基于巡检机器人的电抗器油位计识别方法与流程

本发明涉及电力巡检机器人领域，具体而言是一种基于巡检机器人的电抗器油位计识别方法。

背景技术：

电力巡检机器人需要实现变电站内自主定位与导航、现场仪表示数识别、自动充电等基本功能。其中核心的功能就是检测和识别现场电力设备的仪器仪表的示数，如放电计数器、油位表、电压表、温度表等仪表示数，这些仪表基本都是机械式仪表，需要机器人依靠视觉传感器进行仪表示数读取。而准确识别仪表示数的前提是准确检测到视觉图像中仪表的位置，且大多数仪表在室外，目前大多数方法，利用传统的图像处理手段进行检测和识别，在光照条件变化的情况下，检测效果不好，一般一种光照条件就需要一组参数，在识别过程中，还存在室外不同光照、巡检机器人不同拍摄角度等情况。

技术实现要素：

本发明的目的在于提供一种基于巡检机器人的电抗器油位计识别方法，解决现场液位型仪表在不同光照、姿态等工况条件下的示数识别问题。

实现本发明目的的技术解决方案为：一种基于巡检机器人的电抗器油位计识别方法，具体步骤：

步骤1、利用电抗器油位计图像数据集训练分类器，并为每个巡检点选取一张在该巡检点拍摄的仪表居中的图像作为模板图像，巡检机器人到达指定巡检点获取待检测仪表图片；

步骤2、对待检测的目标仪表区域进行粗定位和精确定位，筛选目标候选区域得到最终目标图像；

步骤3、读入目标图像，割出图像中油位的主要区域；

步骤4、对油位的主要区域进行二值化、腐蚀膨胀，得到油位区域；

步骤5、根据分割出的油位区域轮廓得到液位高度，获得占仪表高度百分比。

优选地，步骤2对待检测的目标仪表区域进行粗定位和精确定位，筛选目标候选区域得到最终目标图像的具体步骤为：

步骤2.1、利用梅林傅里叶变换和相位相关技术对待检测仪表图片中的目标仪表区域进行粗定位；

步骤2.2、利用机器学习的方法对目标仪表区域进行精确定位，将待检测图像送入训练过的分类器，得到若干个目标候选区域；

步骤2.3、计算多个候选区域的感知哈希、互信息和交并比三种参数指标，筛选目标候选区域得到最终目标。

优选地，步骤2.3中计算多个候选区域的感知哈希、互信息和交并比三种参数指标，筛选目标候选区域得到最终目标的具体步骤为：

步骤2.3.1、分别将每个目标候选区域与粗定位目标仪表区域求交并比参数iou，公式为：

式中，c为粗定位目标仪表区域，ni为目标候选区域；

步骤2.3.2、分别将每个目标候选区域图像与模板图像中的仪表区域图像做感知哈希计算，获得感知哈希指标，具体为将目标候选区域图像与模板图像缩放到同一大小，进行余弦变换，选取余弦变换后的图像左上角的部分低频区域，去除坐标(0,0)的直流分量得到一共n维特征向量，计算目标候选区域图像与模板图像的特征向量的汉明距离，作为感知哈希指标；

步骤2.3.3、分别计算每个目标候选区域图像与模板图像的互信息指标，计算公式为：

g(x)、h(y)分别为模板图像与候选图像灰度像素的数目，w、h分别为候选区域图像宽、高；

步骤2.3.4、将每一目标候选区域的交并比iou、互信息指标以及感知哈希三种指标做加权求出每一目标候选区域的置信度，将置信度最大的目标候选区域作为备选检测结果；

步骤2.3.5、若备选检测结果的iou满足同时小于设定阈值thresholdiou且(phash+1/i(g(x)，h(y)))大于阈值thresholda时，将步骤2.1确定的粗定位目标仪表区域作为最终目标，否则以备选检测结果作为最终目标，phash为备选检测结果感知哈希指标，i(g(x)，h(y))为互信息指标。

优选地，步骤4对油位的主要区域进行二值化、腐蚀膨胀，得到油位区域的具体步骤为：

步骤4.1、将图像由rgb转换为hsv格式，转换后进行h、s、v三通道分离；

步骤4.2、对h、s通道分别进行二值化，将两通道图像相减；

步骤4.3、对相减后图像进行腐蚀膨胀操作，得到油位区域。

优选地，步骤5根据分割出的油位区域轮廓得到液位高度，获得占仪表高度百分比的具体方法为：根据分割出的油位区域轮廓，求出油位管整体坐标以及油位坐标，从而得到液位高度，求得占仪表高度百分比，计算公式如下：

h＝(y1-y2)/(y1-y3)

其中，h为液位高度，y1，y3为油位管上下两端的y轴坐标，y2为油位管中油位的y轴坐标。

本发明摄像头拍出的图像尺度、旋转等变化较小，在此基础上利用相位相关进行粗检测，针对图像的光照变化、检测目标的姿态变化，采用机器学习的方法进行精确检测，解决了目标受光照影响大，比如过亮、过暗等问题；在检测到目标图像后，进行预处理，又通过二值化、腐蚀膨胀等操作分割出油位区域轮廓，提高了电抗器油位计示数识别准确率，较好地解决了不同光照、姿态条件下的电抗器油位计识别问题，提高了机器人巡检效率。

