唐凌翔 李雨東 周政 李榮和

摘 ?要：指針表盤定位和指針讀數(shù)識別是變電站巡檢的重要一環(huán)，指針表盤在拍攝時具有光照影響嚴(yán)重、指針重影干擾等問題，該文對指針表盤定位和指針讀數(shù)識別進(jìn)行研究。為了減小誤差，該文提出在SVM環(huán)節(jié)前增加HOG提取、在霍夫變換前增加邊緣檢測和角點檢測方案，實驗驗證在數(shù)據(jù)量少的情況下，使用SVM支持向量機方法可以有效識別指針讀數(shù)，避免了深度學(xué)習(xí)的過擬合問題，實驗結(jié)果驗證了方案的有效性。

關(guān)鍵詞：指針儀表讀數(shù);SVM;霍夫變換

中圖分類號：TP391;TP18 ? ? ? ?文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2021）24-0045-03

Abstract： Pointer dial positioning and pointer reading identification are an important link of substation inspection. The pointer dial has serious lighting effects and pointer ghosting interference problems when shooting. This paper studies the pointer dial positioning and pointer reading identification. In order to reduce the error， this paper proposes to add HOG extraction before the SVM link， and add edge detection and corner detection before the Hough Transform. Experiments show that in the case of a small amount of data， using the SVM Support Vector Machine method can effectively identify pointers reading and avoid the over-fitting problem of deep learning， and the experimental results verify the effectiveness of the scheme.

Keywords： pointer instrument reading; SVM; Hough Transform

0 ?引 ?言

實現(xiàn)高精度的儀器測量是實現(xiàn)工業(yè)控制的重要一環(huán)[1]。傳統(tǒng)的測量儀器主要分為兩大類，即能把測量信號轉(zhuǎn)換顯示在LCD或者OLED等設(shè)備的儀器稱為數(shù)字式儀器;通過使用指針刻度的儀器，稱為指針式儀表。在傳統(tǒng)變電站工業(yè)環(huán)境中，由于室內(nèi)電磁干擾較強，因此大多數(shù)仍然使用傳統(tǒng)的指針式儀器，但是在傳統(tǒng)變電站室內(nèi)存在窄域觀測以及空間分布不均勻問題，使用人工抄表的方式將會帶來很多誤差與隱患，如讀數(shù)出錯、遺漏等問題[2]。

目前，通過智能化指針讀數(shù)識別的技術(shù)尚未成熟，存在許多問題：一是無人化設(shè)備巡檢時識別率不高的問題，二是由于光照、空間分布等問題，造成識別儀表指針位置困難以及結(jié)果精度不高[3]，目前由于無人化設(shè)備普遍價格較貴，使用RCNN等方法對無人化設(shè)備的系統(tǒng)要求較高，導(dǎo)致成本較高[4]。對于部分ARM架構(gòu)的設(shè)備，如jetson nano等，算法庫不兼容，移植性差。訓(xùn)練過程需要大量原始數(shù)據(jù)，數(shù)據(jù)收集困難。

針對以上問題，提出了基于SVM分類的方形變電站指針儀表讀數(shù)識別方法，首先訓(xùn)練出方形指針的模型，選出100張128×128正樣本和300張128×128負(fù)樣本，通過使用HOG+SVM的方式進(jìn)行訓(xùn)練，得到方形指針儀表的大體位置后，通過透視變換，使用角點法確定透視變換的四點矩陣，扶正并切割出表盤，最后通過霍夫線變換擬合并找出指針的角度，依據(jù)量程進(jìn)行求解。系統(tǒng)框架如圖1所示。

1 ?方形指針表盤特征提取

1.1 ?特征提取

從一個圖片提取出感興趣區(qū)（Region Of Interest， ROI），其主要針對的是二維平面問題，則從維度來講，圖像特征提取是對整幅圖像進(jìn)行降維處理，并且使用特征向量描述整個圖像。但是這些特征向量只具有位置信息，不能較好的表示某一類物體的具體特征因素，因此還需要一些方法對感興趣區(qū)進(jìn)行描述[5]。目前有較多的描述方法，如Haar特征描述、SIFT特征描述、LBP特征描述等[6]。

