唐 霞 蘇盈盈 羅 妤 王艷玲

(重慶科技學院電氣工程學院， 重慶 401331)

指針式儀表有結(jié)構(gòu)簡單、使用維修方便、價格低廉等優(yōu)點，在工業(yè)生產(chǎn)中應用普遍。目前，大量的指針儀表未實現(xiàn)智能化，仍需通過人工檢定儀表讀數(shù)，耗時且讀數(shù)誤差較大。

本次研究將面向工業(yè)指針儀表設計智能識別系統(tǒng)，以提高指針定位的準確性和實效性，滿足工業(yè)需求。設計思路是：首先，基于Faster-RCNN[1]法對表盤進行定位；然后，采用灰度化、k-Means二值化方法對提取的目標圖像進行預處理；最后，指針定位采用虛擬旋轉(zhuǎn)直線擬合的方法。

1 儀表定位與讀數(shù)智能識別系統(tǒng)

針對工業(yè)用圓形表盤指針式儀表設計了一套智能識別系統(tǒng)，系統(tǒng)主要包括三大部分：儀表定位、指針確定、讀數(shù)識別。整個識別系統(tǒng)的流程如圖1所示。

1.1 儀表定位

儀表定位設計中，采用了深度學習中的Faster-RCNN方法，可實現(xiàn)在復雜背景下的精確定位。其作用是，將拍攝的工業(yè)現(xiàn)場圖片輸入進去，然后自動檢測儀表盤的位置，并指定此目標儀表盤的區(qū)域框。此時，此區(qū)域框有4個參數(shù)，即圍繞中心點的x、y軸坐標，以及框的寬、高。通過Faster-RCNN方法得到這4個參數(shù)的主干網(wǎng)絡結(jié)構(gòu)(見圖2)。

圖1 儀表智能識別系統(tǒng)流程圖

在主干網(wǎng)絡結(jié)構(gòu)中，首先，將指針儀表圖片輸入到Faster-RCNN網(wǎng)絡中，統(tǒng)一將輸入圖像的最小邊像素處理成600，不改變長寬比例，形成對應大小的不失真圖片。

然后，傳入到主干特征提取網(wǎng)絡Resnet50中，經(jīng)4次壓縮圖片，得到共享特征層(Feature Map)[2]。此時網(wǎng)格為共享特征層大小，每個網(wǎng)格默認先驗框為9，先進行3×3的卷積處理，再分別進行兩次1×1的卷積處理，所得通道數(shù)依次為18、36。據(jù)此判斷原始先驗框內(nèi)是否包含物體，并得到每一個網(wǎng)格、每一個先驗框的調(diào)整參數(shù)，調(diào)整之后得到建議框(Proposal)。

圖2 儀表定位的主干網(wǎng)絡結(jié)構(gòu)圖

最后，將此區(qū)域傳入感興趣區(qū)域池(ROI Pooling)[3]，利用建議框在特征共享層上截取圖片。將所截取圖片的不同大小區(qū)域調(diào)整成相同大小，利用分類與回歸網(wǎng)絡判斷截取到的圖片中是否包含目標，并對建議框進行調(diào)整。綜合判斷所截取到的圖片，進行目標預測，從而獲得Faster-RCNN目標指針儀表檢測結(jié)果。

1.2 圖像預處理

先后進行灰度化和k-Means二值化處理[4]，以便使后續(xù)指針的識別結(jié)果更加準確?；叶仁侵负诎讏D像中像素點的顏色深淺程度。k-Means二值化是最常用的聚類方法，通常將輸入數(shù)據(jù)看作樣本集，通過k-Means實現(xiàn)樣本聚類，相似樣本視為同一類別。將輸入的數(shù)據(jù)劃分為k個類別，實現(xiàn)的步驟如下：

(1) 在輸入的數(shù)據(jù)中隨機選取k個點，作為每個類的中心點。

(2) 計算樣本中每個點到中心點的距離，當距離最近時進行一次聚類。

(3) 根據(jù)聚類結(jié)果，重新計算新的中心點(均值)。

(4) 重復步驟(2) — (3)，直到中心點不再發(fā)生變化為止。

1.3 儀表指針確定及識別

采用虛擬旋轉(zhuǎn)擬合直線算法實現(xiàn)對指針的確定。在儀表圖像經(jīng)過k-Means二值化處理之后，虛擬旋轉(zhuǎn)擬合直線再以右側(cè)0°順時針繞儀表中心旋轉(zhuǎn)360°。當擬合直線旋轉(zhuǎn)經(jīng)過目標指針時，記錄像素重合度信息，重合度信息最密集處即可確定為指針位置。記錄此時的角度。虛擬旋轉(zhuǎn)擬合直線的計算如式(1)(2)所示：

x=(x1-x0)×cos(i×π/180°)+x0

(1)

y=(x1-x0)×sin(i×π/180°)+y0

(2)

