基于移動機器人的變電站儀表自動識別研究

高旭，王育路，曾健

（1.國網陜西省電力公司榆林供電公司，陜西榆林 719000；2.國網陜西省電力公司經濟技術研究院，陜西西安 710075；3.國網陜西省電力公司，陜西西安 710048）

隨著科技進步和電力體制改革的不斷深入發展，電力系統自動化程度已有很大提高，變電站值班也逐漸趨于無人化或少人化。為了保證變電站設備的安全可靠運行，更快地推進變電站無人值守的進程，利用智能移動機器人完成電站設備的巡檢，就目前的技術而言，可以說是提高工作效率和質量、減員增效的理想方案之一[1]。因此研制開發變電站設備巡檢機器人有重要的意義，其中利用移動機器人定位儀表的位置是一項研究熱點。

由于目前智能變電站中尚存的儀表大多數都是指針式儀表，該類型的指針式儀表不具有數據接口，無法實現測量參數的自動化采集與傳輸，另外對于此類數據的記錄主要依靠人工，受到人的主觀因素和客觀因素的影響。使用巡檢機器人代替巡檢人員對電力設備進行巡檢，可以提高變電站的巡檢質量和效率。巡檢機器人在巡檢時由于機械間隙和停車精度等因素，基本很難保證對待檢測設備的拍攝位置完全保持一致，對同樣的設備在不同的拍攝位置拍攝時，會有小幅位移和一定的旋轉，如果不能準確定位變電站重要電氣設備的位置，勢必會導致巡檢過程匯總產生大量冗余信息，干擾巡檢系統的智能報警判斷，同時使系統的穩定性與時效性下降[2]。

在儀表的智能化識別過程中，如何精確地定位儀表在圖像中的位置是一項重要的內容。通過對Hough變換[3-4]進行改進之后提取圓形特征進行檢測。BP神經網絡的構建原理簡單，訓練迭代過程時間復雜度不高，有利于實現快速的智能識別[5-8]。研究者對變電站儀表識別方面的探索與應用在某些情況下已達到較好的效果，但面對復雜變電站場景下儀表識別的魯棒性，目前還很難有一種方法能夠較好地解決問題。

稀疏表示理論是近年來研究與應用的熱點領域。它與傳統的奈奎斯特采樣定理不同，通過訓練一個過完備且與變換基不相關的字典，將高維信號映射到低維空間上，在求得映射的最優化稀疏向量后，可從少量的信號重構出原信號。稀疏表示具有特征保持性、稀疏性等特點，目標信號可以通過該理論采集的少量信號值實現精確重建。

將稀疏表示理論引入到智能變電站移動機器人的儀表識別中，對復雜場景下該理論的應用進行適應性研究。圖1為本文的自動識別變電站儀表的技術路線。首先選用方向梯度直方圖特征對圖像中的目標進行特征提取。另一方面，采集代表性樣本進行基于稀疏表示方法的過完備字典訓練，訓練得到的字典具有非負性。最后通過待測目標在字典中稀疏度和重構殘差判定目標類別。實驗結果表明，本文提出的方法在復雜的變電站場景中有較好的識別率和實時性。

圖1 基于HOG特征和稀疏表示的變電站儀表識別框架Fig.1 Substation meter identification framework based on HOG features and sparse representation

1 研究方法

1.1 儀表的HOG特征提取

變電站儀表在圖像上的形態特征具有一定的規律，其外形一般為圓型或者由于成像角度的原因導致變形呈橢圓形。然而實際的拍攝條件下不同的拍攝姿態，光照條件可能不一致，因此在基于圖像信息提取儀表特征時，要求特征向量對光照等條件具有不敏感性。

Dalal于2005年提出的HOG特征[9]是一種能有效地描述圖像中對象邊緣信息的描述符，用于描述圖像局部區域的梯度強度以及梯度方向分布?？紤]到HOG特征在計算過程中是在圖像的局部單元進行的，因此受光照變化和噪聲影響較小，具有良好的魯棒性。HOG特征具有良好的表達圖像中目標邊緣信息的能力，因此只要被檢測物體的形狀具有一定的規律性，都可以被HOG特征描述，而且HOG特征可以容許被檢測物體具有一些局部的細微變化。由于智能變電站中的儀表圖像是在機器人移動過程中拍攝得到的，難免會產生一定變形，HOG特征能很好地克服變形導致的識別難的問題，因而HOG特征非常適合作為描述圖像中儀表特征的特征描述子。

