, , ,

(1.云南電網有限責任公司電力科學研究院，云南 昆明 650206; 2.北京國遙新天地信息技術有限公司，北京 100101)

0 引言

數量巨大的變電站分布在偏遠地區(qū)，這使得這些變電站的維護和巡檢需要更多的人力和財力。此外，一些高電壓和超高壓變電站的巡檢和維護存在較大安全隱患，因此使用人工日常巡檢是不現實的[1-2]。因此，基于巡檢機器人的變電站的巡檢智能化和監(jiān)控自動化得到廣泛關注和應用。

目前常用于巡檢機器人的數字儀器識別的方法有線段識別法[3]和神經網絡法[4]。由于數碼管顯示儀表的兩個重要特征：數碼管由3個水平的平行線段和4個垂直(或稍微傾斜)線段組成，7個線段的位置相對于數碼管本身的外部矩形的位置是固定的[5]，因此線段識別方法在確定數字區(qū)域后，掃描直線上的像素以分析各條線段之間的水平或垂直相交關系以確定所顯示的數字。深度學習神經網絡是神經網絡模型中的一種有效的方法，并模式識別領域得到了廣泛的應用。該識別方法首先需要人為地選擇數字目標的數字0～9的特征圖像，并且將10個數字的特征矢量建立為輸入矩陣，通過對神經網絡的訓練和學習，構建神經網絡各層神經元的連接權重和閾值，并把完成訓練的神經網絡應用于數字儀表輸出由10個元素組成的矢量以區(qū)分所顯示的數字[6]。該方法具有分類能力強，容錯性好，自學習能力強等優(yōu)點；缺點是需要訓練過程，效率不高，實現較為復雜。

針對上述數字儀表自動識別方法所表現的缺陷，本文對基于樣本匹配原理的數字儀表自動識別算法進行了研究。該算法的思路是，首先建立0～9的數字樣本，對處理后的儀表數字和樣本數字進行標準化處理，然后逐一比較它們之間的差異，其中具有最小差異的一對被認為是相同數字。這種算法具有計算量小、易于實現的優(yōu)點。由于該方法需要事先設置好識別樣本，為此本文將高分辨率的圖像通過分組高階統(tǒng)計量和閾值的局部最大類間方差進行分割，識別并得到簡單、有效、通用的樣本匹配。

1 識別過程

數字儀表讀數的識別流程圖如圖1所示，首先機器人攝像機拍攝的彩色圖像呈灰色并進行二值化處理，然后找到顯示區(qū)域，分割出一個數字字符，并識別出數字[7]。

圖1 識別流程

2 圖像預處理

圖像預處理是精確定位數字區(qū)域和分割原始圖像中的顯示區(qū)域。根據變電站數字顯示儀表的實際使用情況，需要預處理兩幅原始圖像，包括圖2中的反射圖像和圖7中的顏色信息圖像。完成對儀表顯示區(qū)域的位置確定之后需把儀表所顯示的指數分割成單個數字，以便進行下一步的數字樣本比對。

2.1 反射圖像的顯示區(qū)域定位

用于定位圖2的反射圖像的顯示區(qū)域的算法如下：

原始圖像先進行灰值化處理，再使用中值濾波器處理。

在原始圖像中，由于顯示區(qū)域具有反射性和黑暗性，所以本文使用頂帽變換、底帽變換和直方圖均衡來減少光反射對圖像處理的影響。

頂帽變換是用結構元素s通過打開操作從原始圖像中減去顯示區(qū)域，這樣操作可將明亮的顯示區(qū)域從背景中分離出來。頂部變換公式為：

Ttop-hat(i)=i-(i×s)

(1)

底帽變換是用結構元素s從原始圖像中通過關閉操作減去顯示區(qū)域，這可以從明亮的背景中突出顯示黑色顯示區(qū)域。底帽換算公式為：

Bbot-hat(i)=i-(i×s)

(2)

