且还节省了工作时间、提高了工作效率、降低了人工成本。
附图说明
图1为一个实施例中电能表校验方法的应用环境图;
图2为一个实施例中电能表校验方法的流程示意图;
图3为一个实施例中确定电能表型号步骤的流程示意图;
图4为一个实施例中识别电能表表盘示数步骤的流程示意图;
图5为一个实施例中识别电能表表盘示数步骤的流程示意图;
图6为另一个实施例中识别电能表表盘示数步骤的流程示意图;
图7为一个实施例中电能表校验***的结构框图;
图8为另一个实施例中电能表校验方法的流程示意图;
图9为一个实施例中电能表校验装置的结构框图;
图10为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电能表校验方法,可以应用于如图1所示的应用环境中。参考图1,该电能表校验方法应用于电能表校验***。电能表校验***包括终端102、服务器104、电能表106和计量校验仪108。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。电能表106和计量校验仪108用于测量变电站现场的电能,终端102用于采集电能表106和计量校验仪108的图像。终端102和服务器104可单独执行本申请实施例提供的电能表校验方法,也可协同执行本申请实施例提供的电能表校验方法。比如,终端102可获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;确定电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;根据与电能表型号对应的数显区域位置,对电能表图像中的表盘示数进行识别,得到第一计量结果;对标准校验图像中的表盘示数进行识别,得到第二计量结果;根据第一计量结果和第二计量结果,确定电能表校验结果。
其中,终端102可以但不限于是各种具备拍摄功能的个人计算机、笔记本电脑、智能手机、平板电脑或便携式可穿戴设备。智能手机和平板电脑可为采用HarmonyOS或者Android操作***的移动终端。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
电能表106是安装在变电站现场的关口计量电能表,通过测量电压、电流进行电能计量。电能表按照厂家和具体型号进行分类,分类后的电能表型号包括DTZ568、ISKRAWG.MT831、ISKRA WG.MT860、Landis+Gyr E850、Landis+Gyr E650、EDMI2000-6E20、EDMI2000-0400、EDMI2000-0420、EDMIMk6E、Schneider ION8650、Schneider ION8600、MK6E、DTSD3000、ZMD405CT44.0457.B2、ZMQ202C.4r4af6等,本申请实施例对此不作限定。
计量校验仪108作为标准源对电能表106的数据进行同步测量,是集电能参数测量、电能表校验、接线判断为一体的测试仪,为了便于现场操作,计量校验仪可采用电流钳接入电流,不需要断开线路。计量校验仪108可为计量仪器MTE PWS3.3或Accupo AP2003L手持式无线二次压降及负荷测试仪等,本申请实施例对此不作限定。
在一个实施例中,如图2所示,提供了一种电能表校验方法,以该方法应用于电子设备(该电子设备具体可以是图1中的终端或服务器)为例进行说明,包括以下步骤:
步骤202,获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像。
其中,电能表图像是通过图1所示应用环境中的终端对在变电厂现场工作的电能表进行拍摄所得到的,电能表图像包括电能表轮廓,电能表轮廓所包围的区域包括数显区域和条码区域,数显区域指的是数字所在的区域,用于显示电能表的读数,条码区域指的是条码所在的区域,用于显示电能表的资产条码编号。标准校验图像是通过终端对测量电能表的计量校验仪进行拍摄所得到的,标准校验图像包括校验数显区域,用于显示计量校验仪的读数。
电能表图像可以来源于终端实时采集的电能表图像,也可以是预先存储于服务器的一历史时间段由终端拍摄的电能表图像。也就是说,终端采集到电能表图像后,可以对电能表图像进行实时处理,例如实时地对电能表图像中的电能表轮廓和表盘示数进行识别;也可以预先存储了再处理,例如,可以选择在服务器处理任务较少的时候进行电能表图像的电能表轮廓和表盘示数识别处理,或者,可以选择在工作人员不忙的时候,按照工作人员的指定时间进行电能表图像的电能表轮廓和表盘示数识别处理。本实施例对此并未加以限定。
同样地,标准校验图像可以来源于终端实时采集的标准校验图像,也可以是预先存储于服务器的一历史时间段由终端拍摄的标准校验图像。也就是说,终端采集到标准校验图像后,可以对标准校验图像进行实时处理,例如实时地对标准校验图像中的表盘示数进行识别;也可以预先存储了再处理,例如,可以选择在服务器处理任务较少的时候进行标准校验图像的表盘示数识别处理,或者,可以选择在工作人员不忙的时候,按照工作人员的指定时间进行标准校验图像的表盘示数识别处理。本实施例对此并未加以限定。
如前所述,终端可以是个人计算机、笔记本电脑、智能手机、平板电脑或者便携式可穿戴设备等配置摄像头的其余电子设备。在电能表校验场景中,终端可为内置摄像头的智能手机,智能手机便于工作人员随身携带,且通用性广。在其他实施例中,终端可为外接摄像头的个人计算机,此外接摄像头可以布设于变电站现场。例如,此外接摄像头为HF900宽动态工业摄像头。
