本技术涉及电表检定，更具体地，涉及一种基于机器视觉的拆回电能表智能检测方法及系统。
背景技术：
1、电能表检定装置是用于检定电能表、实现电能表量值传递与溯源的主要标准器具，随着电能表技术的不断发展以及智能电能表的大量应用，带来表计检定量的骤然倍增，在不同场合对电能表的计量要求也随之增加，在实际的生产应用中，从供电局、检定线体、用户退表等多种情况下大量退回的电能表需要重新进行检测，以检测应用后的偏差，判断是否具有“利旧”价值。
2、现有的检测台体还未具备相关人工智能算法，拓展性和兼容性差，旧模式下相对繁琐的检测流程，也导致用工成本难以平衡。人工检测需要大量的人力物力，而且检测结果容易受到人为因素的影响，无法保证检测的准确性和一致性。此外，人工检测还存在检测速度慢、检测范围有限等问题，无法满足大规模拆回电能表检测的需求。
3、现有技术如专利号为“cn117826060a”的中国专利公开了一种电能表检定系统及方法、存储介质、计算机设备，该系统包括：智能仓储模块、自动上料模块、图像处理模块及性能检定模块；智能仓储模块，用于响应于电能表检定任务，获取电能表检定任务对应的待检定电能表的周转箱位置；自动上料模块，用于基于周转箱位置，将周转箱中的待检定电能表加入传输托盘；图像处理模块，用于对传输托盘中的待检定电能表进行图像拍摄，并根据拍摄图像提取待检定电能表的条形码信息；性能检定模块，用于基于条形码信息获取电能表类型，将待检定电能表传输至检定所述电能表类型的检定流水线进行性能检定。通过图像识别将电能表分发至对应的检定流水线进行自动检定，提高了电能表检定效率。
4、上述现有技术存在的问题是，仅通过图像识别电表中条形码的信息，对电表信号进行确定，但是在拆回电表中，条形码信息及rfid识别卡信息大多为不准确的，通过此信息进行分类检定存在一定缺陷。
技术实现思路
1、为解决上述技术问题，本发明提出了一种基于机器视觉的拆回电能表智能检测方法系统。
2、本发明技术方案如下：
3、一方面，本发明提出一种基于机器视觉的拆回电能表智能检测系统，包括：
4、图像采集模块：通过安装在流水线上的红外可见光摄像头采集拆回电表的图像，通过通信接口将图像信息传送至图像处理模块；
5、图像处理模块：对采集到的图像进行预处理，包括灰度化、二值化、去噪操作；
6、特征提取模块：将经过处理的拆回电表图像利用尺度不变特征变换算法提取拆回电表图像中的关键特征点；
7、分类识别模块：将提取到的关键特征点输入预先训练好的支持向量机模型对拆回电表进行分类识别，将单相电表和三相电表区分开来，确定拆回电表的型号和参数，将拆回电表的型号和参数信息通过通信接口发送至顺序定位模块；
8、顺序定位模块：根据拆回电表的型号和参数信息以及铺设在流水线下方的磁轨道和射频识别卡实现拆回电表的准确导航和定位，生成拆回电表设备队列；
9、功能检定模块：根据生成的拆回电表设备队列，自动匹配需要执行的压接操作和检测程序，输出检定结果。
10、作为优选实施方式，所述特征提取模块提取拆回电表图像中的关键特征点包括以下步骤：
11、尺度空间极值检测：通过构建高斯金字塔来模拟图像的尺度空间；在每个尺度上，通过比较每个像素与其邻域像素的灰度值，找到局部极值点；
12、关键点定位：对检测到的极值点进行精确定位；通过拟合二阶泰勒展开式来确定关键点的位置和尺度；
13、方向分配：为每个关键点分配一个主方向；通过计算关键点邻域的梯度方向直方图，选择直方图中的峰值方向作为关键点的主方向；
14、关键特征点生成：为每个关键点生成一个描述子，用于描述其局部特征，通过计算关键点邻域的梯度信息和方向信息来构建关键特征点。
15、作为优选实施方式，所述分类识别模块根据提取到的关键特征点匹配特征值，得到待检电表的型号信息；包括以下步骤：
16、以欧氏距离作为相似性判定依据，将提取到的关键特征点与型号电表图像进行匹配，取型号电表图像的某个关键特征点与拆回电表图像中欧氏距离最近2个关键特征点，在这2个关键特征点中，最近的距离除以次近的欧氏距离小于某个比例阈值，则匹配成功，确定型号电表图对应的型号信息为拆回电表的型号信息；具体公式如下：
17、描述两关键特征点相似度：
18、
19、式中，ri为型号电表图像中的关键特征点，si为拆回电表图像中的关键特征点，rij和sij分别表示电表图像中的关键描述子和拆回电表图像中的关键点描述子；j＝1，2，3…，128；
