吳婕萍 趙文昊 于文萍 何柯辰

摘要：為實(shí)現(xiàn)對(duì)輸電線路桿塔編號(hào)的識(shí)別，本文采用基于機(jī)器視覺(jué)的字符識(shí)別方法，先對(duì)編號(hào)圖像預(yù)處理，隨后對(duì)編號(hào)定位，提取出單個(gè)字符，最后利用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)對(duì)提取的字符進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，識(shí)別精度為80.6%，可以滿足特定條件下的巡檢任務(wù)，為后續(xù)輸電桿塔檢測(cè)工作的開(kāi)展提供有效參考。

Abstract： This paper adopts the character recognition method which is based on machine vision to identify the transmission line tower's serial number. First， it preprocesses the numbered image， then locates the number， extracts single characters， and finally identify these characters by using BP（Back Propagation） neural net. Experimental results show that the identification accuracy is 80.6%， which can fulfill inspection tasks in certain conditions and provide valid references for the implement of subsequent tasks to transmission line tower's detection.

關(guān)鍵詞：字符識(shí)別;BP神經(jīng)網(wǎng)絡(luò);圖像定位;字符分割

Key words： character recognition;BP neural network;image location;character segmentation

中圖分類(lèi)號(hào)：TM75? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2020）23-0229-02

0? 引言

輸電桿塔有著傳輸電能的作用，是電力系統(tǒng)的重要組成部分，當(dāng)遭受極端惡劣天氣與環(huán)境時(shí)，輸電桿塔容易發(fā)生斷線、短路，會(huì)直接波及到整個(gè)電力網(wǎng)絡(luò)。因此定期對(duì)輸電桿塔及其配套設(shè)施進(jìn)行檢查，對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行具有重要的意義。

在對(duì)輸電桿塔進(jìn)行巡檢的過(guò)程中，輸電桿塔的編號(hào)發(fā)揮著重要的作用，利用編號(hào)信息可以集中管理輸電桿塔及其配套設(shè)施狀態(tài)情況，同時(shí)也可在巡檢中提供輸電桿塔的位置信息。因此把輸電桿塔編號(hào)與巡檢任務(wù)結(jié)合起來(lái)，是一種重要的巡檢手段，可以提高巡檢效率，且可以配合無(wú)人機(jī)對(duì)輸電桿塔實(shí)現(xiàn)自動(dòng)巡檢，在巡檢過(guò)程中發(fā)現(xiàn)故障時(shí)，可以通過(guò)對(duì)輸電桿塔編號(hào)的識(shí)別實(shí)現(xiàn)對(duì)故障區(qū)域的精確定位。

目前，利用輸電桿塔的編號(hào)進(jìn)行巡檢已有較多技術(shù)出現(xiàn)，人工巡檢是目前的主要巡檢方式，但巡檢效率很低;基于RFID字符識(shí)別技術(shù)與基于二維碼字符識(shí)別技術(shù)工作效率高，但對(duì)設(shè)施要求較高，成本高且時(shí)間周期長(zhǎng);而基于機(jī)器視覺(jué)的字符識(shí)別技術(shù)識(shí)別精度高、計(jì)算速度快、工作效率高、檢測(cè)手段符合人類(lèi)感知且不需要對(duì)現(xiàn)有設(shè)施進(jìn)行大幅度改造。

綜上，為實(shí)現(xiàn)輸電線路桿塔編號(hào)的識(shí)別，本文采用基于機(jī)器視覺(jué)的字符識(shí)別技術(shù)，對(duì)輸電桿塔編號(hào)區(qū)域自動(dòng)定位，提取出單個(gè)字符并自動(dòng)識(shí)別字符內(nèi)容，最后應(yīng)用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別。

1? 輸電桿塔編號(hào)字符提取

利用機(jī)器視覺(jué)對(duì)編號(hào)字符進(jìn)行識(shí)別的技術(shù)路線如圖1所示，首先采用一種去除背景冗余信息的圖像預(yù)處理算法，然后對(duì)輸電桿塔區(qū)域進(jìn)行精確定位并且提取出來(lái)，把提取出來(lái)的編號(hào)區(qū)域內(nèi)的字符分割為單個(gè)字符，最后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別。

1.1 圖像預(yù)處理

計(jì)算機(jī)直接對(duì)原圖（如圖2（a）所示）進(jìn)行處理耗時(shí)長(zhǎng)，因此需要重新調(diào)整圖像尺寸并轉(zhuǎn)化為灰度圖像，用以提高效率。為了使視覺(jué)效果更好，便于后續(xù)算法的處理，可以利用直方圖均衡化把局部分布擴(kuò)展，增加其表示范圍，優(yōu)化圖像的對(duì)比度[1]。

1.2 編號(hào)定位與字符提取

經(jīng)過(guò)了圖像預(yù)處理后便需提取編號(hào)區(qū)域，提取過(guò)程如圖2所示，首先是濾波處理與邊緣檢測(cè)[2]（如圖2（b）所示），在編號(hào)的邊緣位置，灰度值會(huì)出現(xiàn)突變，邊緣檢測(cè)就是計(jì)算編號(hào)灰度變化率最突出的區(qū)域[3]。由于噪聲和邊緣的灰度都會(huì)發(fā)生突變，噪聲易被誤檢為邊緣，在檢測(cè)邊緣前需要對(duì)圖像進(jìn)行濾波去除噪聲信息。

