基于Hough變換和HSV彩色空間的電氣盤柜狀態(tài)識別

戴 威，陸小鋒，劉學鋒，胡浩棋，趙梓辰

(上海大學 通信與信息工程學院，上海 200444)

0 引言

電氣室設備的安全運行對電氣化工廠的正常生產(chǎn)有著重要意義。目前，人工巡檢仍然是國內(nèi)進行電氣盤柜巡檢的主要方式，但人工巡檢存在一系列問題[1]，如由于工人的經(jīng)驗水平和責任心等因素造成誤檢、漏檢；人工記錄容易出現(xiàn)記錄不規(guī)范、不完整的問題；電氣室設備的輻射可能對工人的健康有影響。因此，研究智能化的巡檢方法替代人工巡檢具有重要的價值與意義。

電氣盤柜狀態(tài)主要由盤柜上的圓形指示燈的狀態(tài)表示，黃燈亮表示設備處于異常狀態(tài)，紅燈亮表示正常工作狀態(tài)，綠燈亮表示正常待機狀態(tài)。可見，電器盤柜狀態(tài)識別的關(guān)鍵點在于圓形指示燈的提取，指示燈亮滅狀態(tài)識別，處于點亮狀態(tài)的指示燈的顏色識別。文獻[2]在HSV空間下進行色彩分割，再對候選區(qū)進行幾何形狀濾波，得到指示燈候選區(qū)。文獻[3]中，在Lab空間進行圖像增強來突出紅燈和綠燈區(qū)域，然后通過鏡像對稱變換的特點篩選指示燈候選區(qū)，該方法的不足在于對黃色燈的識別性能較差。文獻[4]利用指示燈燈區(qū)和背板特有的幾何形狀特征進行燈區(qū)的檢測識別，再在HIS顏色空間中識別顏色類型，該方法的缺點主要是圓形指示燈的誤檢率較高。文獻[5]在HSV顏色空間中，建立“紅燈”、“黃燈”和“綠燈”的模型，以此得到各通道的分割閾值，再通過幾何形狀特征進行篩選操作，從而得到燈區(qū)候選去。最后通過CAMSHIFT算法[6]跟蹤相鄰圖像幀中的指示燈。此方法在實際應用時需要學習樣本圖像的相關(guān)參數(shù)，從而導致實時性較差。

針對上述方法中的問題，本文提出一種基于Hough變換[7-9]和HSV彩色空間[10-12]的電氣盤柜狀態(tài)識別方法。首先對實時采集的盤柜圖像進行預處理，得到二值化的邊緣輪廓圖像；再利用霍夫梯度法檢測出二值化邊緣輪廓圖像中包含指示燈的圓，并通過RGB閾值篩選、連通域標記法和圓輪廓閾值篩選條件對無效圓進行剔除處理；然后根據(jù)這些圓圓心處圖像的HSV特征值的V值判斷指示燈的亮滅狀態(tài)；最后根據(jù)圓邊緣處圖像的H、S、V值建立點亮狀態(tài)的指示燈顏色判別模型，智能判斷點亮指示燈的顏色類別(紅、綠、黃)。實驗表明，該方法能較快速、準確地識別出處于點亮狀態(tài)的指示燈及其顏色，并且準確度與實時性均能滿足實際需求。

1 總體方案

首先對前端巡檢小車采集到的盤柜圖像進行預處理，包括圖像的灰度化、濾波去噪、邊緣提取、歸一化和二值化處理，從而得到邊緣輪廓圖像。然后對預處理后的圖像進行霍夫變換圓檢測得到指示燈區(qū)域。再對指示燈輪廓所在區(qū)域取HSV顏色空間中V分量判斷指示燈的亮滅狀態(tài)，若檢測到無指示燈點亮，則表明盤柜為狀態(tài)1，即未供電狀態(tài)；若檢測到有點亮的指示燈，則對處于點亮狀態(tài)的指示燈通過確定圓邊緣顏色檢測模型和HSV顏色分量范圍來進行顏色檢測分類，確定指示燈的類別是黃燈、紅燈和綠燈中的哪一種。若黃燈亮，則對應盤柜為狀態(tài)2，即設備異常；若紅燈亮，則表明對應盤柜為狀態(tài)3，即正常工作；若綠燈亮，則表明對應盤柜為狀態(tài)4，即正常待機狀態(tài)。通過檢測識別出指示燈的各種狀態(tài)來對應電氣盤柜的狀態(tài)，從而完成識別(圖1)。

