一种基于移动终端的电表箱图像质量检测方法与流程

1.本发明属于图像处理技术领域，特别涉及一种基于移动终端的电表箱图像质量检测方法。


背景技术：

2.随着我国电力事业的发展和智能电网建设的推进,电力系统一线生产单位正采用多种监控手段,例如无人机图像采集、视频监控、红外热成像等方法采协助工作人员完成输电线路的巡检。
3.但是目前的监控方法，大多需要电网服务平台对各种设备采集到的电力图像进行处理，不便于一线电力工作人员使用。虽然，今年来出现了一些用于电力图像检测的移动终端，但其大多是通过深度学习技术进行图像处理的，对硬件支撑能力要求很高，因此成本耗费巨大，不便于推广。


技术实现要素：

4.针对上述现有技术存在的问题，本发明提供了一种基于移动终端的电表箱图像质量检测方法，通过多个弱分类器协同组合成的强分类器进行图像质量检测，保证了图像识别的精度，同时又降低了对硬件的依赖。
5.本发明实施例的第一方面提供了一种基于移动终端的电表箱图像质量检测方法，所述检测方法包括：
6.获取多张电表箱样本图像，对所述样本图像进行分类，将分类后的样本图像进行叠加求均值，得到平均样本图像；
7.计算平均样本图像的全局特征值和纹理特征值；
8.将全局特征值和纹理特征值作为训练集，依次迭代训练多个弱分类器；
9.对训练完成的多个弱分类器进行加权组合，得到一个强分类器；
10.采用所述强分类器对电表箱图像进行质量检测。
11.本发明实施例的第二方面提供了一种移动终端，所述移动终端包括：
12.图像处理模块，用于获取多张电表箱样本图像，对所述样本图像进行分类，将分类后的样本图像进行叠加求均值，得到平均样本图像；
13.特征提取模块，用于计算平均样本图像的全局特征值和纹理特征值；
14.模型构造模块，用于将全局特征值和纹理特征值作为训练集，依次迭代训练多个弱分类器，对训练完成的多个弱分类器进行加权组合，得到一个强分类器；
15.图像分析模块，用于采用所述强分类器对电表箱图像进行质量检测。
16.本发明实施例的第三方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现上述的一种基于移动终端的电表箱图像质量检测方法。
17.本发明的一种基于移动终端的电表箱图像质量检测方法，具备如下有益效果：
18.本发明公开了一种基于移动终端的电表箱图像质量检测方法，包括获取多张电表箱样本图像，对所述样本图像进行分类，将分类后的样本图像进行叠加求均值，得到平均样本图像，然后基于平均样本图像计算全局特征值和纹理特征值，将全局特征值和纹理特征值作为训练集，依次迭代训练多个弱分类器，再将个弱分类器进行加权组合，得到一个强分类器，通过该强分类器对电表箱图像进行质量检测，减少了对样本图像的质量需求，采用两种特征值训练弱分类器，降低了对硬件的需求，同时多个弱分类器协同工作，使得分类结果的准确率和分类效率都有所提高。
附图说明
19.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本发明一种基于移动终端的电表箱图像质量检测方法的整体流程图；
21.图2是强分类器的组合过程流程图。
具体实施方式
22.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
23.本发明实施例提供了一种基于移动终端的电表箱图像质量检测方法，上述检测方法包括：
24.获取多张电表箱样本图像，对所述样本图像进行分类，将分类后的样本图像进行叠加求均值，得到平均样本图像；
25.计算平均样本图像的全局特征值和纹理特征值；
26.将全局特征值和纹理特征值作为训练集，依次迭代训练多个弱分类器；
27.对训练完成的多个弱分类器进行加权组合，得到一个强分类器；
28.采用所述强分类器对电表箱图像进行质量检测。
29.参考图1，在本实施例中，通过训练强分类器进行图像质量检测。具体的是，获取多张电表箱样本图像，对所述样本图像进行分类，将分类后的样本图像进行叠加求均值，得到平均样本图像，采用平均样本作为分类基准，然后基于平均样本图像计算全局特征值和纹理特征值，将全局特征值和纹理特征值作为训练集，依次迭代训练多个弱分类器，再将个弱分类器进行加权组合，得到一个强分类器，通过该强分类器对电表箱图像进行质量检测，减少了对样本图像的质量需求，同时多个弱分类器协同工作，使得分类结果的准确率和分类效率都有所提高。
30.基于上述检测方法，上述计算平均样本图像的全局特征值和纹理特征值，包括：
31.将所述平均样本图像进行缩放，并进行灰度化处理，得到压缩样本图像；
