一種條形主變油位計的自動度量方法，用于變電站條形主變油位計的自動度量和讀數，屬于機器視覺儀器儀表智能檢測技術領域。

背景技術：

電力儀表是人們檢測并監(jiān)測系統(tǒng)設備的重要工具,其準確性至關重要，因此電力部門需要周期性的對儀表進行檢定，任務繁重。采用人工檢定方式十分容易出錯并且效率低下，因此激發(fā)了人們對各種儀表自動化度量的研究。在工業(yè)儀表自動度量領域，主要是利用基于機器視覺的圖像處理方法實現儀表的自動度量。相比于人工讀數，自動度量的優(yōu)點有：24小時不間斷讀數，節(jié)省了人工勞動力，穩(wěn)定性高，效率高。因此在工業(yè)領域應用中，儀表自動度量有很高的研究價值。

由于工業(yè)儀表的功能，用處不同，使得工業(yè)儀表的種類繁多，結構各不相同，即使是同一種型號的儀表，也存在顏色，形狀，大小等差別。因此，不存在一種萬能的儀表自動度量方法，能夠對所有的儀表精確地實現自動度量。本專利中所要實現自動度量的儀表，是一種條形主變油位計。目前，對于橢圓形無柵格油位計和指針式表盤，已有專利能實現自動度量，但是針對條形主變壓器的油位計，這兩種專利都不能實現自動度量。由于成像過程中，存在逆光拍照，光照不均勻，成像噪聲，對焦模糊，背景復雜，遮擋，傾斜，旋轉等影響，在實現儀表自動度量算法時，需要考慮很多因素，此外，要在復雜的圖像背景上精確地定位出條形油位計也是一個難點。

技術實現要素：

本發(fā)明針對上述不足之處提供了一種條形主變油位計的自動度量方法，解決現有技術在成像過程中，存在逆光拍照、光照不均勻、成像噪聲、對焦模糊、背景復雜、遮擋、傾斜、旋轉等影響，無法實現儀表圖像的自動度量的問題。

為了實現上述目的，本發(fā)明采用的技術方案為：

一種條形主變油位計的自動度量方法，其特征在于，包括如下步驟：

步驟1、輸入原始圖像f₁(x,y)；

步驟2、提取原始圖像f₁(x,y)的方向梯度直方圖特征(HOG)，再利用已訓練好的支持向量機(SVM)進行分類，得到油位計的初步定位圖像f₂(x,y)；

步驟3、選取適當的閾值，對初步定位圖像f₂(x,y)進行顏色分割，得到圖像f₃(x,y)；

步驟4、對初步定位圖像f₂(x,y)進行Canny邊緣提取，得到圖像f₄(x,y)，將圖像f₃(x,y)與圖像f₄(x,y)進行或運算得到圖像f₅(x,y)；

步驟5、對圖像f₅(x,y)依次進行三次膨脹、一次孔洞填充和十次腐蝕操作得到圖像f₆(x,y)；

步驟6、提取圖像f₆(x,y)的連通分量中的最小矩形，即為條形油位計，在初步定位圖像f₂(x,y)上截出最小矩形，得到圖像f₇(x,y)；

步驟7、Otsu閾值分割處理圖像f₇(x,y)，計算得到指示線的位置；

步驟8、利用指示線位置和圖像f₇(x,y)得到條形油位計上下界的位置，通過條形油位計上下界的位置計算油位計的百分比，并標注于初步定位圖像f₂(x,y)上。

進一步，所述步驟2的具體流程為：

(21)截取出多幅油位計圖像的條形油位計所在區(qū)域，作為正樣本，同時截取一些背景區(qū)域作為負樣本，提取正負樣本的HOG特征，HOG特征的提取通過Opencv庫內部函數實現，輸入SVM進行訓練，得到訓練好的SVM；

(22)輸入原始圖像f₁(x,y)，提取原始圖像f₁(x,y)的HOG特征，HOG特征的提取通過Opencv庫內部函數實現，利用訓練好的SVM進行分類，得到油位計的初步定位圖像f₂(x,y)。

進一步，所述步驟3中，對初步定位圖像f₂(x,y)進行顏色分割的公式如下：

其中R(x,y)表示初步定位圖像f₂(x,y)的RGB通道的R通道，G(x,y)表示初步定位圖像f₂(x,y)的RGB通道的G通道，B(x,y)表示初步定位圖像f₂(x,y)的RGB通道的B通道。

進一步，所述步驟4中，將圖像f₃(x,y)與圖像f₄(x,y)進行或運算得到圖像f₅(x,y)的計算公式如下：

進一步，所述步驟5的具體流程為：

表示腐蝕操作，表示膨脹，表示孔洞填充；

其中A表示原圖，A^c表示A的補集，B表示結構元，(B)_z＝{w|w＝b+z,b∈B}表示將B的原點平移到點z，表示關于結構元B的原點映射該集合的所有元素，X_k表示最大的連通分量，對步驟4中的圖像f₅(x,y)進行三次膨脹形態(tài)學操作之后進行一次孔洞填充操作，最后進行十次腐蝕操作，得到圖像f₆(x,y)。

