一種適用于智能變電站巡檢機器人的雙針儀表讀數的識別算法

房 樺 ，蔣 濤 ，李紅玉 ，羅 浩 ，李 健 ，楊國慶

（1.山東魯能智能技術有限公司，山東 濟南 250002；2.長治供電局，山西 長治 046000）

1 背景

變電站設備巡檢機器人基于自主導航，集成可見光、紅外、聲音等傳感器，實現對設備熱缺陷、分合狀態(tài)、外觀異常的判別，以及儀表讀數、油位計位置的識別，并配合智能變電站順控操作系統(tǒng)實現被控設備狀態(tài)的自動校核［1］。電力系統(tǒng)的變電站有許多設備配置了指針儀表，如氣壓表、溫度表、油溫表、避雷器表等。特別是有一類油溫表具有兩條指針，一條為紅色，記錄歷史最大值，一條為黑色，表示當前值。由于長時間暴露在陽光下，紅色指針的顏色會出現褪色的情況，或在背光的條件下，紅色素特征表現的并不明顯，采用色彩分量特征的檢測具有局限性。目前記錄此類雙針儀表數據主要靠人眼近距離觀測，精度低、可靠性差，勞動強度大。隨著智能變電站的試點建設與巡檢機器人的發(fā)展及推廣使用［2］，儀表數據的記錄工作已經向自動化操作方向改進，但仍需運行人員參與核實確認機器人采集的雙指針儀表狀態(tài)圖像。因此，研發(fā)一種適用于巡檢機器人的快速、準確、穩(wěn)定可靠的雙指針式儀表的自動識別系統(tǒng)具有重要意義。

變電站的儀表多數安置在室外，巡檢機器人采集的儀表圖像通常受到環(huán)境的影響?，F有的識別算法為，利用儀表表盤的形狀特征，通過模板匹配或橢圓擬合確定儀表表盤在圖像中的基本位置及區(qū)域范圍［3－4］。 雖然其算法具備一定實時性和魯棒性，但并不適用于巡檢機器人采集到的變電站儀表圖像。這是由于變電站設備結構復雜，在機器人采集到的圖像中，背景紊亂，并不僅僅包含儀表區(qū)域，還同時囊括了其它設備，其中不乏包含近似圓形的部件，在使用橢圓檢測的算法時，極易出現錯誤的檢測結果。在指針識別方面，通常在獲取了儀表表盤的子圖像后，再使用多種的圖像處理方法提取儀表指針的位置及指向方向。文獻［5］提到把刻度作為小段的直線，利用Hough變換同時識別指針與刻度，雖然可以保證一定的精度和計算時間，但對一些多符號、多條紋的等干擾的儀表并不適用。文獻［6］提出用輸入圖像儀表指針位置減去零刻度時的指針位置的減影法，再以直線擬合得到指針的中心線的骨干精確位置，以此來提高計算速度和指針精度，在刻度識別時采用條件Hough變換（Constrained Hough Transform）結合中心投影分析的迭代方法去除噪音的干擾，得到完整的刻度讀數。但此算法利用減影法的零刻度儀表指針圖像要與輸入圖像保證在同一個拍攝平面，如果兩幅圖像存在角度差異，則會影響最終的指針讀數，由此也不適合用于巡檢機器人在遠距離多角度下拍攝的儀表圖像的識別。

智能機器人能夠自動實現對儀表設備的狀態(tài)識別，首先必須進行儀表設備在圖像中的準確定位，在這基礎上，實現儀表讀數的自動識別。在此，根據雙針式儀表的固有特點，本文提出一種適合變電站巡檢機器人工作環(huán)境與流程的雙針儀表設備的識別算法。首先針對各個檢測位置的雙針儀表設備圖像，進行設備模板化處理，并在模板庫中建立儀表的min刻度和max刻度的位置信息。對于機器人實時采集的儀表設備圖像，在后臺服務中調取相應位置的設備模板圖，利用尺度不變特征變換（SIFT）算法，在輸入圖像中匹配提取儀表表盤區(qū)域子圖像。而后對表盤子圖像進行除陰影、二值化、儀表指針骨干化處理，利用快速霍夫變換（Fast Hough Transform）檢測雙指針直線去除噪音干擾，定位指針精確位置和指向角度，完成指針讀數。此算法經過國內某500kV智能變電站巡檢機器人實地反復測試，各種儀表綜合識別率超過95%，對儀表的讀數具有高精度高魯棒性，完全滿足變電站現場應用的要求。圖1所示為巡檢機器人在此變電站執(zhí)行設備檢測任務時的姿態(tài)圖像。

