基于改進Canny算法的化工廠指針儀表讀數(shù)方法研究

摘 要：針對當前化工廠指針儀表讀數(shù)方法效率低、誤差大等問題，本文提出了一種基于改進Canny算法的指針儀表讀數(shù)方法。首先，采用目標檢測算法YOLOv5對儀表表盤及指針進行定位檢測，從而能夠更加準確的得到指針所在位置；其次，采用導(dǎo)向濾波方法對圖像進行預(yù)處理，得到清晰的儀表圖像，同時利用改進的Canny算法對指針邊緣進行提取；最后，利用霍夫變換方法得到指針所在直線，并計算傾斜角度，采用角度法計算出實際讀數(shù)。通過實驗驗證，本文所提出的儀表讀數(shù)方法的讀數(shù)精度為93.6%，較改進前提升了3.1%，該方法有效提升了化工廠的指針儀表讀數(shù)效率，具有較高的實用價值。

關(guān)鍵詞：YOLOv5；導(dǎo)向濾波；Canny算法；霍夫變換；角度法；MATLAB

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2024）04-00-03

DOI：10.16667/j.issn.2095-1302.2024.04.005

0 引 言

在化工廠的日常生產(chǎn)過程中，每個設(shè)備所對應(yīng)的儀表檢測數(shù)據(jù)對于生產(chǎn)過程控制以及生產(chǎn)安全具有重要意義。在化工廠中，不同設(shè)備的儀表也會有所不同，常見的有數(shù)字儀表、指針式儀表等。相對于指針式儀表，數(shù)字儀表的讀數(shù)更加方便，且智能化程度更高。但是數(shù)字儀表的缺陷在于，在惡劣的環(huán)境中，數(shù)字儀表壽命較短，維護成本高。而指針儀表的結(jié)構(gòu)簡單、有較強的抗干擾能力且后期維護簡單，使用成本低，因此在化工廠中，常見的儀表均為指針式儀表。

目前，指針式儀表的讀數(shù)方法多為人工讀數(shù)，因此存在較大局限性。如在高溫、高壓的環(huán)境下，人工讀數(shù)付出的成本較大，且讀數(shù)準確率不高。此外，在一些具有輻射的環(huán)境中，人工讀數(shù)風險較高。隨著信息技術(shù)的發(fā)展，人工讀數(shù)的方式越來越無法滿足化工園區(qū)的智能化需求，因此采用智能化手段實現(xiàn)指針式儀表讀數(shù)對化工廠的發(fā)展具有重要意義。彭昆福[1]等提出了一種基于深度回歸的指針儀表讀數(shù)識別方法，該方法首先獲取儀表圖像的特征，然后利用方向回歸對指針的方向進行預(yù)測，最后利用角度法計算儀表的讀數(shù)。該方法準確性較高，但是計算復(fù)雜，時效性差。湯亮[2]等提出了基于空間變換的指針式儀表讀數(shù)識別算法，該方法首先獲取指針所在圓形區(qū)域的輪廓，其次對指針的刻度線進行校正，并得到刻度線的坐標，最后采用減影法來獲取指針與刻度線的相對位置得到指針讀數(shù)。Haojing Bao[3]等提出了一種基于逆透視映射的多指針式儀表計算機視覺測量方法，該方法通過視覺檢測獲取指針式儀表的讀數(shù)，具有一定的有效性，但是該方法的泛化性不高。為了解決指針式儀表讀數(shù)方法存在的問題，本文提出了一種基于改進Canny算法的指針儀表讀數(shù)方法，以提高化工廠指針式儀表的讀數(shù)效率。

1 YOLOv5算法

YOLOv5算法是當前性能較強的目標檢測方法，其網(wǎng)絡(luò)結(jié)構(gòu)采用卷積神經(jīng)網(wǎng)絡(luò)的特征提取模塊。YOLOv5的輸入端采用Mosaic方法對輸入數(shù)據(jù)集進行處理[4-5]。其主干網(wǎng)絡(luò)為CSPDarknet53，其主要用于提取特征信息，便于對表盤及指針進行定位。此外，YOLOv5結(jié)構(gòu)還包括Backbone及Neck結(jié)構(gòu)，Backbone結(jié)構(gòu)引用Focus模塊，該模塊能夠在下采樣階段提取目標特征時，避免部分特征信息丟失。Neck結(jié)構(gòu)是由FPN和PAN兩個模塊組成，兩種模塊能夠在不同的方向上對特征信息進行傳輸，從而將不同層次的特征進行融合，提高模型的檢測性能。儀表指針檢測流程如下：

