章煒,方夏,費明暉,王杰,馮戰(zhàn),呂俊杰

(1.四川大學機械工程學院,四川成都 610065；2.國家電網(wǎng)許繼集團有限公司,河南許昌 461001； 3.國家電網(wǎng)天府新區(qū)供電公司,四川成都 610065)

0 前言

智能電表是每個家庭必不可少計的電能測量儀器，每年因為設備故障、功能性更換或升級、政策性拆除等原因，國家電網(wǎng)公司需要拆除并回收大量電表。為建立和完善拆回電表的質(zhì)量管理體系與回收體系，從而提高電表使用年限、避免用戶爭議、改善服務質(zhì)量，需建立每個電表參數(shù)信息、廠商信息與回收原因或故障數(shù)據(jù)的特征數(shù)據(jù)庫。電表版本信息錄入是其中重要一環(huán)，但由于電表的不同生產(chǎn)廠商、不同類型標準、廠商生產(chǎn)時的電表數(shù)據(jù)庫信息記錄不盡相同等原因，只能通過拆回電表特定區(qū)域的外形特征獲取電表版本信息。

隨著人工智能技術(shù)的發(fā)展，根據(jù)任務精度和效率要求，機器學習算法模型被廣泛應用在工業(yè)視覺檢測任務中。圖像識別精度與圖像特征提取的可分性程度有很大關(guān)系，紋理特征提取是機器視覺領(lǐng)域一個重要的研究方向，能有效地表征圖像差異信息。經(jīng)過多年的持續(xù)研究，紋理特征領(lǐng)域誕生了許多不同類別的理論與算法。目前，研究人員將常見的紋理特征主要分為統(tǒng)計方法、結(jié)構(gòu)方法、基于變換的方法、基于模型的方法、基于圖的方法、基于學習的方法、基于熵的方法七大類。例如，劉磊等人基于幾何特征、灰度特征、灰度共生矩陣(GLCM)特征實現(xiàn)ABS齒圈表面缺陷檢測，并達到99.4%的準確率；ZHOU等基于等價局部二值模式(Uniform Local Binary Patterns，U-LBP)、GLCM特征實現(xiàn)鋼筋繩的缺陷檢測分類；KHOJASTEHNAZHAND、RAMEZANI基于灰度游程矩陣(Gray Level Run-Length Matrix,GLRLM)實現(xiàn)6類或16類不同好壞程度的葡萄干分類，并分別達到85.55%與69.78%的分類精度；KAPLAN等將局部二值模式(Local Binary Patterns，LBP)與LBP變體用于軸承失效信號的特征提取，實現(xiàn)軸承故障類型的分類，并達到了100%的準確率；SHAUKAT等基于GLCM特征、強度特征與形狀特征提取方法，對經(jīng)過預處理的肺部CT圖像對進行分類，從而判斷患肺結(jié)核病的可能性；HASHIA等通過GLCM提取腰部核磁共振圖像，實現(xiàn)腰間盤突出圖像與正常圖像的分類，同時采用GLRLM、灰度差分法(Grey Level Difference Method，GLDM)進行對比實驗。

因國家政策原因，國內(nèi)電表版本主要分為2009年舊版與2013年新版，生產(chǎn)時間重疊導致通過參數(shù)欄的生產(chǎn)日期無法直接判斷版本，需通過電表下方的接線區(qū)域顏色進行區(qū)分。目前，電表版本的信息錄入仍采用人工目測并錄入的傳統(tǒng)方法。但在每年需要進行大量拆回電表參數(shù)信息錄入的情況下，該方法需要耗費大量的時間和人力成本，會降低整個信息錄入系統(tǒng)的采集效率，延長工期，還存在較大的誤差，不利于特征數(shù)據(jù)庫的建立。受光照、回收條件等因素影響，拍攝得到的電表版本區(qū)域圖片類型呈現(xiàn)高雜糅的特點，包含曝光程度不同、老化程度不同、蓋子形態(tài)不同、用戶標簽貼紙位置不同等情況。

