一种基于SVM分类器的电力柜方形指针仪表读数识别方法

唐凌翔 李雨东 周政 李荣和

摘  要：指针表盘定位和指针读数识别是变电站巡检的重要一环，指针表盘在拍摄时具有光照影响严重、指针重影干扰等问题，该文对指针表盘定位和指针读数识别进行研究。为了减小误差，该文提出在SVM环节前增加HOG提取、在霍夫变换前增加边缘检测和角点检测方案，实验验证在数据量少的情况下，使用SVM支持向量机方法可以有效识别指针读数，避免了深度学习的过拟合问题，实验结果验证了方案的有效性。

关键词：指针仪表读数;SVM;霍夫变换

中图分类号：TP391;TP18        文献标识码：A文章编号：2096-4706（2021）24-0045-03

Abstract： Pointer dial positioning and pointer reading identification are an important link of substation inspection. The pointer dial has serious lighting effects and pointer ghosting interference problems when shooting. This paper studies the pointer dial positioning and pointer reading identification. In order to reduce the error， this paper proposes to add HOG extraction before the SVM link， and add edge detection and corner detection before the Hough Transform. Experiments show that in the case of a small amount of data， using the SVM Support Vector Machine method can effectively identify pointers reading and avoid the over-fitting problem of deep learning， and the experimental results verify the effectiveness of the scheme.

Keywords： pointer instrument reading; SVM; Hough Transform

0  引  言

实现高精度的仪器测量是实现工业控制的重要一环[1]。传统的测量仪器主要分为两大类，即能把测量信号转换显示在LCD或者OLED等设备的仪器称为数字式仪器;通过使用指针刻度的仪器，称为指针式仪表。在传统变电站工业环境中，由于室内电磁干扰较强，因此大多数仍然使用传统的指针式仪器，但是在传统变电站室内存在窄域观测以及空间分布不均匀问题，使用人工抄表的方式将会带来很多误差与隐患，如读数出错、遗漏等问题[2]。

目前，通过智能化指针读数识别的技术尚未成熟，存在许多问题：一是无人化设备巡检时识别率不高的问题，二是由于光照、空间分布等问题，造成识别仪表指针位置困难以及结果精度不高[3]，目前由于无人化设备普遍价格较贵，使用RCNN等方法对无人化设备的系统要求较高，导致成本较高[4]。对于部分ARM架构的设备，如jetson nano等，算法库不兼容，移植性差。训练过程需要大量原始数据，数据收集困难。

针对以上问题，提出了基于SVM分类的方形变电站指针仪表读数识别方法，首先训练出方形指针的模型，选出100张128×128正样本和300张128×128负样本，通过使用HOG+SVM的方式进行训练，得到方形指针仪表的大体位置后，通过透视变换，使用角点法确定透视变换的四点矩阵，扶正并切割出表盘，最后通过霍夫线变换拟合并找出指针的角度，依据量程进行求解。系统框架如图1所示。

1  方形指针表盘特征提取

1.1  特征提取

从一个图片提取出感兴趣区（Region Of Interest， ROI），其主要针对的是二维平面问题，则从维度来讲，图像特征提取是对整幅图像进行降维处理，并且使用特征向量描述整个图像。但是这些特征向量只具有位置信息，不能较好的表示某一类物体的具体特征因素，因此还需要一些方法对感兴趣区进行描述[5]。目前有较多的描述方法，如Haar特征描述、SIFT特征描述、LBP特征描述等[6]。

在变电站室内环境光照复杂、对精度要求高的情况下，可以使用HOG特征描述方法，该方法对灰度空间进行Gamma校正法并归一化，计算各直方图在这个区间（block）中的梯度，然后根据梯度对区间中各个细胞单元做归一化[7]。通过这个归一化后所有区间的HOG特征描述串联起来就可以得到该image的HOG特征，所以它对图像几何的和光学的形变都能保持很好的不变性，适用于光照复杂的环境，从而大大降低了环境影响对检测结果的影响[8]。

1.2  训练模型

所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单地说就是在一副图像中，把目标从背景中分离出来。图像分割领域有很多分割方法，如閾值分割法、区域增长细分法、聚类法等，实践表明，当特征空间的维度超过样本数量时，（Support Vector Machine， SVM）的效果是最好的。同时，SVM占用内存很少。

检测窗口划分为重叠的块，对这些块，通过HOG提取后的特征向量，形成的特征向量放到线性SVM中进行目标/非目标的二分类。检测窗口在整个图像的所有位置和尺度上进行扫描，并对输出的金字塔进行非极大值抑制来检测目标。

2  角度法计算指针读数

使用SVM方法后，得到了方形指针仪表的大致位置，但由于摄像机拍照位置、光照影响等问题，还不能直观使用斜率法读取角度从而获得读数，需要对图像进行处理校正后，再通过霍夫变换检测仪表中指针的倾斜角度。最后通过指针夹角与量程算出指针实际读数，具体步骤如图2所示。