2 雙指針式儀表識別算法

2.1 利用SIFT算法實現儀表定位

SIFT算法是一種基于尺度空間的、對圖像縮放、旋轉甚至仿射變換保持不變的圖像局部特征描述算子［7］。SIFT特征是圖像的局部特征，對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性，其特征具有獨特性、多量性、高速性、可擴展性等特點。

圖1 變電站設備巡檢機器人

2.1.1 尺度空間的生成

尺度空間的圖像是利用一組連續(xù)的高斯卷積核與原圖像進行卷積生成的。將相鄰尺度的圖像相減得到一組 Difference of Gaussian（DoG）圖像 D（x，y，σ），搜索局部極值點，確定備選的特征點。若一幅圖像的像素強度表示為I（x，y），則高斯卷積圖像為：

DoG圖像可表示為：

其中 m=1，2，…s，k=21/s，D（x，y，mσ）表示相鄰尺度的DoG圖像。

2.1.2 SIFT特征向量的生成

通過尺度空間極值的檢測，初步確定關鍵點位置和所在尺度。圖2為DoG尺度空間的三個相鄰尺度，在檢測尺度空間的極值時，圖中標記為叉號的像素需要與相同和相鄰尺度的26個像素進行比較，以確保在尺度空間和二維圖像空間均檢測到極值點。

通過擬和三維二次函數以精確確定關鍵點的位置和尺度，同時去除低對比度的關鍵點和不穩(wěn)定的邊緣響應點，以增強匹配穩(wěn)定性、提高抗噪聲能力。

圖2 DoG尺度空間

利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數，使算子具備旋轉不變性。

在以關鍵點為中心的8×8的窗口內，分成4個4×4的小塊，在每4×4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點（圖3）。實際計算過程中，為了增強匹配的穩(wěn)健性，建議對每個關鍵點使用4×4共16個種子點來描述，這樣對于一個關鍵點最終形成128維的SIFT特征向量。此時SIFT特征向量已經去除了尺度變化、旋轉等幾何變形因素的影響，再繼續(xù)將特征向量的長度歸一化，則可以進一步去除光照變化的影響。

圖3 特征向量

2.1.3 SIFT特征向量的匹配

生成圖像的SIFT特征向量后，采用兩幅圖像中關鍵點特征向量的歐氏距離作為相似性判定度量。取源圖像（模板圖像）中的某個關鍵點，并找出其與待匹配圖像中歐氏距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離小于某個比例閾值，則接受這一對匹配點。

得到兩幅圖像的特征點的匹配關系后，兩幅圖像存在這樣的一個變換過程：

H 為投影變換矩陣，［x′，y′，1］T，［x，y，1］T分別為某組特征匹配點在源圖像和待匹配圖像上的像點坐標。由已知點的坐標，求得H矩陣，根據模板圖像中的設備位置，實現待檢測圖像中的設備的準確定位。

經過以上的步驟，可以在巡檢機器人采集的儀表設備圖像中依照模板圖像準確的定位儀表位置，如圖4所示，雖然有個別特征點在配準的過程中有誤，但可以利用特征點對的分布狀態(tài)將其去除，然后根據公式（3）將特征點在模板圖像中的坐標位置映射到機器人采集圖像中，從而得到僅保留儀表設備區(qū)域的子圖像，如圖5所示。

圖4 利用儀表模板圖像實現在采集圖像中的儀表定位

圖5 儀表設備區(qū)域

2.2 儀表圖像預處理

雙指針式儀表設備通常具有淺色表盤深色的刻度與紅黑兩條指針，由于兩條指針均通過表盤圓心（或由圓心起始），往往是處于上方的表針與表盤存在一定的距離，當光源沒有直射表盤時，上方的表針會在表盤上留下一條陰影，如圖5所示，這條陰影同樣具備指針的特征：具有一定的灰度值，并且呈現為一條直線，這樣就會對最終的識別結果帶來一定的影響。在完成儀表表盤定位之后，首先要消除指針陰影，降低陰影對指針讀數識別的影響，而后再對兩條指針進行識別、提取。

2.2.1 儀表圖像灰度化、除陰影與二值化

為了提取儀表指針，需要對圖像進行分割，去除對提取表針有干涉影響的背景。先將彩色圖像轉換為灰度圖像，我們采用標準的平均值法，用g表示灰度化后的灰度值：

由于上方的指針與表盤存在縫隙，當光照沒有直射儀表設備時，這個指針會在表盤上留下陰影。陰影通常會對目標分割結果造成影響，帶來錯誤的目標檢測結果［8］。在這里采用數學形態(tài)學的“開”操作去除此陰影的影響。開操作一般使對象的輪廓變的光滑，斷開狹窄的間斷和消除細長的突出物，使用結構元素B對集合A進行開操作，表示為A莓B，定義為：