在公式(1)和(2)中，i代表輸入的灰值化圖像;s是結構元素;Ttop-hat(i)和Btop-hat(i)分別表示頂帽變換和底帽變換后的圖像。

圖2 數字儀表圖

直方圖均衡化[8-9]也稱為灰度均衡化，在均衡化后，圖像具有相對較高的對比度和相對較大的動態(tài)范圍，灰度比較豐富，易于解釋?；叶戎狈綀D是二維圖形，橫坐標是圖像像素的灰度級，縱坐標是每個灰度級上像素的數量或概率，并且直方圖反映了灰度圖像像素的整體分布水平。直方圖均衡的思想是通過某種灰度映射重新計算整個圖像像素的灰度值，使輸入圖像的像素在每個灰度級均勻分布，即直方圖變得均勻。平衡的圖像提高了視覺效果，易于理解。

直方圖均衡處理的目的是是處理后的圖像的對比度更高，灰度顯示更加豐富且便于解析。直方圖由橫坐標是灰度級和縱坐標是灰度級對應的像素數量或概率所構成的二維圖，該圖形是圖像像素的在灰度級維度上的整體分布的直觀反映。直方圖均衡處理的思路是通過灰度映射對所處理的圖像像素的灰度值進行重新調整，而調整的結果是所處理的圖像的像素對應于灰度級的分布更加均勻，以便對圖像進行下一步的處理。

對原始圖像進行底帽變換、頂帽變換和直方圖均衡化后的效果如圖3所示。

圖3 圖像預處理的效果

使用最大類間方差法[10](OTSU)對上述獲得的灰度圖像進行二值化。

OTSU是一種依據圖像灰度分布特性確定灰度閾值，并更具灰度閾值將圖像分割成目標區(qū)域和背景區(qū)域的方法。目標區(qū)域和背景區(qū)域的類間方差大小和這兩個區(qū)域的灰度值差別成正比關系。采用OTUS方法確定灰度閾值分割目標圖像可以將背景區(qū)域和目標區(qū)域分割錯誤的概率降至最小。下面對OTUS的灰度閾值確定思路進行簡要闡述。

如果所處理的圖像的灰度值分布在[L1,L2]之內，則所確定的閾值T將圖像像素分為C1和C2兩類，其中C1的灰度值分布在[L1,T]，C2的灰度值分布在[T+1,L2]。C1的發(fā)生概率為P1(T)，C2的發(fā)生概率為P2(T)，C1的灰度均值為u1(T)，C2的灰度均值為u2(T)。而整個圖像的灰度均值為u，則類間方差為：

σ2(T)=P1(T)(u1(T)-u)2+P2(T)(u2(T)-u)2

(3)

通過式(3)可以計算出灰度閾值T。利用該閾值T對圖3所示的圖像進行二值化處理的效果如圖4所示。

圖4 二值化圖像

對二值化圖像進行解析可以獲得數字儀表的讀數顯示區(qū)域，如圖5所示。從圖中可以看出，由于知道矩形的3點坐標可以完全確定一個矩形，所以第3個儀表由于光線的影響而缺少一個角落，但不影響定位。

通過上述操作，獲取數字儀表讀數顯示區(qū)域，隨后將該圖像疊加至原始數字儀表圖像中，如圖6所示的效果圖。

圖5 數字儀表的讀數顯示區(qū)域

由圖6可知，3個讀數顯示區(qū)域與原始圖像的疊加效果良好，說明該讀數顯示區(qū)域的位置識別十分準確，并且通過上述操作較為有效地排除了光線反射等環(huán)境因素的影響，為下一步的讀數識別提供了較好的基礎。

圖6 顯示位置

2.2 基于顏色信息的讀數獲取

由于數字儀表的讀數顯示是通過顏色來突出顯示效果，因此通過顏色信息的解析來獲取數字儀表的讀數能夠提高讀數的獲取準確性。為了獲取圖7所示的數字儀表中讀數的顏色信息，需要先將該RGB圖像轉換為HSV圖像。

圖7 電氣儀表圖

常見的圖像都是采用三基色來表示人眼可識別的所有顏色。這三種基本顏色是紅色(R)、綠色(G)和藍色(B)。而與常見的圖像三基色大相徑庭的是，人眼的顏色感知是基于HSV顏色模型[12]的。HSV顏色模型通過3個參數色調(H)、飽和度(S)和明度(V)來描述人眼所能識別的所有顏色。其中色調(H)為顏色的角度度量，范圍為0°～360°，其中紅色為0°，綠色為120°；飽和度(S)表示顏色的接近光譜色的程度，范圍是0%～100%，值越大，飽和度越高；明度表示顏色明亮的程度，范圍是0～1，其中1表示白色。將RGB轉換成HSV的公式為：

