基于機(jī)器視覺的油田儀表示數(shù)自動(dòng)識(shí)別方法

趙磊

摘要：傳統(tǒng)的以指針定位為基礎(chǔ)進(jìn)行儀表示數(shù)識(shí)別主要通過人眼確定指針位置，導(dǎo)致識(shí)別結(jié)果誤差較大。因此，該研究將機(jī)器視覺應(yīng)用在自動(dòng)識(shí)別中，設(shè)計(jì)一種新的油田儀表示數(shù)識(shí)別方法。針對(duì)CCD攝像機(jī)拍攝的油田儀表圖像，進(jìn)行光照均衡、圖像校正和圖像分割處理，再通過Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)檢測(cè)并提取儀表示數(shù)圖像的目標(biāo)識(shí)別區(qū)域。運(yùn)用機(jī)器視覺算法獲取儀表刻度數(shù)值信息，并精準(zhǔn)定位儀表指針位置。根據(jù)指針與最小刻度線夾角，自動(dòng)識(shí)別出當(dāng)前儀表示數(shù)。實(shí)驗(yàn)結(jié)果表明：所提方法的示數(shù)識(shí)別結(jié)果最大絕對(duì)誤差僅為0.01?MPa，可滿足油田儀表示數(shù)識(shí)別精度要求。

關(guān)鍵詞：機(jī)器視覺??油田儀表??圖像識(shí)別??目標(biāo)檢測(cè)???指針定位???透視變換矩陣

The?Automatic?Recognition?Method?of?OilField?Instrument?Indication?Based?on?Machine?Vision

ZHAO?Lei

（Liaohe?Oilfield?Materials?Company，??Panjin，?Liaoning?Province，124010??China）

Abstract：The?traditional?instrument?indication?recognition?based?on?pointer?positioning?mainly?determines?the?pointer?position?through?human?eyes，?which?results?in?a?large?error?in?the?recognition?result.?Therefore，?this?study?applies?machine?vision?to?automatic?recognition，?and?designs?a?new?recognition?method?of?oilfield?instrument?indication.?The?oilfield?instrument?image?captured?by?CCD?camera?is?carried?out?the?illumination?equalization，?image?correction?and?image?segmentation，?and?then?the?target?recognition?area?of?the?instrument?indication?image?is?detected?and?extracted?through?Faster-RCNN?network?structure.?The?machine?vision?algorithm?is?used?to?obtain?the?scale?value?information?of?the?instrument?and?accurately?locate?the?pointer?position?of?the?instrument.?According?to?the?angle?between?the?pointer?and?the?minimum?scale?line，?the?current?instrument?indication?is?automatically?recognized.?The?experimental?results?show?that?the?maximum?absolute?error?of?the?indicator?identification?result?of?the?proposed?method?is?only?0.01?MPa，?which?can?meet?the?accuracy?requirements?of?oilfield?instrument?indicator?identification.

Key?Words：?Machine?vision;?Oilfield?instrument;?Image?recognition;?Target?detection;?Pointer?positioning;?Perspective?transformation?matrix

現(xiàn)代科學(xué)技術(shù)的發(fā)展，引起了信息技術(shù)領(lǐng)域的進(jìn)步，各行各業(yè)都開始向著數(shù)字化方向進(jìn)步[1]。尤其對(duì)于化工行業(yè)來說，為保證生產(chǎn)的安全性，更需要對(duì)生產(chǎn)過程進(jìn)行精準(zhǔn)監(jiān)控和測(cè)量。電子數(shù)顯式儀表具有直觀性、高精度的特點(diǎn)[2]，在石油化工領(lǐng)域發(fā)揮了巨大作用，但是測(cè)量數(shù)值的獲取依舊需要通過人眼識(shí)別。面對(duì)動(dòng)輒持續(xù)數(shù)十個(gè)小時(shí)的生產(chǎn)工作，依靠人工的方式讀取油田儀表示數(shù)，極易出現(xiàn)數(shù)據(jù)錄入錯(cuò)誤問題[3]。對(duì)此，需要設(shè)計(jì)一種自動(dòng)化識(shí)別方法，智能獲取油田儀表數(shù)據(jù)。