綜上所述，針對電表不同劃痕、不同曝光度、不同老化程度、不同貼紙情況的版本分類問題，以及對大量拆回電表版本分類保持高魯棒的要求，提出一種基于GLRLM特征提取與SVM分類算法的電表新舊版本分類方法，該方法有利于完善智能電表信息錄入系統(tǒng)，實現(xiàn)數(shù)字化、智能化。

基于提出的方法，首先收集并標注了部分電表版本數(shù)據(jù)集，為減少貼紙、劃痕等干擾因素對電表分類的影響，選擇電表版本識別感興趣區(qū)域(Region of Interest，ROI)；針對ROI的形態(tài)特征，提取不同方向的GLRLM矩陣，計算幾種GLRLM紋理特征度量，并融合為一組56維度的特征向量；為加快收斂、減少冗余數(shù)據(jù)，采用主成分分析方法(Principal Components Analysis，PCA)降維特征向量至10維；最后采用線性核函數(shù)(Linear Kernel Function)的SVM算法進行分類測試。實驗通過旋轉(zhuǎn)不變等價局部二值模式(RIU-LBP)、不同灰度壓縮等級的灰度共生矩陣(Gray-Level Co-occurrence Matrix，GLCM)的紋理特征，結(jié)合隨機森林(Random Forest，RF)、人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)與不同核函數(shù)的SVM機器學習模型進行對比，得到各模型的預測精度、預測時間等指標，證明上述方法的有效性以及GLRLM-SVM的優(yōu)越性。

1 電表版本分類方法

1.1 電表版本ROI選擇

拆回電表如圖1所示，兩只電表的生產(chǎn)日期一致但版本不同，2009版電表圖片底部框選的版本識別區(qū)域主要為黑色，2013版主要為白色，因使用時間跨度長，用戶用表環(huán)境、習慣不同，電表表面附著油污、貼紙、劃痕等，導致版本分類困難。分析大量樣本后，將存在多種不同干擾程度或不同干擾元素的電表版本識別區(qū)域歸為8種主要的類型(見圖2)。

圖1 兩種不同的電表版本

圖2 8種不同干擾類型的版本區(qū)域

存在圖2(c)—(h)所示的有保護罩、貼紙、過欠曝、劃痕、老化、紙條等干擾因素的電表數(shù)量較多，尤其如圖(f)和圖(h)，只能通過在圖中部分區(qū)域區(qū)分版本。從圖中8種類型版本識別區(qū)域可以看出：各類型中第一列螺釘右側(cè)區(qū)域或第四列螺釘左側(cè)區(qū)域都能夠較為清晰區(qū)分版本。為準確區(qū)分版本類型，并降低上述干擾因素的影響，同時選擇上述兩個區(qū)域為感興趣區(qū)域(ROI)，保證至少有一個ROI包含版本信息。以圖2(b)為例，ROI所在位置如圖3所示，定義左邊區(qū)域為ROI-1，右邊區(qū)域為ROI-2。選擇ROI-1與ROI-2。

圖3 ROI位置顯示

拍攝得到的拆回電表圖像屬于灰度圖，在拍攝過程中通過自動化檢測產(chǎn)線精確定位電表位置，以保證電表版本識別區(qū)域等元素的位置在相機視野中基本不變，然后采用固定像素范圍裁剪的方法得到兩個ROI區(qū)域。

1.2 電表版本區(qū)域紋理分析

紋理反映圖像自身的屬性。紋理分析指通過某些計算方法或處理過程表征圖像紋理信息的手段。紋理特征是紋理分析的產(chǎn)物，同時也是進行目標識別與分類的重要特征之一。特征提取是機器學習中至關(guān)重要的一個步驟，機器學習模型的分類精度依賴于特征的可分性程度。因此有必要對電表版本識別區(qū)域進行紋理分析，提取合適的紋理特征。

