CN115690012A - 一种电能表接错线的检测方法 - Google Patents

Abstract

本发明公开了一种电能表接错线的检测方法，涉及电能表检测技术领域。传统的电能表错误接线检测需要经过训练的电工进行定期现场检测，这一依赖人力劳动的电表错误接线检测方法工作量大、效率低。本发明步骤包括构建电能表图像数据集，训练目标检测模型，检测接线区域，识别电线和接线顺序，判断接线是否正确。本方法通过图像检测方式快速直观地得出检测结果，相较于传统人工排查方式，人力物力投入少，大大降低了现场排查人员工作量，提高了检测效率。

Description

一种电能表接错线的检测方法

技术领域

本发明涉及电能表检测技术领域，尤其涉及一种电能表接错线的检测方法。

背景技术

电能表接线是电能表的重要组成部分，电能表错接线是常见的电能计量装置的缺陷之一，一旦电能表计量回路中出现了错误接线缺陷，就会严重影响电能计量装置的准确性，不仅会给电力用户和企业带来极大的经济损失还会引起用户和电力企业不必要的经济纠纷。

传统的电能表错误接线检测需要经过训练的电工进行定期现场检测，这一依赖人力劳动的电表错误接线检测方法工作量大、效率低。在电能表错误接线的自动检测方面，现有的自动检测方法主要利用传统的电力电子技术，获取电路中的多种数值并进行电路分析，从而推测出电能表接线状况。通过电路分析的方式需要采集较多电路参数，不够直观。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种电能表接错线的检测方法，以实现快速直观地接线检测，提升检测效率为目的。为此，本发明采取以下技术方案。

一种电能表接错线的检测方法，包括以下步骤：

1)构建电能表数据集：通过图像采集装置现场采集电表箱内部的照片，对于每一张电表箱内部照片，使用标注工具进行数据标注，包括标注所有电能表的位置、大小及其类型，以及每个电能表的接线区域的位置和大小，对于标注好的照片集，按比例分为训练集、测试集和评估集；

2)训练目标检测模型：模型检测的目标分为3类，包括单相电表、三相电表、电能表接线区域，模型输出对应目标的位置、大小，并绘制包围框，在训练集上训练模型，并在测试集上测试效果，选择拟合效果和泛化能力较好的模型参数，将训练好的模型固定用于电能表接线检测流程；

3)检测接线区域：当需要进行电能表接线检测时，输入电表箱内部图像到目标检测模型中，模型识别出每个电能表的类型以及其接线区域的大小和位置，裁切原图像得到电能表接线区域的图像，并按照电能表类型标记该区域对应的正确接线顺序；

4)识别电线和接线顺序：对步骤3)得到的图像进行处理，包括：

41)采用颜色聚类的方式，获取目标电线颜色对应的电线像素，生成二值图像；

42)采用图像预处理和轮廓检测方法，提取电线轮廓；

43)基于电线轮廓，检测直线；

44)根据直线斜率和相似性筛选直线，得到电线位置；通过分割电线像素、提取电线轮廓、检测电线位置得到电流表接线顺序；

5)判断接线的正确性：结合所有目标电线颜色对应的电线位置，得到电表接线的颜色顺序，将检测得到的电线颜色顺序与当前电流表类型的正确接线颜色顺序对比，判断接线是否正确。本方法通过图像检测方式快速直观地得出检测结果，相较于传统人工排查方式，人力物力投入少，大大降低了现场排查人员工作量，提高了检测效率。

作为优选技术手段：步骤41)中，基于HSV色彩空间，对电能表接线区域裁切图像采用k-means算法进行颜色聚类；对于颜色量化后的图像，对每一种目标电线颜色，在容差内选取对应像素，得到表征该颜色像素的二值图像。考虑到现场拍摄得到的图像容易受光照、遮挡和阴影的影响而呈现不同的亮度，且原始图像采用的RGB色彩空间的三个颜色分量对亮度敏感，应当首先将图像转至HSV色彩空间，HSV色彩空间由色调、饱和度、明度三个分量构成，该空间表达的分量更适用于追踪物体颜色，因此在指定颜色的物体分割任务中表现更优；基于接线区域裁切图像的三个色彩通道，分别采用k-means算法对其进行颜色聚类，该方法能达到较好的聚类效果；对于待检测的每一种电线颜色，遍历图像像素，根据其H、S、V通道聚类结果判断是否属于当前颜色，从而提取出目标电线颜色的像素，并得到表征该颜色像素的二值图像。