邊緣檢測(cè)后圖像還存在著冗余的背景信息，需要進(jìn)一步的圖像進(jìn)行形態(tài)學(xué)處理。這里采用腐蝕（如圖2（c）所示）縮小圖像邊界，利用閉運(yùn)算（如圖2（d）所示）和開(kāi)運(yùn)算（如圖2（e）所示）消除冗余信息，對(duì)編號(hào)區(qū)域的文字部分進(jìn)行強(qiáng)調(diào)突出，方便后續(xù)對(duì)其提取。

為了將三行文字分別提取出來(lái)，采用一種基于灰度統(tǒng)計(jì)值的投影法，首先把圖像在行方向上進(jìn)行投影，統(tǒng)計(jì)每一行的像素點(diǎn)，則文字的上下邊界在像素點(diǎn)統(tǒng)計(jì)圖的波谷位置，同理分別對(duì)這三塊文字部分區(qū)域進(jìn)行列方向上的處理。通過(guò)行方向像素點(diǎn)統(tǒng)計(jì)和列方向像素點(diǎn)統(tǒng)計(jì)，最終能將文字部分精確的提取出來(lái)，得到編號(hào)區(qū)域的圖像。

1.3 單個(gè)字符提取

由于已經(jīng)分離出字符的上下邊界，因此只需確定每個(gè)字符的左右邊界便可以提取出單個(gè)字符。這里通過(guò)列方向像素點(diǎn)統(tǒng)計(jì)提取單個(gè)字符，并且把單個(gè)字符進(jìn)一步的處理，包括去除上下邊界和歸一化處理，一是為了統(tǒng)一標(biāo)準(zhǔn)庫(kù)的字符規(guī)格，二是為了消除字符中多余的噪聲，為后續(xù)的字符識(shí)別做準(zhǔn)備。

2? 基于神經(jīng)網(wǎng)絡(luò)的編號(hào)字符識(shí)別

神經(jīng)網(wǎng)絡(luò)是模擬人的大腦中某些機(jī)能，抽象出來(lái)建立的一種模型，其優(yōu)點(diǎn)在于可以學(xué)習(xí)和自適應(yīng)一些不確定的系統(tǒng)[4]，把神經(jīng)網(wǎng)絡(luò)應(yīng)用到輸電桿塔編號(hào)識(shí)別的系統(tǒng)中是可行的。

利用BP神經(jīng)網(wǎng)絡(luò)對(duì)編號(hào)字符進(jìn)行識(shí)別，首先需要搭建并設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，實(shí)驗(yàn)中調(diào)試BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：誤差目標(biāo)值0.0000001，終止迭代次數(shù)5000，學(xué)習(xí)速率0.003。目前學(xué)術(shù)界并沒(méi)有一個(gè)統(tǒng)一的確定隱含層神經(jīng)元數(shù)目的辦法。本文根據(jù)文獻(xiàn)[5]的算法確定隱含層神經(jīng)元個(gè)數(shù)，如公式（1）：

其中輸入層神經(jīng)元數(shù)m=800，輸出層神經(jīng)元數(shù)n=5，可以計(jì)算出隱藏層的神經(jīng)元節(jié)點(diǎn)數(shù)為282。最后利用處理的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練建模，并對(duì)測(cè)試組進(jìn)行識(shí)別，識(shí)別結(jié)果如圖3所示。

3? 實(shí)驗(yàn)結(jié)果分析與對(duì)比

將6幅圖片對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，對(duì)10幅測(cè)試組圖像進(jìn)行字符識(shí)別，得到的實(shí)驗(yàn)結(jié)果如表1所示。造成字符識(shí)別失敗的原因是圖像背景過(guò)于復(fù)雜，且字符存在殘缺、污損、偏移等，同時(shí)訓(xùn)練組太少導(dǎo)致誤差也較大。

4? 結(jié)論

本文針對(duì)輸電線路桿塔編號(hào)的識(shí)別，提出一種基于機(jī)器視覺(jué)的字符識(shí)別方法，采用尺寸調(diào)整、邊緣檢測(cè)、直方圖均衡化等預(yù)處理操作，對(duì)編號(hào)區(qū)域進(jìn)行定位，然后按行分割為3塊字符區(qū)域，分別提取出單個(gè)字符，對(duì)字符歸一化處理后再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別，實(shí)驗(yàn)最終的準(zhǔn)確率為80.6%。由于圖像背景復(fù)雜、字符不完整和訓(xùn)練組太少等原因，仍會(huì)出現(xiàn)誤判現(xiàn)象。

參考文獻(xiàn)：

[1]凌佳寧.車(chē)牌定位與車(chē)牌字符識(shí)別算法的研究與實(shí)現(xiàn)[D]. 電子科技大學(xué)，2012.

[2]吳娛.數(shù)字圖像處理[M].北京：北京郵電大學(xué)出版社，2017.

[3]楊璐雅，黃新波，張燁，等.基于邊緣檢測(cè)的瓷質(zhì)絕緣子裂縫特征檢測(cè)方法[J].廣東電力，2018，31（07）：106-111.

[4]張坤艷，鐘宜亞，苗松池，等.一種基于全局閾值二值化方法的BP神經(jīng)網(wǎng)絡(luò)車(chē)牌字符識(shí)別系統(tǒng)[J].計(jì)算機(jī)工程與科學(xué)， 2010，32（02）：88-90.

[5]高大啟.有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究[J].計(jì)算機(jī)學(xué)報(bào)，1998（01）：80-86.