(4)

(5)

V=RGBmax

(6)

RGBmax表示最大(R,G,B)值；RGBmin表示最小(R,G,B)值。并且如果H< 0，則H的值加360°。本文采用S分量提取圖像的紅色區(qū)域。結果如圖8所示。

圖8 S信道處理后的圖像

上面的圖像被二值化以及打開和關閉操作，結果如圖9所示。

圖9 二值化圖像

當得到顯示區(qū)域的位置時，最后將它繪制在原始圖像中，并得到如圖10所示的結果。

圖10 位置圖像的結果

2.3 數字分割

一旦定位目標讀數區(qū)域，就需要將這些數字分成單一的數字，以便進行數字的識別。首先對讀數顯示區(qū)域進行水平和垂直投影，完成對讀數顯示區(qū)域的邊界的確定[13]。然后使用從上到下掃描讀數顯示區(qū)域，以確定讀數的上下邊界。目前變電站所使用的數字儀表一般采用7段LED數碼管顯示讀數，即通過7個不同位置的LED的點亮組合來顯示10個不同的數字。為確保所分割區(qū)域大小基本相同，本文采用將數碼管的所7段有LED全部點亮(即數字8)作為分割樣本。所以數字1被分割在圖像的右側，這是因為數字1來自右側的2個LED燈。對數字儀表讀數區(qū)域進行分割的效果如圖11所示。

圖11 讀數分割的效果

3 樣本匹配算法

樣本匹配算法效率高且易于實現而被廣泛使用。該算法的關鍵是數字樣本的選擇。該樣本要求與待識別的數字圖像完全相同，且其圖像結構相對穩(wěn)定。由于室內變電站數字儀表的讀數顯示形式基本相同，且數字結構完全一致，所以變電站數字儀表的讀數完全符合該算法的前置條件。

首先，建立了數字儀表的讀數樣本庫[14-15]，然后對巡檢機器人所采集的讀數圖像進行預處理。隨后將所預處理的讀數分割為單個數字的二值化圖像，每個讀數樣本大小統(tǒng)一為34×29(像素)，待識別的數字圖像大小也統(tǒng)一處理為和樣本大小一致，最后逐一比較它們的差異，將具有最小差異的兩幅圖像視為相同數字，以確定數字圖像的值。具體識別過程描述如下。對應于10個樣本的二值化圖的矩陣被表示為與二值圖像像素的黑色和白色像素相對應的M0,M1,M2。0和1如果歸一化的矩陣數字圖像由Ms表示，則有以下公式：

(7)

通過公式(7)的計算將巡檢機器人所采集的讀數圖像與樣本庫的樣本圖像之間的差異數值化。該數值越小，說明采集的讀數圖像與樣本圖像之間的差異越大，當數值達到其最大值時，樣本圖像中的數字就是巡檢機器人所采集的圖像的數字。

4 實驗驗證

為了驗證該樣本匹配算法的識別效果，選擇圖11為帶識別的數字圖像。并采用本文所述的方法對這4個圖像進行識別。樣本1由于圖像采集不完整，因此第2位數字的識別出現錯誤， “2342”被識別為“2742”。另外3個樣本均被準確識別。

為了進一步檢驗算法的穩(wěn)定性，本文測試了變電站采集的200臺數字顯示儀表的圖像，準確識別的數目為190，識別準確率為95%。

本文的圖像是在相對良好光線的環(huán)境下拍攝的。識別率最大的影響因素是所收集圖像的光線反射，使得分割的數字不完整。但圖像質量可以人為控制，識別率可以滿足需求。

5 結束語

本文在對變電站巡檢機器人所采集到數字儀表的彩色圖像進行預處理的基礎上，采用數字分割、樣本匹配的方法實現了一種對數字儀器讀數的識別算法。所提算法的關鍵是建立一個標準的深度學習樣本庫。樣本庫的樣本數量越多，能夠覆蓋數字儀表的型號越多，識別正確率也就越高。在大量的驗證實驗中，盡管采集的數字儀表的讀數圖像清晰度不高，甚至讀數顯示有殘缺，但采用本文所提出的算法具有高的識別正確率，這表明算法具有較好的有效性和穩(wěn)定性，能夠應用于變電站巡檢機器人的數字儀表自動識別。