使用開操作平滑了陰影區(qū)域后，使陰影部分的灰度強度減弱，在圖像二值化時可以選取合適的二值化算法分割指針與陰影。

由于儀表指針在灰度圖像中具有均一值，可以用灰度圖像二值化去除背景噪音而保留儀表指針的區(qū)域。圖像的二值化處理就是把圖像中的像素按照給定的閾值分化成黑白兩種顏色。變電站的儀表通常是安置在室外，由于現場的光線變化及其他設備陰影的遮擋，使得采集的儀表圖像亮度不均，有時甚至會出現“陰陽”似的表盤圖像。我們使用自適應閾值算法對圖像進行二值化［9］。具體步驟為：首先定義一個區(qū)域大小為（2w+1）×（2w+1）的模板，同時定義（x，y）為該模板的中心坐標，f（x，y）為中心點灰度圖像的灰度值，T（x，y）為中心點二值化閾值，按照公式（6）計算各像素的閾值，按照公式（7）對灰度圖像進行二值化。

其中，I（x，y）為二值化后各個像素的圖像強度。

2.2.2 二值化圖像的細化

二值化后的結果過濾了部分的背景噪音，消除了其對定位待識別指針的影響。為了準確的檢測出指針，需要對二值化的圖像進行細化處理。圖像細化的本質就是尋找圖形的中軸線或骨架，并以其骨架來取代該圖形。細化的結果應該是一個像素寬度的線條圖像，但仍能保持原圖像的連通性和拓撲結構［10］。本文采用數學形態(tài)學中的擊中擊不中變換來細化圖像，這種算法處理速度快，細化效果好［11］?；舅枷胧窃诮o定系列具有一定形狀的結構元素后，順序循環(huán)的刪除滿足擊中變換的像素。設AC是待處理圖像A的補集，結構元素B由兩個不相交的部分B1和B2組成，一個探測圖像內部，另一個探測圖像外部，即 B＝B1∪B2，且 B1∩B2＝Φ（空集）。 擊中擊不中變換定義為：

其中Θ表示形態(tài)學腐蝕運算。利用B細化A定義為：

即在A中去掉A被B擊中的結果。如果我們定義一個結構元素對序列｛B｝＝｛B1，B2，…，Bn｝，其中 Bi＋1代表Bi旋轉的效果，則細化也可以定義為：

這個過程是先用B1細化一遍，然后再用B2對前面結果細化一遍，如此直到用Bn細化一遍，整個過程可再重復直到沒有變化產生為止，最終得到一個細化的結果。圖6表示了由圖5所得的儀表區(qū)域圖像的預處理過程。

圖6 儀表圖像的預處理

2.2.3 快速Hough變換識別儀表指針

Hough變換［12］是模式識別領域中對二值圖像進行直線檢測的有效方法，其核心思想是點線的對偶性，通過變換將圖像空間轉換到參數空間中。在標準參數化方式下，圖像空間中的直線表達為：

直角坐標系中平面上的任意一點對應極坐標系上的一條正弦曲線，所以同一直線上的點轉換到參數空間后都有相應的一條曲線，但是這些曲線必然相交于一點，參數空間中共點的正弦曲線條數即為直角坐標系平面上共線的點數。為了找到這些點組成的直線段，將極坐標空間量化成許多累加器小格，轉換的時候，圖像中的每一點（xi，yi）映射到 Hough空間中的一組累加器 List（ρi，θi）中，滿足以上正弦曲線方程的每一點，將使相應的所有累加器加一。統(tǒng)計完所有的點后，累加器最大值對應于最長的直線。

Hough變換的容錯性比較好，即使預處理后指針有輕微的殘缺，也能很好的檢測出直線，但是Hough的計算量比較大。我們采用限定角度來縮小Hough變換范圍，減少需要計算的像素點。首先，根據模板庫的儀表圖像定制一個指針角度的偏轉范圍（θmin，θmax），即儀表刻度的最小值與最大值，而后標定出模板圖像的指針位置θTP。在機器人輸入的采集圖像中，我們把角度約束在30°以內的范圍θTP±15°進行Hough變換，如果沒有檢測到直線，則再在此范圍外檢測，這樣就大大的減少了Hough變換不必要的計算量?？焖貶ough指針檢測具體步驟如下：