從圖2可以看出，電表的2009版和2013版存在一定色度區(qū)別，但由于電表版本識別區(qū)域不同干擾因素的影響，無法通過灰度閾值設定或模板匹配(Template Matching Method)等傳統(tǒng)機器視覺方法取得很好的分類效果。因此可通過提取ROI統(tǒng)計類紋理特征，作為機器學習模型的輸入特征向量進行分類，并根據(jù)實驗分析選擇最佳的紋理特征。

紋理特征提取包括提取與生成特征兩個步驟，拆回電表版本識別區(qū)域采用GLRLM特征提取方法。下面介紹GLRLM基本原理，以及對比實驗中使用的另外兩種統(tǒng)計類紋理特征：GLCM、RIU-LBP。

1.2.1 GLRLM

灰度游程矩陣(GLRLM)基于以下基本原理：粗紋理周圍像素灰度值相同的數(shù)量較多，而細紋理周圍像素灰度值相同的數(shù)量較少?；叶扔纬叹仃?,|)定義為選定方向，具有灰度級和游程長度的游程數(shù)?；叶扔纬叹仃囈粋€軸代表游程長度，另一個代表灰度級，最大游程長度取決于圖像尺寸大小。如圖4所示，對于給定水平方向，0灰度值游程長度1的游程數(shù)為2，0灰度值游程長度2的游程數(shù)為1，以此類推。

圖4 GLRLM水平方向計算示例

通常，灰度游程矩陣會計算4個方向的矩陣，水平方向、垂直方向和兩個對角線方向，即0°、45°、90°、135°。文獻[10]提到根據(jù)GLRLM矩陣計算的10種紋理特征。為提高數(shù)據(jù)歸一化性能，實驗測試后選擇計算差值較小的7種特征，如表1所示。其中：和分別表示圖像灰度等級數(shù)與最大游程，表示總游程數(shù)，表示進行統(tǒng)計的方向。應用GLRLM特征提取方法，電表版本識別區(qū)域的兩個ROI可構(gòu)建56維特征向量。

表1 GLRLM特征

1.2.2 GLCM

灰度共生矩陣(GLCM)由HARALICK等提出，定義為從灰度級出發(fā)的點按照某種固定的位置關(guān)系達到灰度級的數(shù)量或概率。表達式如下：

(1)

式中：表示灰度等級；和表示灰度級變量；(,|,)表示灰度級為的像素點在距離灰度級為的像素點為、方向為的位置處，需要注意與的定義依然建立在圖像像素直角坐標系下。

GLCM計算復雜，同時分辨率越大矩陣維度越高，不便直接作為特征，因此文獻[11]基于GLCM的計算原理，提出了14種紋理特征度量方法，采用標量表示矩陣特征，并參考文獻[2]描述，選擇其中常用的4種二階統(tǒng)計度量，如表2所示。

表2 GLCM特征

在應用特征提取時，值一般選擇0°、45°、90°、135°，值取1。因此，應用GLCM特征提取方法，電表版本識別區(qū)域的兩個ROI可構(gòu)建32維特征向量。此外，文獻[2]提到，為降低GLCM矩陣維度，提高特征提取速度，可進行灰度壓縮。常用的灰度壓縮方法如下式：

(2)