圖1 電氣盤柜狀態(tài)識別總體方案

2 圖像預處理

圖像預處理的目的是獲取原始圖像的邊緣信息，為圓形指示燈檢測做準備。圖像預處理的步驟主要包括灰度化、平滑去噪、邊緣檢測、歸一化和二值化等操作。原始圖像作灰度化處理后，僅含有圖像的亮度信息，即可在不減少有效信息的前提下壓縮圖像的數(shù)據(jù)量；平滑去噪過程是指通過濾波平滑技術(shù)盡可能減少圖像中的冗余噪聲；邊緣檢測是指通過邊緣檢測算子對濾波去噪后的圖像的邊緣信息進行提取的過程；歸一化和二值化處理按照一定的閾值將圖像的像素點轉(zhuǎn)換成只有0和1兩個值。

圖像的邊緣檢測中最關(guān)鍵的問題是選擇合適的檢測算子，應用廣泛的算子有Sobel算子和Canny算子[13-14]等，不同算子的應用場景和檢測效果有一定的區(qū)別。當圖像的灰度信息有良好的漸變特性或圖像中包含較多噪聲時，使用Sobel算子進行邊緣檢測的效果要更好；Canny算子不易受到冗余噪聲的影響，并且能夠提取單一像素的邊緣信息，可以有效檢測圖像的弱邊緣信息。結(jié)合指示燈圖像噪聲較多和有一定弱邊緣的特點，本文選用Canny算子進行邊緣檢測。

首先通過灰度化處理得到灰度圖像，然后使用高斯濾波器對圖像進行濾波處理，去除原始圖像中存在的噪聲，再通過Canny算子對圖像進行邊緣檢測獲取圖像的邊緣信息，并進行歸一化處理，最后再進行二值化處理得到像素值為0和1的二值化邊緣輪廓圖像，其中0代表背景，1代表邊緣輪廓(圖2)。

圖2 圖像預處理結(jié)果

3 指示燈提取

指示燈外形為圓形，因此，指示燈提取可以歸結(jié)為圓檢測問題。指示燈目標提取通過對預處理后的圖像進行霍夫變換圓檢測得到圖像中的圓形指示燈。本文采用Hough變換圓檢測算法從二值化的邊緣輪廓圖像中提取圓形指示燈。經(jīng)典圓檢測霍夫變換(circle hough transform，CHT)的主要思想是先將圖像從空間域變換到參數(shù)空間中[15-16]，然后通過圖像邊界點符合的特定參數(shù)形式來表示圖像中的曲線，利用積累陣列來累加計算，則積累陣列中峰值對應點的信息即為所求。記{(xi,yi)|i=1,2,…,n}為圖像中圓周上所有點的集合，(x,y)作為其中的一點，它在參數(shù)坐標系(a,b,r)里的方程為：

(a-x)2+(b-y)2=r2

(1)

標準霍夫變換(standard hough transform，SHT)將圓方程改寫成極坐標的形式[10]：

(2)

考慮到傳統(tǒng)霍夫變換圓檢測存在的計算量較大和弱魯棒性等問題，采用基于霍夫變換梯度法的圓檢測方法進行指示燈的檢測[17-18]。霍夫變換梯度法主要包括兩步，首先為尋找圖像中的圓心，然后通過所得圓心推導出圓的半徑。由于是對同一個圓周上的點求梯度運算，則圓上所有點的梯度方向都應指向圓心處，所以基于此特征能夠?qū)崿F(xiàn)指示燈圓心的提取，霍夫變換梯度法的識別過程如下：

1)對圖像進行邊緣識別，計算邊緣圖像中的所有非零像素點的梯度值，再繪制它們的梯度線；

2)所有像素點的梯度線均存在交點，每個點都是一個累加器，存在一條線經(jīng)過該點則累加器的數(shù)值加一，對所有點進行排序，依據(jù)預設閾值找到所有可能的圓心；

