[发明专利]一种基于双SVM多分类器的变电站数显仪表识别方法

说明书

本发明提出一种针对变电站室内数显仪表的识别方法，解决了变电站对于室内数显仪表数据的智能识别问题，对于实现变电站设备自动化管理具有重要意义。其实现包括，仪表数字区域定位，其中主要使用多目标模板匹配方法；子图像预处理，其中包括图像灰度化、中值滤波、仿射变换、自适应二值化；对单个数字的分割，其中包括去除周围多余黑色背景、图像归一化和开闭运算；数字识别，其中包括采集样本训练第一个SVM多分类器，用mnist手写数字体数据集训练第二个SVM多分类器，然后用训练好的两个多分类器分别对数字0‑9进行识别，将得到的预测值加权后输出为最终的识别结果。本发明对于室内较远距离的监控设备拍摄画面中的仪表具有很高的识别准确度，可以通过摄像机远程监控并识别变电站室内数显仪表的示数变化情况，进一步实现高效的变电站设备运维和自动化管理。

技术领域

本发明属于图像检测和识别技术领域，主要涉及一种基于支持向量机(SVM)的变电站数显仪表的自动识别方法。

背景技术

电力系统支撑着整个社会的运转和发展，而变电站作为电力系统的枢纽，其运维和管理工作对于电力设备的安全运行和保证供电可靠性也显得至关重要。变电站保护室内有许多数显仪表，为了及时了解设备状态和供电情况需要人工巡检和手工记录各仪表读数。长期以来，电力工作人员为了能够实时掌握变电站仪表读数情况，实现无人值守，部署了大量高清摄像机，但是还是需要人工读取仪表读数和记录。这种方式费时费力，也不利于系统的自动化

由于变电站监控设备距离室内数显仪表较远且由于拍摄角度的问题，导致拍摄场景下的仪表在图片中占的面积比较小，而且发生一定程度的倾斜，经过放大后的数字发生严重的扭曲和形变，使用传统的穿线法或模板匹配法已经无法准确识别出数显仪表的读数。而近些年兴起的人工智能和深度学习在图像识别领域做出了重大突破，通过深度网络抽取目标特征加以识别的方法已经得到了广泛的应用。但是，深度学习网络训练起来比较费时，对于数显仪表的识别来说过于复杂。

基于此，本发明利用图像处理和支持向量机(SVM)作为多分类器实现对变电站中较远距离拍摄的数显仪表进行读数识别。这将对变电站实现自动化管理和运维具有重要的实践意义。

发明内容

本发明针对变电站中较远距离监控的数显仪表，提出一种自动识别仪表读数的方法。本发明实现了对变电站较远距离监控摄像机拍摄画面中多个数显仪表的定位和读数识别功能，具体流程见图1。

本发明的实现步骤包括：

步骤1：仪表数字区域定位和提取

由于监控摄像机距离仪表较远，一张监控画面中有多个背景为黑色，中间读数为红色的的小正方形区域，即为仪表所在位置，将这一区域作为模板图，对原图进行多模板匹配，即可定位一张监控图中所有的仪表所在位置。而数字区域在一个仪表上的位置是固定的，根据提前测量好的切割矩阵，将数字区域从仪表上提取出来；

步骤2：子图预处理

2a：灰度化：将三通道的RGB图像转换为灰度图；

2b：中值滤波：采用中值滤波法对灰度化的数字区域进行平滑去噪处理，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，对滤除一些很小的杂点很有效果；

2c：仿射变换：由于拍摄角度的问题，可能导致数字会有一定角度的倾斜，需要用仿射变换对数字区域进行校正；

2d：自适应二值化：再对上面步骤处理过的得到的灰度图采用最大类间方差法(OTSU)自适应阈值进行二值化，使得目标和背景的类间方差最大，这样的二值化使得目标和背景不容易被错分。

步骤3：单个数字分割

3a：按照仪表上读数的N位数字进行N等分，将数字单独分开；