基于深度學習的變電站表計智能識別方法

張世琦 苗俊杰 李峻宇 陳辰辰 龍 彬

(1.國網河北省電力有限公司衡水供電分公司,河北 衡水 053000;2.國網河北省電力有限公司,河北 石家莊 050021;3.西安交通大學,陜西 西安 710049;4.武漢康普常青軟件技術股份有限公司,湖北 武漢 430073)

0 引言

過去考慮到數字儀表對變電站電磁環境的敏感,使用了大量的模擬儀表用于監視變電站設備的規則狀態[1-2]。而模擬儀表的數據讀取通常是人工完成的,這帶來了效率低、精度低和耗時長等一系列問題。目前,很多變電站通過傳感器將模擬儀表的指針位置轉換為數字信號并傳輸到網絡的方式,進行變電站的相關改造,但改造過程中一些新技術標準也會帶來新的問題,同時也存在大量老舊變電站受制于投資過大、周期過長而無法進行此類改造,因此需要探索一種穩定可靠的新型模擬儀表智能識別方法。隨著視頻技術和網絡的發展,基于機器視覺的圖像識別技術已逐漸應用于該類電表的自動識別[3-4],該技術以一種視頻輔助的形式完成了模擬儀表的智能讀取,投資少,改造周期短,且大大提高了全站的工作效率,具有重要的應用價值。近些年,許多學者對模擬儀表檢測和識別做出了貢獻。文獻[5]為了實現基于機器視覺的指針識別系統,提出了一種通過搜索指針區域的最小邊界矩形來定位指針的算法。考慮機器視覺識別指針式儀表讀數的準確性常受到圖像亮度、背景復雜度、圖像清晰度等影響,文獻[6]提出了一種新的魯棒的指針讀數識別方法。文獻[7]提出了一種基于卷積神經網絡的識別模型,該模型采用虛擬樣本生成技術,從少量的真實儀器圖像中生成大量的圖像,以訓練識別模型。文獻[8]設計了一種基于卷積神經網絡的指針式儀表智能讀數系統,該系統使用特征識別算法YOLOv3來檢測和捕獲圖像中的面板區域,并采用卷積神經網絡讀取和預測特征圖像。文獻[9]提出了一種基于反透視圖的機器視覺測量多指針儀表的方法,該方法通過旋轉變換矩陣和外部參數將獲取的儀表圖像變換到既平行于儀表平面又靠近主點的位置,從而消除了獲取圖像的透視效果。文獻[10]提出了一種新的自適應檢測不同指針儀表的算法,引入了深度學習以檢測和識別儀表盤中的刻度值文本。文獻[11]提出了一種基于機器視覺的自動檢測指針儀表讀數的新方法。文獻[12]對現有的Mask-RCNN 網絡進行了改進,提出了一種新的基于深度學習的指針儀表的讀數識別算法,該方法對電表盤和指針區域進行分段,然后在擬合指針的同時對電表類型進行分類和識別。

據此本文提出了一種基于深度學習的變電站表計智能識別方法。先后使用模糊局部信息C均值(Fuzzy Local Informoction C-Means,FLICM)聚類算法、Faster R-CNN 檢測、霍夫變換檢測來實現。

1 變電站表計識別方案設計

指針式儀表讀數識別方法通常為了消除干擾,需要使用傳統的圖像處理方法進行復雜且耗時長的預處理,對圖像的清晰度也有相當高的要求,且繁雜的分析步驟會導致累計誤差逐步增加,直接影響最后的識別效果,不能滿足當前對穩定性和準確性的要求。因此,有必要開發一種穩定可靠的指針式儀表智能識別方法。鑒于卷積神經網絡在許多領域的應用中都有不俗的表現[13],其優點在于無需復雜的預處理,對各類圖片具有較高的魯棒性,可直接實現端到端的識別效果[14]。深度學習計算平臺的出現解決了過去因算力不足而無法大規模數據訓練的問題[15],諸如Faster RCNN 等新模型的提出也為實時目標檢測提供了更為快速和有效的方法[16-17]。對于變電站中表計的檢測和識別方案,具體流程如圖1所示。

圖1 表計的檢測和識別方案

1.1 變電站表計識別圖像分類

本文采用FLICM 聚類方法實現不同場景下的表計圖像分類。對不同圖像進行分類后,可以減少不同場景下的檢測難度。同一場景下進行表計表盤檢測可提高檢測準確性。文獻[18]提出了一種利用圖像局部空間信息的模糊局部C均值聚類算法,其是一種具有約束的模糊C 均值聚類的改進。具有約束的模糊C均值聚類的目標函數為

