浅谈基于图像增强智能变电站表盘识别方法

167
中国设备
工程
Engineer ing hina C P l ant
中国设备工程 2019.05 （下）作为高危工作环境的电力变电站，电力智能巡检机器人的应用和普及，不仅代替人工检测节省人力成本，而且在安全隐患上做到防患于未然。

电力智能巡检机器人的工作环境主要为户外，因此智能巡检过程中外界因素对巡检结果的影响更为明显。

智能巡检机器人除了在雨雪天气外不进行巡检外，其他时间段均有可能进行巡检。

在巡检过程中除红外检测外，光照成为影响检测结果的主要因素。

为解决光照对拍摄图像质量的影响，对拍摄图像进行后期处理格外重要。

已有研究者作出以下成果：采用中值滤波对图像去噪，使用Hough 变换识别指针，利用指针和表盘数据之间的关系获取读数；针对光照对表盘指针读数的影响，提出了一种基于视觉显著区域检测的指针式仪表图像读取方法；详细地阐述了目前图像对比度增强的具体方法以及各种方法的特点。

本文提出了另外一种图像增强算法获取显著区域，确定在自然环境下能够准定位表盘和特征点的位置；提出一种基于闭运算的Hough 指针识别方法，利用直线到特征点的绝对距离计算出指针的方向，最终按照表盘的刻度计算出指针读数，完成表盘中指针数据的识别。

1 基于图像增强的模板匹配方法1.1 基于LOG 变换提升图像亮度
由于光照的影响，不同时间段获取同一位置的图像亮度不同。

因此，需要对图像进行亮度预处理操作，实现黑暗的部分变亮，明亮的部分几乎没有变化。

为了实现该功能，本文中采用LOG 变换，实现图像中较窄亮度值映射到较宽的亮度，其公式为：
log(1)
log
im im =+ （1）其中，
(,,)
im R G B ∈为输入图像的红绿蓝三通道，
log log log log (,,)im R G B ∈ 表示LOG 变换后的红绿蓝三通道值，log R 表
示LOG 变换后的红色通道值log G 表示LOG 变换后的绿色通道值，log B 表示LOG 变换后的蓝色通道值。

图像经过LOG 变化后，图像部分通道值不在[]0,255之间，于是，需要对log log log ,,R G B 进行归一化处理，如下：
浅谈基于图像增强智能变电站表盘识别方法
王社军1，钱瑞琦1，韩周迎2，席江欢2
（1.陕西省地方电力（集团）有限公司汉中分公司，陕西 汉中 723000；
2.重庆固博西电智能机器人技术有限公司，重庆 402160）
摘要：室外是变电站智能巡检机器人的主要工作环境，因此光照成为影响图像质量的最主要因素。

在机器人判断分析处理图像前，需要对其进行预处理，之后再对图像进行识别分析。

本文提出一种基于图像增强的电力巡检机器人表盘识别方法，实验结果表明，该识别方法准确率接近100%，基于闭运算的指针识别方法的准确率达到98.75%，可以准确判别户外表盘指针数据。

关键词：图像增强；归一化相关系数匹配法；Hough 变换；Canny 算子；鲁棒性
中图分类号：TM63 文献标识码：A 文章编号：1671-0711（2019）05（下）-0167-03
log log log log log min()255*
max()min()
n im im im im im −=− （2）
(2)式中(
)log
log log log
,,n
n
n
n
m R G B i ∈表示经过LOG 变换和归一化
处理后的图像。

1.2 基于Gamma 变换提升图像对比度
经大量实验结果显示，图像仅经过LOG 变换提升亮度之后，整体的对比度都偏低，不利于图像的识别处理。

因此要提升图像整体的对比度，完成图像的预处理。

为提升整体对比度，文中采用Gamma 变换，实现整体对比度的增强，其公式如下：
log log log **n n n gam im im im im = （3）
其中(,,)gam gam gam gam im R G B ∈为Gamma 变换后的红绿蓝三通道值。

Gamma 变换后的图像，RGB 三通道的数值不都在[]0,255之间。

因此需要归一化处理，处理过程与(2)式类似，如下：
min()255*
max()min()
n gam gam gam gam gam im im im im im −=− （4）
(4)式中(,,)n
n
n
n
gam gam gam gam im R G B ∈表示经过Gamma 变换和归一化处理后的图像。

