基于数据挖掘算法快速分析电能表外观质量的系统及方法与流程

本发明涉及电能计量领域，且具体地涉及基于adaboosting数据挖掘算法快速分析电能表外观质量的系统及方法。

背景技术

随着电能技术的发展，各个行业都会涉及到用电，电能表作为衡量电能系统中的计量器具之一，其质量关系到各个行业的正常运行，因此其质量检测意义就非常重大。电能表的质量不仅包括其性能参数的检定，诸如启动、潜动、耐压检测、误差检测等，还包括外观检定，外观检测包括外观质量一致性检测，即按照招标样表和现场运行表的质量状况一致性的检测，包括硬件质量、软件质量和外观标识。外观标识主要体现在外观尺寸、铭牌标识和液晶屏显示，外观标识一致性检测是电能表质量一致性检测的重要组成部分。而外观检测的另一种形式就是查看表体外观裂痕、划痕等不良现象，在电能表数量不多的情况下，可采用人眼检测，但是对于批量较多，而且有人眼观察不到的划痕等多种外观不良的现象时，就需要一种系统和方法来快速地分析电能表的外观质量。

技术实现要素：

针对上述技术问题，本发明提供了一种基于数据挖掘算法快速分析电能表外观质量的系统及方法，适用于批量电能表生产厂家、电能表检定流水线上批量电能表的外观检测，并能及时对异常情况做出预警提示，从而保证电能计量的安全可靠运行。

本发明采用以下技术方案：

一种基于数据挖掘算法快速分析电能表外观质量的系统，包括电能表检定流水线系统、设置在所述电能表检定流水线系统内部的图像采集系统、与所述图像采集系统连接的存储服务器、与所述存储服务器连接的上层数据管理系统，所述存储服务器内部还集成有分类器系统、计算分析系统、报警单元和与所述报警单元连接的显示单元，其中：

所述图像采集系统用于采集电能表检定流水线系统上的批量电能表的外观图像；

所述存储服务器用于管理与处理所述图像采集系统采集的电能表外观图像数据；

所述上层数据管理系统用于与批量所述存储服务器进行数据与信息通讯，实现与底层电能表检定流水线系统上电能表检定数据的管理与控制；

所述分类系统用于对所述图像采集系统采集的图像数据进行分类；

所述计算分析系统用于对所述分类系统分类后的检测数据进行计算与分析；

所述显示单元用于所述计算分析系统计算输出的数据；

所述报警单元用于对输出的异常数据报警提示。

在进一步的技术方案中，所述图像采集系统包含设置在所述电能表检定流水线系统构架上的光源系统，通过所述光源系统传感电能表外观图像的ccd图像传感器，所述光源系统为lcd矩阵系列光源。

在进一步的技术方案中，所述计算分析系统包含adaboosting算法模型。

在进一步的技术方案中，所述分类器系统为通过级联后的至少两个强分类器。

在进一步的技术方案中，所述电能表检定流水线系统与所述图像采集系统的连接方式、所述图像采集系统与所述存储服务器的连接方式以及所述存储服务器与所述上层数据管理系统的通讯方式为无线局域网、wifi、红外线、蓝牙、can通讯总线中的一种。

