基于機器學習和模板匹配的變電站儀表自動讀數方法

李漢巨

基于機器學習和模板匹配的變電站儀表自動讀數方法

李漢巨

（南方電網數字電網研究院有限公司，廣州 510700）

針對變電站固定攝像頭拍攝的各種類型的指針式儀表，提出一種自動讀數方法。該方法包括模板制作、模板匹配、圖像處理、表針識別和幾何讀數五個階段。通過模板制作確定刻度值和角度的幾何關系，使用模板匹配算法定位待讀數的儀表盤位置，提取儀表盤部分的圖像，并通過高斯濾波和伽馬變換降低光照和陰影對表針識別的干擾。為提升復雜環境下圖像二值化的效果，使用K均值聚類算法獲取儀表盤圖像的動態二值化閾值。為適應圓形和橢圓形變形的表盤，使用可變長度的線段擬合儀表盤二值化圖像中的表針，獲取表針的旋轉角度，再結合主要刻度的角度和刻度值的對應關系，計算出表針角度對應的讀數。實際應用結果表明，針對自然場景下變電站中的指針式儀表，該方法對光照、陰影、遮擋、傾斜、變形等干擾因素具有良好的魯棒性，誤差均小于最小刻度間隔，滿足工程應用要求。

儀表讀數；表針識別；模板匹配；K均值聚類；圖像二值化

0 引言

指針式儀表具有結構簡單、易于使用、方便維修、抗電磁干擾能力強等優點，且能防塵、防水、防凍，被廣泛應用于變電站中，以監控電力設備狀態。變電站中的指針式儀表包括壓力表、氣壓表、油位表、溫度計、避雷器監測儀等，這些同類或不同類儀表的量程、刻度、表盤形狀、安裝位置等存在較大差異，并且缺少數據輸出接口，這給儀表自動讀數帶來了挑戰，指針式儀表的自動讀數是一個需要長期研究的問題。根據應用場景不同，儀表自動讀數的圖片來源于固定攝像頭和不固定攝像頭（如巡檢機器人[1]）兩種情形。兩種情形下都需要儀表目標檢測，提取儀表部分的圖像。針對來自不固定攝像頭的圖片，一般有兩種目標檢測方法：一種是Hough圓檢測[2]，但該方法不適用于變形的表盤和其他形狀的表盤；另一種是基于深度學習的目標檢測，如RCNN（region with convolutional neural network features）和YOLO（you only look once）。由于目前多數變電站使用固定攝像頭獲取儀表圖像，因此本文使用模板匹配方法提取儀表盤部分的圖像，具有更好的實用效果。儀表自動讀數的兩個關鍵步驟是指針識別和指針讀數。雖然深度學習能夠統一上述兩個步驟，實現端到端的、圖像到數值的回歸模型，但是深度學習需要海量的標注圖像數據。特別在實際應用中，儀表的數值大部分分布在合理的數值范圍之內，很難獲取數值覆蓋整個儀表量程的圖像數據，這導致訓練出來的深度學習模型無法識別異常值，而異常值恰恰是電力設備監控的重點指標，因此本文不采用深度學習。指針識別的常用方法是Hough直線檢測[3-6]，但該方法計算量大且容易受噪聲和圖像二值化效果影響，如檢測出多條直線時，較難識別出正確的指針，另外即使識別出正確的指針，也很難確定指針的準確角度。

針對上述問題，本文使用模板匹配算法快速定位儀表盤的位置，提取儀表盤部分的圖像，使用K均值聚類算法獲取儀表盤圖像的動態二值化閾值，提升圖像二值化效果。在此基礎上，針對指針識別，使用可變長度的可旋轉線段擬合儀表盤二值化圖像中的指針，其中旋轉角度即指針的角度；針對指針讀數，根據主要刻度的角度和刻度值的對應關系，計算出表針角度對應的讀數。最后，利用人造數據和實際業務數據驗證算法的有效性。本文主要工作如下：

1）提出一種基于機器學習和模板匹配的指針式儀表自動讀數方法。該方法簡單有效，可快速工 程化。

2）提出自適應的圖像二值化方法，避免用單一閾值對各種類型的表盤圖像進行分割，提升指針識別效果。

3）提出一種使用可變長度的可旋轉線段擬合指針的方法，該方法易于獲取指針的準確角度。另外，由于指針末端的軌跡是圓形或傾斜的橢圓形，因此該方法與表盤的形狀、類型無關，從而能夠減少噪聲對識別結果的影響，避免Hough直線檢測的缺點。

