煤礦變電所數(shù)顯儀表字符識別研究

郝建華

(山西汾西礦業(yè)(集團(tuán))有限責(zé)任公司 供用電分公司， 山西 介休　032000)

?

煤礦變電所數(shù)顯儀表字符識別研究

郝建華

(山西汾西礦業(yè)(集團(tuán))有限責(zé)任公司 供用電分公司， 山西 介休032000)

針對煤礦變電所數(shù)顯式儀表存在巡檢自動化程度低和識別可靠性差等問題，提出了一種基于改進(jìn)遺傳算法和支持向量機算法的字符識別算法。該算法采用Harr-Like特征作為字符識別特征,通過改進(jìn)的遺傳算法對分類器支持向量機的參數(shù)進(jìn)行尋優(yōu)，利用主元分析法進(jìn)行降維處理，并使用支持向量機識別數(shù)顯式儀表字符。實驗驗證了該算法的有效性和可行性。

煤礦變電所； 數(shù)顯式儀表； 字符識別；Harr-Like特征； 改進(jìn)遺傳算法

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160902.1018.015.html

0　引言

煤礦變電所中大量使用數(shù)顯式儀表用于顯示電力系統(tǒng)的電壓、電流、功率等參數(shù)，其優(yōu)點是讀數(shù)簡單且不需要估計。但在一般情況下，數(shù)顯式儀表并不和測量系統(tǒng)進(jìn)行數(shù)據(jù)傳輸，僅僅顯示當(dāng)前的測量結(jié)果，而測量結(jié)果需要通過人工抄寫記錄，并將其錄入計算機內(nèi)，以對這些數(shù)據(jù)作進(jìn)一步處理。這種檢測方式不僅費時費力，而且可靠性易受檢測員的影響變得不穩(wěn)定。本文將機器視覺技術(shù)引入煤礦變電所，用于采集數(shù)顯式儀表的圖像，并進(jìn)行處理和識別。常用的字符識別法有穿線識別法、模板匹配法、支持向量機法等。穿線識別法易于實現(xiàn),但對定位區(qū)域要求較高。模板匹配法簡單,但運算量較大。另外，上述2種方法對字符扭曲、變形抵抗能力不強。故本文提出一種基于Harr-Like特征及改進(jìn)遺傳算法支持向量機的字符識別算法，并進(jìn)行了實驗研究。

1　Harr-Like特征及支持向量機原理

1.1Harr-Like特征

Harr-Like特征庫有3種類型、4種形式。利用這些特征可以從字符中提取斜向邊緣特征、斜向灰度特征等有用信息[1-2]。

假設(shè)圖像高為H，寬為W，如果特征量滿足式(1)，則五元組(x,y,p,h,θ)能夠表示擴(kuò)展Harr-Like特征中的旋轉(zhuǎn)矩陣特征及豎直矩陣特征。

(1)

式中：x,y表示矩形的位置；p,h分別為矩形的寬和高；θ為矩形的傾斜角度。

每個特征在實際訓(xùn)練中的個數(shù)是不相同的，一個大小為p×h的正面特征，在一幅大小為W×H的圖像中的個數(shù)為

(2)

式中：N為θ=0°對應(yīng)的特征數(shù)；X=W/h；Y=H/h。

對于θ=45°的特征量，在W×H的圖像中個數(shù)為

(3)

式中z=p+h。

1.2支持向量機

尋求支持向量機最優(yōu)分類超平面可轉(zhuǎn)化為求解如下的約束優(yōu)化問題：

(4)

式中：(xi,yi)代表第i個樣本；w，b分別為超平面的法向量和截距；l為樣本個數(shù)。

這是一個凸二次規(guī)劃問題，原約束優(yōu)化問題可以轉(zhuǎn)化為對偶問題：

(5)

式中αi為拉格朗日乘子。

在線性分類問題中，有時可能會出現(xiàn)一些噪聲樣本點，導(dǎo)致原線性可分的樣本數(shù)據(jù)變得線性不可分，此時需使其能夠忽略一定的誤差，引入一個評估誤差損失的懲罰權(quán)重對訓(xùn)練誤差進(jìn)行考量，從而使分類器的分類效果更好，具體目標(biāo)函數(shù)可以定義為

(6)

式中：C為懲罰因子，表示對訓(xùn)練誤差的重視程度；ξi為松弛因子。

對于某空間中線性不可分的數(shù)據(jù)，往往可先使用映射函數(shù)Φ(x)將訓(xùn)練樣本從低維空間轉(zhuǎn)換到高維空間，這個函數(shù)被稱為核函數(shù)。使用核函數(shù)后，原優(yōu)化問題可寫為