附图说明

图1为本发明的流程示意图。

图2为图像预处理后分割出的油位主要区域。

图3为图像腐蚀膨胀操作后得到油位区域。

图4为图像膨胀腐蚀操作原理示意图。

具体实施方式

如图1所示，一种基于巡检机器人的电抗器油位计识别方法，包括以下步骤：

步骤1、利用电抗器油位计图像数据集训练分类器，并为每个巡检点选取一张在该巡检点拍摄的仪表居中的图像作为模板图像，巡检机器人到达指定巡检点获取待检测仪表图片；优选地，分类器为adaboost分类器。

步骤2、对待检测的目标仪表区域进行粗定位和精确定位，筛选目标候选区域得到最终目标图像，具体步骤为：

步骤2.1、利用梅林傅里叶变换和相位相关技术对待检测仪表图片中的目标仪表区域进行粗定位；

步骤2.2、利用机器学习的方法对目标仪表区域进行精确定位，将待检测图像送入训练过的分类器，得到若干个目标候选区域；

步骤2.3、计算多个候选区域的感知哈希、互信息和交并比三种参数指标，筛选目标候选区域得到最终目标，具体步骤为：

步骤2.3.1、分别将每个目标候选区域与粗定位目标仪表区域求交并比参数iou，公式为：

式中，c为粗定位目标仪表区域，ni为目标候选区域；

步骤2.3.2、分别将每个目标候选区域图像与模板图像中的仪表区域图像做感知哈希计算，获得感知哈希指标，具体为将目标候选区域图像与模板图像缩放到同一大小，进行余弦变换，选取余弦变换后的图像左上角的部分低频区域，去除坐标(0,0)的直流分量得到一共n维特征向量，计算目标候选区域图像与模板图像的特征向量的汉明距离，作为感知哈希指标；

步骤2.3.3、分别计算每个目标候选区域图像与模板图像的互信息指标，计算公式为：

g(x)、h(y)分别为模板图像与候选图像灰度像素的数目，w、h分别为候选区域图像宽、高；

步骤2.3.4、将每一目标候选区域的交并比iou、互信息指标以及感知哈希三种指标做加权求出每一目标候选区域的置信度，将置信度最大的目标候选区域作为备选检测结果；

步骤2.3.5、若备选检测结果的iou满足同时小于设定阈值thresholdiou且(phash+1/i(g(x)，h(y)))大于阈值thresholda时，将步骤2.1确定的粗定位目标仪表区域作为最终目标，否则以备选检测结果作为最终目标，phash为备选检测结果感知哈希指标，i(g(x)，h*y))为互信息指标。优选地，阈值thresholdiou取值范围0.1～0.4，阈值thresholda取值范围10～50。

步骤3、读入目标图像，进行图像预处理：图像是经过检测定位后拍摄所得，油位管位于图像中间，据此分割出图像中油位的主要区域，如图2所示；

步骤4、对油位的主要区域进行二值化、腐蚀膨胀，得到油位区域，具体为：

步骤4.1、将图像由rgb转换为hsv格式，转换后进行h、s、v三通道分离；

步骤4.2、对h、s通道分别进行二值化，将两通道图像相减；

步骤4.3、对相减后图像进行腐蚀膨胀操作，得到油位区域，如图3所示，腐蚀膨胀操作具体为：

膨胀原理：

膨胀：求局部最大值；

①定义一个卷积核b

核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；

通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；

②将核b与图像进行卷积，计算核b覆盖区域的像素点最大值；

③将这个最大值赋值给参考点指定的像素；

因此，图4中的高亮区域逐渐增长。

步骤4.3.2:腐蚀原理：

腐蚀：局部最小值(与膨胀相反)；

①定义一个卷积核b，

核可以是任何的形状和大小，且拥有一个单独定义出来的参考点-锚点(anchorpoint)；

通常和为带参考点的正方形或者圆盘，可将核称为模板或掩膜；

②将卷积核b与图像进行卷积，计算核b覆盖区域的像素点最小值；

③将这个最小值赋值给参考点指定的像素；

因此，图4中的高亮区域逐渐减小。

步骤5、根据分割出的油位区域轮廓得到液位高度，获得占仪表高度百分比，具体为：

根据分割出的油位区域轮廓，求出油位管整体坐标以及油位坐标，从而得到液位高度，求得占仪表高度百分比，计算公式如下。

h＝(y1-y2)/(y1-y3)

其中y1，y3为油位管上下两端的y轴坐标，y2为油位管中油位的y轴坐标。

本发明摄像头拍出的图像尺度、旋转等变化较小，在此基础上利用相位相关进行粗检测，针对图像的光照变化、检测目标的姿态变化，采用机器学习的方法进行精确检测，解决了目标受光照影响大，比如过亮、过暗等问题；在检测到目标图像后，进行预处理，又通过二值化、腐蚀膨胀等操作分割出油位区域轮廓，提高了电抗器油位计示数识别准确率，较好地解决了不同光照、姿态条件下的电抗器油位计识别问题，提高了机器人巡检效率。