作为优选技术手段：在步骤42)中，对于每一种目标电线颜色对应的二值图像，进行图像预处理，并对预处理后的图像进行轮廓检测，提取电线轮廓，获得表征目标颜色电线轮廓的二值图像。对于目标电线上的像素，由于遮挡、阴影等原因，该部分目标像素可能存在漏检的情况，对于非目标电线上的像素，由于检测时仅考虑颜色信息，像素提取结果可能包含了相似颜色的冗余且零散的区域，因此需要通过预处理的方式减少上述情况的干扰，提高轮廓检测的准确性。

作为优选技术手段：在步骤42)，图像预处理时，首先基于形态学的方法，连续执行两次闭操作；一次闭操作包括一次膨胀操作和一次腐蚀操作，其中，膨胀操作为对每一个图像像素，保留其由指定结构元确定的像素邻域中的最大值；腐蚀操作为对每一个图像像素，保留其由指定结构元确定的像素邻域中的最小值；膨胀操作填补小的区域并连接临近的物体边缘，腐蚀操作消除细小冗余的物体，连续执行膨胀和腐蚀的闭操作弥合断开的区域并平滑物体边缘。实现图像预处理。

作为优选技术手段：在步骤42)，轮廓检测时，通过计算轮廓区域面积来消除小的轮廓区域；具体为：首先执行轮廓检测算法，并计算每个轮廓区域的面积，当区域的面积小于预先设定的阈值时，对原二值图像的对应区域进行0填充，从而消除小面积的像素区域；其中，轮廓检测算法为基于二值图像拓扑分析的边界跟踪算法，轮廓区域面积的计算通过格林公式实现。消除零散的像素区域，方便轮廓计算。

作为优选技术手段：在步骤43)中，对提取电线轮廓后的电线轮廓图像，采用累计概率霍夫变换并设置动态阈值以检测直线，而后通过直线斜率和直线相似度来筛选直线。霍夫变换是图像变换中的经典手段之一，常用来从图像中分离出具有某种相同特征的几何形状，但是霍夫变换的计算需要遍历图中的点，因此计算量大、消耗时间长、实时性差，累计概率霍夫变换算法是标准霍夫变换算法的一个改进，它在一定的范围内进行霍夫变换，计算单独线段的方向以及范围，从而减少计算量，缩短计算时间，在进行累计概率霍夫变换时，需要设置几个阈值，包括累加器检测直线的阈值，最小直线长度，最大直线段间隔，由于裁切图像的大小不同，应将这些阈值设置成图像大小的一定比值。本技术方案应用了累计概率霍夫变换检测直线段，大大减小了计算量，且其检测结果是由两个端点确定的线段，检测结果更为精准。

作为优选技术手段：在步骤44)，直线斜率筛选时，通过计算直线斜率来删除部分斜率较小的干扰电线，直线斜率计算是利用直线段检测得到的两个线段端点计算直线段斜率，仅保留斜率大于阈值的直线段。考虑到一般情况下，目标电线近似垂直方向而干扰电线并非垂直方向，因此，可通过计算直线斜率来删除部分斜率较小的干扰电线。减少直线检测结果中存在的偏差和冗余。

作为优选技术手段：在步骤44)，直线相似度筛选时，通过计算直线在极坐标表达式下与原点的距离和连线的倾角，在两者同时小于阈值时判断为相近直线，仅保留其中一条。由于目标电线会有弧度，对其轮廓进行直线检测时，一条轮廓可能检测出多条相近直线，因此需要进行直线相似度筛选，删除相近直线，仅保留其中一条。通过该操作能大大减少直线检测结果的冗余性。