(7)

決策函數(shù)可以寫為

(8)

式中β*為分類閾值。

常用的核函數(shù)包括多項式核函數(shù)、高斯徑向基核函數(shù)及Sigmoid核函數(shù)[3]。本文采用高斯基核函數(shù)。

(9)

式中γ為高斯徑向基核函數(shù)的半徑。

2　改進(jìn)遺傳算法原理

使用遺傳算法對支持向量機進(jìn)行參數(shù)尋優(yōu)時，先在設(shè)定區(qū)間內(nèi)隨機選點進(jìn)行搜索，其方向由適應(yīng)度函數(shù)決定，流程如圖1所示。

圖1　基于遺傳算法參數(shù)尋優(yōu)流程

使用二進(jìn)制符號串d1,d2,…,da，da+1,…,dg對支持向量機中的C和γ編碼，其中，C對應(yīng)d1,d2,…,da，γ對應(yīng)da+1,da+2,…,dg;a為C的編碼長度(位數(shù))，g為γ的編碼長度(位數(shù))。自變量編碼與支持向量機參數(shù)相互對應(yīng)。

支持向量機參數(shù)尋優(yōu)過程中的適應(yīng)度函數(shù)一般為交叉驗證函數(shù)，但在遺傳算法中很難保證種群多樣性，容易導(dǎo)致局部最優(yōu)現(xiàn)象，因此，需要對適應(yīng)度函數(shù)進(jìn)行調(diào)整。適應(yīng)度函數(shù)為

(10)

式中：F*(x)為調(diào)整后的適應(yīng)度函數(shù)；F(x)為原適應(yīng)度函數(shù)，即交叉驗證函數(shù)；B為最佳適應(yīng)度；A為平均適應(yīng)度[4]；s≥1且為整數(shù)，一般為2；k由交叉驗證函數(shù)確定，若F(x)≥1，則k>1且為整數(shù)，若F(x)<1，則k∈(0,1)；n為現(xiàn)遺傳代數(shù)；M為最大遺傳代數(shù)[5]。

通常遺傳算法的交叉概率Pc=0.6～1，變異概率Pm=0.001～0.1。在初期階段個體適應(yīng)度差異較大，較大的交叉概率及較小的變異概率可以更好地保存有用遺傳信息；而在后期，個體適應(yīng)度差異較小，相反的交叉概率和變異概率能夠增加種群多樣性。查閱相關(guān)資料后，本文使用的交叉概率和變異概率如下：

(11)

(12)

式中n1為第一代遺傳代數(shù)。

3　實驗結(jié)果與討論

支持向量機中核函數(shù)選用高斯徑向基函數(shù)，其中參數(shù)分別使用經(jīng)驗法、遺傳算法和改進(jìn)遺傳算法獲得。在經(jīng)驗法中，C=1 000，γ=0.01，遺傳算法和改進(jìn)遺傳算法中核函數(shù)C的搜索范圍設(shè)為[2-2,24]，γ的搜索范圍設(shè)為[2-4,24]，種群數(shù)量設(shè)置為20，最大遺傳進(jìn)化數(shù)為100次。

實驗采用自建字符圖像庫進(jìn)行測試，字符庫包含10種字符，每種字符選取110張圖像，其中有些字符表面受到光照、薄膜影響。部分字符圖像如圖2所示，每種字符選取35幅圖像用作測試，剩余圖像作為訓(xùn)練圖像。

圖2　部分字符圖像

對字符圖像進(jìn)行二值化處理后，部分字符受噪聲干擾明顯，如圖3所示。

分別檢驗采用穿線法、模板匹配法和不同參數(shù)支持向量機方法的識別結(jié)果。使用支持向量機識別字符時提取特征并使用主元分析法進(jìn)行數(shù)據(jù)降維，選取主成分貢獻(xiàn)率大于90%。對其中一幅字符圖像使用遺傳算法優(yōu)化參數(shù)，得到的適應(yīng)度曲線如圖4所示。得到的支持向量機最優(yōu)參數(shù)為C=13.792 6，γ=0.007 9。

圖3　部分受噪聲干擾的字符二值化圖像

圖4　遺傳算法適應(yīng)度曲線

采用改進(jìn)遺傳算法優(yōu)化參數(shù)得到的適應(yīng)度曲線如圖5所示。得到的支持向量機最優(yōu)參數(shù)為C=39.960 3，γ=0.007 5。