在一个实施例中,获取对电能表进行拍摄所得到的电能表图像,包括:预先对不同型号的电能表的外观轮廓进行建模,得到轮廓识别模型;在对电能表进行拍摄时,通过轮廓识别模型对电能表的外观轮廓进行识别,在识别到对应型号的电能表的外观轮廓后进行拍摄,获取到电能表图像。
这里的轮廓识别模型是对机器学习模型进行训练生成的,也可以理解为,轮廓识别模型是经过训练得到的具有识别电能表外观轮廓能力的机器学习模型。
在电能表图像采集阶段,电子设备通过识别电能表的外观轮廓,辅助使用者高效地对准被采集的电能表,实现电能表拍摄过程中的目标检测、自动对焦,相比于对电能表直接进行拍摄,提高了获取电能表图像的准确性,保证了后续对电能表图像中的表盘示数进行识别的准确性。
步骤204,确定电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号。
其中,电能表轮廓是定义或限定电能表的外边缘的线。轮廓是计算机视觉的机器学习中的常用概念,多用于目标检测、识别等任务。使用OpenCV软件进行轮廓操作,包括查找轮廓、绘制轮廓和计算轮廓长度。
电子设备可根据电能表轮廓的长度,将电能表分类。对于每一种类型的电能表,根据电能表轮廓所包围的区域的不同特征,可确定电能表的具体型号。
在一个实施例中,电子设备还可以根据电能表轮廓中长边和短边的长度比例,来将电能表分类。
在其他实施例中,电子设备还可以根据电能表轮廓的形状,来将电能表分类。
步骤206,根据与电能表型号对应的数显区域位置,对电能表图像中的表盘示数进行识别,得到第一计量结果。
其中,数显区域位置在电能表轮廓所包围的区域中,数显区域用于显示电能表的表盘示数。在步骤204确定了电能表型号后,电子设备可以根据电能表型号确定与该电能表型号对应的电能表图像中的数显区域位置,然后对数显区域位置所显示的电能表的表盘示数进行识别,得到第一计量结果,也就是电能表读数。
步骤208,对标准校验图像中的表盘示数进行识别,得到第二计量结果。
在一个实施例中,电子设备确定标准校验图像中计量校验仪的校验数显区域位置,对校验数显区域所显示的计量校验仪的表盘示数进行识别,得到第二计量结果,也就是计量校验仪的读数。
其中,计量校验仪的型号是确定的或已知的,因此可以直接根据计量校验仪型号确定与该计量校验仪对应的标准校验图像中的校验数显区域位置。电子设备根据计量校验仪型号确定与该计量校验仪对应的标准校验图像中的校验数显区域位置,比如,电子设备可预先对指定型号的计量校验仪的轮廓进行建模,得到计量校验仪的轮廓所包围的区域与校验数显区域的位置关系。进而再基于位置关系确定校验数显区域位置。
在其他实施例中,计量校验仪的型号是不确定的,此时也可以先确定标准校验图像中的计量校验仪轮廓,基于计量校验仪轮廓确定计量校验仪型号。
具体地,电子设备通过使用OpenCV软件对计量校验仪进行轮廓操作,包括查找轮廓、绘制轮廓和计算轮廓长度,根据计量校验仪的轮廓识别出计量校验仪的类型。对于每一种类型的计量校验仪,根据计量校验仪轮廓所包围的区域的不同特征,可确定计量校验仪的具体型号。
步骤210,根据第一计量结果和第二计量结果,确定电能表校验结果。
其中,电能表校验结果为电能表误差评估结果,包括合格和不合格。若第一计量结果和第二计量结果的绝对误差或相对误差不超过设定阈值,则电能表校验结果为合格,判定电能表计量准确;若超过设定阈值,则电能表校验结果为不合格,判定电能表计量不准确。
上述电能表校验方法中,通过获取对电能表进行拍摄所得到的电能表图像,可对电能表图像进行图像识别,得到电能表轮廓,基于电能表轮廓确定电能表型号。由于不同型号的电能表的表盘示数所在区域不同,因此在确定了电能表型号后,可根据与电能表型号对应的数显区域位置识别出电能表的表盘示数。如此,便能根据电能表图像识别出准确的电能表的读数,提高了采集电能表的测量数据的准确性。相对于人工手动地读取并抄录测量数据,也减少了工作人员的工作量,提高了电能表的测量数据采集的工作效率。另一方面,还通过获取对计量校验仪进行拍摄所得到的标准校验图像,识别出计量校验仪的表盘示数,并将电能表的表盘示数和计量校验仪的表盘示数比较,从而完成对电能表的校验。相对于人工抄录数据、对抄录的数据进行统计分析,此电能表校验方法节省了工作时间、提高了工作效率、降低了人工成本。
在一个实施例中,如图3所示,步骤204,确定电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号,包括:
步骤302,对获取到电能表图像进行预处理,包括图像尺寸归一化和灰度化。
其中,图像尺寸归一化可以把图像尺寸限制在预设范围内。灰度化可以将三通道图像转化为单通道图像,以便进行二值化门限分割。
步骤304,对预处理后的电能表图像去干扰后进行二值化处理,绘制电能表图像的投影曲线,得到电能表图像中的电能表轮廓。
其中,电子设备可采用OpenCV软件的查找轮廓函数findContours()和绘制轮廓函数drawContours()绘制电能表图像的投影曲线,得到电能表图像中的电能表轮廓。
其中,去干扰可以有效剔除电能表图像中的异常独立干扰点。二值化是为查找轮廓函数提供单通道图像。
步骤306,根据电能表图像的投影曲线信息,计算电能表轮廓的长度。
在一个实施例中,使用OpenCV软件的计算曲线长度函数double ArcLength()计算电能表轮廓的长度。首先,输入投影曲线的序列点集合,确定曲线的起始点,判断曲线是否闭合,若曲线闭合,则依次计算各序列点之间的线段长度,并求和,得到电能表轮廓的长度;若曲线不闭合,则重新输入序列点集合。
步骤308,基于电能表轮廓的长度确定电能表型号。