32.计算压缩样本图像像素点的灰度值均值，基于灰度值均值对压缩样本图像的个像
素点的灰度值进行重置，得到压缩样本图像的hash值作为压缩样本图像的全局特征值；
33.选取压缩样本图像中的一个像素点以及与之相邻的像素点作为特征提取窗，计算特征提取窗中心像素的特征值作为纹理特征值。
34.在本实施例中，通过将平均样本图像进行缩放，并进行灰度化处理，得到压缩样本图像，其中压缩样本图像为8*8的正方形图像，再计算压缩样本图像像素点的灰度值均值，然后依次比较各个像素点的灰度值与均值的大小，将小于均值的灰度值记为0，大于均值的灰度值记为1，构建一个64位的hash值，该值可表示图像的全局特征。再基于压缩样本图像，选取一个像素点以及与之相邻的像素点作为特征提取窗，其中特征提取窗的大小为3*3。
35.然后通过特征提取窗口提取压缩样本图形的纹理特征，具体过程如下：
36.选取压缩样本图像中的一个像素点以及与之相邻的像素点作为特征提取窗，所述提取窗大小为3*3；
37.计算所述特征提取窗中心像素点与各个相邻像素点之间的距离，基于中心像素点与各个相邻像素点之间的距离对各像素点的灰度值进行加权运算，其中距离越近权重越大；
38.将加权后的特征提权窗分成竖直方向的三组数据，依次对比各个数据组各数据位的灰度值大小；
39.将灰度值大的数据位记为1，灰度值小的数据位记为0，组成一个八位二进制数，中心像素点所在数据位不记录；
40.将得到的八位二进制数转换为十进制数值即为特征提取窗口中心像素点的纹理特征值。
41.具体的是，在压缩样本图像中选取3*3的特征提取窗，该特征提取窗在压缩图像中的为正方形，然后计算特征提取窗中心像素点与各个相邻像素点之间的距离，由于特征提取窗为正方形，因此若中心像素点与特征提取窗一边中点上像素点的距离为s，则其与特征提取窗四角像素点之间的距离即为由此可计算出特征提取窗中心像素点与各个相邻像素点之间的距离，再基于计算得到的距离对各像素点的灰度值进行加权运算，其中距离越近权重越大，在本实施例中可通过像素点与中心像素点之间距离的比值进行复权，例如特征提取窗一边中点上像素点的权重为1，则特征提取窗四角像素点的权重各像素点加权后的灰度值为h，计算公式如下：h＝a w*c，其中a表示像素点灰度值，w表示像素点权重，c表示中心像素点的灰度值，中心像素点的灰度值调整后为2c。得到各像素点加权灰度值之后，将特征提权窗分成竖直的s1,s2,s3三组数据，则将数据组s1与数据组s2按对应位进行比较，若数据组s1数据位上的灰度值大于s2则将该数据位记为1，反之记为0，再将s3与s2进行比较，记录s3各位上的数字，最后将s2上下两位数字与中间位进行比较，最终得到一个八位而二进制数，将得到的八位二进制数转换为十进制数值即为特征提取窗口中心像素点的纹理特征值。本实施例通过两种方法进行特征提取，降低了特征的维度，减少了后期缺陷识别的计算量。
42.基于上述计算平均样本图像的全局特征值和纹理特征值，上述将平均样本图像进行缩放包括：
43.基于压缩样本图像的大小，确定所要选取的像素点的数量，所述压缩样本图像为n*n的正方形图像；
44.读取平均样本图像的大小，分别计算平均样本图像长和宽与压缩样本图像长的比值；
45.若计算得到的比值存在小数部分则判断小数部分是否满足所设阈值；
46.若满足，则将平均样本图像的长或宽增加，直到平均样本图像长或宽与压缩样本图像长的比值为整数；
47.若不满足，则将平均样本图像的长或宽减小，直到平均样本图像长或宽与压缩样本图像边长的比值为整数；
48.基于调整后的样本图像，按照计算所得比值，等距离选取像素点，组成压缩样本图像。
49.在本实施例中，压缩样本图像为8*8的正方形图像，先获取大小为l*m的平均样本图像，然后分别计算平均样本图像长与压缩样本图像边长的比值平均样本图像宽与压缩样本图像边长的比值然后判断比值与的小数部分是否大于阈值，再本实例中阈值可选为0.8，若小数部分大于阈值则将平均样本图像的长l或宽m增加α个像素点，使得图像的长和宽能够被8整除，若小数部分小于阈值则将平均样本图像的长l或宽m减少α个像素点，使得图像的长和宽能够被8整除，然后基于调整后的样本图像，每隔或个像素点选取一个像素点，组成压缩样本图像。
50.基于上述检测方法，上述弱分类器分别对应一个缺陷识别，所述缺陷包括外观破损、窥视窗破损、外观锈蚀、标识牌缺失、锁具缺失、封印缺失。
51.基于上述检测方法，上述强分类器包括：
52.提取平均样本图像的全局特征值和纹理特征值，将全局特征值和纹理特征值作为训练集依次对弱分类器进行训练；