3)計算邊緣像素點到圓心的距離，再將距離由小到大進行排序，并選擇合適的半徑；

4)對選擇的半徑設置累加器，對符合半徑要求的累加器進行加1計算；

5)統(tǒng)計出所有可能的半徑，繼而完成圓的識別。

圖3為利用霍夫變換梯度法進行圓檢測的結(jié)果。

(0-點亮狀態(tài)指示燈；1-除指示燈外的圓形物體；2-光斑；3-非點亮狀態(tài)指示燈)圖3 霍夫變換梯度法圓檢測結(jié)果

由于圖像中并不只是指示燈的形狀為圓形，圖3中標識1的物體和標識2的弱光照條件下炫光現(xiàn)象形成的光斑也呈圓形，上述算法也將把它們識別為圓。因此，需要進一步從檢測出的圓中提取出與指示燈相關(guān)的圓。

針對標識1，其為電氣盤柜上的非指示燈物體，與指示燈相比，它的特點相對較單一，即中心區(qū)域并不是像處于點亮狀態(tài)指示燈那樣趨近于高亮的白色。針對標識2，其為弱光照條件下采集圖像時鏡頭表面炫光現(xiàn)象導致的指示燈圓形光斑虛像，雖然其中心區(qū)域也處于高亮的白色狀態(tài)，并且其光暈和顏色特征等都與真實指示燈圓高度相似，但它的關(guān)鍵區(qū)別在于半徑明顯小于對應真實指示燈圓的半徑。針對于標識3，其為處于熄滅狀態(tài)的指示燈，它的特點也較單一，即其中心區(qū)域并不處于高亮的白色狀態(tài)。

鑒于此，本文通過閾值篩選提取原始圖像中符合指示燈顏色特征的候選區(qū)域，用于改進上述識別處理方法，使得在正常光照和弱光照條件下均能夠準確有效提取出指示燈圓輪廓。RGB是以基色混合比例表征的且最常用的顏色空間，圖像采集設備多使用此空間。通過對一定數(shù)量像素的逐一判別后，可確定紅色、綠色及黃色指示燈輪廓區(qū)域的顏色篩選范圍，如式(3)、(4)和(5)所示，RGB閾值篩選結(jié)果如圖4所示。

R-B≥50 ∩R-G≥50

(3)

G-B≥70 ∩G-R≥70

(4)

|R-B|≥50 ∩ |R-G|≤50

(5)

圖4 RGB閾值篩選結(jié)果圖

弱光照條件下的炫光現(xiàn)象在不同情況下具有不同的形態(tài)，導致RGB顏色閾值篩選結(jié)果在利用霍夫圓檢測之后出現(xiàn)圖6(a)的現(xiàn)象，故需再做進一步的處理。指示燈輪廓及炫光在整體上呈現(xiàn)為中空的像素集合，而非指示燈輪廓區(qū)域多為實心的像素集合。考慮到指示燈炫光區(qū)域存在空洞的現(xiàn)象較普遍，而其他區(qū)域基本無空洞的特點，使用連通域標記方法進行搜索標記[19-20]，并對每個連通域內(nèi)包含的零點進行篩選和統(tǒng)計，此處的零點即像素值為零的點。

若某區(qū)域內(nèi)由m行n列像素組成，則從當前區(qū)域第1行開始，獲取當前行的所有像素點的坐標，記當前行的像素點總個數(shù)為T1，其中橫坐標中最大值記為X1max，最小值記為X1min，若當前行所有像素點值均為1，則應滿足：

X1max-X1min+1-T1=0

(6)

若不滿足上式條件，表明其中必有值為零的點存在，同時，該式差值為當前行零點的數(shù)量，并記錄第1行數(shù)值為零點的數(shù)量。當式(6)不成立時，對下一行進行同樣的操作，即對于下一行，對應式(6)的值即為不為零時，可認為這兩行為零的像素為相連的關(guān)系，繼續(xù)記錄數(shù)值為零點的數(shù)量。由區(qū)域第一行開始向另一端搜索，直到i=m時，則整個區(qū)域被搜索完畢，然后記錄區(qū)域內(nèi)部零點的數(shù)量，搜索下一個獨立連通域。對一個獨立的連通域進行搜索的過程如圖5所示。

