一種基于SVM分類(lèi)器的電力柜方形指針儀表讀數(shù)識(shí)別方法

唐凌翔 李雨?yáng)| 周政 李榮和

摘 ?要：指針表盤(pán)定位和指針讀數(shù)識(shí)別是變電站巡檢的重要一環(huán)，指針表盤(pán)在拍攝時(shí)具有光照影響嚴(yán)重、指針重影干擾等問(wèn)題，該文對(duì)指針表盤(pán)定位和指針讀數(shù)識(shí)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(cè)和角點(diǎn)檢測(cè)方案，實(shí)驗(yàn)驗(yàn)證在數(shù)據(jù)量少的情況下，使用SVM支持向量機(jī)方法可以有效識(shí)別指針讀數(shù)，避免了深度學(xué)習(xí)的過(guò)擬合問(wèn)題，實(shí)驗(yàn)結(jié)果驗(yàn)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(lèi)號(hào)：TP391;TP18 ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(shí)現(xiàn)高精度的儀器測(cè)量是實(shí)現(xiàn)工業(yè)控制的重要一環(huán)[1]。傳統(tǒng)的測(cè)量?jī)x器主要分為兩大類(lèi)，即能把測(cè)量信號(hào)轉(zhuǎn)換顯示在LCD或者OLED等設(shè)備的儀器稱(chēng)為數(shù)字式儀器;通過(guò)使用指針刻度的儀器，稱(chēng)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(qiáng)，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(cè)以及空間分布不均勻問(wèn)題，使用人工抄表的方式將會(huì)帶來(lái)很多誤差與隱患，如讀數(shù)出錯(cuò)、遺漏等問(wèn)題[2]。

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

針對(duì)以上問(wèn)題，提出了基于SVM分類(lèi)的方形變電站指針儀表讀數(shù)識(shí)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(guò)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(guò)透視變換，使用角點(diǎn)法確定透視變換的四點(diǎn)矩陣，扶正并切割出表盤(pán)，最后通過(guò)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(pán)特征提取

1.1 ?特征提取

從一個(gè)圖片提取出感興趣區(qū)（Region Of Interest， ROI），其主要針對(duì)的是二維平面問(wèn)題，則從維度來(lái)講，圖像特征提取是對(duì)整幅圖像進(jìn)行降維處理，并且使用特征向量描述整個(gè)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(lèi)物體的具體特征因素，因此還需要一些方法對(duì)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(duì)精度要求高的情況下，可以使用HOG特征描述方法，該方法對(duì)灰度空間進(jìn)行Gamma校正法并歸一化，計(jì)算各直方圖在這個(gè)區(qū)間（block）中的梯度，然后根據(jù)梯度對(duì)區(qū)間中各個(gè)細(xì)胞單元做歸一化[7]。通過(guò)這個(gè)歸一化后所有區(qū)間的HOG特征描述串聯(lián)起來(lái)就可以得到該image的HOG特征，所以它對(duì)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(duì)檢測(cè)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(gè)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(jiǎn)單地說(shuō)就是在一副圖像中，把目標(biāo)從背景中分離出來(lái)。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(zhǎng)細(xì)分法、聚類(lèi)法等，實(shí)踐表明，當(dāng)特征空間的維度超過(guò)樣本數(shù)量時(shí)，（Support Vector Machine， SVM）的效果是最好的。同時(shí)，SVM占用內(nèi)存很少。

檢測(cè)窗口劃分為重疊的塊，對(duì)這些塊，通過(guò)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(lèi)。檢測(cè)窗口在整個(gè)圖像的所有位置和尺度上進(jìn)行掃描，并對(duì)輸出的金字塔進(jìn)行非極大值抑制來(lái)檢測(cè)目標(biāo)。