1.3 基于归一化相关系数的模板匹配
模板匹配是一种鲁棒性和时效性较高的识别算法，并且用在变电站。

模板匹配是在1幅较大的图像中定位1幅给定的子图象，子图象也就是模板图像。

模板匹配的步骤如下。

（1）获取模板图像m I ，其大小为(),m n ；需识别图像I ，其大小(),M N 。

（2）从图像I 的左上角()0,0开始，切割()0,0至(),m n 的图象(0,0)I 。

（3）使用特定的方法，比对模板图像m I 和图像(0,0)I ，将比对结果记为()0,0R ，该结果也就是比对结果图R 在()0,0点的像素值。

（4）切割图像I 中()0,1至(),1m n +的图像块(0,1)I ，并且与m I 比对，记录比对结果()0,1R 。

重复步骤(2）~(4），直到图像I 的右下角为止。

168
研究与探索Research and Exploration ·工艺与技术
中国设备工程 2019.05 (下)
2 基于闭运算的Hough 变换指针识别
表盘指针作为电力巡检机器人最重要的巡检对象之一，准确识别指针的刻度格外重要。

上文中主要论证说明如何更高效准确地识别目标图像，下文侧重点论证使用更新颖的方法检测所识别表盘的数据值。

实现表盘指针的识别，可以分为4步，如图1。

（1）基于模板匹配方法获取表盘和指针位置。

（2）Canny 算子提取表盘边缘。

（3）基于闭运算的Hough 变换检测指针位置。

（4）根据表盘刻度的特性，分别计算表盘的数值。

利用使用线到表盘中心的距离筛选有效线段，因此，确定表盘中心的位置是判断指针位置的必要条件。

图1 基于闭运算的Hough 变换获取表盘信息流程图
2.1 Canny 算子检测图像边缘
边缘检测的根本原理是通过算法将数组中各个数据邻域内数值变化大的数据元素进行突出显示，而邻域内变化不大的相邻数据元素进行过滤或者降低其灰度值。

本文使用Canny 算子。

（1）用高斯滤波器H 平滑图像ROI I ，得到G I ；
*G ROI I I H = （5）
（2）利用Sobel 算子计算水平方向和垂直方向的一阶导数x G 和y G ，根据x G 和y G 找到边界的梯度()_E G G 和边界()AG θ；
（3）对每个像素点进行检查，查看该点梯度是否为周围有相同梯度方向点中最大的。

（4）使用最大值和最小值区分边缘像素，如果边缘像素点梯度值大于高阀值，则被认为是强边缘点。

如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。

小于低阀值的点被抑制。

（5）滞后的边界跟踪，与强边界相连的若边界认为是边界，其他的弱边界被抑制。

2.2 基于闭运算的Hough 变换
Canny 算子进行的边缘检测，会产生部分的孤立点，可以通过闭运算（腐蚀膨胀）将这些孤立点消除掉。

2.3 确定指针数值
根据表盘指针的原点P 到直线的距离l ，筛选出指针。

线条的宽度和原点的位置，造成一定的误差，需要根据实际环境设定1个阈值t ，当l t <则认为该线条为指针，如图2中
指针图所示。

确认线和垂直方向的夹角θ，根据表盘刻度值与夹角的对应关系确认表盘数值。

对于刻度分布均匀的表盘，表盘指数为*i θ，i 表示单位角度代表的数值。

对于表盘分布数值不均的情况，可以根据指针所在区间的比值与该区间单位角度之积表示指针数值。

图2 识别指针与表盘数据
3 实验与结果分析
本文选取陕西汉中桔园35kV 变电站实际巡检的过程中，使用可见光云台拍摄到的表盘图像，表盘分为3种：单指针不均匀刻度全表盘、双指针均匀全表盘和单指针半表盘。

该实验选用的数据库大小为313，均为实际环境中的图像。

3.1 表盘识别率分析
运用本文所述方法，针对所构造的数据库，在不同光照情况下，表盘位置的识别率达到100%，即完全可以确认是否拍摄到表盘。

3.2 指针数据比较与分析
本文提到的指针识别方法，在获取到表盘后，指针数据识别率为98.75%。

本文使用的表盘数据识别方法，做了9组实验，人工读
数与自动读数相对比，平均误差为0.37。

在文献中均有涉及指针识别，所述方法均获取不错的结果，文献对显著区域进行映射校准，对指针指向的数值更为精确，但是指针的识别率低于文中所提到的基于图像增强的算法，指针识别率较低、指针读数准确度较低。