在一个实施例中,电子设备通过如上述的轮廓识别模型预先对不同型号的电能表的外观轮廓进行建模,得到不同类型的电能表的电能表轮廓的长度并保存。于是,根据电能表轮廓的长度即可确定电能表类型。
进一步地,电子设备通过如上述的轮廓识别模型预先对不同型号的电能表的外观轮廓进行建模,得到不同型号的电能表的电能表轮廓所包围的区域特征。于是,对于每种类型的电能表,根据电能表轮廓所包围的区域的不同特征,可确定电能表型号。
如上所述,目前适用于该电能表校验***的电能表型号包括DTZ568、ISKRAWG.MT831、ISKRA WG.MT860、Landis+Gyr E850、Landis+Gyr E650、EDMI2000-6E20、EDMI2000-0400、EDMI2000-0420、EDMIMk6E、Schneider ION8650、Schneider ION8600、MK6E、DTSD3000、ZMD405CT44.0457.B2、ZMQ202C.4r4af6共15种,按照生产厂家可分为7种主要的电能表类型。
本实施例中,通过基于OpenCV软件的图像处理算法计算出电能表轮廓的长度,根据电能表轮廓的长度确定电能表型号,能够提高了电能表型号识别的准确性。
在一个实施例中,该电能表校验方法还包括增加电能表型号。对于***中未识别过的电能表型号,通过对该种型号电能表进行特征设定,将设定完成的信息进行保存至轮廓识别模型,以实现电能表型号增加,从而满足了***功能扩展的需求。
在一个实施例中,如图4所示,步骤206,根据与电能表型号对应的数显区域位置,对电能表图像中的表盘示数进行识别,得到第一计量结果,包括:
步骤402,根据与电能表型号对应的数显区域位置,在电能表轮廓所包围的区域内确定目标数显区域。
其中,目标数显区域指的是与该电能表型号对应的数显区域。
在步骤204确定出电能表轮廓和电能表型号后,由于轮廓识别模型中存储有与电能表型号对应的数显区域与电能表轮廓所包围的区域的位置关系,电子设备读取预先存储的与电能表型号对应的数显区域坐标,在电能表轮廓所包围的区域内确定目标数显区域。
步骤404,基于目标数显区域进行表盘示数识别,得到第一计量结果。
在一个实施例中,电子设备可对目标数显区域进行图像识别,得到目标数显区域中的数字和指针等信息,进而基于识别到的信息确定目标数显区域所对应的第一计量结果。
本实施例中,通过定位目标数显区域,基于目标数显区域对电能表图像中表盘示数进行识别,将识别区域由电能表图像缩小至目标数显区域,能够提高读数识别的准确性。
在一个实施例中,如图5所示,步骤404,基于目标数显区域进行表盘示数识别,得到第一计量结果,包括:
步骤502,从电能表图像中划分出包括有目标数显区域的目标数显图像。
在一个实施例中,电子设备可从电能表图像中分割出目标数显区域,得到目标数显图像。
步骤504,确定目标数显图像中的单数字区域。
其中,单数字区域指的是单个电能表字符所在的区域,多个该单数字区域即组成了目标数显区域。电能表的表盘示数(读数)包括整数部分、小数点和小数部分,整数部分和小数部分是由***数字0-9依序组成。
步骤506,去除单数字区域中面积不符合预设条件的连通区域。
尽管定位出了单数字区域,但是仍然可能存在单数字区域中残留一些细小的轮廓或者连通区域被遮挡的情况。因此,需要在对单数字区域进行字符识别之前对其进一步地处理。
在一个实施例中,电子设备可在单数字区域中定位并删除面积大于最大阈值或者面积小于最小阈值的连通区域;并从单数字区域中分割出剩余的连通区域。
步骤508,对剩余的连通区域进行特征提取,并基于提取的特征对单数字区域中的整字和半字进行识别,得到第一计量结果。
在一个实施例中,电子设备对剩余的连通区域的行和列都向离变形最小的方向进行归一化处理,得到单数字区域的特征向量;将单数字区域的特征向量输入字符识别模型;字符识别模型识别字符,包括整字和半字,得到第一计量结果。
其中,整字指的是在单数字区域内显示完整的数字,半字指的是单数字区域内显示不完整的数字。电能表字符是印刷体的数字字符,字符结构比较规范,因此对整字和半字进行识别的流程是相同的。
这里的字符识别模型是采用模板匹配的方法进行字符识别的。并且,字符识别模型是在Tensorflow框架下对BP(Back Propagation,反向传播)神经网络模型进行训练生成的,也可以理解为,字符识别模型是经过训练得到的具有识别电能表字符能力的机器学习模型。
根据至少一个电能表图像和标注电能表字符的电能表图像,对BP神经网络模型进行训练,得到字符识别模型。这里的电能表图像指的是待检测的训练样本,标注电能表字符的电能表图像指的是在进行电能表校验工作前期,收集的训练样本标签。BP神经网络是在神经网络的基础上融合了误差反向传播算法(Error Back Propagation Algorithm)算法。
在一个实施例中,字符识别模型识别字符,包括整字和半字,得到第一计量结果,包括:
1)读取电能表及计量仪器仪的训练数据,包括训练样本和训练样本标签;并建立具有17000个数据量的训练集和具有10000个数据量的测试集;
2)配置神经网络,包括参数的初始化设置;这里的参数包括各层节点数、各层权值学习率、各层偏移量;
3)配置激活函数,包括使用sigmoid函数进行感知机的平滑化;
4)训练数据,包括前向过程、后向过程,后向过程反馈调整各层权重和偏移量;
5)验证测试:对具有10000个数据量的测试集中的训练样本依次进行测试,获取字符识别模型识别字符的正确率。
本实施例中,通过精确定位目标数显图像中的单数字区域,采用基于特征的模板匹配算法来训练BP神经网络模型,得到字符识别模型,使用字符识别模型识别电能表字符,能够达到识别率较高的目的,提高了数据识别的准确率。