作为优选技术手段：在步骤44)，确定电线位置时，检测接线区域中的接线连接部分在图像的顶部，根据直线与图像顶部交点的坐标表征电线位置；在确定电线具体位置时，通过对直线进行两两匹配得到表征一条电线的直线组，匹配过程中可消除部分冗余直线，并得到表征电线的具体位置。进一步去除无效直线，以得到目标电线的精确位置。

作为优选技术手段：在表征电线位置时：首先计算每条直线与区域顶部交点的坐标，从左到右判断当前交点与其右边相邻交点的距离是否在一定阈值范围内，若两点间距离符合要求，则判断该两点为一条电线两侧轮廓与顶部的交点，选择左端点位置表征电线位置。该操作通过对直线进行两两匹配得到表征一条电线的直线组，匹配过程中可消除部分冗余直线，并得到表征电线的具体位置。

有益效果：本方法通过图像检测方式快速直观地得出检测结果，相较于传统人工排查方式，人力物力投入少，大大降低了现场排查人员工作量，提高了检测效率。

附图说明

图1是本发明流程示意图。

图2是本发明的S4步骤流程图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

如图1所示，一种电能表接错线的检测方法，包括以下步骤：

S1：构建电能表数据集：通过图像采集装置现场采集电表箱内部的照片，图像采集装置采用手机，照片要求从正面拍摄，采集到的图像数量范围在8000-12000张，在本实施例中，采集到的图像数量10000张，每张电表箱内部图像可包含多个电能表，对于每一张电表箱内部照片，使用标注工具进行数据标注，包括标注所有电能表的位置、大小及其类型，以及每个电能表的接线区域的位置和大小，对于标注好的照片集，按6:2:2的比例分为训练集、测试集和评估集；

S2：训练目标检测模型：模型检测的目标分为3类，包括单相电表、三相电表、电能表接线区域，模型输出对应目标的位置、大小，并绘制包围框，在训练集上训练模型，并在测试集上测试效果，选择拟合效果和泛化能力较好的模型参数，将训练好的模型固定用于电能表接线检测流程；

S3：检测接线区域：当需要进行电能表接线检测时，输入电表箱内部图像到目标检测模型中，模型识别出每个电能表的类型以及其接线区域的大小和位置，裁切原图像得到电能表接线区域的图像，并按照电能表类型标记该区域对应的正确接线顺序；

S4：识别电线和接线顺序：对步骤S3得到的图像进行处理，具体步骤如图2所示，其包括：

S41：采用颜色聚类的方式，获取目标电线颜色对应的电线像素，生成二值图像；具体为：采用颜色聚类的方式进行颜色分割，分别处理每一种目标电线颜色；针对某一种目标电线颜色，提取其对应像素，生成表征该颜色像素的二值图像；

基于HSV色彩空间，对电能表接线区域裁切图像采用k-means算法进行颜色聚类，实现目标电线像素的提取。

考虑到现场拍摄得到的图像容易受光照、遮挡和阴影的影响而呈现不同的亮度，且原始图像采用的RGB色彩空间的三个颜色分量对亮度敏感，应当首先将图像转至HSV色彩空间。HSV色彩空间由色调、饱和度、明度三个分量构成，该空间表达的分量更适用于追踪物体颜色，因此在指定颜色的物体分割任务中表现更优。