圖2描述了一張圖像中儀表的HOG特征提取流程，即將一張圖像劃分為若干個cells，如圖2（b）所示，相鄰的cell沒有重疊。在每個cell內統計梯度方向直方圖作為cell的特征descriptor，即將所有梯度方向劃分為9個bin，作為直方圖的橫軸，角度范圍所對應的梯度值累加值作為直方圖縱軸。但是由于圖像中不同區域的光照條件等變化多樣，梯度值的變化范圍會比較大，因此考慮將上下左右相鄰的2×2個cells組成一個block整體，如圖2（c）所示，一個block內所有cell的特征descriptor串聯起來作為該block的特征descriptor，然后標準化每個block的特征descriptor，這種特征標準化處理使其對光照變化和陰影有更好的適應能力，對于檢測率的提高相當重要。同時相鄰block之間要有一定的重疊，這樣可以有效地融入相鄰cell間的空間信息，對于檢測結果有很大幫助。一個影像內所有block的特征descriptor串聯起來作為最終的用于描述當前圖像的特征向量。圖2（d）為將當前圖像中每個cell的特征descriptor平鋪的結果。

圖2 儀表HOG特征提取流程Fig.2 Meter HOG feature extraction process

圖3中通過場景中不同地物的HOG圖對比，可以得出HOG特征有效地描述了圖中不同物體的輪廓信息。

圖3 場景中不同地物的HOG圖對比Fig.3 HOG map comparison of different landmarks in the scene

1.2 基于稀疏表示的儀表識別

基于稀疏表示[10]的識別方法可在高維空間對信號進行重構，通過重構信息的稀疏性判別目標分類。稀疏表示是指圖像（或者特征）信息可以完全或者近似地由非常少的一組原子圖像（或者特征）信號的線性組合表示，而所有的原子圖像（或特征）信號即組成一個過完備的字典。假設訓練樣本特征向量集合X=[x1,x2,...,xn]T∈Rn×m，其中xi∈R1×m,i=1,2,...,n，表示第i個輸入特征向量，m表示輸入特征向量的維數，基向量集合D=[φ1,φ2,...,φK]T∈RK×m，也稱為視覺詞典，其中K表示基向量的個數（且K＞＞m），φj∈R1×m,j=1,2,...,K表示第j個基向 量 ，，其中i=1,2,...,n對應于第i個輸入特征向量經視覺詞典轉化后的向量，對應于第i個輸入特征向量的線性組合中基向量φj的系數，原理示意圖如圖4所示，也就是說對于每個輸入特征向量

圖4 稀疏表示原理示意圖Fig.4 Sparse representation of the principle diagram

圖4中，灰度深淺表示特征向量對應維數的取值大小，灰度值越大，對應維數取值越大，白色表示取值為0。

實際上，可以將稀疏表示中特征向量的求解過程歸結為求能量函數最小化的問題，即：

式（1）中，第一項為重構誤差項，第二項為稀疏懲罰項，λ為稀疏系數。給定訓練樣本特征向量集合X，學習得到一組“超完備”基向量集合D。訓練過程是一個重復迭代求解的過程，通過交替更改D和α使得能量函數最小化。字典的構造是一種尋找稀疏表示下最優基的構造，字典的優劣是原始信號能否盡可能稀疏表示的關鍵。字典的構造不僅要滿足稀疏表示唯一性的約束。

不同類別訓練樣本訓練的字典對待測樣本的稀疏表示能力差別很大，待測樣本更易被同類別訓練樣本得到的字典稀疏表示。根據稀疏表示的這一特性，研究設計了基于稀疏表示的分類器。