在一个实施例中,如图6所示,步骤504,确定目标数显图像中的单数字区域,包括:
步骤602,对目标数显图像二值化,得到目标数显投影曲线;
其中,电子设备通过对目标数显图像进行二值化,得到表示物体的黑像素点和表示背景的白像素点。
电子设备遍历二值化后的目标数显图像,提取出黑像素点;按行遍历二值化后的目标数显图像,统计每行黑像素点的数量;将每行像素点的前该行黑像素点的数量列设置为黑像素,剩余的列为白像素,得到目标数显投影曲线。
例如,其中一行黑像素点的数量为M,则把该行像素点的第1列到第M列(也就是前M列)设置为黑像素。
步骤604,遍历目标数显投影曲线,提取最低点坐标;
电子设备遍历目标数显投影曲线,提取出曲线的若干个最低点(也就是曲线的波谷)坐标。
步骤606,计算两个最低点的横坐标间距,判断是否符合预设条件;
电子设备计算每两个最低点的横坐标间距(也就是两个波谷之间的间距,或者称为谷间距),并判断是否符合预设条件。
步骤608,将符合预设条件的两个最低点之间的区域从目标数显图像中分割出来,得到多个单数字区域。
本实施例中,通过对目标数显曲线进行二值化得到投影曲线,并根据谷间距从目标数显图像中分割出单数字区域,能够达到精确定位单数字区域的目的,相对于目标数显区域,进一步地缩小了电能表字符识别区域,提到了字符识别的准确性。
在一个实施例中,步骤210,根据第一计量结果和第二计量结果,确定电能表校验结果,包括:对第一计量结果和第二计量结果作差并取绝对值;若绝对值相对于第二计量结果不超过设定阈值,则判定电能表计量准确。
本实施例中,通过比较两个计量结果,能够达到校验电能表的目的。根据第一计量结果和第二计量结果的绝对误差或相对误差来检验电能表是否合格,方法简单,便于操作。
在一个实施例中,该电能表校验方法还包括:基于条码特征从电能表图像中确定出条码区域,
在条码区域内进行逐行扫描,识别出所有符合条码行特征的数组;
根据所有符合条码行特征的数组计算出条码条空宽度的平均值,基于平均值并根据条码编码规则识别出对应的条码字符并保存。
其中,条码用于对作为资产的电能表进行标识,指的是将宽度不等的多个黑条和空白,按照一定的编码规则排列,用以表达一组信息的图形标识符。本实施例中可以采用EAN8条码。EAN8条码指的是8位数的一维条码,EAN8条码只能对数字进行编码,不能编码字母或其他字符。
在一个实施例中,基于条码特征从电能表图像中确定出条码区域,包括:对获取到的彩色的电能表图像进行灰度化处理,基于对宽度不等的多个黑条和空白进行识别,从电能表图像中确定出条码区域,将条码区域从电能表图像中分割出来,得到条码图像。
灰度化后的条码图像中的像素点共有256个灰度值,灰度值的范围为0到255。
进一步地,对条码图像进行二值化,得到条码图像的二值图像。具体地,电子设备将灰度化后的条码图像中每个像素点的灰度值与灰度阈值进行比较,若像素点的灰度值小于该灰度阈值,则将该像素点的灰度值设置为0,否则,将该像素点的灰度值设置为255,得到条码图像的二值图像。
具体的,根据一维条码的特点,条码图像由黑条和空白组成,黑条(也就是深色模块)用“1”表示,空白(也就是浅色模块)用“0”表示。在灰度化后的条码图像中,黑条和空白的像素值不是二值的“0”和“255”,通过二值化将条码图像中的像素点的灰度值设置为0或255,使得黑条与空白的黑白对比效果更加明显,从而将黑条和空白区分开。
在一个实施例中,在条码区域内进行逐行扫描,识别出所有符合条码行特征的数组,包括:电子设备按行遍历条码图像的二值图像,从第一个像素点开始,遇到像素值与其上一个像素值不相等的像素点时,记录该像素点的位置,得到一数组;对该数组做前向差分运算,得到黑条或空白的宽度;统计黑条或空白的数量,如果黑条或空白的数量符合EAN8条码的编码规则,则保留该数组,否则舍弃该数组。
在一个实施例中,根据所有符合条码行特征的数组计算出条码条空宽度的平均值,基于平均值并根据条码编码规则识别出对应的条码字符并保存,包括:将所有符合条码行特征的数组的黑条和空白的宽度相加取平均值,得到单位模块宽度,然后将每个黑条或空白的宽度除以单位模块宽度,得到条空比例;根据条空比例和EAN8条码的编码规则识别出对应的条码字符并保存。
其中,EAN8条码的条码特征为字符结构由八部分组成:左侧空白区、起始符、左侧数据符(4位数字)、中间分隔符、右侧数据符(3位数字)、校验符(1位数字)、终止符、右侧空白区。
在一个实施例中,识别条码后,根据条码从存储在终端或服务器中的设备资产台账中获取对应电能表的台账信息,例如电能表的生产厂家、出厂日期、投运日期、保修期,用于后续对数据进行比对和核对等统计分析工作。
本实施例中,通过EAN 8条码编码规则,能够识别出对应电能表的条码字符,根据条码字符获取到对应电能表的台账信息。
参考图7,在一个实施例中提供了一种电能表校验***,该电能表校验***包括终端、电能表和计量校验仪。
其中,电能表包括DTZ568、ISKRA WG.MT831、ISKRA WG.MT860、Landis+Gyr E850、Landis+Gyr E650、EDMI2000-6E20、EDMI2000-0400、EDMI2000-0420、EDMIMk6E、SchneiderION8650、ZMQ202C.4r4af6、ZMD405CT44.0457.B2、MK6E、DTSD3000等型号。
计量校验仪包括计量仪器MTE PWS3.3和Accupo AP2003L手持式无线二次压降及负荷测试仪等型号。
终端内置有高清摄像头,终端包括图像识别模块,图像识别模块包括图像采集单元、图像识别单元、数据报表单元、基础数据单元和用户中心单元。