圖5　改進(jìn)遺傳算法適應(yīng)度曲線

使用遺傳算法進(jìn)行參數(shù)尋優(yōu)在開始階段選擇的種群具有隨機性，因此，對于相同訓(xùn)練數(shù)據(jù)，每次參數(shù)尋優(yōu)的結(jié)果并不一致，對數(shù)據(jù)進(jìn)行5組實驗，遺傳算法參數(shù)尋優(yōu)結(jié)果見表1。改進(jìn)遺傳算法參數(shù)尋優(yōu)結(jié)果見表2。

表1　遺傳算法參數(shù)尋優(yōu)結(jié)果

表2　改進(jìn)遺傳算法參數(shù)尋優(yōu)結(jié)果

對每個字符分別進(jìn)行8組實驗，對結(jié)果求平均值，得到不同方法的識別率見表3。

表3　不同方法的識別率　%

通過實驗結(jié)果可以看出，采用Harr-Like提取字符特征，然后基于改進(jìn)遺傳算法支持向量機分類，對字符圖像有較好的識別率，在樣本不是很大的情況下，分類速度較快，滿足時效性要求。

4　結(jié)語

介紹了基于改進(jìn)遺傳算法支持向量機的字符識別算法，并將其應(yīng)用于煤礦變電所數(shù)顯式儀表的圖像處理和識別。該算法采用Harr-Like特征作為字符識別特征，相比穿線法、模板匹配法、支持向量機法等傳統(tǒng)的字符識別算法，其參數(shù)優(yōu)化效率高、分類速度快、準(zhǔn)確率高，具有更好的識別效果。

[1]ZHANGC,LIUJ,LIANGC,etal.ImageclassificationusingHarr-liketransformationoflocalfeatureswithcodingresiduals[J].SignalProcessing, 2013,93(8):2111-2118.

[2]邵平,楊路明,曾耀榮.計算旋轉(zhuǎn)Harr型特征的積分圖像算法改進(jìn)[J].計算機技術(shù)與發(fā)展,2006(11):146-147.

[3]黃瓊英.支持向量機多類分類算法的研究及應(yīng)用[D].天津：河北工業(yè)大學(xué),2005.

[4]劉虎,羅斌,吳晟,等.改進(jìn)的遺傳算法在SVM參數(shù)優(yōu)化中的應(yīng)用[J].云南師范大學(xué)學(xué)報(自然科學(xué)版),2012(4):47-51.

[5]楊旭,紀(jì)玉波,田雪.基于遺傳算法的SVM參數(shù)選取[J].遼寧石油化工大學(xué)學(xué)報,2004(1):54-58.

Study of character recognition of digital display instrument in coal mine substation

HAO Jianhua

(BranchofPowerSupplyandConsuption,ShanxiFenxiMining(Group)Co.,Ltd.,Jiexiu032000,China)

Inviewofproblemsoflowautomationdegreeandrecognitionreliabilityofdigitaldisplayinstrumentincoalminesubstation,akindofcharacterrecognitionalgorithmbasedonimprovedgeneticalgorithmandsupportvectormachinealgorithmwasproposed.ThealgorithmadoptsHarr-Likefeaturesascharacterrecognitionfeatures,improvedgeneticalgorithmwaschosentosearchtheoptimalparametersofthesupportvectormachineclassifier,andusesprincipalcomponentanalysismethodtoconductthedimensionreducingprocess,thenappliessupportvectormachinetoidentifycharacterofthedigitaldisplayinstrument.Theeffectivenessandfeasibilityofthealgorithmwasvalidatedbyexperiments.

coalminesubstation;digitaldisplayinstrument;characterrecognition;Harr-Likefeatures;improvedgeneticalgorithm

1671-251X(2016)09-0064-04DOI:10.13272/j.issn.1671-251x.2016.09.015

2016-06-29；

2016-07-28；責(zé)任編輯：張強。

江蘇省自然科學(xué)基金項目(BK20130207)。

郝建華(1963-)，男，山西太古人，工程師，現(xiàn)主要從事煤礦供電安全研究及管理等工作，E-mail：200510322@163.com。

TD611

A網(wǎng)絡(luò)出版時間：2016-09-02 10:18

郝建華.煤礦變電所數(shù)顯儀表字符識別研究[J].工礦自動化，2016,42(9)：64-67.