CN105913095A - 一种适用于变电站巡检机器人的仪表识别方法 - Google Patents

Abstract

本发明公开了一种适用于变电站巡检机器人的仪表识别方法，包括以下步骤：1）机器人开始巡检任务，采集仪器设备图像信息；2）利用改进的SIFT特征匹配算法处理采集到的信息，实现仪表定位；3）SIFT特征点提取完成之后，采用准欧氏距离的二次匹配算法进行特征点的匹配；4）将步骤3）中得到的图像信息进行预处理；5）通过快速Hough变换识别仪表的指针；6）仪表刻度识别读取，完成仪表识别工作。本发明提高了特征点匹配的准确度的同时加快了匹配的速度，能够更加准确地、实时快速地定位仪表设备在采集图像中的准确位置；大大的降低了传统Hough变换的计算量，加快了指针提取的速度。

Description

一种适用于变电站巡检机器人的仪表识别方法

技术领域

本发明属于图像识别技术领域，特别涉及一种适用于变电站巡检机器人的仪表识别方法。

背景技术

目前，我国大部分变电站的日常运维一般采用人工巡检的方式，利用手持设备或者通过人工抄表记录的方式对变电站内各个设备依次进行故障排查。为了克服在人工巡检的过程中因为巡检设备数量庞大、种类繁多、人力投入成本高等问题，一些变电站不得不更新电力设备、仪表，通过自动化变电站系统将变电站现场设备的运行状态转化为数字信号发送到后端的控制中心，但是对于一些传统的已经处于高负荷运行状态的变电站设备，由于设备更换成本高、施工难度大、施工窗口期短等问题，很难完全实现真正的数字化。因此，为了解决人工巡检中遇到的问题，同时又避免更新设备带来高昂的费用，变电站自主巡检机器人既是解决这一问题的最佳途径。

在机器人巡检的过程中要实时的获取设备的状态图像，并通过一套图像处理、分析、识别算法得到当前设备的状态信息。电力系统的变电站种类繁多、数量庞大的指针仪表，如气压表、温度表、油温表、避雷器表等等。由于设备仪表长时间的暴露在室外的强光照条件下，红色指针发生严重的褪色现象或者在背光的条件下，红色特征表示的并不是特别的明显，所以采用色彩分量特征的检测方法具有很大的局限性。

发明内容

本发明的目的是为了解决上述问题，提供一种能够提高识别的准确度与识别速度的实时性的适用于变电站巡检机器人的仪表识别方法。

为此，本发明的技术方案是：一种适用于变电站巡检机器人的仪表识别方法，其特征在于：包括以下步骤：

1）机器人开始巡检任务，采集仪器设备图像信息；

2）利用改进的SIFT特征匹配算法处理采集到的信息，实现仪表定位，所述改进的SIFT特征匹配算法包括步骤a1）~a4)：

a1）以关键点为中心，做一个半径为8个像素的圆形窗口，以确定关键点的邻域范围，然后分别以1、2、3、4、5、6、7个像素为半径，以关键点为圆心的同心圆，将邻域区域划分为8个子区域；

a2）统计8个字区域内每一个像素的灰度累加值，并记为，为了保证SIFT算法的光照不变性，需要将归一化，即：

a3）利用一阶数值差分计算这8个子区域的灰度累加值的差分值，如下面公式所示：

a4）用归一化灰度累加值和灰度累加值的差分值构成特征点的描述符，即得到一个简化的16维描述符：

；

3）SIFT特征点提取完成之后，采用准欧氏距离的二次匹配算法进行特征点的匹配；所述准欧氏距离的二次匹配算法包括步骤b1）~b4)：

b1）设为基准图像特征点集，是中任意的特征点：为待匹配图像特征点集，是中任意的特征点；

b2）设定两个阈值，一个用于单向匹配阈值，另一个用于反向匹配阈值，其中；

b3）和的距离用表示，和的距离用表示；

b4）当满足下面两个条件：

其中

则和为一对匹配点；

4）将步骤3）中得到的图像信息进行预处理，针对原始仪表图像进行灰度化、二值化、边缘提取操作；

5）在对图像进行预处理之后，通过快速Hough变换识别仪表的指针；所述快速Hough变换包括步骤c1)~c3)：

c1) 定义一个二维数组作为累加器；的范围为图像矩阵对角线的距离，最初定义仪表图像中对应设备的最小刻度和最大角度范围；

c2) 把的值局限在范围内利用Hough变换检测指针，如果的最大值大于长度阈值T，说明检测到了指针；如果小于阈值T，说明没有检测到指针，则再把限制在内检测；为模板图像的指针位置；