图像采集单元用于采集图像。终端通过高清摄像头对电能表和计量校验仪进行现场拍照,或者终端选择预先拍好并保存的图片,采集到电能表图像和标准校验图像。
图像识别单元用于识别图像。终端基于Tensorflow和Opencv开源机器学习框架训练神经网络,将采集的电能表和计量校验仪的图像与人工标记了对应外观结构、资产身份标识和显示读数的电能表和计量校验仪的图像进行对照、分析、训练,从而提高数据的识别准确率,使用训练后的神经网络模型对电能表图像中的电能表的外观结构、资产身份标识和显示读数分别进行识别,得到用于显示电能表读数的第一计量结果,并对标准校验图像中的计量校验仪的外观结构、资产身份标识和显示读数分别进行识别,得到用于显示计量校验仪读数的第二计量结果。该第一计量结果和第二计量结果用于确定电能表校验结果。
该电能表校验***目前已经能够识别一些电能表类型,随着***的应用扩展,对于未能识别的电能表型号,通过对其进行特征设定,将设定完成的信息进行保存至***,能够实现可识别的电能表类型的增加。对于已经能识别的电能表型号,通过设定新的坐标调整其身份标识区域和显示读数区域的位置,能够实现表型维护。
图像识别模块还包括统计分析单元。统计分析单元用于对计量数据、计量准确率、校验历史数据、校验误差趋势等进行统计和分析,便于对电能表的校验数据进行多维对比分析和展示。其中,计量数据包括第一计量结果、第二计量结果,对多组计量数据进行计算,得到计量准确率;校验历史数据包括电能表校验结果,对多组电能表校验结果进行计算,得到校验误差,分析出校验误差趋势。
基础数据单元用于管理电能表和计量校验仪的基础数据。终端通过提前将电能表和计量校验仪的生产厂家、出厂日期、投运日期等基础数据以表格模板的形式批量导入***中,在识别出的电能表和计量校验仪的身份标识后,根据身份标识在终端或服务器中关联查询出对应的基础数据。
数据报表单元用于展示识别出的数据,并按照指定模板将数据导出。数据报表用于展示识别出的包括但不限于电能表的型号、身份标识、表盘示数与计量校验仪的型号、身份标识、表盘示数等电能表数据和计量校验仪数据,还用于将识别出的数据与对应的电能表和计量校验仪的基础数据关联显示,并按照指定模板将关联后的数据导出,便于相关计量数据可以进一步导入到其他应用***。
用户中心单元用于管理用户信息。考虑到电力计量校验数据的安全性和保密性要求,以及结合校验现场的网络环境条件(例如,部分场站地点的网络条件较差,存在电磁干扰),目前设计的该电能表校验***可以支持在线和离线工作模式,在不连接外部网络的条件下也可以利用本地的数据库进行正常的功能操作,同时具备用户管理功能,包括新增用户、设置密码、修改密码等。
上述电能表校验***采用图像识别技术,通过终端对电能表及计量校验仪进行工作图像采集,自动识别电能表和计量校验仪的型号、资产编码、铭牌参数等信息,形成具有图片、识别信息、业务信息在内的详细的电能表现场校验数据档案。该***还能够实现数据实时交互,自动填写电能表的表盘示数,核对电能表业务处理的表盘示数信息;还能够对图像识别电能表校的计量数据、准确率、校验历史、误差趋势等进行统计和分析。
参考图8,上述电能表校验***采用如图8所示的电能表校验方法,该方法包括连接装置、开始校验、数据采集、数据识别、数据保存、数据分析等步骤。
步骤一、连接装置。连接电能表和计量校验仪准备校验,开启计量校验仪的电源,连接计量校验仪端测试线、电能表端测试线等。
步骤二、开始校验。根据电能表校验规程,设置校验参数,开始校验。
步骤三、数据采集。采集电能表图像和标准校验图像,可以通过智能移动作业终端进行现场拍取电能表和计量校验仪的图片或者选择预先拍取的电能表和计量校验仪的图片。图像采集过程中,基于待识别电能表的结构进行外观轮廓建模,实现动态加载电能表轮廓线,辅助指导使用者高效对准被采集的对象,实现仪表数据拍照过程中的目标检测、自动对焦,为进一步的数据预处理、切割等提高准确率和效率。
步骤四、数据识别。首先,对前期采集的电能表和计量校验仪图像数据进行训练,达到预期的识别准确率后,将识别算法包封装为图像识别模块;基于图像识别模块,进行目标仪表(电能表或计量校验仪)的外观结构、资产身份标识和显示读数识别;最后根据计量校验仪的记录表格及格式要求,综合基础信息数据和校验记录数据进行自动化融合整理。
(1)数据训练。数据训练过程基于BP神经网络算法开展,BP神经网络是在神经网络的基础上融合了误差反向传播算法(Error Back Propagation Algorithm)算法,将提取的图像数据特征输入神经网络,通过前期收集的样本训练集和待检测的测试集进行强化训练,获得最终的识别结果。
具体包括:读入电能表及计量仪器的训练数据,训练样本、训练样本标签;神经网络配置,参数(各层节点数、各层权值学***滑化;数据训练:17000个数据量的训练集;前向过程,后向过程(反馈调整各层权重和偏移量);验证测试:10000个数据量的测试集,获取正确率。
(2)数据识别。包括对外观结构、资产身份标识、显示读数进行识别。
对数据进行外观识别判断电能表或者仪器的型号,具体计算方法为:使用OpenCV软件的函数double ArcLength(const void curve,CvSlice slice=CV_WHOLE_SEQ,intis_closed=-1);计算轮廓周长或曲线长度。输入参数curve为曲线点集序列或数组;slice为曲线的起始点,缺省则计算整个曲线的长度;is_closed表示曲线是否闭合,有三种情况:is_closed=0,假设曲线不闭合,is_closed>0假设曲线闭合,is_closed<0假设曲线是序列;检查((CvSeq*)curve)->flags中的标识CV_SEQ_FLAG_CLOSED来确定曲线是否闭合。函数cvArcLength通过依次计算序列点之间的线段长度,并求和来得到曲线的长度。基于得到的电能表轮廓曲线长度匹配电能表型号。