在變電站室內(nèi)環(huán)境光照復(fù)雜、對精度要求高的情況下，可以使用HOG特征描述方法，該方法對灰度空間進(jìn)行Gamma校正法并歸一化，計算各直方圖在這個區(qū)間（block）中的梯度，然后根據(jù)梯度對區(qū)間中各個細(xì)胞單元做歸一化[7]。通過這個歸一化后所有區(qū)間的HOG特征描述串聯(lián)起來就可以得到該image的HOG特征，所以它對圖像幾何的和光學(xué)的形變都能保持很好的不變性，適用于光照復(fù)雜的環(huán)境，從而大大降低了環(huán)境影響對檢測結(jié)果的影響[8]。

1.2 ?訓(xùn)練模型

所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。簡單地說就是在一副圖像中，把目標(biāo)從背景中分離出來。圖像分割領(lǐng)域有很多分割方法，如閾值分割法、區(qū)域增長細(xì)分法、聚類法等，實踐表明，當(dāng)特征空間的維度超過樣本數(shù)量時，（Support Vector Machine， SVM）的效果是最好的。同時，SVM占用內(nèi)存很少。

檢測窗口劃分為重疊的塊，對這些塊，通過HOG提取后的特征向量，形成的特征向量放到線性SVM中進(jìn)行目標(biāo)/非目標(biāo)的二分類。檢測窗口在整個圖像的所有位置和尺度上進(jìn)行掃描，并對輸出的金字塔進(jìn)行非極大值抑制來檢測目標(biāo)。

2 ?角度法計算指針讀數(shù)

使用SVM方法后，得到了方形指針儀表的大致位置，但由于攝像機拍照位置、光照影響等問題，還不能直觀使用斜率法讀取角度從而獲得讀數(shù)，需要對圖像進(jìn)行處理校正后，再通過霍夫變換檢測儀表中指針的傾斜角度。最后通過指針夾角與量程算出指針實際讀數(shù)，具體步驟如圖2所示。

2.1 ?指針儀表圖像處理

攝像機獲取圖像后，圖像需要進(jìn)行矯正才能進(jìn)一步確保精度，但是在矯正之前，圖像存在噪點較多，且通過SVM分類并不能獲得足夠正確的圖像邊緣檢測、角點等信息，還需要對圖片進(jìn)行處理。首先將圖片進(jìn)行二值化，以便于提取最外圍輪廓，為了防止圖像凸包問題，采用通過長度匹配濾除小輪廓，通過凸包面積消除不正常的凸包并且把處理后的數(shù)據(jù)作為新的方框。

找到新的方框后，需要對方框角點進(jìn)行提取，因為角點屬于輪廓之間的交點，對于同一場景，即使視角發(fā)生變化，也通常具備穩(wěn)定性質(zhì)的特征;采用哈里斯角點檢測（Harris角點檢測），基本思想是創(chuàng)建一個固定窗體，在各個方向上移動這個特征的小窗口，如果窗口內(nèi)區(qū)域的灰度發(fā)生了較大的變化，那么就認(rèn)為在窗口內(nèi)遇到了角點。之后便可將檢測后的角點作為透視變換的初始點。當(dāng)窗口發(fā)生[u，v]移動時，那么滑動前與滑動后對應(yīng)的窗口的像素點灰度變化描述如式（1）所示：

2.2 ?指針讀數(shù)識別

通過透視變換后得到表盤圖像，但仍需提取指針角度才能正確讀數(shù)，因此需要對指針角度進(jìn)行定位。首先對透視變換后的圖像進(jìn)行canny邊緣檢測，邊緣檢測流程為增強邊緣輪廓實現(xiàn)的圖像降噪、計算圖像梯度從而得到可能的邊緣、非極大值抑制（NMS）將灰度變化最大的保留下來、雙閾值篩選進(jìn)一步判斷是否存在強邊緣像素。

