基于特征识别与自动校正技术的智能电表检定方法研究

梅迎华，马莉

（洛阳市质量计量检测中心，河南洛阳 471000）

在电力交易过程中，智能电表起到了度量电费的作用。截至2020 年底，我国智能电表的应用数量已超过10 万只[1-2]。随着智能电表的推广，电网运营单位也开始逐步试点其自动校正功能，包括智能电表状态、数据误差及缺陷的自动检测[3-4]。目前，电表主要由人工进行校正检定，工作效率低且容易出错。伴随着人工智能技术的快速更新迭代，基于机器视觉的智能电表检定方法取得了长足发展[5]。国外已经研制出了智能电表的厂内检测技术，而国内也开始了智能电表检定的生产研发工作[6]。在机器学习领域，智能检定工作涉及电子、自动化等众多学科，是一种能够通过视觉系统获得外界信息，并用于模拟生物视觉功能的科学技术[7-8]。近年来，从事于智能电表产品研发的团队层出不穷。其中，著名学者康奈教授研发出了能够实现高清采集图像的定位检测算法，该算法具有抗干扰性强、精度高等特点，并可兼容多种类型的仪器仪表[9-11]。但现阶段智能电表的检定方法在海量数据的应用场景下仍表现出了精度与效率均较低的问题[12-13]。

文中以智能电表为研究对象，通过图像处理技术对采集到的电表信息进行预处理，提取智能电表的典型特征；然后在定位传感器的控制作用下，准确定位工作区域，并对电表进行校正，从而提高检测精度；通过图像比最终实现对智能电表的检定。

1 智能电表特征识别与自动校正

1.1 特征识别

受外界干扰的限制，原始图像无法直接应用，故需经过灰度化、去噪、二值化和校正等步骤进行处理，其目的是通过削弱非重要特征来增强智能电表的重要特征[14-15]。此外，在该研究中，采集到的电表图像会受噪声、畸变等因素的影响，这将导致智能电表的检定与分析出现误差，因此，在采集智能电表的图像特征之前，需事先对采集到的图像信息进行处理，增加智能电表图像信息的检定精度。

图像灰度化是将R、G、B三个分量转化为灰度图像，其原理是把每个像素所占的字节数压缩，以减小系统的计算量，从而提高系统的运算速度[16]。图1 所示为24 位深度彩色的RGB 示意图，其中每个颜色的分量各占1 字节，且像素点为2563。在将彩色图像转化为灰色图像后，该图像仅有八位图像深度，由此可知其计算量大幅降低[17]。

图1 24位深度彩色RGB示意图

采用加权平均值法进行图像灰度化处理，即分别赋予R、G、B不同的权重。再通过加权平均的方法计算图像的灰度值，其采用的计算公式为：

式中，α、β、γ分别代表不同颜色分量的权重值，且有β＞α＞γ。

采集到的电表图像通常带有噪声，其会对图像的处理与识别造成干扰，故需进行去噪处理，该步骤在预处理过程中具有重要的作用。自适应平滑处理方法与线性平滑处理方法是常见的图像去噪处理方法，被广泛应用于智能识别领域。对于去噪技术而言，图像可以被看成特殊的二维信号，而频域滤波技术是当前较为热门的去噪算法。假设存在原始图像g(x,y)，其经过傅里叶变换之后变为G(x,y)，再由滤波函数完成频谱调整可得到F(u,v)，通过对其进行逆变换，得到图像f(x,y)，各个函数之间的具体关系如下：

式中，D(u,v)表示滤波系统的传递函数。合适的传递函数是构造滤波函数的关键，而理想的低通滤波函数应满足：

式中，M(u,v)=。

为了改善图像二值法的效果，需要进行局部二值化处理，即将图像分为若干个子块，再计算每个子块的阈值并确定阈值的像素，从而建立随像素位置改变而变化的函数，以取得更优的效果。

1.2 自动校正

通常在定位传感器的控制作用下，能够准确定位出电表的工作区域。但由于电表制作技术的限制，经常无法完全检测出准确位置，即实际情况与预测位置会存在一定偏差，因此需要加以校正，以提高其检测精度。自动校正的内容包括以下三个方面：1）旋转校正；2）裁剪冗余部分；3）图像归一化处理。

首先，检测智能电表的倾斜角度，当发生倾斜时，自动旋转其角度。由于是以电表边框来作为检测的标准，故需提前确定液晶屏的位置A、B、C、D。首先将电表液晶屏看作矩形，计算其倾斜角。以点A与B为例，线段AB的斜率可表示为：