本文算法流程如圖1所示，下面進行詳細說明。

圖1 算法流程

1 模板制作

1.1 表盤區域、圓心定位與主要刻度標注

模板制作如圖2所示，獲取一張固定攝像頭拍攝的圖片，對該圖片中表盤矩形區域進行截取和標注，如圖2（a）所示；截取部分作為模板圖片，如圖2（b）所示。利用標注軟件（如Labelme）獲取表盤圓心與主要刻度相對于原圖的坐標。值得說明的是，標注的刻度越細，越能減小橢圓形變形的影響，讀數準確性越高。利用模板圖片可對該攝像頭拍攝的其他圖像中的表盤進行定位。

1.2 主要刻度值和角度的幾何關系

（a）通過Labelme獲取表盤矩形區域、圓心與主要刻度的坐標

（b）模板圖片

圖2 模板制作

式（1）和式（2）表明了刻度值和角度的幾何關系。值得指出的是，刻度值和角度的幾何關系在固定攝像頭情形下保持不變，因此利用這一幾何關系可計算出其他圖像指針的旋轉角度對應的刻度值，完成指針自動讀數。

2 模板匹配

模板匹配是一項成熟、可靠的圖像處理技術，已廣泛應用于字符識別、目標定位、人臉識別等領域[7]。模板匹配就是用一幅較小的圖像（模板）與一幅較大圖像中的一部分（子圖像）進行匹配。匹配的結果是確定在大圖像中是否存在小圖像，若存在則進一步確定小圖像在大圖像中的位置。對于攝像頭固定的情形，由于存在抖動、室外環境復雜等因素，所拍攝圖片中儀表的位置也會發生微小變化。若這種變化只來源于攝像頭微小的左右、上下擺動，則同一攝像頭所拍攝的圖片很少出現旋轉情況。因此，使用模板匹配技術能快速、有效地定位儀表在新圖像中的位置，進而可以確定新圖像中儀表圓心的坐標。

3 圖像預處理

3.1 不均勻光照校正

圖3 不均勻光照校正效果

3.2 基于K均值聚類算法的圖像二值化

不均勻光照對圖像二值化效果影響較大，原圖的二值化圖像無法區分表針，而經過不均勻光照校正后，其二值化圖像能較好區分表針。圖像二值化效果對比如圖4所示。

4 指針識別

5 指針讀數

圖5 指針識別效果

6 實驗結果及分析

6.1 仿真數據實驗

在實際應用中，儀表的數值大部分分布在合理數值范圍之內，較難獲取指針數值覆蓋整個儀表量程的圖像數據，無法測試算法的泛化能力，因此本文利用生成數據驗證算法的泛化能力。利用Echarts生成以下隨機數據：1 000個400×400像素表盤，刻度值范圍為0～100，一個刻度長度為2，其中表環顏色、表針大小、長度、表針取值等隨機生成。仿真數據集如圖6所示。

圖6 仿真數據集

選定其中一張圖片（見圖7（a））作為模板，其二值化圖像和指針識別效果如圖7（b）和圖7（c）所示。

圖7 仿真數據的模板圖片

仿真數據的實驗結果見表1。

表1 仿真數據的實驗結果

6.2 實測數據實驗

采用廣州某變電站真實儀表圖像，這些圖像數據包含光照不均勻、傾斜、橢圓變形、遮擋、模糊、干擾等情況。實測數據的實驗結果見表2。從表2可知，本文方法的魯棒性良好，能有效處理受到各種因素影響的圖像。

7 結論

本文研究了變電站復雜環境下固定攝像頭拍攝的指針式儀表的自動讀數問題，提出一種自動讀數方法，主要包括模板制作、模板匹配、圖像處理、指針識別和幾何讀數五部分。這五部分松耦合，可操作性強，不需要大量數據用于建模，能夠快速工程化，后期可根據應用效果對每個模塊的處理方法進行快速迭代和替換，如：針對模板制作，可提升刻度標注的顆粒度；針對模板匹配，可使用相關法、二次匹配誤差算法、高速模板匹配法等方法；針對圖像處理，可增加去霧、去雨、增亮等算法。

仿真數據和實測數據的實驗結果表明，本文方法適用范圍廣，可以統一處理各種類型、量程的儀表；魯棒性好，能有效處理受到光照不均勻、表盤傾斜、橢圓變形、刻度遮擋、表盤模糊、表針干擾等因素影響的圖像。

表2 實測數據的實驗結果

[1] 孫婷, 馬磊. 巡檢機器人中指針式儀表示數的自動識別方法[J]. 計算機應用, 2019, 39(1): 287-291.