（1）定義一個二維數組 H［ρ］［θ］作為累加器。 ρ的范圍為圖像矩陣對角線的距離，θ最初定義儀表圖像庫中對應設備的最小刻度和最大角度范圍（θmin，θmax）。

（2）把 θ值局限在 θTP±15°范圍內利用 Hough 變換檢測指針，如果H［ρ］［θ］的最大值大于長度閾值T，說明檢測到了指針，如果小于閾值T，說明沒有檢測到指針，則再把 θ限制在（θmin，θmax）內檢測。

（3）計算直線檢測的結果的端點距表盤圓心的距離，保留兩條最近的直線結果為儀表的雙針，如圖7（a）中線段所示。

（4）在完成指針檢測之后，根據指針直線所在的θ 值與（θmin，θmax）的比例分別對兩條指針進行儀表的讀數。

圖7表示了由細化后的儀表圖像得到的Hough直線檢測結果，以及由此所得的在儀表圖像中兩條指針所在的位置。

圖7 儀表指針檢測及結果讀數

3 實際應用

某500 kV智能變電站是目前國內首次采用智能巡檢機器人自動識別戶外敞開式斷路器、隔離開關位置狀態(tài)及儀表讀數的示范站。該站通過變電站監(jiān)控信息一體化平臺與智能機器人雙向交互，實現了智能機器人代替人工進行變電站設備巡檢、狀態(tài)識別的任務。

在實際應用中，變電站巡檢機器人對儀表設備的讀數識別流程如圖8所示。

圖8 巡檢機器人儀表設備識別流程

4 結語

由于機器人需要全天候的在室外運作，實驗測試結果表明本文提出的變電站儀表設備讀數檢測算法具有很好的魯棒性。在不同的光照條件下，采用的SIFT特征配準算法可以準確的在機器人采集圖像中獲取儀表設備的區(qū)域，“開”操作陰影平滑技術可以大大的降低由于上位指針的陰影造成的對結果的影響，而后采用改進的快速Hough直線檢測算法提高了后臺服務器對實時輸入圖像的計算能力，并且具有高度的準確性，進而可以保證變電站監(jiān)控平臺可以及時的獲得儀表讀數結果。經在國內某500 kV變電站實地運行測試統(tǒng)計，應用本文算法的智能巡檢機器人對雙指針式儀表設備的讀數正確率綜合統(tǒng)計在95%以上，完全滿足該智能變電站推進無人值守的儀表設備讀數自動檢測識別的要求。

［1］魯守銀，錢慶林，張斌，等.變電站設備巡檢機器人的研制［J］.電力系統(tǒng)自動化，2006，30（13）：94－98.

［2］周立輝，張永生，孫勇，等.智能變電站巡檢機器人研制及應用［J］.電力系統(tǒng)自動化，2011，35（19）：85–88.

［3］蔡文超，于騫，王宏，等.基于快速Hough變換的圓形儀表的檢測與讀?。跜］.中國人工智能學會第 10 屆全國學術年會，2003，617－622.

［4］戴亞文，王三武，王曉良.基于灰度信息的多特征模板匹配法［J］.電測與儀表，2004，41（4）：56－58.

［5］岳國義，李寶樹，趙書濤.智能型指針式儀表識別系統(tǒng)的研究［J］.儀器儀表學報，2003，24（4）：430－431.

［6］何智杰，張彬，金連文.高精度指針儀表自動讀數識別方法［J］.計算機輔助工程，2006，15（3）：9－12.

［7］Lowe D.Distance Image Feature from Scale－invariant Key Points［J］.International Journal of Computer Vision.2004， 60（2）：91－100.

［8］鄧亞麗，毋立芳，李云騰.一種有效的圖像陰影自動去除算法［J］.信號處理，2011，27（11）：1724－1728.

［9］汪海洋，潘德爐，夏德深.二維Otus自適應閾值選取算法的快速實現［J］.自動化學報，2007，33（9）：968－971.

［10］ C.J.Hilditch.Comparison of Thinning Algorithms on a Parallel Processor［J］.Image and Vision Computing.1983， 3（1）：115－132.

［11］李杰，彭月英，元昌安，等.基于數學形態(tài)學的細化算法的圖像邊緣細化［J］.計算機應用，2012，32（2）：514-516.

［12］ 孫豐榮，劉積仁.快速霍夫變換算法［J］.計算機學報，2001，24（10）：1102-1109.