式中:N是樣本數;c是給定的聚類數;uij是樣本xj屬于聚類中心vi的隸屬度;m是模糊系數;dij是像素xj和聚類中心vi的空間歐式距離;NR是xj領域像素數;并且Nj表示xj的領域像素集;dir表示xj的鄰近像素與聚類中心vi之間的空間歐式距離;α是相鄰像素對調整中心像素的影響因子。參數α直接影響最終的聚類性能,從而平衡了噪聲的魯棒性并保留了圖像細節的有效性。然而,當沒有關于噪聲的先驗知識時,很難選擇α。此外,對于整個圖像的所有相鄰窗口,α都是固定的,很容易導致忽略局部灰度和空間信息。

為了克服上述問題,FLICM 引入了一種模糊因子Gki作為局部相似性度量,以同時消除噪聲并保留圖像細節。Gki表示為

引入Gki后,FLICM 的目標函數可描述為

Jm達到最小的2個必要的條件為

1.2 變電站表計檢測與定位分析

在FLICM 聚類算法實現圖像分類后,在不同類別下基于Faster R-CNN 方法檢測目標儀表的位置,并根據檢測框調整圖像位置。

在表計目標監測階段,本文選擇Faster RCNN 方法檢測目標儀表的位置。在計算機視覺領域,目標檢測主要解決2個問題:圖像上多個目標的位置以及每個目標的類別。Faster R-CNN引入了基于Fast R-CNN 的區域提議網絡(Regional Proposal Network,RPN),取代了慢速搜索選擇性搜索算法。區域提議網絡使用圖像中的紋理,邊緣和顏色等信息來預先確定道路上目標可能出現的位置,并可以通過選擇較少的窗口來確保更高的召回率。這大大降低了后續操作的時間復雜度,并且比更高質量的滑動窗口獲得了候選窗口?？紤]到目標檢測是基于圖像的紋理,邊緣并確定目標。本文認為,與背景相比,從Faster RCNN 中選擇的對象更有助于隱藏信息。

十八屆三中全會以來，不僅進入了“掃黑除惡”的元年，也進入了司法保護企業產權的元年。在全面鏟除黑惡勢力的經濟基礎的工作中，一定要做好區分“關聯性企業”和合法企業、“涉黑”財產和企業合法經營財產的界限，嚴格規范涉案財產的法律程序，堅持審慎把握處理產權和經濟糾紛的司法政策，提高掃黑除惡工作的規范性、公正性與合理性。

Faster R-CNN 網絡模型的檢測流程如圖2所示。主要分為4個內容。

圖2 表計檢測流程

(1)卷積層:包括卷積層和池化層,用于提取圖像特征圖。后續的RPN 層和全連接層共享特征圖。

(2)區域提案網絡:用于生成區域提案。RPN網絡首先通過3×3卷積層,分別生成前景錨點和檢測框回歸偏移,然后計算提案。通過Softmax函數確定錨點屬于前景或背景。

(3)關注區池化:此層根據特征圖和區域提案將提案特征圖提取到后續的全連接層中。

(4)分類和檢測框回歸:使用提案特征圖來計算提案的類型,然后使用檢測框回歸獲得檢測框的最終精確位置。

在RPN 訓練期間,Faster R-CNN 為每個候選框分配一個二進制標簽以進行網絡訓練。圖像的損失函數定義為

式中:i是批處理中錨點i的索引;而pi是錨點i在目標表計的概率。如果錨點是目標表計,則標記為1,如果不是,則為0。ti={tx,ty,tw,th}是代表候選框的4個坐標的向量是與目標對象關聯的坐標向量,表示為

式中:w、h、x和y分別表示框的寬度、高度、x坐標和y坐標;wa、w*分別定義為檢測框和真實框的相應參數。定義分類的對數損失函數為

其中R是

另外,對于表計位置調整方面,當檢測到表計在當前視野中后,需要從復雜的背景中提取表計表盤。根據第一部分提取的結果調整圖像的位置和比例,然后獲得放大并居中的表計表盤,如圖3所示。當檢測位置偏離視場中心時,調整表計表盤的位置,以使圖像的中心點與邊框的中心點對齊,可表示為

圖3 表計位置調整

式中:W×H是中心點坐標為(Xc,Yc)的拍攝圖像的尺寸;w×h是檢測框的尺寸,其中心點坐標為(xc,yc),左上角的坐標為(wc,hc)。根據上述的位置描述就可以調整攝像機使圖像處于視野中間。