（1）對輸入的儀表圖像進行單元格劃分，然后針對不同尺度的輸入目標生成先驗框，先驗框負責檢測相應(yīng)的目標

物體。

（1）

式中：c表示置信度的值；P為預(yù)測框內(nèi)的目標概率；H表示預(yù)測框與真實框之間的交并比。

（2）對輸入端的指針儀表圖像進行歸一化操作，然后送入特征提取網(wǎng)絡(luò)中提取相應(yīng)的特征信息。

（3）計算被檢測物體的中心點位置及標注框的信息。

（4）輸出檢測結(jié)果。

指針儀表檢測圖如圖1所示。

2 圖像預(yù)處理

2.1 導(dǎo)向濾波

由于指針儀表長期暴露在露天環(huán)境，受雨水侵蝕、陽光暴曬等因素的影響，指針儀表表面的清晰度退化，導(dǎo)致讀數(shù)不準確、誤差大。為了提高儀表的讀數(shù)精度，采用導(dǎo)向濾波算法對指針儀表圖像進行濾波處理，使得圖像更加清晰。

導(dǎo)向濾波[6-7]是一種具有平滑效果的圖像處理方式，在保持圖像邊界的同時實現(xiàn)平滑的處理。與其他濾波方式相比較，導(dǎo)向濾波方法具有處理速度快和無梯度反轉(zhuǎn)的優(yōu)勢。導(dǎo)向濾波算法實現(xiàn)的一般步驟如下：

（1）分別讀取輸入及導(dǎo)向圖像P和I；

（2）分別計算I的均值與方差、輸入圖像P的均值以及I與P的乘積；

（3）對線性相關(guān)因子a與b的值分別進行計算：

（2）

（3）

（4）分別計算a與b的均值；

（5）得到導(dǎo)向濾波結(jié)果Q：

（4）

圖2為導(dǎo)向濾波的處理效果圖，將圖（a）、圖（b）對比可以看出，經(jīng)過導(dǎo)向濾波處理后的儀表圖像更加清晰，特征信息更加豐富，有利于提高儀表的識別精度。

2.2 改進Canny算法

Canny是一種成熟的用于目標邊緣檢測的方法，其核心方法是將目標進行平滑后再求導(dǎo)，從而檢測出邊緣信息，該方法具有較好的去噪和邊緣檢測效果[8-10]。傳統(tǒng)的Canny算法包括以下3個計算部分：

（1）采用高斯濾波對圖像去噪；

（2）計算梯度值及梯度方向；

（3）采用非極大值抑制及雙閾值連接對檢測邊緣進行

處理。

由于傳統(tǒng)Canny算法的梯度方向比較單一，容易造成梯度變化緩慢及梯度信息丟失等問題。本文采用四方向Sobel算子對傳統(tǒng)Canny算法中的梯度計算方法進行改進，解決傳統(tǒng)方法中存在的不足。邊緣檢測結(jié)果如圖3所示。

（5）

式中：Gx代表橫向邊緣信息；Gy代表縱向邊緣信息。

由檢測結(jié)果圖可以看出，Canny算法改進前檢測的邊緣存在缺失，改進后的算法檢測效果更好。

2.3 霍夫變換法直線檢測

霍夫變換（Hough Transform）法常用于檢測直線，但該方法不僅能夠檢測直線，還能夠進行橢圓擬合等[11]。霍夫變換法的核心是將被檢測的復(fù)雜目標轉(zhuǎn)化為計算峰值的問題，將復(fù)雜的問題簡單化。檢測直線時，假設(shè)原點距離直線的垂直長度為ρ，且垂線與橫坐標軸之間的夾角為θ，則該直線的表達式為：

（6）

得到直線的極坐標方程后，將直線進行參數(shù)映射，即將r軸和θ軸進行離散化，得到直線的正弦曲線形式[12-13]。具體分為以下幾個步驟：

（1）將參數(shù)空間的坐標軸離散化；

（2）對圖像中不為0的像素點進行映射，并得到像素點在參數(shù)空間中的方格；

（3）統(tǒng)計每個方格出現(xiàn)的次數(shù)，并確定閾值，若某一個方格出現(xiàn)的次數(shù)大于閾值時，則用其表示直線；

（4）將表示直線方格的參數(shù)作為圖像中檢測直線的參數(shù)。

直線檢測效果如圖4所示。

2.4 角度法讀數(shù)

角度法是一種常見的儀表讀數(shù)方法[14]，該方法較為簡單，其具體步驟為：

（1）得到儀表的最大量程角度θmax；

（2）得到指針儀表的最大量程Nmax；

（3）得到指針上邊緣角度θ1與下邊緣角度θ2的平均值θmean，并通過下式計算得到儀表的讀數(shù)N。

（7）

（8）

3 實驗結(jié)果及分析

為了驗證本文提出的指針儀表讀數(shù)方法的有效性及實用性，本文在MATLAB環(huán)境下進行模擬實驗。本文的實驗數(shù)據(jù)一方面來源于化工廠實際儀表圖像，同時為了提升算法的泛化性，還采用網(wǎng)絡(luò)工具獲得其他指針儀表圖像，實驗數(shù)據(jù)圖像共5 000張。實驗步驟如下：