c3) 在完成指针检测之后，根据指针直线所在的值与的比例进行仪表的读数；

6）仪表刻度识别读取，完成仪表识别工作。

本发明能够稳定的用于变电站实际的作业环境，对变电站指针仪表设备实现实时状图图像的处理、分析、识别，获取巡检设备的当前仪表度数，即获取当前巡检设备的当前的工作状态。与传统的指针式仪表图像的识别流程相比，本发明利用改进的SIFT特征点检测，进行图像配准，提高特征点匹配的准确度的同时加快了匹配的速度，能够更加准确地、实时快速地定位仪表设备在采集图像中的准确位置；利用快速Hough变换直线提取，获取仪表设备的指针的位置，大大的降低了传统Hough变换的计算量，加快了指针提取的速度。

附图说明

以下结合附图和本发明的实施方式来作进一步详细说明

图1为本发明的流程框图。

具体实施方式

参见附图。本实施例所述的仪表识别方法包括利用改进的SIFT特征匹配算法处理采集到的信息，实现仪表定位，最后通过快速Hough变换识别仪表的指针。

变电站的仪表多数安置在室外的强光照的环境中，巡检机器人采集的仪表设备通常受到环境的影响，现有的指针仪表的识别算法为，利用仪表表盘的形状特征，通过模板匹配或者椭圆、矩形等的拟合确定仪表表盘在图像中的基本的位置以及区域范围。虽然该算法具有一定的鲁棒性，但是并不适用与巡检机器人采集到的变电站仪表设备的状态图像。这是由于变电站设备的结构复杂，在机器人采集到的仪表设备的状态图像中，背景可能会很复杂，会有各种其他的设备干扰，图中可能包含很多近似仪表表盘的椭圆或者矩形部件，在使用椭圆或者矩形检测时，很容易出现错误检测结果。

1）改进的SIFT特征匹配算法

SIFT算法是一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变的图像局部特征描述算子。SIFT特征是图像的局部特征，对视角变化、仿射变换、噪声也保持一定程度的稳定性。其特种具有独特性、多量性、高速性与可扩展性等特点。

但是SIFT算子的计算复杂度很高，不确定的参数很多，而且这些参数决定这检测出的特征点的质量和数量，往往需要通过实验确定最佳参数的大致范围，但这些参数对算法的复杂度影响不大。所以SIFT想要满足实时要求，必须对特征点提取过程或特征向量计算进行改进。SIFT算子的构造分为尺度空间的构造、检测尺度空间的极值点、精确确定极值点的位置、特征点的方向分配、生成特征点的描述子等五个步骤。本实施例通过对SIFT算子的五个步骤进行分析发现尺度空间的构造占据了30%~55%的时间，生成特征描述符占据了30%~50%的时间，所以对该部分的时间进行的针对变电站指针仪表设备的优化。简化的特征描述符生成步骤a1）~a4)：

a1）以关键点为中心，做一个半径为8个像素的圆形窗口，以确定关键点的邻域范围，然后分别以1、2、3、4、5、6、7个像素为半径，以关键点为圆心的同心圆，将邻域区域划分为8个子区域;

a2）统计8个字区域内每一个像素的灰度累加值，并记为，为了保证SIFT算法的光照不变性，需要将归一化，即：

a3）利用一阶数值差分计算这8个子区域的灰度累加值的差分值，如下面公式所示：

a4）用归一化灰度累加值和灰度累加值的差分值构成特征点的描述符，即得到一个简化的16维描述符：

；

通过上述步骤建立的简化的16维特征描述符由于考虑了领域内8子区域的灰度信息与关联，所以具有平移、尺度、旋转等基本特性。基于指针式仪表盘的传统SIFT算法和简化SIFT算法完成匹配的耗时对比：当图像大小，M为510，N为369时，传统SIFT方法耗时3672ms，改进的SIFT方法耗时2453ms；当图像大小，M为512，N为480时，传统SIFT方法耗时2765ms，改进的SIFT方法耗时1843ms。从中可以看出简化的SIFT的耗时为传统SIFT算法的2/3，在算法效率方面有显著的提高。

