基于机器视觉的电力线路杆塔标牌自动识别方法研究

黄肖为+吴健儿+倪晓璐+周铭权+孟庆铭+陈静怡

摘 要：文章针对电力现场自动巡检领域，提出了一种基于机器视觉的电力线路杆塔标牌自动识别方法，实现了图像灰度化处理、标牌定位、字符提取与识别，尤其在边缘检测算法等方面进行详细比对与选择，最终取得了比较好的实际效果。

关键词：电力线路；机器视觉；标牌；自动识别

中图分类号：TM769 文献标志码：A 文章编号：2095-2945（2018）03-0084-02

Abstract： In this paper， an automatic recognition method of power line tower and tower sign based on machine vision is proposed， which realizes image grayscale processing， sign location， character extraction and recognition， especially in the edge detection algorithm and other aspects of detailed comparison and selection， and has finally achieved better practical results.

Keywords： power line； machine vision； sign； automatic recognition

1 概述

電力线路杆塔是架设输电导线的刚性支撑结构，是电网的线路节点，在杆塔周围建有重要的电力设施，因此定期检测杆塔本身的稳固状态、电力设备的状况及周边环境是电网巡检的主要任务。

传统的人工巡检方式无法准确把握电力线路的状态，只能在发生严重电网故障时才会发现，这将严重影响电网的稳定性。因此以自动识别技术为核心的自动巡检成为了当前电力巡检的新方式。

当前基于RFID的电子标签与基于二维码识别的自动识别技术已经应用到电力自动巡检中，但这二种方式都存在必须要对现有设备进行改造，从而会增加较高成本。考虑到电力线路杆塔都具有标牌，利用杆塔牌照的唯一性编号，通过机器视觉技术进行图像分割与字符提取以获得查询现场巡检关键信息，具有很好的实际价值。

2 自动识别算法原理

自然场景中的文字提取目前最为广泛的应用场景是车牌识别，其作为车辆检测系统和交通自动化管理的重要环节，是开发智能交通系统的关键技术。杆塔标牌图片的字符提取与车牌识别同属于图像字符识别算法的范畴，图像字符识别算法并不是一个单一的算法，而是多个过程的集合，每个过程由不同的算法实现，每一部分的算法实现都关系着整体的准确性与效率，下面是各个部分的主要功能：

（1）标牌定位：对目标区域进行分析，找出能够区分牌照与背景的特征信息，按照一定的算法流程，分割出牌照区域。

（2）字符分割：将得到的牌照图像进行字符分割和归一化处理，把分割出的单个字符送到后续模块进行识别。

（3）字符识别：对分割出的字符，与标准字符模板进行匹配，求得一个匹配值，最终将最佳匹配结果作为该字符图片代表的文字。

杆塔标牌与车牌都拍摄于自然场景下，文字区域相对较小，背景复杂，受光照天气等影响较大，基于以上相同点，在算法实现流程上大体相似，但两者又存在差异：

（1）杆塔标牌分为两行文字，中间由分隔符隔开，上下文本字体间距不同，上行文本易膨胀粘连，下行文本在相同膨胀系数下不易粘连，而车牌文字排列整齐，字体间距较小只有固定一行。

（2）杆塔标牌旁边有一块提示标牌，同样含有文本信息，在提取文字时易与有效信息混淆，无法正确区分筛选。

（3）杆塔标牌背景为边缘清晰、面积较大的铁塔塔杆，使用边缘提取算法时将含有大量无用边缘信息。

分析可得，杆塔标牌字符提取无法直接使用车牌识别算法，需要针对图片的差异，在车牌识别算法的基础上进行改进和调整。

3 自动识别算法实现过程

3.1 灰度化处理

图像的灰度化是指将彩色图像转化为灰度图像。彩色图像每个像素的颜色由R、G、B三个分量组成，即红、绿、蓝三种颜色。对RGB进行灰度化，就是对图像的RGB三个分量进行加权平均得到最终的灰度值。本文采用加权平均法，即 Gray=0.11B+0.59G+0.3R。

3.2 标牌定位

（1）边缘检测算法

边缘检测方法是指提取图像局部变化最显著的部分，局部变化则是以某个邻域内灰度变化为情况为标准，来标识图像中的边缘信息。获取图像中的边缘信息，就是根据二维灰度矩阵梯度向量，用离散化梯度逼近函数来寻找图像灰度矩阵的灰度跃变像素位置，将这些像素点连接起来就构成了图像边缘。图像边缘检测是目标提取、纹理特征和形状特征提取的重要基础，它主要存在于目标与背景之间，是图像中的基础特征之一。边缘检测的目的是为了提取感兴趣区域，摒弃那些并不重要的信息，保存图像的结构属性。

