[发明专利]基于巡检机器人的避雷器识别方法

说明书

本发明涉及一种基于巡检机器人的避雷器识别方法，巡检机器人获取现场避雷器图像；对待检测的目标区域进行粗定位和精确定位，筛选目标候选区域得到避雷器图像；提取数字区域，并对数字区域进行倾斜校正和图像预处理；采对目标区域进行分割操作，得到单个数字图像；提取图像特征，使用模板匹配方法对单个数字图像进行识别；判断单个数字图像与模板的匹配率是否高于设定的阈值，若是，则完成识别，若否，则调用训练好的人工神经网络重新识别单个数字图像；根据单个数字在图像中的坐标对其进行排序，得到避雷器数字显示部分的读数。本发明能在不同光照、姿态条件下有效完成避雷器检测识别任务，同时，在保持识别准确度的基础上提高了识别速度。

技术领域

本发明属于避雷器识别技术，具体涉及一种基于巡检机器人的避雷器识别方法。

背景技术

避雷器已经广泛应用于变电站领域。但由于受成本因素、工作条件限制，很多避雷器并没有专门的通信接口，导致无法自动识别读数，需要靠人工录入仪表读数。但人工录入仪表读数往往需要消耗大量的人力和时间，在长时间、高频度的工作环境下容易出错。因此人工录入避雷器读数具有效率低、可靠性差、风险大、智能化水平低等缺点。在这种情况下，基于计算机视觉技术通过图像处理、图像识别后自动提取出数值信息就成为必然趋势。

近年来，随着巡检机器人的推广，仪表数据的记录工作逐渐向自动化方向发展。目前关于避雷器的识别方法较多，然而多数的特征提取与识别都是基于理想的光照环境，一旦脱离这个前提，识别效果难以保证。且多数识别方法都是处理单一形态的数字，无法有效处理变电站中多种形态的数字。常用的避雷器识别方法中，模板匹配方法虽然实现简单、运算速度快，但在噪声干扰严重、实时环境复杂的情况下，模板匹配有一定的局限性。尤其真实环境中，光照条件、数字形态、环境噪声等均会对识别的数值精度造成影响。新兴的神经网络算法虽然具有一定的自适应、自学习和容错能力，但收敛速度慢，目标函数复杂。

发明内容

本发明的目的在于提出了一种基于巡检机器人的避雷器识别方法，解决现有避雷器识别方法识别能力与识别效率低的问题。

实现本发明的目的的技术方案为：一种基于巡检机器人的避雷器识别方法，包括以下步骤：

步骤1、利用避雷器仪表图像数据集训练Adaboost分类器，并为每个巡检点选取一张在该巡检点拍摄的仪表居中的图像作为模板图像，巡检机器人通过定位导航到达指定巡检点，获取现场避雷器图像用于避雷器检测识别；

步骤2、对待检测的现场避雷器图像进行粗定位和精确定位，筛选目标候选区域得到避雷器图像；

步骤3、提取数字区域，并对数字区域进行倾斜校正，对矫正后的图像使用中值平滑滤波抑制其中的椒盐噪声，然后进行灰度值均衡化与局部自适应二值化，消除由于光照不均匀对图像产生的影响，使数字呈白色，背景呈黑色；

步骤4、采用双向投影法对目标区域进行分割操作，得到单个数字图像；

步骤5、提取单个数字图像中的图像特征，使用模板匹配的方法对单个数字图像进行识别，判断单个数字图像与数字模板的匹配率是否高于设定的阈值，若是，直接执行步骤8，若否，则执行步骤6；

步骤6、将步骤1避雷器仪表图像数据集中的数字部分裁剪出来，对人工神经网络进行训练；

步骤7、调用训练好的人工神经网络重新识别单个数字图像；

步骤8、根据单个数字在图像中的坐标对其进行排序，得到避雷器数字显示部分的读数。

优选地，步骤2中对待检测的现场避雷器图像进行粗定位和精确定位，筛选目标候选区域得到避雷器图像的具体步骤为：

步骤2-1、利用梅林傅里叶变换和相位相关技术对待检测图片中的目标避雷器区域进行粗定位；