1.3 變電站表計刻度校正及讀數

通常,當肉眼識別表計讀數時,如果視線垂直于表計平面,則捕獲的表計就是前視圖圖像。但是,如果在使用攝像機捕獲圖像時相機平面不平行于表計平面,則將獲得的表計成像為橢圓形。因此,本文應用透視變換來校準圖像以獲得正視圖圖像。

式中:(U,V)是原始圖像中一個點的坐標;(X,Y)是正視圖圖像中相應點的坐標;(u,v,w)是(U,V)在齊次空間的坐標;(x,y,w′)是(X,Y)在齊次空間的坐標。橢圓的長軸和短軸的端點用作變換矩陣的計算基礎,以實現視角校正,原始視圖和新視圖之間的傳遞矩陣,如圖4所示。

圖4 透視變換

考慮到環境中的亮度水平會影響識別結果,首先使用帶色彩恢復的多尺度Retinex算法[19]來增強惡劣條件下的圖像。為了減少復雜背景對識別的影響,將儀表的圓形輪廓內的區域定義為關注區域。為了促進指針識別,在確定關注區域之后,將輸入彩色圖像轉換為二值化圖像。

首先,對圖像進行灰度處理。然后,本文采用自適應閾值算法獲得適當的二值化圖像。該算法的基本原理是將圖像中的每個像素與周圍像素的平均值進行比較,將小于平均值的像素設置為黑色,否則將其設置為白色。最后,應用細化算法將指針變成直線段。該算法將使圖像骨骼化,但是原始線條不會被破壞。在預處理之后,使用霍夫變換獲得指針的位置。

讀數是通過角度法獲得的,讀數R可表示為

式中:α1是指針與零刻度之間的角度;α2是零刻度與最大刻度之間的角度;range是測量表計的范圍。表計的量程數據以及零位和最大刻度的位置是由技術人員事先輸入的,然后就可以獲得表計的讀數。

2 試驗與結果分析

本文提出的識別方法的目的是使用機器視覺來準確識別指針式表計的讀數,需要進行一系列試驗,并分析了測試結果以及評估所提出方法的有效性。以上海變電站獲得的9 218個指針儀表圖像為數據集,其中7 218個圖像為訓練樣本,其余2 000個圖像為測試樣本。不同尺寸的原始圖像被統一裁剪為1 680×1 200。為了分析檢測的質量,計算了召回率和平均精度作為評估標準。

經過試驗,所提出的方法在表計檢測上的最終精度達到90.71%,召回率達到91.64%,證明了該方法可以準確地檢測變電站中的表計。表計檢測的測試效果如圖5所示。

圖5 表計檢測效果

除了使用數據集進行測試,本文還選擇了某變電站內18個不同角度位置的壓力表作為實際測試對象,并復現了現有算法中兩種效果最為優秀的識別方法進行測試對比。表1顯示了通過人類視覺、其他方法和本文所提方法獲得的讀數的比較(為了減少人與人之間讀數的不確定性,人工讀數結果取自站內10 名熟練工人讀數的平均值)。從表1數據可以看出,本文提出的識別方法獲得了與人工讀數幾乎相同的結果。相對誤差大多保持在1.000%以下,最大相對誤差為1.333%。同時,平均相對誤差低于其他兩種方法,這證明所提的識別方法更加穩定和準確,可以滿足實際應用。

表1 讀數識別結果對比

3 結論

隨著數字電網的推行,許多變電站需要進行不同程度的改造,但有大量老舊變電站受制于投資過大、周期過長等原因無法進行此類大型改造。本文提出了一種基于深度學習的變電站表計智能識別方法,以圖像識別的輔助方式對無智能接口的模擬儀表自動識別讀數,總結如下:采用FLICM 聚類方法實現不同場景下的表計圖像分類,該方法魯棒性強,極大降低了輸入圖像清晰度的門檻,對不同清晰度的表計圖像均可進行正常的識別分類。使用Faster R-CNN 方法檢測目標表計表盤的位置,并根據檢測框調整圖像位置,該方法在檢測效率和識別穩定性上都具有明顯的優勢。利用霍夫變換檢測指針位置進而獲得讀數,該方法將環境亮度也納入考慮范圍,增強了風霜雨露等非常規條件下的識別效果。

在前期構建的內部數據測試集及后期進行的實際測試的橫向對比中,本方法的準確性與穩定性都得到了驗證。本方法在應用上具有投資少、改造周期短等特點,可協助大量變電站以最小的代價完成變電站的智能化改造,在數字電網推行中具有十分重要的應用價值。