參考傳統(tǒng)的儀表示數(shù)識(shí)別策略，文中提出將機(jī)器視覺技術(shù)應(yīng)用到油田儀表指針定位過程中，得到更加準(zhǔn)確的指針定位結(jié)果，再計(jì)算當(dāng)前指針與儀表刻度之間的夾角，獲取儀表示數(shù)自動(dòng)識(shí)別結(jié)果。

1以機(jī)器視覺為基礎(chǔ)設(shè)計(jì)油田儀表示數(shù)自動(dòng)識(shí)別方法

1.1油田儀表圖像預(yù)處理

應(yīng)用CCD攝像機(jī)拍攝工作中的油田儀表圖像，完成圖像采集工作。考慮到圖像采集環(huán)境中，會(huì)受到天氣、光照等因素的影響，導(dǎo)致拍攝圖像質(zhì)量較差，需要進(jìn)行光照均衡處理、圖像配準(zhǔn)處理和圖像分割處理[4]，得到預(yù)處理后的油田儀表圖像。

設(shè)置完全不同的陰影區(qū)域和非陰影區(qū)域的輸入，運(yùn)用局部匹配算法對(duì)采集圖像進(jìn)行陰影檢測(cè)。將影子像素看作圖像的前景區(qū)，借助消光技術(shù)設(shè)置合理的陰影恢復(fù)系數(shù)，并獲取光照與環(huán)境光照得到比例系數(shù)[5]。基于該比例系數(shù)展開二次光照處理，得到光照均衡處理后的圖像。

通過FAST-9算法將光照均衡處理后的圖像的特征點(diǎn)提取出來，并描述為二進(jìn)制的字符串。引入特征匹配概念，建立透視變換矩陣，分析實(shí)時(shí)采集的油田儀表圖像與參考圖像之間的差異，并實(shí)現(xiàn)圖像校正。已知特征匹配點(diǎn)坐標(biāo)的情況下，假設(shè)其特征點(diǎn)的軸上下方向延伸正好穿過視域體的中心，則其透視變換矩陣可表示為：

經(jīng)過光照均衡處理后，油田儀表圖像的目標(biāo)區(qū)域和背景區(qū)域之間的差異度不斷降低，會(huì)對(duì)儀表示數(shù)識(shí)別產(chǎn)生干擾。因此，在圖像預(yù)處理過程中，運(yùn)用最大類間方差法進(jìn)行圖像分割，針對(duì)分割后的圖像展開示數(shù)自動(dòng)識(shí)別。

1.2提取油田儀表示數(shù)識(shí)別區(qū)域

針對(duì)預(yù)處理后的圖像進(jìn)行示數(shù)自動(dòng)識(shí)別時(shí)，需要先提取圖像內(nèi)油田儀表示數(shù)所在區(qū)域，避免圖像背景信息干擾識(shí)別結(jié)果。文中采用了Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)[6]，進(jìn)行目標(biāo)區(qū)域檢測(cè)。

在待識(shí)別油田儀表圖像中，通過特征金字塔網(wǎng)絡(luò)繪制候選框，選取目標(biāo)識(shí)別區(qū)域。面對(duì)任意尺寸的油田儀表圖像，建立特征圖，并將其導(dǎo)入特征金字塔網(wǎng)絡(luò)，通過卷積運(yùn)算得出目標(biāo)識(shí)別區(qū)域檢測(cè)結(jié)果。為加強(qiáng)區(qū)域檢測(cè)的直觀性，F(xiàn)aster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)輸出的檢測(cè)結(jié)果，只會(huì)出現(xiàn)兩種情況，分別是前景區(qū)域和背景區(qū)域。應(yīng)用Faster-RCNN算法進(jìn)行卷積運(yùn)算時(shí)，會(huì)出現(xiàn)多種損失情況，多任務(wù)損失函數(shù)為：

根據(jù)Faster-RCNN檢測(cè)結(jié)果，確定油田儀表示數(shù)識(shí)別區(qū)域，并將其單獨(dú)提取出來進(jìn)行后續(xù)指針定位和示數(shù)識(shí)別。