SIFT特征点提取完成之后，两幅图像中的特征点个数和对应关系并不是一一对应关系的，需要进行特征点的匹配。图像匹配方法就是将两幅相同场景的图像进行配准。特征点匹配是找出带匹配的两幅图像上对应一致的特征点匹配对。特征点匹配的算法很多，各有优缺点，可以分为两类。一类是基于单独点比较的新型扫描法，另一类是基于划分比较和建立数据索引进行快速匹配的方法。索引树就是基于划分的比较中的一种，其基本思想是对搜索空间进行层次划分。划分的空间可以分为 Clipping 和 Overlapping 两种，判断依据是是否有混叠(Overlap)。KD-tree是 Clipping 划分的代表；R-tree 是 Overlapping划分的代表。SIFT 在进行特征匹配时采用的是 KD-tree。

KD-tree 建立之后，下一步就是在 KD-tree 上寻找一个数据点的最近邻点，这个最近邻点不一定是距离最近，只是表示在树中距离最近。KD-tree 就是这样一种高效的搜索算法，下一步将应用 NN 思想进行 SIFT 特征点的匹配，SIFT 特征匹配是先计算两幅图像的 SIFT 关键点及其特征描述符，然后计算第一幅图像的每个关键点在待匹配图像的关键点的最近邻(Nearest-Neighbor)匹配；传统 SIFT算法采用关键点特征向量间的最小欧氏距离。即先提取基准图像和待匹配图像的SIFT 特征点，然后根据最近邻与次近邻比值大小决定基准图像的每个特征点在待匹配图像的特征点的匹配。与样本特征点具有最短欧氏距离的特征点为最近邻特征点，比最近邻距离大但小于任何其他邻近特征点的欧氏距离的特征点为次近邻特征点。将最近邻与次近邻比值与设定的阈值进行比较，如果比值小于阈值的点为匹配点对，反之不是匹配点对。传统的 SIFT 特征点匹配就是采用上述的匹配方法，由于是在待匹配图像中寻找匹配图像中每个特征点的对应点，匹配是带有方向性的，故将其称为匹配图像向待匹配图像进行单向匹配。该匹配方法简便，但容易产生误匹配点，而且由于一个特征点可能具有多个方向，在匹配时可能产生重复的匹配点。并且欧氏距离匹配后，仍然存在一些误匹配点，为了进一步去除错误匹配，本实施例提出采用准欧氏距离的二次匹配算法。二次匹配是初始匹配后的算法，算法思想为步骤b1）~b4)：

b1）设为基准图像特征点集，是中任意的特征点：为待匹配图像特征点集，是中任意的特征点；

b2）设定两个阈值，一个用于单向匹配阈值，另一个用于反向匹配阈值，其中；

b3）和的距离用表示，和的距离用表示；

b4）当满足下面两个条件：

其中

则和为一对匹配点；

在步骤 b3）中计算特征向量的距离时，传统 SIFT 算法采用的是欧式距离，本实施例采用准欧式距离。以二维情况为例说明欧氏距离定义如下公式所示：

准欧式距离是准欧式矩阵按水平、垂直、和对像合集分段估计全部的欧氏距离，其定义如下：

根据定义可知比简单的多。本实施例采用代替，这个方法可以明显的缩短运算的时间，提高算法的效率。该种双向匹配方法既去除了重复匹配点，又提高了匹配的准确率。实验中单向匹配阈值 r1 为 0.6，反向匹配阈值 r2 为 0.4。对于采用本方法提取去的双向匹配的征点，用 RANSAC 算法进行剔除错误点，几乎没有错误的特征点。