本文中表盘的最小刻度为5°，所以在人工读取的过程中，与文献相比较会出现较大的误差，但是对于实际环境中识别表盘数据来说，已经满足了巡检机器人的需求。

3.3 鲁棒性测试
鲁棒性是衡量算法稳定性的方法。

本文中上述算法经过滤波，加噪等干扰因素后，仍然具有较好的检测率，结果见图3。

根据图3数据可以看出，图像经过加噪、滤波和JEPG 压缩后，仍然可见检测到表盘、指针和指针数据，识别获得的数据误差在[0.74,2.58]−之间。

JEPG 压缩对指针数据识别影响较大，但是对表盘和指针的识别印象不大，而对图像加噪、滤波影响都不大。

因此，该算法鲁棒性较强。

4 结语
本文提出一种基于图像增强的智能变电站电力巡检机器人表盘识别方法，该方法有效地增强图像的可识别性，能够
169
中国设备
工程
Engineer ing hina C P l ant
中国设备工程 2019.05 （下）线路差动保护以其动作灵敏和迅速、不需与相邻保护配合的优点在高压送配电系统中广泛应用，尤其对于较短的输电线路如某公司303线和304线，距离保护和速断保护均无法整定，在系统运行稳定性要求下，线路纵差保护成为维一的选择。

差动保护的优点突出，但以两侧电流的比较构成保护原理，使其对两侧的CT 提出了较高的要求，CT 的特性、负载要大体一致，特别是CT 的接线更加要求可靠，否则极易造
浅谈解决CT 断线影响303、304线
差动保护正确动作方法
钱净生
（宁波市轨道交通集团有限公司运营分公司，浙江 宁波 315101）
摘要：微机继电保护以其强大的数据处理能力使保护的灵敏度大幅提高，但使用不当也会带来一些问题。

本文分析了某公司303线和304线所用的L90型微机线路差动保护在CT 断线时的各种问题，提出防范CT 断线的技术措施，以解决CT 断线造成保护的拒动或误动问题。

关键词：差动保护；CT 断线；断线闭锁
中图分类号：TM773 文献标识码：A 文章编号:1671-0711（2019）05（下）-0169-03
图1
在实际环境中应用。

实际现场拍摄的图像作为数据库，表盘正确识别率达到100%，指针识别率达到98.75%，指针数据检测误差为0.37，与前人的工作相比较，创新型的基于图像增强算法提高表盘的识别率，同时在一定程度上提高了算法的准确率，为实际应用奠定了基础。

本文中的机器人目前只在非雨雪天气下运行，下一步将开展雨雪天气表盘识别。

参考文献：
[1]许丽,石伟,方甜.巡检机器人中的指针式仪表读数识别系统[J].仪器仪表学报,2017,38(7):1782-1790. 
[2]周立辉,张永生,孙勇等.智能变电站巡检机器人研制及应用[J]. 电力系统自动化,2011,35(19): 85—88.
[3]刘勇,陈海滨,刘方.基建现场巡检无人机智能感知系统的研究与应用[J].电力系统保护与控制,2018，(15). 
[4]戴志辉,张天宇,刘譞等.面向状态检修的智能变电站保护系统可靠性分析[J]. 电力系统保护与控制,2016,44(16):14-21.[5]高曼龙．智能巡检机器人在变电站中的应用[J]．价值工程，2015，(11)：254-255．
[6]王佳玮，黄莉洁，蒋宇晨等．基于物联网技术的柔性管道巡检机器人[J]．国外电子测量技术，2017，36(1)：47—52．[7]林颖,郭志红,陈玉峰.基于卷积递归网络的电流互感器红外故障图像诊断[J].电力系统保护与控制,2015, (16):87-94.
[8]张文杰, 熊庆宇, 张家齐等. 基于视觉显著性的指针式仪表读数识别算法[J]. 计算机辅助设计与图形学学报, 2015，(12): 2282—2295. 
[9]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. 
[10]周封, 任贵新. 基于颜色空间变量的输电线图像分类及特征提取[J]. 电力系统保护与控制, 2018, 46(5).
[11] R. Brunelli, Template Matching Techniques in Computer Vision: Theory and Practice, Wiley, ISBN 978-0-470- 51706-2, 2009.[12]贺体龙,杨俊起,袁兆强.ROI 编码技术在变电站图像监控系统中的应用[J].电力系统保护与控制,2004,V32(21):34-36.[13]姜宁, 石剑锋. 一种改进的
SSDA 算法在自动装配线中的研究与应用[J]. 机械与电子, 2005，(12):27-28.
[14]Canny, J. “A Computational Approach To Edge Detection”. IEEE Trans. Pattern Analysis and Machine Intelligence. 1986, (8): 679–714.
图3 鲁棒性检测结果。