（1）為了快速對儀表表盤及指針所在位置進行定位，降低背景信息干擾，實驗首先采用LabelImg工具對儀表數(shù)據(jù)集進行標注，然后采用YOLOv5算法進行檢測。

（2）為了解決由于指針儀表的清晰度退化，造成讀數(shù)不準確、誤差大的問題，在完成指針定位后對指針儀表圖像進行濾波處理，提高讀數(shù)精度。

（3）最后采用改進的Canny算法及霍夫變換法對指針進行直線檢測，并采用角度法讀數(shù)。

表1為部分儀表的讀數(shù)結(jié)果，由表中讀數(shù)結(jié)果可以得到，改進后的算法讀數(shù)結(jié)果更加準確。圖5為準確率曲線圖，其中深灰色曲線表示算法改進前的準確率曲線，淺灰色曲線表示算法改進后的準確率曲線。從圖中可以看出，算法改進前的識別準確率為90.5%，算法改進后的識別準確率為93.6%，相比之下準確率提升了3.1%，指針儀表讀數(shù)的效率得到了提升。

4 結(jié) 語

為了提高化工廠的指針儀表讀數(shù)效率，本文提出了一種基于改進Canny算法的讀數(shù)方法。

（1）采用YOLOv5算法對儀表指針進行定位，該方法具有較好的定位效果。

（2）采用導(dǎo)向濾波對圖像進行預(yù)處理，提高圖像的細節(jié)信息，同時對Canny算法進行改進，以提取儀表指針的邊緣信息。利用改進后的算法提取的邊緣信息更全面，提取效果更好。

（3）利用霍夫變換法進行直線檢測并采用角度法計算讀數(shù)。實驗結(jié)果表明，本文所提方法的讀數(shù)精度為93.6%，較改進前提升了3.1%，具有較高的實用價值。

注：本文通訊作者為張寶寶。

參考文獻

[1]彭昆福，王子磊，王磊，等. 基于深度回歸的指針儀表讀數(shù)識別方法[J].信息技術(shù)與網(wǎng)絡(luò)安全，2020，39（12）：7.

[2]湯亮，何穩(wěn)，李倩，等.基于空間變換的指針式儀表讀數(shù)識別算法研究[J].電測與儀表，2018，55（6）：6.

[3] BAO H J，TAN Q C，LIU S Y，et al. Computer vision measurement of pointer meter readings based on inverse perspective mapping [J]. Applied sciences，2019，9（18）.

[4]郭磊，薛偉，王邱龍，等. 一種基于改進YOLOv5的小目標檢測算法[J]. 電子科技大學(xué)學(xué)報，2022，51（2）：8.

[5]田楓，賈昊鵬，劉芳. 改進YOLOv5的油田作業(yè)現(xiàn)場安全著裝小目標檢測[J]. 計算機系統(tǒng)應(yīng)用，2022，31（3）：10.

[6]韓正汀，路文，楊舒羽，等. 基于導(dǎo)向濾波優(yōu)化的自然圖像去霧新方法[J]. 計算機科學(xué)與探索，2015，9（10）：7.

[7] PHAM C C，JEON J W. Efficient image sharpening and denoising using adaptive guided image filtering [J]. Image processing Iet，2015，9（1）：71-79.

[8] KIEU S T H，BADE A，HIJAZI M H A. Modified canny edge detection technique for identifying endpoints [J]. Journal of physics： conference series，2022，2314（1）.

[9]劉雙龍，金曉怡，范瑜，等.基于霍夫變換和Canny算子的表殼中心定位方法[J].農(nóng)業(yè)裝備與車輛工程，2022，60（8）：32-35.

[10]沈衛(wèi)東，李文韜，劉娟，等.基于改進Canny邊緣檢測的指針式儀表自動讀數(shù)算法研究[J].國外電子測量技術(shù)，2021，40（2）：60-66.

[11] AHMAD R，NAZ S，RAZZAK I. Efficient skew detection and correction in scanned document images through clustering of probabilistic hough transforms [J]. Pattern recognition letters，2021，152.

[12] LI N，WANG J，DONG X A，et al. Pointer meter recognition method based on improved Hough transform [J]. Chinese journal of liquid crystals and displays，2021，36（8）.

[13] IQBAL B，IQBAL W，KHAN N，et al. Canny edge detection and hough transform for high resolution video streams using Hadoop and Spark [J]. Cluster computing，2020，23（1）.

[14]王瑞，李琦，方彥軍. 一種基于改進角度法的指針式儀表圖像自動讀數(shù)方法[J]. 電測與儀表，2013，50（11）：115-118.

收稿日期：2023-03-31 修回日期：2023-05-05