基于卷积神经网络的电能表液晶屏缺陷检测系统设计

摘要

随着国家电网智能电能表的广泛使用，电能表质量需要达到较高的标准，为了保证电能表在出厂时的良品率，需要对其进行质量检测。目前常见的电能表质量检测主要分为人工质检及机器视觉两种模式，其中人工质检存在效率低、成本高、准确率随着工作时间增加而降低等问题，而目前工业现场采用的机器视觉检测算法多为传统的图像处理算法，检测正确率需要进一步提升，并且随着业务增加，算法检测的目标种类也需要增加。为了解决上述问题，本文结合深度学习技术、图像处理技术、计算机技术和数据库技术，设计了一种基于卷积神经网络的电能表缺陷自动检测系统，能够快速、准确的实现智能电能表质量检测，相比传统图像处理算法具有更高的准确率，能够针对异物遮挡、黑屏等复杂情况准确判断，并具有LED灯检测、电量识别等功能。本文研究的具体工作内容如下： （1）设计了基于卷积神经网络的电能表缺陷检测系统，能够实现电能表液晶屏的状态检测、字符缺陷检测、底度电量值OCR识别、条码识别、LED跳闸灯检测。首先根据项目要求进行业务需求分析，按照实现功能将系统分为目标检测、目标定位两个模块开发，并设计了字符标注组态软件、数据集自动采集脚本、网络训练脚本、数据库存储结构以及检测算法软件调用接口。 （2）为了实现图像中的目标检测，需要分割目标以确定待检测区域，本文定位模块中的目标主要包含液晶屏、液晶屏中的每个字符以及LED跳闸灯。在液晶屏定位模块中，首先将图像进行灰度化、LSD直线检查、倾斜校正、Canny边缘检测等步骤预处理，然后根据厂家标准液晶屏模板，将校正后的边缘二值图像后采用相关系数模板匹配法，准确定位电能表液晶屏区域。在字符定位模块中，采用了读取字符标注文本法，根据字符位置特征分析，定制开发了字符标注组态软件，通过鼠标绘制即可快速生成字符坐标信息文本，分割电能表液晶屏图像后读取字符坐标信息文本，即可定位每个字符的准确位置。LED跳闸灯定位模块开发中，分析了其位置及形状特征，根据液晶屏的相对位置确定大致范围，然后采用了霍夫梯度法进行准确定位。 （3）目标检测模块中，主要包含液晶屏字符缺陷检测、LED跳闸灯的状态检测及底度电量值OCR识别。其中字符缺陷检测采用了卷积神经网络实现，将定位分割后的每个字符依次通过卷积神经网络，根据其识别的结果判断该位置的字符是否显示、遮挡及黑屏判断。底度电量值OCR识别同样采用了卷积神经网络，可以对当前剩余的总电量、尖电量、峰电量、平电量、谷电量实现准确识别。LED跳闸灯的检测采用了灰度平均值法，通过像素值分布区域判断LED灯是否点亮。通过实验结果表明本文实现的字符缺陷检测、底度电量值OCR识别、液晶屏显示状态检测及LED跳闸灯点亮检测均达到项目要求。 （4）目前该系统已在国家电网河南省电力公司计量中心测试使用，根据现场测试情况，该系统达到项目验收标准，可以实现快速、准确的智能电能表质量检测，保证产品出厂合格率。

目录

声明

1 绪论

1.1 课题背景及研究意义

1.2 国内外研究现状

1.2.1 机器视觉的发展

1.2.2 视觉检测技术研究现状

1.3 论文的主要工作内容

2 系统总体设计

2.1 业务需求分析

2.1.1 场景描述

2.1.2 技术指标

2.1.3 可行性分析

2.2 系统总体设计方案

2.3 关键技术选型

2.3.1 目标定位技术

2.3.2 目标检测技术

2.3.3 开发语言选择

2.4 本章总结

3 目标定位技术

3.1 电能表液晶屏定位

3.1.1 液晶屏定位原理

3.1.2 图像灰度化

3.1.3 直线检测

3.1.4 倾斜校正

3.1.5 边缘检测

3.1.6 模板匹配

3.1.7 实验结果及分析

3.2 液晶屏字符定位

3.2.1 字符定位原理

3.2.2 组态软件设计

3.2.3 实验结果及分析

3.3 LED跳闸灯定位

3.3.1 LED灯定位原理

3.3.2 霍夫梯度法

3.3.3 实验结果及分析

3.4 本章总结

4 目标检测技术

4.1 字符缺陷检测

4.1.1 缺陷检测原理

4.1.2 卷积神经网络

4.2 底度电量OCR识别

4.2.1 OCR识别原理

4.2.2 实验结果及分析

4.3 LED跳闸灯检测

4.3.1 检测原理

4.3.2 实验结果及分析

4.4 本章总结

5 系统软件设计

5.1 软件整体架构

5.2 数据库表设计

5.3 检测接口封装

5.4 本章总结

6 总结及展望

6.1 文章总结

6.2 研究展望

参考文献

致谢

个人简历、在学期间发表的学术论文与研究成果