则倾斜角可表示为：

同理，可以计算出其余三条线段的倾斜角，然后应用旋转公式对智能电表进行校正，即按照中心点顺时针方向旋转整个电表，如图2 所示。

图2 旋转示意图

其次进行电表液晶屏定位，即通过逼近法检测电表液晶屏矩形轮廓，定位矩形四个角的位置，其具体步骤如下：

1）采集电表图像信息；

2）遍历轮廓序列，将序列存储在储存器中；

3）采用逼近法筛选矩形框，进而找到符合条件的轮廓，包括轮廓所包围的面积及角度；

4）获取角坐标，以定位电表液晶屏。

重复上述步骤的操作，找到筛选条件，即可精确定位液晶屏。具体的定位流程如图3 所示，需要注意的是，通过多次图像预处理可以进一步提高图像识别的准确率。

图3 电表液晶屏定位流程图

2 智能电表检定方法

2.1 模板匹配检测目标

模板匹配由图像特征、灰度匹配、匹配策略等关键点构成，图像特征即为图像的原始特征，如灰度、特征点等，灰度匹配由特征提取及灰度化操作完成，匹配策略则是从搜寻最优的位置开始，逐个匹配每个像素点，遍历整个特性图像。整个匹配过程计算量巨大，因此需要找到合适的匹配策略来降低计算量。基于图像灰度匹配的方法中，相似性函数主要有NCC(Normalized Cross Correlation)、SSDA(Sequential Similarity Detection Algorithm)等。由于归一化相似函数具有抗干扰性强等特点，因此被广泛应用于实际工程中。在NCC 函数中，匹配过程自上而下遍历每个像素点，记录相关值，寻找出最佳匹配位置，所用的计算函数为：

式中，i和j分别表示源图像上的坐标值，且该图像的尺寸为M×M，而模板图像的尺寸为N×N。

2.2 缺陷检定

当智能电表出现缺陷时，如何迅速、准确地提取缺陷并检定其类型，是当前缺陷检定所面临的关键问题。待检测的电表具有丰富的纹理及轮廓，要将特殊的背景图像分离出来，需要事先准备电表图像模板，将其与源图像作差分运算，以分割缺陷图像。

差分运算的关键是确保源图像与模板图像一致。假设S(x,y)、T(x,y)分别为源图像与模板图像，差分阈值为t，进行差分运算后，可得：

在进行智能电表缺陷检定时，源图像并未进行灰度化处理，所以为了提高检定的精度，需分别对R、G、B三通道图像进行合成与相加运算。

3 算例分析

采用计量中心专业试验台，对某地的智能电表进行检定。使用的智能电表为三相多功能智能标准电表，其规格为CL311V2，测量范围为电压57.7～380 V，电流0.5～100 A；交直流指示仪表检定装置型号为CL302C；检定实验室的温度为20 ℃，相对湿度为70%，检定频率为50 Hz。根据以上环境进行电表的识别与检定，其中表1 为智能电表的误差校验对比，而表2、表3 分别为电流互感器结果和电压互感器校验结果。

表1 智能电表误差校验对比

表2 电流互感器校验结果

表3 电压互感器校验结果

为进一步检定智能电表的缺陷类型，以寻找缺陷的重要特征，经数据统计发现，当缺陷面积大于1/3 时将严重影响识别结果，所以设定权值p的阈值为0.33。若权值高于阈值，则判断为面型缺陷；若权值低于阈值，则判断为线型缺陷，进而可得到表4 所示的实验数据。根据表4 中的测试结果，可判断1、2为线型缺陷，3、4、5、6 为面型缺陷，说明文中所提方法可以有效保障识别结果的准确性，同时可以大幅精简缺陷图像所占用的无效检测时间。文中所提检测方案实现的软硬件成本均较低，完全符合大规模工程应用要求。

表4 电表缺陷测试结果

通过以上测量结果表明，文中的智能电表检定方法在精度上符合误差要求，且具备成本低、检定速度快及精度高等特点。

4 结束语

为解决现有方法的不足，文中基于特征识别与自动校正技术，提出了一种智能电表检定方法。图像预处理环节主要包括图像灰度化、去噪、二值化和校正等步骤；而针对电表矩形特征的定位问题，提出了根据轮廓检测液晶屏的定位方法，采用差分运算方法对电表缺陷区域进行检定与校正。根据实验结果可以看出，所提方法具有更高的检定精度，同时检测效率也更高。但是文中的实验是在实验室进行的，并未完全仿真现场环境，因此下一步将研究带电运行智能电表的检定技术。