圖5 區(qū)域內(nèi)部零點搜索過程

使用連通域標記方法對弱光照下的指示燈樣本進行形態(tài)特征處理，對每個區(qū)域進行標記。對搜索統(tǒng)計后的結(jié)果進行計算，判定圓圈內(nèi)包含零點個數(shù)與圓圈內(nèi)總像素點數(shù)量的關(guān)系是否滿足圓輪廓篩選閾值條件，即圓圈內(nèi)零點數(shù)量與圓圈外接矩形內(nèi)所包含的總像素點數(shù)的比值大于0.8(經(jīng)驗值)，若不滿足該條件，則為無效圓輪廓(圖6(a)中的標識1和3)，予以剔除；針對標識2，由于光斑現(xiàn)象為鏡頭表面炫光導致，但其半徑大小要明顯小于對應真實指示燈圓的半徑，則通過設置半徑大小范圍即可濾除掉該無效圓。圓輪廓閾值篩選處理結(jié)果如圖6(b)所示。

圖6 圓輪廓閾值篩選處理

4 指示燈狀態(tài)識別與類別檢測

指示燈狀態(tài)識別指識別指示燈是處于點亮狀態(tài)還是熄滅狀態(tài)。首先將原始圖像從RGB空間轉(zhuǎn)換為HSV顏色空間。HSV顏色空間中V值代表了圖像的亮度信息，指示燈在熄滅狀態(tài)和點亮狀態(tài)下，指示燈中心區(qū)域的V值具有明顯差異，前者V值低，后者V值高。因此，可通過比較指示燈中心區(qū)域的V值來識別指示燈的亮滅狀態(tài)。由于圖3和圖6中已經(jīng)得到了圓形指示燈的圓心和半徑，可以提取指示燈圓心的V值，判斷其數(shù)值的大小，若大于預設閾值，則指示燈為點亮狀態(tài)，否則，指示燈為熄滅狀態(tài)(圖7)。

圖7 指示燈狀態(tài)識別流程

接下來指示燈的類別檢測，即判斷處于點亮狀態(tài)的指示燈的顏色。巡檢小車采集的圖像中處于點亮狀態(tài)的指示燈中間區(qū)域呈現(xiàn)出高亮的白色，邊緣區(qū)域呈紅、綠、黃三種深淺不一、范圍大小不一的暈邊(與光照強度有關(guān))的特點，統(tǒng)計表明，本文待檢測的盤柜圖像中，處于點亮狀態(tài)下的三種圓形指示燈暈邊的H、S、V值區(qū)間如表1所示。

表1 紅、綠、黃三種指示燈在點亮狀態(tài)下的

可以看出，三種指示燈在點亮狀態(tài)下的暈邊S值和V值區(qū)間沒有明顯差異，主要差異表現(xiàn)在H值不同上。當指示燈周邊主要像素點的H值落在0～150和10～179區(qū)間時，為紅燈，當落在35～90區(qū)間時為綠燈，當落在11～25區(qū)間時為黃燈。因此，可以提取點亮狀態(tài)的指示燈邊緣一定范圍內(nèi)的像素點，統(tǒng)計落在以上區(qū)域的像素點數(shù)，多數(shù)點對應區(qū)域的指示燈顏色就是該點亮狀態(tài)的指示燈顏色。可見，確定合適的指示燈邊緣顏色檢測范圍成為關(guān)鍵。本文建立圖8所示的模型確定指示燈邊緣顏色檢測范圍。

圖8 指示燈顏色判別模型

(7)

5 實驗結(jié)果分析

為了檢驗該方法的可行性與有效性，針對該方法的執(zhí)行時間和識別準確度進行實驗。圖像采集設備為4mm焦距的?？低暩叻直媛蕯z像機，分辨率為1 920×1 080，實驗運行配置環(huán)境：Intel(R)Core(TM)i7-4790 CPU@3.60 GHz，內(nèi)存為16 GB，操作系統(tǒng)為Windows10，安裝了Visual C++ 2019并配置好OpenCV4.11圖像處理庫。