2）快速Hough变换识别

指针式仪表设备通常分类有深色表盘浅色指针与刻度，或者浅色表盘深色指针与刻度两种。而在变电站形形色色的指针式仪表中，指针都具有一个统一的特征，那就是：所有的仪表指针都通过表盘中心，并具有一定长度的近似直线。在完成仪表表盘定位之后，便可以利用指针的这一特征进行识别提取，获取指针的度数。

为了提取仪表指针，需要对图像进行分割，去除对提取仪表指针有干涉影响的背景信息。所以要对原始的图像信息就行预处理。具体的处理过程包括针对原始仪表图像的灰度化、二值化、边缘提取等操作。

在对图像进行预处理之后，便通过快速Hough变换识别仪表的指针。Hough变换是模式识别领域中对二值图像进行直线检测的有效方法，其核心思想是点线的对偶性，通过变换将图像空间转换到参数空间。Hough变换的容错性较好，即使预处理之后的指针有轻微的残缺也能很好的检测出直线，但是Hough的计算量大，采用限定角度来缩小Hough变换范围，减少需要计算的像素点。首先根据模板库的仪表图像制定一个指针角度的范围,也就是仪表刻度的最小值与最大值，而后标定出模板图像的指针位置。在机器人输入的采集图像中，把角度约束在30°以内的范围进行Hough变换，如果没有检测到直线，则再在此范围外检测，这样就大大的减少了Hough变换的不必要的计算量。快速Hough指针检测具体步骤为c1)~c3)：

c1) 定义一个二维数组作为累加器；的范围为图像矩阵对角线的距离，最初定义仪表图像中对应设备的最小刻度和最大角度范围；

c2) 把的值局限在范围内利用Hough变换检测指针，如果的最大值大于长度阈值T，说明检测到了指针；如果小于阈值T，说明没有检测到指针，则再把限制在内检测；为模板图像的指针位置；

c3) 在完成指针检测之后，根据指针直线所在的值与的比例进行仪表的读数。

Claims (1)

1.一种适用于变电站巡检机器人的仪表识别方法，其特征在于：包括以下步骤：

1）机器人开始巡检任务，采集仪器设备图像信息；

2）利用改进的SIFT特征匹配算法处理采集到的信息，实现仪表定位，所述改进的SIFT特征匹配算法包括步骤a1）~a4)：

a1）以关键点为中心，做一个半径为8个像素的圆形窗口，以确定关键点的邻域范围，然后分别以1、2、3、4、5、6、7个像素为半径，以关键点为圆心的同心圆，将邻域区域划分为8个子区域;

a2）统计8个字区域内每一个像素的灰度累加值，并记为，为了保证SIFT算法的光照不变性，需要将归一化，即：

a3）利用一阶数值差分计算这8个子区域的灰度累加值的差分值，如下面公式所示：

a4）用归一化灰度累加值和灰度累加值的差分值构成特征点的描述符，即得到一个简化的16维描述符：

；

3）SIFT特征点提取完成之后，采用准欧氏距离的二次匹配算法进行特征点的匹配；所述准欧氏距离的二次匹配算法包括步骤b1）~b4)：

b1）设为基准图像特征点集，是中任意的特征点：为待匹配图像特征点集，是中任意的特征点；

b2）设定两个阈值，一个用于单向匹配阈值，另一个用于反向匹配阈值，其中；

b3）和的距离用表示，和的距离用表示；

b4）当满足下面两个条件：

其中

则和为一对匹配点；

4）将步骤3）中得到的图像信息进行预处理，针对原始仪表图像进行灰度化、二值化、边缘提取操作；

5）在对图像进行预处理之后，通过快速Hough变换识别仪表的指针；所述快速Hough变换包括步骤c1)~c3)：

c1) 定义一个二维数组作为累加器；的范围为图像矩阵对角线的距离，最初定义仪表图像中对应设备的最小刻度和最大角度范围；

c2) 把的值局限在范围内利用Hough变换检测指针，如果的最大值大于长度阈值T，说明检测到了指针；如果小于阈值T，说明没有检测到指针，则再把限制在内检测；为模板图像的指针位置；

c3) 在完成指针检测之后，根据指针直线所在的值与的比例进行仪表的读数；

6）仪表刻度识别读取，完成仪表识别工作。