在实际情况中，受噪声、光线的影响，很少有理想的灰度阶跃和线条清晰的边缘，同时，传感器的低频滤波特性使得阶跃边缘变为斜坡，看起来其中的强度变化不是瞬间的，而是有时间差的。这就使得滤波是进行边缘检测的首要工作。

a.滤波：边缘检测利用边缘的灰度变化特点，对图像各个像素点求微分或二阶微分来定位边缘，但微分通常对噪声很敏感，因此为了改善边缘检测器的性能，必须采用合适的滤波器减少噪声影响。常见的滤波方法主要有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。

b.增强：滤波器在降低噪声时，也导致边缘强度的损失。增强算法是将图像邻域中灰度有显著变化的点凸显出来。边缘增强的基础是计算图像像素点邻域的灰度强度变化值，编程时通过计算梯度幅值。endprint

c.检测：经过增强的图像，往往存在较多梯度值大的像素点，这些点并不都是边缘点，所以在实际工程中，采用某种方法来对这些点进行取舍。常用的方法是梯度幅值阈值判定。

在边缘检测过程中，一般采用Canny算法、Sobel算法与Roberts算法。其中Canny算法由于精确度较高，对于杆塔上的污点及结构褶皱也能检测出细小的边缘，检测出的文字轮廓清晰且连续，但是背景存在过多无用细节；Sobel边缘检测比较清晰，无用边缘细节较少，已经实现了较好的效果，但是和Roberts边缘检测结果相比，Roberts算法轮廓更加连续，线条更简洁清晰，因此通过比较分析，本文选取Roberts算子进行边缘检测。

（2）图像二值化

杆塔标牌经边缘检测之后，标牌上的字符边缘已经显现出来，为了加强边缘与背景的对比度，减少噪声的影响，需要对杆塔图像进行二值化处理。图像的二值化就是将像素点的灰度值设置为0或255，这样使整个图像呈现出明显的黑白效果。二值化方法有很多，主要包括迭代閾值法、最大类间方法（OTSU）、自适应阈值法等、最大熵阈值法，本文采取OTSU算法，主要是求得最佳门限阈值，利用此阈值将图像灰度分割成黑白两部分，使得两部分类间方差取得最大值，并使类内方差值最小，也即类间分离性最大，类内的相似性最大。

（3）膨胀与腐蚀算法

膨胀是指将图像中的一部分区域A与核B进行卷积，即计算核B覆盖的区域的像素点最大值，并把得到的最大值付给参考点指定像素。膨胀使得图像较亮区域的面积增大，在通常情况下，目标区域会被背景、阴影、噪声分割成多个部分，通过膨胀算法可以使得相邻区域连通起来。腐蚀是膨胀算法的对偶运算，腐蚀操作，是将核B划过图像，将核B覆盖的区域最小像素值提取，并替代锚点位置的像素。腐蚀算法可以去除图像中较小的孤立色块、噪声和细小边缘。

（4）矩形轮廓查找与筛选

通过对杆塔图像的形态学运算，图中保留了大块连通区域和小块的独立区域，这些区域与杆塔牌照混合在一起，为此，需要根据标牌特点的先验知识进行形状筛选，以最终定位到杆塔标牌所在的矩形区域。

本文经过多次实验对大量样本进行对比分析，发现标牌文字区域经过腐蚀膨胀算法后，有以下显著特点：文字区域的第一行为连通矩形区域；提示标语经过膨胀算法，与上部圆形区域连通，形成面积较大的连通区；杆塔部分边缘已经剔除，剩下的是不规则的高度较大连通色块；经过筛选后的剩余区域，文字区域宽度最大；文字部分第一行高度近似为文字区域宽度的1/2。

3.3 字符提取与识别

定位出标牌位置后，要进一步进行文字分割提取，但无需再做形态学处理，过程依然与标牌定位流程相同，依次是灰度化、轮廓检测、二值化、膨胀腐蚀、自定义筛选、定位。

提取出干净的文字块并二值化后，接下来需要进行光学字符识别。进行识别之前首先要有一套标准字库模板作为参考，然后将提取出来的字符图片与每个模板进行某种算法的匹配，求得一个匹配值，最终将最佳匹配结果作为该字符图片所代表的字符。本文将采用Tesserac-Ocr作为字符识别库，Tesserac-Ocr是Google支持的开源项目，支持多种语言的识别，并且识别率非常高。

4 结束语

本文针对电力线路杆塔标牌这一特殊对象，提出了基于机器视觉的自动识别方法，并通过大量的实际图片采集、处理与分析，选取了合适的图像分割与字符识别方法，已经取得了比较好的实际应用效果。

参考文献：

[1]陈静怡.基于杆塔图像识别查询的电网巡检系统[D].杭州：浙江大学，2017.

[2]魏武，张起森，王明俊，等.一种基于模板匹配的车牌识别方法[J].中国公路学报，2001，14（1）：104-106.

[3]顾胜兰.自然场景下的文本定位与提取[D].上海：上海交通大学，2009.

[4]晋瑾，平西建，张涛，等.图像中的文本定位技术研究综述[J].计算机应用研究，2007，24（6）：8-11.

[5]郭志红.基于机器视觉的组培苗自动化识别方法研究[J].科技创新与应用，2017（19）：20+22.

[6]王茂盛.TFDS图像自动识别系统框架设计与实现[J].科技创新与应用，2013（06）：23-24.endprint