基于机器视觉的电力仪表识别算法

摘要：本文针对变电站无人化电力仪表巡检，基于机器视觉技术提出了指针式和数显式仪表的识别算法。首先研究了仪表图像的预处理方法，然后分析了指针和字符的提取算法，最后导入实际的仪表图像并进行验证。结果表明，本文提出的方法适用于电力仪表识别。 1 引言

目前，国家电网电站中广泛应用的指针式和数显式电力仪表大部分不具备通讯模块，其输出结果无法通过计算机直接采集。近年来，随着国家电网无人值守变电站的大力推广，巡检机器人携带着可见光、红外、声音等各类传感器，采集电力仪表设备的声、像信息，采用图像处理和模式识别技术可完成对各类设备状态的自动识别【1】【2】【3】【4】【5】。本文先后研究了指针式仪表和数显式仪表图像的处理和识别算法并开发了相应的软件平台，最后将识别结果进行分析和比较，结果表明，机器视觉的方法能够适用于无人值守电力仪表的自动读数和巡检。

2 指针式仪表图像 2.1 预处理

指针式仪表的图像识别技术主要任务是图像预处理与指针定位【6】【7】【8】。首先要通过图像预处理滤除图像在采集传输过程中的部分干扰，降低后续图像分割和特征提取的难度；考虑到变电站噪声大多由电磁耦合以及传感器的电子热运动引起，这里采用的是均值滤波器，模型如下，其中R(x,y)为输出图像，I(x,y)为输入图像，其中x,y分别为图像的行列位置，m,n分别为行方向和列方向的偏移量，取值范围为[1,3]：

2.2 反差增强

为了使目标区域边缘更加鲜明，我们对图像进行了反差增强处理，具体公式为：

G[I(x,y)] = |I(x,y)-I(x+1,y+1)|+|I(x+1,y)-I(x,y+1)|

采用G[I(x,y)]来表示图像，则有上面给出的梯度近似值可以看出对于一副图像中的突出边缘区,起梯度有较大的值对于完全平滑区,梯度有较小的值而对于灰度为常数的区,其梯度就为0。这样就能使图像经过梯度运算后变得更清晰,达到图像增强的目的。如图所示，经过增强后的电力仪表图像边缘更加清晰，锐化。 2.3 连通域分析

然后对图像进行连通域分析，将指针目标对象从复杂的背景中提取出来，本文采用的是最大类间阈值法以及区域生长法。 2.3.1 最大类间法

最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有: ω0=N0/ M×N (1) ω1=N1/ M×N (2) N0+N1=M×N (3) ω0+ω1=1 (4)

μ=ω0*μ0+ω1*μ1 (5)

g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6) 将式(5)代入式(6),得到等价公式: g=ω0ω1(μ0-μ1)^2 (7)

采用遍历的方法得到使类间方差最大的阈值T,即为所求。 2.3.2 区域生长法

区域生长法的目的是将离散的像素区块化，令R表示整幅图像区域，那么分割可以看成将区域R划分为n个子区域R1,,R2,......Rn的过程，并需要满足以下条件：

a: U(Ri) = R;

b: Ri是一个连通区域，i=1,2,3,......n;

c: Ri ∩ Rj = 空集，对于任何的i,j；都有i≠j; d: P(Ri) = Ture, 对i=1,2,......n; e: R(Pi U Rj) = False, i≠j； 2.4 目标提取

仪表盘最大的特征即指针所在区域为扇形。可以通过形状与像素值的方式将该区域提取并填充。 2.5 指针识别

由于仪表的特征为指针，因此可以通过计算指针与扇形区域的相对角度来表征该仪表的实际读数。计算过程与结果分别如下：

扇形边缘之间的角度φ = 65.374度；指针与左边缘的角度k = 25.447度。 3 数显式仪表 3.1 字符分割

数显式仪表的预处理和反差增强方式与2.1，2.2一致，后续做法如下： 字符分割是字符识别的基础，为进行字符识别，需要从图像中分割出单个字符，进行字符分割可采用的方法包括基于投影的方法、基于连通域的方法、聚类分析方法等。

3.2 基于 BP 网络的数显仪表识别算法

建立一个三层的 BP 网络结构，考虑计算复杂度等因素，在保证误差精度的前提下，本文在训练网络时采用附加动量项的自适应梯度下降算法，用梯度下降动量学习函数调整权值，训练网络的步骤如下：

（1）网络建立，输入层 t 个神经元，隐含层 p 个神经元，输出层 m 个神经元； （2）网络初始化，将生成的 0~1 之间的随机数作为网络初始权值，输入层与 隐含层之间的权值为 wij，隐含层与输出层之间的权值为 vjk；

（3）将训练样本 I1，I2，…，Ii输入网络，指定目标输出值 T1，T2，…，Tk； （4）计算网络的隐含层输出值 x1’、x2’，…，xj’传递函数 f(x)为 S 型的对数函数：

（5）计算网络训练的输出结果与目标输出数值之间的误差平方和。

（6）由式（3-14）可知，误差大小与权值 wij、vjk有关，为减小误差进行权值调，有动量项的自适应梯度下降算法在权值修正中加入了学习速率 η 和动量因子α可以使网络更加快速的收敛，并且不会产生因调整不当导致的网络效果的剧烈起伏。

（8）返回步骤（5），（6），（7）多次重复进行网络训练，迭代到网络的权值稳定，误差达到设定的误差精度。

其中中间层的神经元节点个数确定一直没有一个严谨的规则，中间层结点越多，收敛速度越快，但是同时随着结点越来越多，收敛速度的增加变慢，内存占

用较大，中间层节点数量的确定需从经验公式、实验结果及训练时间三方面因素考虑。

4 结论与展望

本文通过实验验证了电力仪表的视觉读数方法，为巡检机器人自动读数与识别的无人值守电力巡检方案提供了技术支持。后续工作的重点在于开发适应光照变化、表盘反射等干扰因素的图像处理方法与字符训练的效率等方面，为建立全天候巡检机器人的仪表自动识别系统提供有力支撑。 参考文献：

【1】刘曙光, 刘明远, 何钺. 基于机器视觉的汽车仪表板智能检测方法[J]. 机械科学与技术, 1998(02):145-147.

【2】林盘. 指针式仪表视觉检测系统的研究[D]. 西安理工大学, 2002.

【3】卢艳. 基于机器视觉技术的模拟指针式仪表自动检定系统[D]. 重庆大学, 2004.

【4】 Morgan C. Recent Trends in Microwave ATE Systems[C]. ARFTG ConferenceDigest-Spring, 33rd. IEEE, 1989, 15: 37-45.