式中：(x0，y0)為儀表盤中心坐標；(x，y)為虛擬旋轉(zhuǎn)直線端點坐標；i為虛擬直線旋轉(zhuǎn)的角度；x1為指針長度。

以(x0，y0)為起點、(x，y)為終點構(gòu)造一條虛擬旋轉(zhuǎn)擬合直線。首先，通過尋找像素位置程序找到儀表中每個整數(shù)數(shù)值的坐標并存放在數(shù)組中，計算每個整數(shù)對應的角度；然后，通過直線擬合中記錄的角度與整數(shù)對應的角度進行計算，得到最后的指針識別結(jié)果。假設指針指向整數(shù)刻度值a和b之間，以虛擬直線起始角度0°，計算角度r和指針識別結(jié)果t。

(3)

t=a+|b-a|×|(r-r1)/(r2-r1)|

(4)

式中：(x′，y′)為確定指針之后的端點坐標；r為指針指向的角度；r1為a刻度值對應的角度；r2為b刻度值對應的角度。

2 實驗結(jié)果及分析

2.1 實驗測試的平臺搭建

智能識別系統(tǒng)的仿真實驗在Windows 10操作系統(tǒng)上進行。CPU為3 600 6-Core，GPU為GeForce RTX 2 060 SUPER，開發(fā)語言為Python。此外，圖像處理部分用到了OpenCV、Matpoltlib開源庫，深度學習網(wǎng)絡用到了Tensorflow-gpu 1.13.2、Kares 2.1.5。

2.2 儀表定位模型測試

收集工業(yè)應用指針儀表圖像，制作指針儀表數(shù)據(jù)集500張，選用其中400張作為訓練集，其余100張作為驗證集。整個數(shù)據(jù)集使用開源Labelimg工具[5]，運用VOC數(shù)據(jù)集的格式進行手動標注。測試集用于測試訓練的效果。

在訓練過程中，輸入的圖片像素為1 080×1 920，使用Resnet 50網(wǎng)絡進行預訓練。其中，設置世代為50，每個世代訓練的步數(shù)為1 000，最初學習速率為0.0001(20世代以后的學習速率為0.000 01)，最后訓練得到的損失率為0.235。按照此損失率的權重隨機對50張含有儀表的圖片進行預測，得到部分儀表盤定位(見圖3)。 根據(jù)表盤定位結(jié)果可知，F(xiàn)aster-RCNN能夠精確地對工業(yè)儀表盤進行定位，效果良好。

圖3 部分儀表盤定位結(jié)果

2.3 儀表盤圖像的預處理

將定位的儀表盤提取出來后，為了使儀表的數(shù)值識別結(jié)果更加準確，對目標圖像進行預處理。

(1) 灰度化處理。采用OpenCV自帶的COLOR_BGR2GRAY函數(shù)予以灰度化。

(2)k-Means二值化處理。截取指針儀表的圓盤像素點區(qū)域作為樣本，將k設置為2，像素點以黑白顏色來區(qū)分。每張圖片的像素點均值為閾值，大于閾值的像素點為白色，小于閾值的像素點為黑色。

預處理后的圖像如圖4所示：

圖4 圖像的預處理

2.4 指針位置的確定及識別測試

以圖像的中心為儀表盤的圓心，構(gòu)造虛擬旋轉(zhuǎn)直線(見圖5)。直線從右側(cè)0°處繞圓心順時針旋轉(zhuǎn)360°，直線線寬的像素設置為3，記下與直線像素重合的數(shù)量。重合數(shù)量的最大值為指針指示的位置，記錄下此時的角度。

圖5 構(gòu)造虛擬旋轉(zhuǎn)直線效果圖

采集50組工業(yè)應用指針儀表樣本，進行識別測試，其中具有代表性的10組樣本識別測試結(jié)果如表1所示。

表1 部分儀表樣本識別測試結(jié)果

表1中數(shù)據(jù)顯示，系統(tǒng)識別結(jié)果的準確率不低于97.87%，智能讀數(shù)相對于人工讀數(shù)的平均誤差僅為0.308 42 ℃。測試結(jié)果表明，智能讀數(shù)比人工讀數(shù)更為精確，可滿足大多數(shù)工業(yè)應用的要求。

3 結(jié) 語

針對圓形表盤指針式儀表識別中人工判讀耗時較長且讀數(shù)不精確的問題，基于Faster-RCNN快速準確定位表盤的方法，設計了一套工業(yè)儀表智能識別系統(tǒng)。這套智能識別系統(tǒng)的功能主要包括儀表定位、指針確定和讀數(shù)識別：基于Faster-RCNN法對儀表進行定位；采用旋轉(zhuǎn)虛擬直線擬合法對指針進行定位；采用角度法對指針儀表進行識別。

采用Faster-RCNN方法進行定位，可以直接將訓練好的模型用于定位識別，節(jié)約識別時間，且定位結(jié)果準確可靠。本次設計的指針儀表智能系統(tǒng)可滿足大多數(shù)工業(yè)應用的需求，有很強的實用性。