式中：(,)表示灰度壓縮后(,)處像素點的灰度值；(,)表示原始圖像(,)處像素點的灰度值；表示圖像中最大灰度值；′表示灰度壓縮等級。

1.2.3 RIU-LBP

旋轉(zhuǎn)不變等價局部二值模式(RIU-LBP)是局部二值模式(LBP)的一種變體。LBP是一種紋理分析算子，可為圖像生成特征標簽，該標簽以二值模式表示。傳統(tǒng)LBP最早由OJALA等提出，它通過對每個像素的3×3鄰域和中心值進行閾值化來對每個像素進行編碼，進而對整個圖像進行編碼。如圖5所示，大于中間像素的值為1，小于中間像素的值為0，如果從左上角開始按順時針編碼，則中間像素的編碼為11010011。但由于每個像素領(lǐng)域周圍存在8個像素，上述編碼方式就有256種，計算量較大，因此近年來研究人員不斷在此基礎(chǔ)上提出不同的LBP變體。RIU-LBP在LBP基礎(chǔ)上簡化編碼方式，首先利用旋轉(zhuǎn)不變原理將編碼種類減少為36種，然后通過等價原理將編碼種類減少為10種。上述原理可參考文獻[13-14]，文中不再贅述。應用RIU-LBP特征提取方法，電表版本識別區(qū)域的兩個ROI可構(gòu)建20維特征向量。

圖5 LBP編碼示例

1.3 基于紋理統(tǒng)計特征的電表版本分類算法

1.3.1 基于機器學習的分類算法

機器學習是人工智能一個分支學科，在實際工程應用中，被廣泛應用于分類、回歸、聚類等問題。拆回電表新舊版本分類，可歸為機器學習的二分類問題，采用linear線性核函數(shù)的SVM作為機器學習模型，選擇如表3所示的幾種機器學習分類算法與對應算法參數(shù)設置進行對比實驗，表中提到的算法原理可參考文獻[15-17]，文中不再贅述。

表3 幾種機器學習分類算法

1.3.2 歸一化與PCA

為便于處理數(shù)據(jù)，常采用歸一化方法對特征進行處理，保證分類器平等對待每個特征。其中，離差標準化(Min-Max Normalization)是一種常用的歸一化方法，可將數(shù)據(jù)歸一化為(0，1)范圍。表達式如下：

(3)

主成分分析(PCA)是一種數(shù)據(jù)降維處理方法，可將輸入特征重構(gòu)，生成主成分，并根據(jù)選定的貢獻度或特征數(shù)量將輸入的高維特征降維。ROI紋理特征提取得到的GLRLM、GLCM、RIU-LBP三種特征量不同，為排除輸入特征向量維度對機器學習模型的差異，將每種方法提取的特征向量進行PCA處理，利用相同維度的特征向量表征數(shù)據(jù)信息。

綜上所述，基于紋理統(tǒng)計特征的拆回電表版本分類方法的流程如圖6所示。

圖6 電表版本識別方法流程

(1)將拍攝得到的電表原圖進行裁剪，得到如圖3所示的電表版本識別ROI；

(2)計算兩個ROI的GLRLM矩陣，并提取GLRLM特征，得到相應的特征向量；

(3)對所有特征采用離差標準化方法進行歸一化，并采用PCA進行數(shù)據(jù)降維得到輸入特征向量；

(4)采用linear線性核函數(shù)的SVM算法對特征向量進行訓練學習與分類預測。

2 實驗結(jié)果與分析

拆回電表的現(xiàn)場分類系統(tǒng)如圖7所示，電表通過傳送帶送入定位槽，插入電源針與定位銷，上方使用同軸光源與高速拍照模塊獲取電表圖片，完成分類后，由傳送帶分類輸送至不同的回收位。實驗數(shù)據(jù)集采用拆回電表數(shù)據(jù)中20 000張不同曝光、帶有不同附著物、不同老化程度的電表實拍圖，其中2009版和2013版各10 000張。測試環(huán)境為Windows10系統(tǒng)，Intel CPU i5 7500，主頻3.40 GHz，內(nèi)存16 GB，Pycharm集成開發(fā)平臺，Python3.8。

圖7 拆回電表分類系統(tǒng)