記所有基于HOG特征的向量表示儀表訓練數據集為{Hi∈Rm,i=1,2,...,n}，其中每個樣本Hi表示一個儀表樣本的HOG特征。初始化字典D=[H1,H2,...,Hn]∈Rmxn，采用S-KSVD算法對字典進行訓練得到過完備字典D并計算稀疏系數，經過試驗S-KSVD算法可以在較短時間內訓練得到重構信息PSNR值較高的字典。

設待檢測樣本y∈Rm是待識別目標基于HOG特征的向量表示，給定稀疏約束因子L，求解L2范式最小化，如式（2）

式（2）的求解是尋找一個在滿足稀疏約束因子L條件下取得最小重構誤差的稀疏表示的過程。

在式（2）得到最優稀疏表示的基礎上，計算y在字典D上的殘差

此處可通過構建包含N類儀表樣本（本文中N=2，即儀表和非儀表兩類）的字典并計算信號在各樣本字典上的稀疏表示殘差

最后通過比較殘差值，最小殘差所在的類別即為信息的目標分類

式中，C(y)表示信號；y是儀表還是非儀表。

2 實驗與分析

為了驗證本文提出的基于局部HOG特征的稀疏表達識別算法的有效性，在Matlab平臺、Intel P42.33GHz、2GB內存的計算機上，采用實際場景拍攝的智能變電站場景的儀表數據進行試驗并對部分實驗結果做定性和定量的分析和評價。

在HOG特征提取的單元和塊的選擇上，過小的單元、塊和直方圖bin導致計算量的指數增加，過大則會對目標特征描述不清，需選擇折中的參數作為本方法的使用參數。表1為實驗選擇不同的參數及相應的識別率。

表1 不同HOG特征參數及相應的識別率Tab.1 Different HOG characteristic parameters and the corresponding recognition rate

通過表1對比，當HOG特征采用15*15像素/單元，2*2單元/塊，9個直方圖bin時的識別率較高。因此本文使用第二組參數用于目標HOG特征提取。

部分實驗結果如圖5所示，對于部分實驗場景而言，如圖5（a）-（c）場景中不存在類似儀表邊緣的這種圓型結構，本文提出的模型具有較為理想的識別結果，然而對于較為復雜的實驗場景（如圖5（d）-（f）），場景中存在較多類似儀表外形的圓型結構導致算法的識別效率較低。

圖5 部分實驗結果Fig.5 Some experimental results

為驗證基于稀疏表示的識別方法的有效性，本文將本方法與文獻[15-16]的識別方法進行比較。實驗對于文獻[15]選用不變矩圖像匹配的方法進行實驗，對于文獻[16]選用HOG+SVM是用于圖像中目標識別的典型方法，因此本文也將這種方法作為對比方法。圖6是3種方法在不同場景下的儀表識別率，其中最佳場景是指正對儀表拍攝并且不存在遮擋情況下的識別結果。由圖6可看出本文車輛識別方法在多場景下都具有較好的識別效果。

圖7給出了文獻[16]中使用SVM分類法與本文使用SRC法的平均識別率的比較。從中可看出:SRC方法在特征數大于1 000時識別準確率高于SVM分類法，在一定程度上也說明稀疏表示分類隨著特征維數的增加保持相應的收斂性，SVM分類法則會隨著特征維數的增加趨于發散，而且SVM分類法的分類能力很大程度上取決于特征選取方法。

圖6 多場景下不同方法識別結果比較Fig.6 Comparison of different methods in multi-scene recognition results

圖7 本文方法與使用SVM方法識別結果比較Fig.7 The method in this paper is compared with the method of SVM

3 結語

本文通過研究稀疏表示理論，將稀疏表示中的分類方法引入到變電站的儀表識別中，采用不變性較好的方向梯度直方圖對目標進行特征提取。與傳統方法不同的是，本方法從信號特征的稀疏性角度，在高維空間對信號進行重構，通過重構信號的稀疏性判別目標分類。下一步工作將圍繞進一步提高使用稀疏表示對于目標識別分類方法的計算速度和穩健性（如在高清視頻中的處理以及更多角度對儀表識別），并且可以嘗試通過稀疏字典具體儀表類型以及儀表位置識別后的讀數。

[1] 張靖.變電站設備巡檢移動機器人的研究與設計[D].保定：華北電力大學（河北），2010.