考慮到圖像采集設備具有的魚眼式特性，即采集到的原始圖像會產(chǎn)生一定的傾斜畸變，于是將實驗中的參數(shù)設定如下：①原始圖像中有效檢測區(qū)間為中間1/3；②Canny邊緣檢測中滯后閾值的高閾值和低閾值分別為threshold_h = 50，threshold_l = 40；③Hough變換圓檢測中最大半徑和最小半徑分別為maxRadius = 15，minRadius = 35；④判斷指示燈亮滅狀態(tài)的預設閾值為threshold_v = 230；⑤指示燈顏色分類閾值參數(shù)見表1；⑥指示燈圓輪廓篩選閾值為0.8。圖9為正常光照和弱光照條件下指示燈的識別結(jié)果，下面分別在方法執(zhí)行時間和識別準確度兩方面進行分析。

圖9 不同光照下的指示燈狀態(tài)識別結(jié)果

5.1 執(zhí)行時間

本部分實驗通過利用在霍夫梯度基礎上結(jié)合具體應用場景而改進的本文方法對1 000張采集到的指示燈圖像進行處理，然后得到每張圖片的平均處理時間(單位為ms)，以此來表明該方法在執(zhí)行時間上的快慢，如表2所示。

表2 方法執(zhí)行時間 ms

從表2中可看出，本文方法在檢測圖像的平均處理時間為125 ms，主要耗費時間在指示燈圓檢測階段(98 ms)，通過檢測指示燈圓形輪廓的邊緣信息并結(jié)合了其幾何特征，減少了不必要的運算，表明了本文方法在執(zhí)行效率能夠滿足指示燈檢測識別的實時性要求。

5.2 識別準確度

通過處理正常光照和弱光照條件下的1 000張原始圖片，對本文方法在指示燈檢測識別準確度方面做測試分析，這里的漏檢率和錯檢率分別指的是檢測圖片中出現(xiàn)漏檢測到指示燈的圖片個數(shù)所占比例與錯檢測到非指示燈區(qū)域的圖片個數(shù)所占比例，正檢率指的是檢測圖片中各個點亮指示燈均能正常識別到的圖片所占比例，各項指標檢測結(jié)果如表3所示。

表3 方法識別準確度 %

從表3中可看出，紅燈、綠燈和黃燈在正常光照和弱光照的條件下的漏檢率與錯檢率均低于1%。三種指示燈在正常光照下的漏檢率與錯檢率均低于弱光照條件下對應的檢測率，這也表明方法在弱光照條件下進行檢測時準確度會有一定的下降，但其下降幅度很小。本文方法在結(jié)合了霍夫變換梯度法的基礎上，確定了準確的顏色分類區(qū)間并采用了指示燈邊緣顏色判別模型，同時，為了解決弱光照條件下出現(xiàn)的過曝光問題，采用了RGB閾值篩選方法和候選圓區(qū)域的篩選方法，使得在不同光照條件下紅色、綠色和黃色指示燈的識別準確度，即正檢率均大于98%，能夠更好地滿足實際工程應用的檢測識別要求。

6 結(jié)束語

本文提出了一種基于計算機視覺來檢測圓形指示燈狀態(tài)從而獲取電氣盤柜狀態(tài)信息的方法，能夠?qū)崿F(xiàn)實時、有效地對采集圖像中的多個紅色、綠色和黃色圓形指示燈進行識別分類，對于不同光照條件下和采集視角偏差導致邊緣輪廓出現(xiàn)部分畸變和缺失的指示燈圖像，本方法也具有良好的識別效果；另外，本文提出的顏色分類檢測模型使指示燈狀態(tài)識別方法簡單有效，可以提升識別指示燈狀態(tài)的準確度。同時，在弱光照條件下出現(xiàn)過曝光時，也能進行準確有效地識別。開展該項研究工作對今后電氣盤柜設備系統(tǒng)的智能監(jiān)測技術(shù)進一步的研究發(fā)展具有一定的積極意義。