實驗過程對數(shù)據(jù)集采用10次交叉驗證方法，每次將數(shù)據(jù)訓練集與測試集按照7∶3的比例分配。通過數(shù)據(jù)歸一化與PCA將GLRLM(56維)、GLCM(32維)、RIU-LBP(20維)3種特征向量的維度降至10維，保證輸入特征向量維度相同；然后通過不同的分類模型進行分類，得到訓練集和測試集的準確率、精度、召回率、測試時間等指標的均值與方差，如表4和表5所示。從表4和表5可以看出：(1)除了訓練時間與測試時間外，編號為8的模型具有最優(yōu)的分類效果；(2)編號1、2、8的準確率、精度和召回率均值之間，只有0.001左右的差距；(3)編號1與編號2對比，編號1的訓練與測試時間明顯小于編號2。因此，由表4和表5所示的實驗數(shù)據(jù)可初步判斷：編號8(基于GLCM與核函數(shù)為rbf的SVM模型)屬于較優(yōu)模型，編號1(基于GLRLM與核函數(shù)為linear的SVM模型)次之。

表4 不同機器學習模型的各指標均值

表5 不同機器學習模型的各指標方差

此外，為對比不同分類模型對拆回電表版本信息錄入時間的影響，進一步對基于GLRLM和GLCM的特征提取過程進行分析。隨機選擇100張2009版和100張2013版電表版本識別區(qū)域圖片，統(tǒng)計單個ROI的平均處理時間。同時為探究采用灰度壓縮方法后對平均處理時間的影響，計算不同灰度壓縮等級的GLCM對電表版本識別區(qū)域單個ROI的平均處理時間，如表6所示。其中，GLCM-′中的數(shù)字′表示灰度壓縮等級，根據(jù)公式(2)可知，當灰度壓縮等級′小于ROI圖像中最大灰度值時，壓縮圖像的灰度值，且壓縮后的最大灰度值為′；否則灰度值不變。

從表6可以看出：編號A～F的平均處理時間均大于編號G的平均處理時間。根據(jù)灰度壓縮和GLCM矩陣計算原理可知，灰度壓縮計算過程所需時間成本遠大于特征提取過程所需時間成本，因此灰度壓縮不一定能加快單個ROI的平均處理時間。

表6 不同特征對單個ROI的平均處理時間

綜上所述，由于電表識別區(qū)域單個ROI的平均處理時間是衡量電表信息錄入檢測產(chǎn)線效率的重要指標，基于GLRLM特征與linear核函數(shù)的SVM模型的電表版本分類方法具有最佳的效果，平均預測分類準確率高達98.95%，特征提取過程中單個ROI的平均處理時間為0.359 6 s，ROI選擇時間與單張圖片分類預測時間可忽略不計。隨機選擇另外一組測試數(shù)據(jù)，其混淆矩陣如圖8所示，預測準確率為98.02%，證明了上述方法的有效性與魯棒性。

圖8 混淆矩陣

3 結(jié)語

為提高拆回電表的版本信息錄入效率，提出一種基于GLRLM-SVM的電表新舊版本分類方法。首先獲取實拍電表圖像，從中選擇兩個ROI；針對電表版本的圖像特征，提取4個方向的灰度游程矩陣特征，構(gòu)建56維特征向量；然后對數(shù)據(jù)進行歸一化處理與主成分分析，將特征向量將至10維；最后使用基于linear核函數(shù)的SVM模型對特征向量進行分類預測，實現(xiàn)電表新舊版本分類，解決版本信息錄入的效率問題。

實驗研究采用不同紋理特征提取方法(RIU-LBP和不同灰度壓縮等級的GLCM)，結(jié)合不同機器學習模型(RF、ANN和不同核函數(shù)的SVM)的方法進行對比測試，證明基于GLRLM和linear核函數(shù)的SVM分類方法具有更高的魯棒性，能滿足檢測產(chǎn)線高精度、高魯棒的要求。交叉驗證實驗過程中，該方法對電表版本識別區(qū)域的單個ROI平均處理時間最短，且平均準確率高達98.95%。

此外，所提檢測方法速度較快，適用于工業(yè)視覺檢測中對象內(nèi)容復雜度較低，實現(xiàn)流程簡單實用，識別準確率較高，能有效提高自動化作業(yè)效率。