為了進(jìn)行累計概率霍夫變換，需要將邊緣檢測處理后的圖像轉(zhuǎn)為灰度圖像，并循環(huán)遍歷繪制每一條線段，在此過程中存在很多無關(guān)線段，需要設(shè)置初步角度閾值來濾除不符合角度的線段，得出每組的線段和角度后，此時仍存在過多的角度，濾波求出的直線角度，得到最終疑似指針的角度。

將第一次濾除后的所有角度相加，為了防止第一次濾波后的極端值影響，需要設(shè)立讀數(shù)閾值，如果出現(xiàn)極大值或者極小值則需要濾除。將所有值相加之和求平均，判斷平均值是否在量程范圍內(nèi)，之后進(jìn)行最終輸出。

3 ?實驗結(jié)果分析

本文共提出兩個環(huán)節(jié)對儀表讀數(shù)進(jìn)行識別分辨是HOG+SVM識別和指針定位讀數(shù)識別。為驗證所提出的方案，對選用的正樣本和負(fù)樣本進(jìn)行訓(xùn)練，同時進(jìn)行指針讀數(shù)識別，識別結(jié)果如表1所示。

3.1 ?HOG+SVM識別

本文數(shù)據(jù)集來自電力柜指針儀表實景圖片，對100張方形指針儀表照片作為正樣本，同時設(shè)置300張非方形指針儀表照片作為負(fù)樣本，壓縮照片為128×128像素，有利于減小后續(xù)運算的時間，經(jīng)過處理后，照片識別處理速度平均為100毫秒，基本滿足實時性要求。

3.2 ?指針定位讀數(shù)識別

使用透視變化、霍夫變換作為識別的核心運算，改進(jìn)點是在透視變換之前通過濾波方式提取出最長輪廓，同時對輪廓角點檢測作為透視變換的輸入矩陣，在提取角度之后，采用雙閾值篩選出最終疑似的角度，進(jìn)一步提高了讀數(shù)的精度，指針位置如圖3所示。

4 ?結(jié) ?論

本文通過設(shè)置較少數(shù)據(jù)量實現(xiàn)SVM訓(xùn)練指針儀表讀數(shù)，通過實驗得出以下結(jié)論：

SVM在數(shù)據(jù)量較少的情況下仍有較高的識別率，避免了深度學(xué)習(xí)數(shù)據(jù)量少的過擬合問題。

使用雙閾值檢測能夠避免霍夫變換結(jié)果的極端值影響，提高了數(shù)據(jù)識別的精度。

參考文獻(xiàn)：

[1] 王偉，胡永強，劉志林，等.基于計算機視覺的變電站指針儀表讀數(shù)識別方法 [J].電子技術(shù)，2021，50（11）：28-30.

[2] 張文杰.基于圖像配準(zhǔn)與視覺顯著性檢測的指針儀表識別研究 [D].重慶：重慶大學(xué)，2016.

[3] 彭昆福.基于深度學(xué)習(xí)的指針儀表讀數(shù)識別方法研究 [D].合肥：中國科學(xué)技術(shù)大學(xué)，2020.

[4] 張雪飛，黃山.多類指針式儀表識別讀數(shù)算法研究 [J].電測與儀表，2020，57（16）：147-152.

[5] 朱柏林，郭亮，吳清文.基于ORB和改進(jìn)Hough變換的指針儀表智能識讀方法 [J].儀表技術(shù)與傳感器，2017（1）：29-33+73.

[6] 房樺，明志強，周云峰，等.一種適用于變電站巡檢機器人的儀表識別算法 [J].自動化與儀表，2013，28（5）：10-14.

[7] 張鑫，張家洪，許曉平，等.計量檢定實驗室儀表讀數(shù)自動識別系統(tǒng)設(shè)計 [J].電子測量技術(shù)，2021，44（1）：173-177.

[8] 邢浩強，杜志岐，蘇波.變電站指針式儀表檢測與識別方法 [J].儀器儀表學(xué)報，2017，38（11）：2813-2821.

作者簡介：唐凌翔（2001.08—），男，漢族，河南長垣人，本科在讀，研究方向：智能控制。