20、则有：
21、
22、式中，d(ri，s1)，d(ri，s2)分别为型号电表图像的某个关键特征点与拆回电表图像的欧氏距离最近和次近的特征关键点的欧式距离；
23、得到型号电表图像与拆回电表图像的关键特征点的匹配关系后，型号电表图像与拆回电表图像存在如下一个变换过程：
24、
25、式中：h为投影变换矩阵；[x’,y’,1]t和[x,y,1]t分别为某组特征匹配点在型号电表图像和拆回电表图像上的像点坐标构成的矩阵；
26、为消除匹配过程中有可能存在的错误匹配点，这里采用随机采样一致性来排除错误匹配点；这是一种稳健的参数估计方法，它使用随机选择的样本估计参数，寻找一个对数据具有最大适应性的解；在一定的置信概率p下，m组抽样中至少有1组数据全是内点，即：
27、1-(1-εm)m＝p
28、式中：ε为内点率；m为模型参数计算过程中需要的最小数据量。
29、作为优选实施方式，所述支持向量机模型的预训练包含以下步骤：
30、数据准备：收集一组已标注的电表图片样本构成数据集，其中包括匹配对和非匹配对，匹配对为相同型号的电表图片，非匹配对为不同型号的电表图片；每个样本可以表示为一个特征向量；
31、数据划分：将数据集划分为训练集和测试集；训练集用于训练支持向量机模型，测试集用于评估模型的性能；
32、模型训练：使用训练集训练支持向量机模型；支持向量机通过寻找一个最优的超平面来将匹配对和非匹配对分开；
33、模型评估：使用测试集评估训练好的支持向量机模型的性能；可以使用各种评估指标，如准确率、召回率；
34、参数调优：根据模型评估结果，调整支持向量机模型的参数，如核函数类型、正则化参数，以提高模型的性能；
35、图片匹配：使用训练好的支持向量机模型对拆回电表的图片进行匹配，得到匹配结果。
36、另一方面，本发明还提供一种基于机器视觉的拆回电能表智能检测方法，包括以下步骤：
37、步骤s1：通过安装在流水线上的红外可见光摄像头采集拆回电表的图像，通过通信接口将图像信息传送至图像处理模块；
38、步骤s2：对采集到的图像进行预处理，包括灰度化、二值化、去噪操作；
39、步骤s3：将经过处理的拆回电表图像利用尺度不变特征变换算法提取拆回电表图像中的关键特征点；
40、步骤s4：将提取到的关键特征点输入预先训练好的支持向量机模型对拆回电表进行分类识别，将单相电表和三相电表区分开来，确定拆回电表的型号和参数，将拆回电表的型号和参数信息通过通信接口发送至顺序定位模块；
41、步骤s5：根据拆回电表的型号和参数信息以及铺设在流水线下方的磁轨道和射频识别卡实现拆回电表的准确导航和定位，生成拆回电表设备队列；
42、步骤s6：根据生成的拆回电表设备队列，自动匹配需要执行的压接操作和检测程序，输出检定结果。
43、作为优选实施方式，所述提取拆回电表图像中的关键特征点包括以下步骤：
44、尺度空间极值检测：通过构建高斯金字塔来模拟图像的尺度空间；在每个尺度上，通过比较每个像素与其邻域像素的灰度值，找到局部极值点；
45、关键点定位：对检测到的极值点进行精确定位；通过拟合二阶泰勒展开式来确定关键点的位置和尺度；
46、方向分配：为每个关键点分配一个主方向；通过计算关键点邻域的梯度方向直方图，选择直方图中的峰值方向作为关键点的主方向；
47、关键特征点生成：为每个关键点生成一个描述子，用于描述其局部特征，通过计算关键点邻域的梯度信息和方向信息来构建关键特征点。
48、作为优选实施方式，根据提取到的关键特征点匹配特征值，得到待检电表的型号信息；包括以下步骤：
49、以欧氏距离作为相似性判定依据，将提取到的关键特征点与型号电表图像进行匹配，取型号电表图像的某个关键特征点与拆回电表图像中欧氏距离最近2个关键特征点，在这2个关键特征点中，最近的距离除以次近的欧氏距离小于某个比例阈值，则匹配成功，确定型号电表图对应的型号信息为拆回电表的型号信息；具体公式如下：
50、描述两关键特征点相似度：
51、
52、式中，ri为型号电表图像中的关键特征点，si为拆回电表图像中的关键特征点，rij和sij分别表示电表图像中的关键描述子和拆回电表图像中的关键点描述子；j＝1，2，3…，128；
53、则有：
54、