对资产身份标识进行识别包括条码识别、二维码识别、NFC标签识别、RFID标签识别等来判断电能表和计量校验仪的资产信息。对采集到的彩色图像进行灰度化处理,取得所要识别的表所在区域。根据条码特征、二维码特征、NFC标签特征、RFID特征识别电能表身份信息。
基于图像识别技术,对表读数进行识别。经过图像轮廓提取算法定位到表盘字符区域,利用卷积神经网络模型,对表盘读数进行识别。
(3)信息融合。根据业务规则进行信息融合整理,对数据信息在一定准则下加以自动分析、综合处理。
步骤五、数据保存。对识别后的数据信息保存到本地数据库,同时支持在线连接时手动同步到计量业务***。
步骤六、数据分析。基于识别的数据,自动计算电能表校验误差,并自动生成校验数据记录,生成数据报表;对识别后的电能表信息进行整理,对电能表校验误差率进行训练统计,形成电能表信息档案,支持多维度对比分析,及时发现电能表的计量误差和变化趋势,指导调整。
步骤七、完成校验。
上述电能表校验方法,通过终端对电能表、计量校验仪进行拍照,形成图像。采用图像识别技术,自动识别图像中的电能表、计量校验仪的外观结构、资产身份标识、显示读数等信息提取数据并保存;对数据识别、融合后的数据自动生成报告、自动计算误差数据,生成数据报表,并提供统计分析、基础信息管理和用户信息管理维护等功能。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电能表校验方法的电能表校验装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电能表校验装置实施例中的具体限定可以参见上文中对于电能表校验方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种电能表校验装置900,包括:获取模块902、确定模块904和识别模块906,其中:
获取模块902,用于获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定模块904,用于确定电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
识别模块906,用于根据与电能表型号对应的数显区域位置,对电能表图像中的表盘示数进行识别,得到第一计量结果;
识别模块906,还用于对标准校验图像中的表盘示数进行识别,得到第二计量结果;
确定模块904,还用于根据第一计量结果和第二计量结果,确定电能表校验结果。
在一个实施例中,识别模块906还包括目标数显区域识别模块,用于根据与电能表型号对应的数显区域位置,在电能表轮廓所包围的区域内确定目标数显区域;基于目标数显区域进行表盘示数识别,得到第一计量结果。
在一个实施例中,目标数显区域识别模块还用于从电能表图像中划分出包括有目标数显区域的目标数显图像;确定目标数显图像中的单数字区域;去除单数字区域中面积不符合预设条件的连通区域;对剩余的连通区域进行特征提取,并基于提取的特征对单数字区域中的整字和半字进行识别,得到第一计量结果。
在一个实施例中,目标数显区域识别模块还用于对目标数显图像二值化,得到目标数显投影曲线;遍历目标数显投影曲线,提取最低点坐标;计算两个最低点的横坐标间距,判断是否符合预设条件;将符合预设条件的两个最低点之间的区域从目标数显图像中分割出来,得到多个单数字区域。
在一个实施例中,确定模块904还用于对第一计量结果和第二计量结果作差并取绝对值;若绝对值相对于第二计量结果不超过设定阈值,则判定电能表计量准确。
在一个实施例中,识别模块906还用于基于条码特征从电能表图像中确定出条码区域;在条码区域内进行逐行扫描,识别出所有符合条码行特征的数组;根据所有符合条码行特征的数组计算出条码条空宽度的平均值,基于平均值并根据条码编码规则识别出对应的条码字符并保存。
上述电能表校验装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种电子设备,该电子设备可以是终端,其内部结构图可以如图10所示。该电子设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电能表校验方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种电子设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电能表校验方法,其特征在于,所述方法包括:
获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定所述电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果;
对所述标准校验图像中的表盘示数进行识别,得到第二计量结果;
根据所述第一计量结果和所述第二计量结果,确定电能表校验结果。
2.根据权利要求1所述的方法,其特征在于,所述根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果,包括:
根据与所述电能表型号对应的数显区域位置,在所述电能表轮廓所包围的区域内确定目标数显区域;