而后，基于接线区域裁切图像的三个色彩通道，分别采用k-means算法对其进行颜色聚类，该方法能达到较好的聚类效果。

对于待检测的每一种电线颜色，遍历图像像素，根据其H、S、V通道聚类结果判断是否属于当前颜色，从而提取出目标电线颜色的像素，并得到表征该颜色像素的二值图像。

S42：采用图像预处理和轮廓检测方法，提取电线轮廓；

具体为：对于S41中得到的每一种目标电线颜色对应的二值图像，采用图像预处理和轮廓检测的方法，提取电线轮廓。第一步预处理为：首先基于形态学的方法，连续执行两次闭操作；一次闭操作包括一次膨胀操作和一次腐蚀操作，其中，膨胀操作指对每一个图像像素，保留其由指定结构元确定的像素邻域中的最大值；而腐蚀操作指对每一个图像像素，保留其由指定结构元确定的像素邻域中的最小值；膨胀能够填补小的区域并连接临近的物体边缘，腐蚀能够消除细小冗余的物体，连续执行膨胀和腐蚀的闭操作能够达到弥合断开的区域并平滑物体边缘的效果；第二步预处理为：通过计算轮廓区域面积来消除小的轮廓区域；其具体做法为首先执行轮廓检测算法，并计算每个轮廓区域的面积，当区域的面积小于预先设定的阈值时，对原二值图像的对应区域进行0填充，从而消除小面积的像素区域；其中，轮廓检测算法基于二值图像拓扑分析的边界跟踪算法，轮廓区域面积的计算通过格林公式实现。执行最终的轮廓检测时，对经过两步预处理后的颜色区域二值图像再次执行轮廓检测算法，得到优化的表征电线轮廓的二值图像。

对于目标电线上的像素，由于遮挡、阴影等原因，该部分目标像素可能存在漏检的情况，对于非目标电线上的像素，由于检测时仅考虑颜色信息，像素提取结果可能包含了相似颜色的冗余且零散的区域，因此需要通过预处理的方式减少上述情况的干扰，提高轮廓检测的准确性。在预处理环节，首先基于形态学方法，采用开操作，即连续执行膨胀和腐蚀操作，从而弥合断开的区域并平滑物体边缘；其次，检测轮廓并计算轮廓区域，对于区域面积小于阈值的轮廓区域进行0填充，从而消除零散的像素区域。

S43：基于电线轮廓，检测直线；

具体为：为了进一步量化电线的位置，对于S42中得到的轮廓图像，采用累计概率霍夫变换并设置动态阈值以检测直线，而后通过直线斜率和直线相似度来筛选直线。对表征电线轮廓的二值图像进行直线检测，采用累计概率霍夫变换进行直线检测；霍夫直线检测算法允许特征边缘存在空隙且检测结果受噪声影响较小，能够达到较好的检测效果；但传统的霍夫直线检测算法需要遍历整个图像空间，计算量大且实时性较差，同时其检测结果为极坐标表示下的直线，不能精确定位目标线段；相比之下，累计概率霍夫变换仅在一定范围内执行霍夫变换，且在检测过程中考虑了线段的方向和程度；采用累计概率霍夫变换检测直线段能大大减小计算量，且其检测结果是由两个端点确定的线段，检测结果更为精准。

霍夫变换是图像变换中的经典手段之一，常用来从图像中分离出具有某种相同特征的几何形状，但是霍夫变换的计算需要遍历图中的点，因此计算量大、消耗时间长、实时性差。累计概率霍夫变换(PPHT)算法是标准霍夫变换(SHT)算法的一个改进，它在一定的范围内进行霍夫变换，计算单独线段的方向以及范围，从而减少计算量，缩短计算时间。在进行累计概率霍夫变换时，需要设置几个阈值，包括累加器检测直线的阈值，最小直线长度，最大直线段间隔。由于裁切图像的大小不同，应将这些阈值设置成图像大小的一定比值。

对于初步检测到的直线，需要分两步进行直线筛选。首先，考虑到一般情况下，目标电线近似垂直方向而干扰电线并非垂直方向，可通过计算直线斜率来删除部分斜率较小的干扰电线。因此，利用直线段检测得到的两个线段端点计算直线段斜率，仅保留斜率大于阈值的直线段。第二步为相似直线筛选，由于目标电线会有弧度，对其轮廓进行直线检测时，一条轮廓可能检测出多条相近直线。因此，通过计算直线在极坐标表达式下与原点的距离和连线的倾角，在两者同时小于阈值时判断为相近直线，仅保留其中一条。