一种基于adaboosting算法快速分析电能表外观质量的方法，包括以下步骤：

（s1）通过图像采集系统采集电能表检定流水线系统上检测以及待检测的批量电能表的图像；

（s2）将所述图像采集系统采集的图像保存到所述存储服务器中，启动分类器系统，对所保存的图像特征进行分类，其中所述分类的方法为：

（s21）从保存的图像特征中选择样本，对选择的样本进行训练，训练样本集；

（s22）对训练的样本集进行预处理；

（s23）在预处理后的图像特征中选择矩阵特征构成弱分类器；

（s24）将若干个弱分类器构成强分类器；

（s25）将若干个弱分类器构成强分类器；

（s26）将强分类器级联构成多层分类器；

(s27)将多层分类器进行级联，构成多层级联分类器；

（s3）启动所述计算分析系统，对分类器系统分类的图像特征分析、计算；其中所述计算分析系统进行计算与分析的方法为：

（s31）加载多层级联分类器，完成初始化工作；

(s32)基于adaboosting算法提取图像的有效特征；

(s33)调取存储于服务器中电能表图像；

（s34）对原始图像进行缩放，以对图像进行积分计算，并提取图像harr特征；

（s35）用滑动窗口在不同尺度下进行穷尽地搜索；

(s36)采用多层级联分类器找出图像中的点，找出不同于正常电能表外观的线状特征或网状特征或其它特征；

(s37)输出计算结果。

（s4）启动所述显示单元显示所述分类系统分类的数据以及显示所述计算分析系统计算分析的数据。

在进一步的方法中：所述步骤（s32）中的基于adaboosting算法提取图像的有效特征为采用积分图算法以进一步消除图像的噪音，同时检测目标特征。

积极有益效果：

本发明采用工业ccd图像传感器对底层的电能表外观进行图像采集，采集速度较快，在大量的检测工作中具有较快的速度；

本发明数据之间的通讯方式为无线局域网、wifi、红外线、蓝牙、can通讯总线中的一种，可根据用户需要以及现场布置选择不同的通讯方式；

本发明采用adaboosting算法对图像采集单元采集的图像进行分析运算，将这种方法引用到物联网电能表检测上不仅仅能够使检测速度加快，检测精度更精确，还能够使上层管理系统对下层执行机构进行更全面的监控与管理。

附图说明

图1为本发明的系统的结构示意图；

图2为本发明的方法的流程示意图；

图3为本发明中分类器系统分类的方法流程图；

图4为本发明中adaboosting算法的方法示意图；

图5为本发明的一种实施例的harr特征示意图；

图6为本发明的一种实施例的harr特征扩展的示意图；

图7为本发明的另一种具体实施例的harr特征的数字图解示意图；

图8为本发明的另一种具体实施例的harr特征的另一种数字图解示意图；

图9为本发明的另一种具体实施例的harr特征的又一种数字图解示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于adaboosting算法快速分析电能表外观质量的系统，其特征在于：包括电能表检定流水线系统、设置在所述电能表检定流水线系统内部的图像采集系统、与所述图像采集系统连接的存储服务器、与所述存储服务器连接的上层数据管理系统，所述存储服务器内部还集成有分类器系统、计算分析系统、报警单元和与所述报警单元连接的显示单元，其中：

所述图像采集系统用于采集电能表检定流水线系统上的批量电能表的外观图像；

所述存储服务器用于管理与处理所述图像采集系统采集的电能表外观图像数据；

所述上层数据管理系统用于与批量所述存储服务器进行数据与信息通讯，实现与底层电能表检定流水线系统上电能表检定数据的管理与控制；

所述分类系统用于对所述图像采集系统采集的图像数据进行分类；

所述计算分析系统用于对所述分类系统分类后的检测数据进行计算与分析；

所述显示单元用于所述计算分析系统计算输出的数据，在具体实施例中，显示单元为lcd液晶显示装置。

所述报警单元用于对输出的异常数据报警提示。在具体实施例中，也可以人工调整为静音模式，报警单元嵌入在存储服务器内部，报警单元上设置有扬声器以及与所述扬声器连接的单片机和通过所述单片机连接且通过单片机控制的数字开关。

在进一步的实施例中，所述图像采集系统包含设置在所述电能表检定流水线系统构架上的光源系统，通过所述光源系统传感电能表外观图像的ccd图像传感器，所述光源系统为lcd矩阵系列光源。ccd图像传感器在灵敏度、分辨率、噪声控制等方面具有明显的优势，ccd图像传感器可直接将光学信号转换为模拟电流信号，电流信号经过放大和模数转换，实现图像的获取、存储、传输、处理和复现。本发明采用ccd图像传感器传感电能表在线信息，速度快，准确度高。

在进一步的技术方案中，所述计算分析系统包含adaboosting算法模型。

在进一步的技术方案中，所述分类器系统为通过级联后的至少两个强分类器。

在进一步的技术方案中，所述电能表检定流水线系统与所述图像采集系统的连接方式、所述图像采集系统与所述存储服务器的连接方式以及所述存储服务器与所述上层数据管理系统的通讯方式为无线局域网、wifi、红外线、蓝牙、can通讯总线中的一种。