基于所述目标数显区域进行表盘示数识别,得到第一计量结果。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标数显区域进行表盘示数识别,得到第一计量结果,包括:
从所述电能表图像中划分出包括有目标数显区域的目标数显图像;
确定所述目标数显图像中的单数字区域;
去除所述单数字区域中面积不符合预设条件的连通区域;
对剩余的连通区域进行特征提取,并基于提取的特征对所述单数字区域中的整字和半字进行识别,得到第一计量结果。
4.根据权利要求3所述的方法,其特征在于,所述确定所述目标数显图像中的单数字区域,包括:
对所述目标数显图像二值化,得到目标数显投影曲线;
遍历目标数显投影曲线,提取最低点坐标;
计算两个最低点的横坐标间距,判断是否符合预设条件;
将符合预设条件的两个最低点之间的区域从所述目标数显图像中分割出来,得到多个单数字区域。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一计量结果和所述第二计量结果,确定电能表校验结果,包括:
对所述第一计量结果和所述第二计量结果作差并取绝对值;
若绝对值相对于第二计量结果不超过设定阈值,则判定电能表计量准确。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
基于条码特征从所述电能表图像中确定出条码区域;
在所述条码区域内进行逐行扫描,识别出所有符合条码行特征的数组;
根据所有符合条码行特征的数组计算出条码条空宽度的平均值,基于所述平均值并根据条码编码规则识别出对应的条码字符并保存。
7.一种电能表校验装置,其特征在于,所述装置包括:
获取模块,用于获取对电能表进行拍摄所得到的电能表图像,以及获取对计量校验仪进行拍摄所得到的标准校验图像;
确定模块,用于确定所述电能表图像中的电能表轮廓,基于电能表轮廓确定电能表型号;
识别模块,用于根据与所述电能表型号对应的数显区域位置,对所述电能表图像中的表盘示数进行识别,得到第一计量结果;
所述识别模块,还用于对所述标准校验图像中的表盘示数进行识别,得到第二计量结果;
所述确定模块,还用于根据所述第一计量结果和所述第二计量结果,确定电能表校验结果。
8.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289551.0A CN114047471A (zh) | 2021-11-02 | 2021-11-02 | 电能表校验方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289551.0A CN114047471A (zh) | 2021-11-02 | 2021-11-02 | 电能表校验方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114047471A true CN114047471A (zh) | 2022-02-15 |
Family
ID=80206864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111289551.0A Pending CN114047471A (zh) | 2021-11-02 | 2021-11-02 | 电能表校验方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114047471A (zh) |
Citations (12)
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 |
CN103278794A (zh) * | 2013-05-23 | 2013-09-04 | 广州供电局有限公司 | 电能表现场校验仪的智能集控方法、装置和*** |
CN107153848A (zh) * | 2017-06-15 | 2017-09-12 | 南京工程学院 | 基于OpenCV的仪表图像自动识别方法 |
CN109344820A (zh) * | 2018-08-06 | 2019-02-15 | 北京邮电大学 | 基于计算机视觉和深度学习的数字式电表读数识别方法 |
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及*** |
CN109975740A (zh) * | 2019-05-13 | 2019-07-05 | 广东省计量科学研究院(华南国家计量测试中心) | 一种电能表校验装置的检定监控*** |
CN110646759A (zh) * | 2019-11-07 | 2020-01-03 | 广东电网有限责任公司 | 一种电能表校验方法、***及设备 |
CN110688900A (zh) * | 2019-08-27 | 2020-01-14 | 国网河北省电力有限公司电力科学研究院 | 一种基于图像识别的撤回表计管理方法 |
CN111539330A (zh) * | 2020-04-17 | 2020-08-14 | 西安英诺视通信息技术有限公司 | 一种基于双svm多分类器的变电站数显仪表识别方法 |
CN112686264A (zh) * | 2020-12-31 | 2021-04-20 | 中广核研究院有限公司 | 数字式仪表读数方法、装置、计算机设备和存储介质 |
CN112731242A (zh) * | 2020-12-23 | 2021-04-30 | 国网辽宁省电力有限公司电力科学研究院 | 一种电能质量在线监测装置现场校验仪的校验方法 |