上述操作检测并筛选直线，使每条待检测的电线对应两条直线，分别表示其垂直两侧的轮廓。

S44：根据直线斜率和相似性筛选直线，得到电线位置；通过分割电线像素、提取电线轮廓、检测电线位置得到电流表接线顺序；

具体为：由于前述直线检测得到的直线具有较高的冗余性，需要进一步筛选检测结果，使筛选后的直线能够表征电线在连接区域的位置和走向；由于目标电线在连接区域大致呈竖直走向，而目标电线的尾部大致呈水平方向，且其他干扰电线方向不一，可以通过计算直线斜率来排除部分干扰直线；在直线斜率筛选时，通过计算直线斜率来删除干扰直线，其具体操作为利用直线段检测得到的两个线段端点计算直线段斜率，仅保留斜率大于阈值的直线段。在确定电线具体位置时，通过对直线进行两两匹配得到表征一条电线的直线组，匹配过程中可消除部分冗余直线，并得到表征电线的具体位置。

另外，前述检测接线区域时，真正的接线连接部分在图像的顶部，因此可根据直线与图像顶部交点的坐标表征电线位置。首先计算S43所得的每条直线与区域顶部交点的坐标，从左到右判断当前交点与其右边相邻交点的距离是否在一定阈值范围内，若两点间距离符合要求，则判断该两点为一条电线两侧轮廓与顶部的交点，选择左端点位置表征电线位置。

由于电线本身存在一定弧度，直线检测中对一条曲线轮廓会得到几条相似的直线结果，因此需要筛选相似的直线，减少冗余性；直线相似度筛选时，计算直线与原点的距离d以及直线与x轴的夹角θ，定义当两条直线的d相近且θ相近时，两条直线相近；具体操作时，首先设定两个阈值分别表示最小距离差和最小夹角差，当两条直线d的差小于最小距离差，且θ的差小于最小夹角差，则认为这两条直线存在冗余，仅保留遍历到的第一条直线；通过该操作能大大减少直线检测结果的冗余性。

S5：结合所有目标电线颜色对应的电线位置，得到电表接线的颜色顺序，不同的电表类型的标准接线模式不同，按识别出的电表类型可查询出正常的接线模式，将检测得到的电线颜色顺序与当前电流表类型的正确接线颜色顺序对比，判断接线是否正确。

本实例中，检测的第一阶段采用了YOLOv3目标检测模型来识别接线区域，该模型在精度和检测速度方面可以达到较好的平衡效果，能在不牺牲太多精度的情景下，实现实时的且准确度高的检测效果。在第二阶段，本实例基于接线的颜色、形状等特征，采用包括颜色聚类、直线检测、动态阈值等图像处理技术，提出了量化接线位置的方法，并通过接线颜色顺序的比较实现了电流表接线是否正确的直观判断。

本技术方案结合目标检测深度学习算法和图像处理技术，能够快速且直观地通过电流表箱内部图像得到电流表接线正确性的检测结果，相较于传统人工排查方式，人力物力投入少，大大降低了维护成本，提高了检测效率和检测准确性，具有较高的实用价值。

以上所示的一种电能表接错线的检测方法是本发明的具体实施例，已经体现出本发明突出的实质性特点和显著进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

Claims (10)

1.一种电能表接错线的检测方法，其特征在于包括以下步骤：

1)构建电能表数据集：通过图像采集装置现场采集电表箱内部的照片，对于每一张电表箱内部照片，使用标注工具进行数据标注，包括标注所有电能表的位置、大小及其类型，以及每个电能表的接线区域的位置和大小，对于标注好的照片集，按比例分为训练集、测试集和评估集；

2)训练目标检测模型：模型检测的目标分为3类，包括单相电表、三相电表、电能表接线区域，模型输出对应目标的位置、大小，并绘制包围框，在训练集上训练模型，并在测试集上测试效果，选择拟合效果和泛化能力较好的模型参数，将训练好的模型固定用于电能表接线检测流程；

3)检测接线区域：当需要进行电能表接线检测时，输入电表箱内部图像到目标检测模型中，模型识别出每个电能表的类型以及其接线区域的大小和位置，裁切原图像得到电能表接线区域的图像，并按照电能表类型标记该区域对应的正确接线顺序；