1.3設(shè)計(jì)基于機(jī)器視覺的指針定位方法

油田儀表示數(shù)的識(shí)別需要以儀表刻度和指針方向?yàn)榛A(chǔ)。該研究為提升示數(shù)識(shí)別的準(zhǔn)確度，運(yùn)用機(jī)器視覺算法結(jié)合指針儀表的結(jié)構(gòu)特點(diǎn)完成指針位置的定位。根據(jù)調(diào)查結(jié)果可知，油田儀表的指針根部與儀表圓心相重疊，而儀表的整體刻度區(qū)域分布形狀為環(huán)形。根據(jù)同心圓原理可確定油田儀表的起始刻度位置和量程。

想要得到更加精確的儀表圖像，還需進(jìn)一步提取刻度盤的信息。在機(jī)器視覺算法中選擇霍夫檢測(cè)算法[7]，觀察儀表的圓心和最外面的邊緣輪廓，截取儀表盤的刻度區(qū)域，再針對(duì)儀表圖像進(jìn)行二值化處理和極坐標(biāo)變換，獲取準(zhǔn)確的刻度信息。其中，極坐標(biāo)變換原理如圖1所示。

以此為基礎(chǔ)，進(jìn)行儀表指針定位研究，考慮到儀表的指針是線型分布的，屬于比較容易識(shí)別的圖像內(nèi)容。因此，文中在深入研究各種機(jī)器視覺算法后，采用霍夫直線檢測(cè)算法進(jìn)行儀表指針的自動(dòng)定位。前文基于機(jī)器視覺技術(shù)已經(jīng)完成了圖像邊緣檢測(cè)，此時(shí)設(shè)置圖像邊緣存在眾多待檢測(cè)的邊緣點(diǎn)，并且每個(gè)邊緣點(diǎn)都可引出無數(shù)條直線。在霍夫變換空間中，遍歷每條直線，與指針識(shí)別圖像進(jìn)行匹配，通過數(shù)值統(tǒng)計(jì)和分析，確定與識(shí)別出的指針圖像最接近的直線，并計(jì)算出直線內(nèi)所有坐標(biāo)點(diǎn)，綜合分析得出油田儀表指針定位結(jié)果。

1.4獲取油田儀表示數(shù)自動(dòng)識(shí)別結(jié)果

由于油田儀表的刻度總是均勻分布的，所以可根據(jù)油田儀表指針定位結(jié)果，獲取其與最小刻度線之間夾角的角度，完成儀表示數(shù)的計(jì)算。首先，指針對(duì)應(yīng)直線的斜率為：

通過上述計(jì)算，可得出油田儀表示數(shù)自動(dòng)識(shí)別結(jié)果。

2實(shí)驗(yàn)

2.1實(shí)驗(yàn)設(shè)置

依托于機(jī)器視覺技術(shù)，完成油田儀表示數(shù)自動(dòng)識(shí)別方法設(shè)計(jì)后，在Win?10?（64位）系統(tǒng)上應(yīng)用該方法進(jìn)行實(shí)驗(yàn)測(cè)試，驗(yàn)證所提識(shí)別方法的合理性和優(yōu)越性。為保證實(shí)驗(yàn)的順利進(jìn)行，選擇16G?RAM的運(yùn)行內(nèi)存和Intel-I9系列的?CPU，搭建基本實(shí)驗(yàn)環(huán)境。同時(shí)，應(yīng)用python3.?52編程語(yǔ)言，按照文中研究?jī)?nèi)容構(gòu)建儀表示數(shù)自動(dòng)識(shí)別編碼框架。

本次實(shí)驗(yàn)開始之前，在網(wǎng)絡(luò)上采集30張油田儀表原始圖像，并將所有圖像的尺寸統(tǒng)一設(shè)置為640×640大小，并通過labelme軟件對(duì)每張圖像進(jìn)行編號(hào)，制作成實(shí)驗(yàn)用數(shù)據(jù)集。

2.2油田儀表示數(shù)識(shí)別結(jié)果

文中提出運(yùn)用Faster-RCNN網(wǎng)絡(luò)對(duì)原始圖像進(jìn)行檢測(cè)，提取油田儀表示數(shù)區(qū)域。為保證網(wǎng)絡(luò)檢測(cè)結(jié)果更加準(zhǔn)確，在實(shí)驗(yàn)數(shù)據(jù)集中隨機(jī)抽選20張圖像，組成訓(xùn)練集，對(duì)Faster-RCNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練。以某一張圖像為例，應(yīng)用訓(xùn)練好的網(wǎng)絡(luò)對(duì)其進(jìn)行檢測(cè)，得到目標(biāo)識(shí)別區(qū)域提取結(jié)果，如圖2所示。