如图2-图4所示，一种基于adaboosting算法快速分析电能表外观质量的方法，其特征在于：包括以下步骤：

（s1）通过图像采集系统采集电能表检定流水线系统上检测以及待检测的批量电能表的图像；

（s2）将所述图像采集系统采集的图像保存到所述存储服务器中，启动分类器系统，对所保存的图像特征进行分类，其中所述分类的方法为：

（s21）从保存的图像特征中选择样本，对选择的样本进行训练，训练样本集；

（s22）对训练的样本集进行预处理；

（s23）在预处理后的图像特征中选择矩阵特征构成弱分类器；

（s24）将若干个弱分类器构成强分类器；

（s25）将若干个弱分类器构成强分类器；

（s26）将强分类器级联构成多层分类器；

(s27)将多层分类器进行级联，构成多层级联分类器；

（s3）启动所述计算分析系统，对分类器系统分类的图像特征分析、计算；其中所述计算分析系统进行计算与分析的方法为：

（s31）加载多层级联分类器，完成初始化工作；

(s32)基于adaboosting算法提取图像的有效特征；

(s33)调取存储于服务器中电能表图像；

（s34）对原始图像进行缩放，以对图像进行积分计算，并提取图像harr特征；

（s35）用滑动窗口在不同尺度下进行穷尽地搜索；

(s36)采用多层级联分类器找出图像中的点，找出不同于正常电能表外观的线状特征或网状特征或其它特征；

(s37)输出计算结果。

（s4）启动所述显示单元显示所述分类系统分类的数据以及显示所述计算分析系统计算分析的数据。

在进一步的方法中：所述步骤（s32）中的基于adaboosting算法提取图像的有效特征为采用积分图算法以进一步消除图像的噪音，同时检测目标特征。

在上述方法中：

针对步骤s1：图像采集单元可以设置在电能表检定流水线的框架上，通过无线局域网、wifi、红外线、蓝牙、can通讯总线中的一种通讯方式与存储服务器连接，图像采集单元的位置可根据用户需要设置在合适的位置上。

针对步骤s2：对图像的预处理是对待处理的图像制成24*24dpi的特征图像，将测试样本归一化到其整数倍的图像大小，既可以快速检测图像的特征，也可以在实际检测处理中进行窗口滑动，完成大幅图像的检测。在选取样本时，将被检测的图像化成一个数据集合，将数据集合训练成弱分类器，在进行分类时，尽可能使样本的数量尽可能地多，这样就可以通过多个样本，将弱分类器训练成强分类器，从而形成强分类器池，然后在分类器池中再选择一个分类器，可加入级联组中，进行级联成多层强分类器，通过循环迭代多次的训练，最终训练成目标分类器，即多层强分类器。算法本身是改变数据分布实现的，它根据每次训练集之中的每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改权值的新数据送给下层分类器进行训练，然后将每次训练得到的分类器融合起来，作为最后的决策分类器。再将每个强分类器级联成多层分类器，这样做的目的不仅能够提高运行速度，对于大规模的批量检测中尤为必要。

针对步骤s3：将训练好的多层级联分类器加载，准备后续的工作，然后采用adaboosting算法提取图像的有效特征，在进行特征提取时，采用积分图算法消除图像的噪音，从而即可以消除噪音，又能够提高图像质量，又可以检测目标特征。在进行特征提取时，建立改进型haar-like矩形特征集，该矩形特征集能够在检测线特征、中心环绕特征、对角线特征和边缘特征有相符性。

在本步骤中，如图5-图6所示，假设定义4种不同的矩形特征，图中的a与b被称为二矩形特征，则c和d分别被称为三矩形特征和四矩形特征，特征值的计算为图中的灰色矩形中的像素值之和减去白色矩形内的像素值之和的值，上述特征图形在具体实施例中是不够用，因此再具体实施例中，通常可扩展使用。图5是可扩展实用的实施例图示，在该图中，进行了多个矩形扩展。

在进行积分计算时，如图7和图8所示，积分图像的定义：设i（x,y）表示原图像坐标点（x,y）的灰度值，积分图像坐标点（x,y）的值记为ii（x,y），则积分图像为：

式1

即从图像的左上角点到点（x,y）的所有像素点（图中灰色的矩形区域）灰度值之和，ii（x,y）的具体计算可由下面的迭代公式来计算而得到：

式2

式3

其中s(x,y)为图像行的累积和，边界值s(x,-1)和ii（-1,y）均定义为0。这样在计算过程中就省去很多麻烦，直接从0开始计数、计算。因此，通过上述公式，矩形特征的计算就变成了简单的加减法，可以用滑动窗口在不同尺度下进行穷尽地搜索，根据搜索的图像进行不同的运算，采用上述训练好的多层级联分类器找出图像中的点，找出不同于正常电能表外观的线状特征或网状特征或其它特征，可满足用户的需求。

下面再结合一具体实施例对积分算法进行进一步说明。

如图7-图9所示，用积分图计算矩形特征的方法可以为积分图像在位置1的值就是矩形a所有像素点灰度值之和，同理，位置2的值对应矩形a+b，3对应矩形a+c，4对应a+b+c+d,则求矩形d内的像素值之和为4+1-（2+3），在图9中，是haar_*2矩形特征，由它的定义可知，其特征值为（1+5-2-4）-（2+6-3-5），只需知道积分图像上的6个点的值，通过简单的加减法就可以求出，因此其他类型的矩形特征可以类似地计算出来，在具体实施例中，三个矩形特征则需要积分图像上的8个点。因此采用积分图算法就形象地提取了采集图像的图像特征，并根据图像的特征进行运算。

针对步骤s4：将上述步骤中的计算出的数据通过显示单元显示，根据用户的具体需要，可以显示分类系统分类的数据，也可以显示所述计算分析系统计算分析的数据，显示的数据可供用户分析和使用。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。