CN113139541A (zh) * | 2021-04-24 | 2021-07-20 | 西安交通大学 | 一种基于深度学习的配电柜表盘数码管视觉识别方法 |
-
2021
- 2021-11-02 CN CN202111289551.0A patent/CN114047471A/zh active Pending
Patent Citations (12)
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 |
CN103278794A (zh) * | 2013-05-23 | 2013-09-04 | 广州供电局有限公司 | 电能表现场校验仪的智能集控方法、装置和*** |
CN107153848A (zh) * | 2017-06-15 | 2017-09-12 | 南京工程学院 | 基于OpenCV的仪表图像自动识别方法 |
CN109344820A (zh) * | 2018-08-06 | 2019-02-15 | 北京邮电大学 | 基于计算机视觉和深度学习的数字式电表读数识别方法 |
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及*** |
CN109975740A (zh) * | 2019-05-13 | 2019-07-05 | 广东省计量科学研究院(华南国家计量测试中心) | 一种电能表校验装置的检定监控*** |
CN110688900A (zh) * | 2019-08-27 | 2020-01-14 | 国网河北省电力有限公司电力科学研究院 | 一种基于图像识别的撤回表计管理方法 |
CN110646759A (zh) * | 2019-11-07 | 2020-01-03 | 广东电网有限责任公司 | 一种电能表校验方法、***及设备 |
CN111539330A (zh) * | 2020-04-17 | 2020-08-14 | 西安英诺视通信息技术有限公司 | 一种基于双svm多分类器的变电站数显仪表识别方法 |
CN112731242A (zh) * | 2020-12-23 | 2021-04-30 | 国网辽宁省电力有限公司电力科学研究院 | 一种电能质量在线监测装置现场校验仪的校验方法 |
CN112686264A (zh) * | 2020-12-31 | 2021-04-20 | 中广核研究院有限公司 | 数字式仪表读数方法、装置、计算机设备和存储介质 |
CN113139541A (zh) * | 2021-04-24 | 2021-07-20 | 西安交通大学 | 一种基于深度学习的配电柜表盘数码管视觉识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salomon et al. | Deep learning for image-based automatic dial meter reading: Dataset and baselines | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN113837151B (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
US11657644B2 (en) | Automatic ruler detection | |
CN111814740B (zh) | 指针仪表读数的识别方法、装置、计算机设备和存储介质 | |
CN111259903A (zh) | 识别表计示数方法、装置、可读存储介质和计算机设备 | |
CN114758249A (zh) | 基于野外夜间环境的目标物监测方法、装置、设备及介质 | |
CN111353502B (zh) | 数字表识别方法、装置以及电子设备 | |
CN107945237A (zh) | 多尺度标定板 | |
CN114549513A (zh) | 零件识别方法、装置、质检方法、电子设备及存储介质 | |
CN116543376B (zh) | 一种指针式仪表读数方法和*** | |
CN111062448B (zh) | 设备类型的识别模型训练方法、设备类型识别方法和装置 | |
CN112329845A (zh) | 更换纸币的方法、装置、终端设备及计算机可读存储介质 | |
CN111382710A (zh) | 一种基于图像识别的图纸比对方法 | |
CN114047471A (zh) | 电能表校验方法、装置、电子设备和存储介质 | |
CN108564571B (zh) | 图像区域选取方法及终端设备 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN109190489A (zh) | 一种基于修复自动编码器残差的异常人脸检测方法 | |
CN115631169A (zh) | 产品检测方法、装置、电子设备及存储介质 | |
CN114913118A (zh) | 工业视觉检测方法、装置、电子设备以及存储介质 | |
CN115311447A (zh) | 一种基于深度卷积神经网络的指针式仪表示数识别方法 | |
CN114913350A (zh) | 素材查重方法、装置、设备及存储介质 | |
CN114037993A (zh) | 变电站指针仪表读数方法、装置、存储介质以及电子设备 | |
CN207882968U (zh) | 多尺度标定板 |
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 |