從圖2可看出，在Faster-RCNN網(wǎng)絡(luò)的作用下，準(zhǔn)確提取了圖像中儀表所在區(qū)域，再依靠機(jī)器視覺算法對(duì)該區(qū)域進(jìn)行指針定位和示數(shù)識(shí)別，確定讀數(shù)范圍均為0～1.6MPa，儀表編號(hào)1的示數(shù)值為0.45?MPa，編號(hào)為2的儀表示數(shù)值為0.00?MPa。綜上所述，應(yīng)用文中提出方法可得到儀表示數(shù)，表明了本文研究?jī)?nèi)容具有可行性。

2.3識(shí)別性能分析

本次實(shí)驗(yàn)過程中，應(yīng)用所提方法對(duì)除訓(xùn)練集外的10張圖像進(jìn)行示數(shù)識(shí)別測(cè)試。同時(shí)，選擇基于OpenCV的方法和基于刻度準(zhǔn)確定位的方法作為對(duì)比方法，同樣進(jìn)行示數(shù)識(shí)別。根據(jù)記錄結(jié)果可知，三種方法的識(shí)別結(jié)果如表1所示。

根據(jù)表1可知，三種方法都可自動(dòng)識(shí)別出儀表示數(shù)，但識(shí)別結(jié)果與實(shí)際值存在偏差。本次選用絕對(duì)誤差作為評(píng)價(jià)指標(biāo)，針對(duì)表1所示的示數(shù)識(shí)別結(jié)果進(jìn)一步計(jì)算，明確各識(shí)別方法的應(yīng)用性能。

根據(jù)表2可知，文中設(shè)計(jì)方法的最大絕對(duì)誤差僅為0.01?MPa，甚至很多時(shí)候示數(shù)識(shí)別結(jié)果與實(shí)際值保持一致。而基于OpenCV的方法識(shí)別結(jié)果的最大絕對(duì)誤差為0.05MPa，基于刻度準(zhǔn)確定位的方法的示數(shù)識(shí)別絕對(duì)誤差最大值達(dá)到了0.09MPa。三種方法對(duì)比可知，本文研究的自動(dòng)識(shí)別方法，使得示數(shù)識(shí)別最大絕對(duì)誤差降低了80%、88.89%。

3結(jié)語(yǔ)

考慮到油田儀表示數(shù)識(shí)別的準(zhǔn)確性要求，文中提出了以機(jī)器視覺算法為核心的自動(dòng)識(shí)別方法。通過圖像預(yù)處理、識(shí)別區(qū)域提取、儀表指針定位、儀表示數(shù)識(shí)別等環(huán)節(jié)，得到最終示數(shù)識(shí)別結(jié)果。

參考文獻(xiàn)

[1]楊典，李小燕，劉培焱，等.基于OpenCV的變電站儀表識(shí)別方法研究[J].自動(dòng)化與儀表，2022，37（4）：75-80.

[2]王欣藝，景超，張浩宇，等.基于計(jì)算機(jī)視覺技術(shù)的指針式儀表智能識(shí)別方法[J].電子技術(shù)與軟件工程，2022（7）：172-177.

[3]郭宇強(qiáng)，易映萍.變電站指針式儀表示數(shù)識(shí)別方法研究[J].軟件導(dǎo)刊，2022，21（3）：62-66.

[4]胡鑫，歐陽(yáng)華，尹洋，等.一種改進(jìn)的指針式儀表示數(shù)識(shí)別方法[J].電子測(cè)量技術(shù)，2021，44（13）：132-137.

[5]向友君，江文，阮榮鉅.基于刻度準(zhǔn)確定位的指針式儀表示數(shù)識(shí)別方法[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（10）：129-135.

[6]宋延衛(wèi)，楊玉東，于悅，等.基于支持向量機(jī)的燃?xì)獗硎緮?shù)識(shí)別[J].長(zhǎng)春師范大學(xué)學(xué)報(bào)，2020，39（2）：59-63.

[7]龔安，張洋，唐永紅.基于YOLOv3網(wǎng)絡(luò)的電能表示數(shù)識(shí)別方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2020，29（1）：196-202.