2 ?角度法計(jì)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(jī)拍照位置、光照影響等問(wèn)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(duì)圖像進(jìn)行處理校正后，再通過(guò)霍夫變換檢測(cè)儀表中指針的傾斜角度。最后通過(guò)指針夾角與量程算出指針實(shí)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(jī)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(diǎn)較多，且通過(guò)SVM分類(lèi)并不能獲得足夠正確的圖像邊緣檢測(cè)、角點(diǎn)等信息，還需要對(duì)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(wèn)題，采用通過(guò)長(zhǎng)度匹配濾除小輪廓，通過(guò)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(duì)方框角點(diǎn)進(jìn)行提取，因?yàn)榻屈c(diǎn)屬于輪廓之間的交點(diǎn)，對(duì)于同一場(chǎng)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(diǎn)檢測(cè)（Harris角點(diǎn)檢測(cè)），基本思想是創(chuàng)建一個(gè)固定窗體，在各個(gè)方向上移動(dòng)這個(gè)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(diǎn)。之后便可將檢測(cè)后的角點(diǎn)作為透視變換的初始點(diǎn)。當(dāng)窗口發(fā)生[u，v]移動(dòng)時(shí)，那么滑動(dòng)前與滑動(dòng)后對(duì)應(yīng)的窗口的像素點(diǎn)灰度變化描述如式（1）所示：

2.2 ?指針讀數(shù)識(shí)別

通過(guò)透視變換后得到表盤(pán)圖像，但仍需提取指針角度才能正確讀數(shù)，因此需要對(duì)指針角度進(jìn)行定位。首先對(duì)透視變換后的圖像進(jìn)行canny邊緣檢測(cè)，邊緣檢測(cè)流程為增強(qiáng)邊緣輪廓實(shí)現(xiàn)的圖像降噪、計(jì)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(lái)、雙閾值篩選進(jìn)一步判斷是否存在強(qiáng)邊緣像素。

為了進(jìn)行累計(jì)概率霍夫變換，需要將邊緣檢測(cè)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(guò)程中存在很多無(wú)關(guān)線段，需要設(shè)置初步角度閾值來(lái)濾除不符合角度的線段，得出每組的線段和角度后，此時(shí)仍存在過(guò)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(shí)驗(yàn)結(jié)果分析

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

3.1 ?HOG+SVM識(shí)別

本文數(shù)據(jù)集來(lái)自電力柜指針儀表實(shí)景圖片，對(duì)100張方形指針儀表照片作為正樣本，同時(shí)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(yùn)算的時(shí)間，經(jīng)過(guò)處理后，照片識(shí)別處理速度平均為100毫秒，基本滿(mǎn)足實(shí)時(shí)性要求。

3.2 ?指針定位讀數(shù)識(shí)別

使用透視變化、霍夫變換作為識(shí)別的核心運(yùn)算，改進(jìn)點(diǎn)是在透視變換之前通過(guò)濾波方式提取出最長(zhǎng)輪廓，同時(shí)對(duì)輪廓角點(diǎn)檢測(cè)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(guò)設(shè)置較少數(shù)據(jù)量實(shí)現(xiàn)SVM訓(xùn)練指針儀表讀數(shù)，通過(guò)實(shí)驗(yàn)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(shí)別率，避免了深度學(xué)習(xí)數(shù)據(jù)量少的過(guò)擬合問(wèn)題。

使用雙閾值檢測(cè)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(shí)別的精度。

參考文獻(xiàn)：

[1] 王偉，胡永強(qiáng)，劉志林，等.基于計(jì)算機(jī)視覺(jué)的變電站指針儀表讀數(shù)識(shí)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(jué)顯著性檢測(cè)的指針儀表識(shí)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(shí)別方法研究 [D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2020.

[4] 張雪飛，黃山.多類(lèi)指針式儀表識(shí)別讀數(shù)算法研究 [J].電測(cè)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(shí)讀方法 [J].儀表技術(shù)與傳感器，2017（1）：29-33+73.

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

[7] 張?chǎng)危瑥埣液椋S曉平，等.計(jì)量檢定實(shí)驗(yàn)室儀表讀數(shù)自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì) [J].電子測(cè)量技術(shù)，2021，44（1）：173-177.

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

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