53.读取每个弱分类器的输出结果，根据每个弱分类器对于训练样本的训练结果，获取多个弱分类器之间的关联关系，所述关联关系包括正比关系和反比关系；
54.对于具有正比关系的多个弱分类器进行初次摒弃筛选；
55.基于具有反比关系的弱分类器和初次摒弃筛选后的弱分类器，获取各个弱分类器分类结果的错误率的比值；
56.若所述弱分类器分类结果的错误率大于预设上限阈值，则二次摒弃所述弱分类器；
57.基于所述二次摒弃后的所有弱分类器，按照错误率的比值为各个弱分类器分配权重，其中分类结果的错误率越小，权重越大；
58.基于各个弱分类器的分配权重组合得到强分类器。
59.参考图2，在本实施例中，每个弱分类器识别一种缺陷，具体的是外观破损、窥视窗破损、外观锈蚀、标识牌缺失、锁具缺失、封印缺失。具有正比关系的多个弱分类器，用于表征两个弱分类器的分类结果具有正相关关系，例如，弱分类器a(外观破损分类器)输出结果
为“是”，弱分类器b(外观锈蚀分类器)输出结果为“是”，当对于训练集中的多个训练样本进行分类时，弱分类器a和b的输出结果始终保持一致，即确定弱分类器a和b具有正相关关系，同理，可以获取具有反比关系的弱分类器。
60.强分类器由多个弱分类器加权组合而成，具体的是，通过平均样本图像的全局特征值和纹理特征值依次迭代训练不同的弱分类器，每次训练完成后，统计该弱分类器分类结果的错误率记为qi,其中i表示第i个弱分类器，然后计算各个弱分类器分类结果的错误率的比值，按照错误率的比值为各个弱分类器分配权重ui，其中，分类结果的错误率越小，权重越大，权重ui的计算公式为：其中m表示弱分类器个数，最后将弱分类器进行线性加权组合，即可得到强分类器。
61.当然，若全部的弱分类器分类结果的错误率均大于预设上限阈值，则不基于上述的多个弱分类器的分配权重组合得到强分类器。
62.基于上述检测方法，上述检测方法还包括：基于图像质量分析结果判断是否需要上传电表箱图像至云端服务器。
63.基于上述检测方法，上述图像质量分析结果判断过程如下：
64.所述移动终端基于图像质量分析结果获取电表箱的缺陷；
65.由移动终端使用人员判断是否能对电表箱缺陷进行维修；
66.若移动终端使用人员无法进行维修，则可通过移动终端将电表箱图像以及图像质量分析结果上传至云端服务器；
67.其他移动终端使用人员可通过移动终端查看该信息。
68.在本实施例中，电表箱维修人员可以通过移动终端，查看电表箱的缺陷，然后判断是否能够维修该电表箱缺陷，若能够维修则可以前往维修，若无法维修，则可将电表箱图像以及图像质量分析结果上传至云端服务器，云端服务器会将该信息推送至较近的移动终端处，其他移动终端也可通过云端服务器查看该信息。
69.本发明实施例提供了一种移动终端，上述移动终端包括：
70.图像处理模块，用于获取多张电表箱样本图像，对所述样本图像进行分类，将分类后的样本图像进行叠加求均值，得到平均样本图像；
71.特征提取模块，用于计算平均样本图像的全局特征值和纹理特征值；
72.模型构造模块，用于将全局特征值和纹理特征值作为训练集，依次迭代训练多个弱分类器，对训练完成的多个弱分类器进行加权组合，得到一个强分类器；
73.图像分析模块，用于采用所述强分类器对电表箱图像进行质量检测。
74.基于上述移动终端，上述移动终端还包括：
75.查询模块，用于显示图像的质量检测结果；
76.结果分析模块，用于基于图像质量检测结果判断是否需要上传电表箱图像至云端服务器；
77.通信模块，用于将电表箱图像及图像质量检测结果上传至云端服务器以及与其他移动终端通信。
78.具体的是，电表箱维修人员可以通过移动终端查看电表箱图像的分析结果，查询
电表箱存在的缺陷类型，方便电表箱维修人员及时前往检修，如果电表箱维修人员无法进行检修可将电表箱图像及图像质量检测结果上传至云端服务器，云端服务器会基于电表箱存在的缺陷类型，通知其他维修人员，维修人员可以通过移动终端进行通信。
79.本发明实施例提供了一种计算机可读存储介质，该存储介质中存储有至少一条程序代码，至少一条程序代码由处理器加载并执行以实现上述的一种基于移动终端的电表箱图像质量检测方法。
80.可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器能够存储数据以支持终端的操作。这些数据的示例包括：用于在终端上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
81.本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。