[2] 楊作梁，楊森.利用電力變壓器損耗為變電站房屋供暖探索[J].節能技術，2015，33（6）:559-561.YANG Zuoliang，YANG Sen.Research on the Substation Buildings Heating Using Power Transformer Loss[J].Ener?gy Conservation Technology，2015，33（6）:559-561.

[3] 王學偉，于鍇峰，王琳.紅外圖像鎖相濾波去噪算法的研究[J].電測與儀表，2008，45（6）:42-46.WANG Xuewei，YU Kaifeng，WANG Lin.Research on the Locked Filter Denoising Algorithm of Infrared Images[J].Electrical Measurement&Instrumentation.2008，45（6）:42-46.

[4] HEGT H A，DE L H R J，KHAN N A.A high perfor?mance license plate recognition system[C]//IEEE Interna?tional Conference on Systems，Man，and Cybernetics.IEEE Xplore，2015:4357-4362 vol.5.

[5] 朱顥東，李紅嬋.基于特征加權模糊模板匹配的字符識別[J].蘭州理工大學學報，2013，39（1）:68-71.ZHU Haodong，LI Hongchan.Character recognition based on feature weighted fuzzy template matching[J].Journal of Lanzhou University of Technology.2013，39（1）:68-71.

[6] 李秀君，黃山，李寧，等.一種新的傾斜印刷體字符的校正方法[J].微計算機信息，2009，25（21）:259-260.LI Xiujun，HUANG Shan，LI Ning，et al.A New Method for Correcting Inclined Printed Characters[J].Microcomput?er Information，2009，25（21）:259-260.

[7] 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方法[J].電測與儀表，2013，50（11）:115-118.WANG Rui，LI Qi，FANG Yanjun.A kind of automatic reading method of pointer instrument image based on im?proved angle method[J].Measurement&Instrumentation.2013，50（11）:115-118.

[8] 李學聰，汪仁煌，唐蘇湘，等.指針式儀表圖像的六步預處理方法[J].電測與儀表，2012，49（12）:28-31.LI Xuecong，WANG Renhuang，TANG Suxiang，et al.Six-step preprocessing method of pointer instrument images[J].Measurement&Instrumentation.2012，49（12）:28-31.

[9] DALAL N，TRIGGS B，2005.Histograms of Oriented Gradients for Human Detection.IEEE Conference on Computer Vision&Pattern Recognition，pp.886-893.

[10]MAIRAL J，ELAD M，SAPIRO G.Sparse Representation for Color Image Restoration[J].IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2008，17（1）:53.

[11]RUBINSTEIN R，ZIBULEVSKY M，ELAD M.Double Sparsity:Learning sparse dictionaries for sparse signal ap?proximation[J].IEEE Transactions on Signal Processing，2010，58（3）:1553-1564.

[12]周戈，曾智.采用不變矩圖像匹配與直方圖的儀表識別算法[J].華僑大學學報（自然版），2017，38（2）:225-228.ZHOU Ge，ZENG Zhi.Instrument identification algorithm using invariant moment image matching and histogram[J].Journal of Huaqiao University（Natural Science）.2017，38（2）:225-228.

[13]岳國義，李寶樹，趙書濤.智能型指針式儀表識別系統的研究[J].儀器儀表學報，2003，24（z2）:430-431.YUE Guoyi，LI Baoshu，ZHAO Shutao.Research on IntelligentPointerInstrumentRecognition System[J].Chinese Journal of Scientific Instrument.2003，24（z2）:430-431.

[14]李治瑋，郭戈.一種新型指針儀表識別方法研究[J].微計算機信息，2007，23（31）:113-114.LI Zhiwei，GUO Ge.Research on a New Pointer Instru?ment Identification Method[J].Microcomputer Information.2007，23（31）:113-114.

[15]SUN Z，BEBIS G，MILLER R.On-road vehicle detection using evolutionary Gabor filter optimization[M].IEEE Press，2005.