2.1  指针仪表图像处理

摄像机获取图像后，图像需要进行矫正才能进一步确保精度，但是在矫正之前，图像存在噪点较多，且通过SVM分类并不能获得足够正确的图像边缘检测、角点等信息，还需要对图片进行处理。首先将图片进行二值化，以便于提取最外围轮廓，为了防止图像凸包问题，采用通过长度匹配滤除小轮廓，通过凸包面积消除不正常的凸包并且把处理后的数据作为新的方框。

找到新的方框后，需要对方框角点进行提取，因为角点属于轮廓之间的交点，对于同一场景，即使视角发生变化，也通常具备稳定性质的特征;采用哈里斯角点检测（Harris角点检测），基本思想是创建一个固定窗体，在各个方向上移动这个特征的小窗口，如果窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。之后便可将检测后的角点作为透视变换的初始点。当窗口发生[u，v]移动时，那么滑动前与滑动后对应的窗口的像素点灰度变化描述如式（1）所示：

2.2  指针读数识别

通过透视变换后得到表盘图像，但仍需提取指针角度才能正确读数，因此需要对指针角度进行定位。首先对透视变换后的图像进行canny边缘检测，边缘检测流程为增强边缘轮廓实现的图像降噪、计算图像梯度从而得到可能的边缘、非极大值抑制（NMS）将灰度变化最大的保留下来、双阈值筛选进一步判断是否存在强边缘像素。

为了进行累计概率霍夫变换，需要将边缘检测处理后的图像转为灰度图像，并循环遍历绘制每一条线段，在此过程中存在很多无关线段，需要设置初步角度阈值来滤除不符合角度的线段，得出每组的线段和角度后，此时仍存在过多的角度，滤波求出的直线角度，得到最终疑似指针的角度。

将第一次滤除后的所有角度相加，为了防止第一次滤波后的极端值影响，需要设立读数阈值，如果出现极大值或者极小值则需要滤除。将所有值相加之和求平均，判断平均值是否在量程范围内，之后进行最终输出。

3  实验结果分析

本文共提出两个环节对仪表读数进行识别分辨是HOG+SVM识别和指针定位读数识别。为验证所提出的方案，对选用的正样本和负样本进行训练，同时进行指针读数识别，识别结果如表1所示。

3.1  HOG+SVM识别

本文数据集来自电力柜指针仪表实景图片，对100张方形指针仪表照片作为正样本，同时设置300张非方形指针仪表照片作为负样本，压缩照片为128×128像素，有利于减小后续运算的时间，经过处理后，照片识别处理速度平均为100毫秒，基本满足实时性要求。

3.2  指针定位讀数识别

使用透视变化、霍夫变换作为识别的核心运算，改进点是在透视变换之前通过滤波方式提取出最长轮廓，同时对轮廓角点检测作为透视变换的输入矩阵，在提取角度之后，采用双阈值筛选出最终疑似的角度，进一步提高了读数的精度，指针位置如图3所示。

4  结  论

本文通过设置较少数据量实现SVM训练指针仪表读数，通过实验得出以下结论：

SVM在数据量较少的情况下仍有较高的识别率，避免了深度学习数据量少的过拟合问题。

使用双阈值检测能够避免霍夫变换结果的极端值影响，提高了数据识别的精度。

参考文献：

[1] 王伟，胡永强，刘志林，等.基于计算机视觉的变电站指针仪表读数识别方法 [J].电子技术，2021，50（11）：28-30.

[2] 张文杰.基于图像配准与视觉显著性检测的指针仪表识别研究 [D].重庆：重庆大学，2016.

[3] 彭昆福.基于深度学习的指针仪表读数识别方法研究 [D].合肥：中国科学技术大学，2020.

[4] 张雪飞，黄山.多类指针式仪表识别读数算法研究 [J].电测与仪表，2020，57（16）：147-152.

[5] 朱柏林，郭亮，吴清文.基于ORB和改进Hough变换的指针仪表智能识读方法 [J].仪表技术与传感器，2017（1）：29-33+73.

[6] 房桦，明志强，周云峰，等.一种适用于变电站巡检机器人的仪表识别算法 [J].自动化与仪表，2013，28（5）：10-14.

[7] 张鑫，张家洪，许晓平，等.计量检定实验室仪表读数自动识别系统设计 [J].电子测量技术，2021，44（1）：173-177.

[8] 邢浩强，杜志岐，苏波.变电站指针式仪表检测与识别方法 [J].仪器仪表学报，2017，38（11）：2813-2821.

作者简介：唐凌翔（2001.08—），男，汉族，河南长垣人，本科在读，研究方向：智能控制。