[2] 段志達, 魏利勝, 劉小琿, 等. 基于Hough變換圓檢測和邊緣模板匹配的軸承缺陷檢測與定位[J]. 安徽工程大學學報, 2020, 35(4): 60-68.

[3] 杜靜, 魏鴻磊, 樊雙蛟, 等. 基于HOUGH變換的指針式壓力表自動識別算法[J]. 機床與液壓, 2020, 48(11): 70-75.

[4] 楊應彬, 尹春麗, 劉波, 等. 基于Hough變換與特征聚類的指針輪廓識別方法[J]. 機械設計與研究, 2019, 35(3): 7-11.

[5] 姚洋, 彭道剛, 王志萍. 基于改進Canny檢測與Hough變換的儀表圖像識別算法[J]. 上海電力大學學報, 2020, 36(2): 183-189.

[6] 高建龍, 郭亮, 呂耀宇, 等. 改進ORB和Hough變換的指針式儀表識讀方法[J]. 計算機工程與應用, 2018, 54(23): 252-258.

[7] 朱添益, 戴逢哲, 程思舉, 等. 基于圖像處理技術的換流站智能掃描系統[J]. 電氣技術, 2020, 21(4): 25-29.

[8] 汪榮貴, 朱靜, 楊萬挺, 等. 基于照度分割的局部多尺度Retinex算法[J]. 電子學報, 2010, 38(5): 1181- 1186.

[9] 王攀峰, 趙書俊, 王雙玲, 等. 一種基于Retinex原理的DR圖像增強改進算法[J]. 中國體視學與圖像分析, 2020, 25(1): 57-64.

[10] 王萍, 孫振明. 多級分解的Retinex低照度圖像增強算法[J]. 計算機應用研究, 2020, 37(4): 1204-1209.

[11] 李賢陽, 陽建中, 楊竣輝, 等. 基于改進的直方圖均衡化與邊緣保持平滑濾波的紅外圖像增強算法[J]. 計算機應用與軟件, 2019, 36(3): 96-103.

[12] 王殿偉, 王晶, 許志杰, 等. 一種光照不均勻圖像的自適應校正算法[J]. 系統工程與電子技術, 2017, 39(6): 1383-1390.

[13] 裴超, 王大磊, 楊占剛, 等. 考慮時空分布的配電網站房巡檢策略[J]. 電氣技術, 2023, 24(1): 86-90.

[14] 陳振祥, 林培杰, 程樹英, 等. 基于K-means++和混合深度學習的光伏功率預測[J]. 電氣技術, 2021, 22(9): 7-13.

Automatic reading method of substation meters based on machine learning and template matching

LI Hanju

(China Southern Power Grid Digital Power Grid Research Institute Co., Ltd, Guangzhou 510700)

An automatic reading method is proposed for various types of pointer instruments captured by fixed cameras in substations. This method consists of five stages: template making, template matching, image processing, needle recognition, and geometric reading. The geometric relationship between the scale value and the angle is determined by template making. The template matching algorithm is used to locate the position of the meter panel. The image of the meter panel is extracted. The interference of light and shadow on the needle recognition is reduced by Gaussian filter and gamma transform. In order to improve the effect of image binarization in complex environment, K-means clustering algorithm is used to obtain the dynamic binarization threshold of meter panel image. In order to adapt to the round and oval deformed dial, the line segment with variable length is used to fit the needle in the binary image of the meter panel to obtain the angle of the needle, and then the reading corresponding to the angle of the needle is calculated in combination with the corresponding relationship between the angle of the main scale and the scale value. The practical application results show that for the pointer meter in the substation, this method has good robustness to the interference factors such as illumination, shadow, occlusion, inclination and deformation, and the error is less than the minimum scale interval, which meets the engineering application requirements.

meter reading; needle recognition; template matching; K-means clustering; image binarization

2023-09-07

2023-10-27

李漢巨（1979—），男，廣東省湛江市人，碩士，高級工程師，主要從事機器學習技術研究工作。