4)识别电线和接线顺序：对步骤3)得到的图像进行处理，包括：

41)采用颜色聚类的方式，获取目标电线颜色对应的电线像素，生成二值图像；

42)采用图像预处理和轮廓检测方法，提取电线轮廓；

43)基于电线轮廓，检测直线；

44)根据直线斜率和相似性筛选直线，得到电线位置；通过分割电线像素、提取电线轮廓、检测电线位置得到电流表接线顺序；

5)判断接线的正确性：结合所有目标电线颜色对应的电线位置，得到电表接线的颜色顺序，将检测得到的电线颜色顺序与当前电流表类型的正确接线颜色顺序对比，判断接线是否正确。

2.根据权利要求1所述的一种电能表接错线的检测方法，其特征在于：步骤41)中，基于HSV色彩空间，对电能表接线区域裁切图像采用k-means算法进行颜色聚类；对于颜色量化后的图像，对每一种目标电线颜色，在容差内选取对应像素，得到表征该颜色像素的二值图像。

3.根据权利要求2所述的一种电能表接错线的检测方法，其特征在于：在步骤42)中，对于每一种目标电线颜色对应的二值图像，进行图像预处理，并对预处理后的图像进行轮廓检测，提取电线轮廓，获得表征目标颜色电线轮廓的二值图像。

4.根据权利要求3所述的一种电能表接错线的检测方法，其特征在于：在步骤42)，图像预处理时，首先基于形态学的方法，连续执行两次闭操作；一次闭操作包括一次膨胀操作和一次腐蚀操作，其中，膨胀操作为对每一个图像像素，保留其由指定结构元确定的像素邻域中的最大值；腐蚀操作为对每一个图像像素，保留其由指定结构元确定的像素邻域中的最小值；膨胀操作填补小的区域并连接临近的物体边缘，腐蚀操作消除细小冗余的物体，连续执行膨胀和腐蚀的闭操作弥合断开的区域并平滑物体边缘。

5.根据权利要求3所述的一种电能表接错线的检测方法，其特征在于：在步骤42)，轮廓检测时，通过计算轮廓区域面积来消除小的轮廓区域；具体为：首先执行轮廓检测算法，并计算每个轮廓区域的面积，当区域的面积小于预先设定的阈值时，对原二值图像的对应区域进行0填充，从而消除小面积的像素区域；其中，轮廓检测算法为基于二值图像拓扑分析的边界跟踪算法，轮廓区域面积的计算通过格林公式实现。

6.根据权利要求3所述的一种电能表接错线的检测方法，其特征在于：在步骤43)中，对提取电线轮廓后的电线轮廓图像，采用累计概率霍夫变换并设置动态阈值以检测直线，而后通过直线斜率和直线相似度来筛选直线。

7.根据权利要求6所述的一种电能表接错线的检测方法，其特征在于：在步骤44)，直线斜率筛选时，通过计算直线斜率来删除部分斜率较小的干扰电线，直线斜率方法为是利用直线段检测得到的两个线段端点计算直线段斜率，仅保留斜率大于阈值的直线段。

8.根据权利要求6所述的一种电能表接错线的检测方法，其特征在于：在步骤44)，直线相似度筛选时，通过计算直线在极坐标表达式下与原点的距离和连线的倾角，在两者同时小于阈值时判断为相近直线，仅保留其中一条。

9.根据权利要求6所述的一种电能表接错线的检测方法，其特征在于：在步骤44)，确定电线位置时，检测接线区域中的接线连接部分在图像的顶部，根据直线与图像顶部交点的坐标表征电线位置；在确定电线具体位置时，通过对直线进行两两匹配得到表征一条电线的直线组，匹配过程中可消除部分冗余直线，并得到表征电线的具体位置。

10.根据权利要求9所述的一种电能表接错线的检测方法，其特征在于：在表征电线位置时：首先计算每条直线与区域顶部交点的坐标，从左到右判断当前交点与其右边相邻交点的距离是否在一定阈值范围内，若两点间距离符合要求，则判断该两点为一条电线两侧轮廓与顶部的交点，选择左端点位置表征电线位置。

Images