55、式中，d(ri，s1)，d(ri，s2)分别为型号电表图像的某个关键特征点与拆回电表图像的欧氏距离最近和次近的特征关键点的欧式距离；
56、得到型号电表图像与拆回电表图像的关键特征点的匹配关系后，型号电表图像与拆回电表图像存在如下一个变换过程：
57、
58、式中：h为投影变换矩阵；[x’，y’，1]t和[x，y，1]f分别为某组特征匹配点在型号电表图像和拆回电表图像上的像点坐标构成的矩阵；
59、为消除匹配过程中有可能存在的错误匹配点，这里采用随机采样一致性来排除错误匹配点；这是一种稳健的参数估计方法，它使用随机选择的样本估计参数，寻找一个对数据具有最大适应性的解；在一定的置信概率p下，m组抽样中至少有1组数据全是内点，即：
60、1-(1-εm)m＝p
61、式中：ε为内点率；m为模型参数计算过程中需要的最小数据量。
62、作为优选实施方式，所述支持向量机模型的预训练包含以下步骤：
63、数据准备：收集一组已标注的电表图片样本构成数据集，其中包括匹配对和非匹配对，匹配对为相同型号的电表图片，非匹配对为不同型号的电表图片；每个样本可以表示为一个特征向量；
64、数据划分：将数据集划分为训练集和测试集；训练集用于训练支持向量机模型，测试集用于评估模型的性能；
65、模型训练：使用训练集训练支持向量机模型；支持向量机通过寻找一个最优的超平面来将匹配对和非匹配对分开；
66、模型评估：使用测试集评估训练好的支持向量机模型的性能；可以使用各种评估指标，如准确率、召回率；
67、参数调优：根据模型评估结果，调整支持向量机模型的参数，如核函数类型、正则化参数，以提高模型的性能；
68、图片匹配：使用训练好的支持向量机模型对拆回电表的图片进行匹配，得到匹配结果。
69、再一方面，本发明还提供一种电子设备，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明任一实施例所述的一种基于机器视觉的拆回电能表智能检测方法。
70、再一方面，本发明还提供一种计算机可读介质，用于存储一个或者多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如本发明任一实施例所述的一种基于机器视觉的拆回电能表智能检测方法。
71、本发明具有如下有益效果：
72、提高检测效率：本发明利用机器视觉技术实现了对拆回电能表的自动检测和分类，大大提高了检测效率。
73、提高检测准确性：本发明利用尺度不变特征变换算法和支持向量机模型提取电表图像中的关键特征点并进行匹配，提高了检测的准确性和稳定性。
74、完善回收处理流程：本发明完善了拆回电能表回收处理流程，实现了拆回电能表数据统计整合，为拆回电能表的管理和利用提供了有力支持。
1.一种基于机器视觉的拆回电能表智能检测系统，其特征在于，包括：
2.根据权利要求1所述的一种基于机器视觉的拆回电能表智能检测系统，其特征在于：所述特征提取模块提取拆回电表图像中的关键特征点包括以下步骤：
3.根据权利要求1所述的一种基于机器视觉的拆回电能表智能检测系统，其特征在于：所述分类识别模块根据提取到的关键特征点匹配特征值，得到待检电表的型号信息；包括以下步骤：
4.根据权利要求1所述的一种基于机器视觉的拆回电能表智能检测系统，其特征在于：所述支持向量机模型的预训练包含以下步骤：
5.一种基于机器视觉的拆回电能表智能检测方法，其特征在于，包括以下步骤：
6.根据权利要求5所述的一种基于机器视觉的拆回电能表智能检测方法，其特征在于：所述提取拆回电表图像中的关键特征点包括以下步骤：
7.根据权利要求5所述的一种基于机器视觉的拆回电能表智能检测方法，其特征在于：所述根据提取到的关键特征点匹配特征值，得到待检电表的型号信息；包括以下步骤：
8.根据权利要求5所述的一种基于机器视觉的拆回电能表智能检测方法，其特征在于：所述支持向量机模型的预训练包含以下步骤：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求5至8任一项所述的一种基于机器视觉的拆回电能表智能检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求5至8任一项所述的一种基于机器视觉的拆回电能表智能检测方法。