進一步，所述步驟6的具體流程為：

(61)提取圖像f₆(x,y)的連通分量，公式如下：

式中，A表示原圖，B表示結構元，X_K表示最大的連通分量；

(62)用最小的矩形去包含最大的連通分量，在f₂(x,y)上截取對應的最小矩形，得到圖像f₇(x,y)，其中，最小矩形最高點縱坐標位置值為P₁，縱坐標最低點值為P₂。

進一步，所述步驟7的具體流程為：

(71)對圖像f₇(x,y)進行Otsu閾值分割，Otsu閾值分割通過Opencv庫內部函數實現，尋找分割后最大的兩塊白色分量，得到兩個白塊的最高點和最低點的縱坐標，共4個值；

(72)將步驟(71)中得到的4個值進行排序，求出第二個與第三個的縱坐標平均值，作為指示線位置的縱坐標值P₃。

進一步，所述步驟8中，計算油位計的百分比的公式為：

與現有技術相比，本發(fā)明的優(yōu)點在于：

一、在油位計的定位上，本發(fā)明創(chuàng)新地采用了用于行人檢測的經典HOG特征算法，并且結合SVM算法，油位計的定位基本上能達到100％，準確度非常高，很好地解決了復雜背景下定位的問題；

二、本發(fā)明采用了簡單的模式識別算法SVM和一些經典的圖像處理算法HOG特征，Otsu閾值分割，Canny邊緣提取等，通過調用Opencv庫能夠簡單，快速實現；通過大量的測試，計算得到平均一張圖片運算時間在1s內，因此本發(fā)明運算量少、處理速度快、效率高以及較好的魯棒性；

三、由于采用顏色分割、腐蝕、膨脹、孔洞填充等形態(tài)學算法，本發(fā)明能夠很好地解決逆光拍照，光照不均勻，成像噪聲問題，由于油位計的計算結果是百分比，能夠很好地避免的傾斜，旋轉帶來的影響；

四、本發(fā)明最初是在MATLAB軟件平臺上實現的，最后成功移植到VS2013+Opencv平臺，說明本算法的移植性好，由于已移植到VS2013下的C++平臺，因此也能移植到其他平臺，比如DSP平臺。

附圖說明

圖1為本發(fā)明的算法流程示意圖；

圖2為本發(fā)明的初步定位的圖像；

圖3為本發(fā)明的顏色分割后的圖像；

圖4為本發(fā)明的或運算后的圖像；

圖5為本發(fā)明的膨脹操作后的圖像；

圖6為本發(fā)明的孔洞填充操作后的圖像；

圖7為本發(fā)明的腐蝕操作后的圖像；

圖8為本發(fā)明的油位計精確定位的圖像；

圖9為本發(fā)明的Otsu分割后的圖像；

圖10為本發(fā)明計算的油位并進行標注的圖像。

具體實施方式

下面結合附圖和實施例對本發(fā)明作進一步的說明。

一種條形主變油位計的自動度量方法，包括如下步驟：

步驟1、輸入原始圖像f₁(x,y)；

步驟2、提取原始圖像f₁(x,y)的方向梯度直方圖特征(HOG)，再利用已訓練好的支持向量機(SVM)進行分類，得到油位計的初步定位圖像f₂(x,y)；具體流程為：

(21)截取出多幅油位計圖像的條形油位計所在區(qū)域，作為正樣本，同時截取一些背景區(qū)域作為負樣本，提取正負樣本的HOG特征，HOG特征的提取通過Opencv庫內部函數實現，輸入SVM進行訓練，得到訓練好的SVM；

(22)輸入原始圖像f₁(x,y)，提取原始圖像f₁(x,y)的HOG特征，HOG特征的提取通過Opencv庫內部函數實現，利用訓練好的SVM進行分類，得到油位計的初步定位圖像f₂(x,y)。

步驟3、選取適當的閾值，對初步定位圖像f₂(x,y)進行顏色分割，得到圖像f₃(x,y)；對初步定位圖像f₂(x,y)進行顏色分割的公式如下：

其中R(x,y)表示初步定位圖像f₂(x,y)的RGB通道的R通道，G(x,y)表示初步定位圖像f₂(x,y)的RGB通道的G通道，B(x,y)表示初步定位圖像f₂(x,y)的RGB通道的B通道。

步驟4、對初步定位圖像f₂(x,y)進行Canny邊緣提取，得到圖像f₄(x,y)，將圖像f₃(x,y)與圖像f₄(x,y)進行或運算得到圖像f₅(x,y)；將圖像f₃(x,y)與圖像f₄(x,y)進行或運算得到圖像f₅(x,y)的計算公式如下：

步驟5、對圖像f₅(x,y)依次進行三次膨脹、一次孔洞填充和十次腐蝕操作得到圖像f₆(x,y)；具體流程為：

表示腐蝕操作，表示膨脹，表示孔洞填充；

其中A表示原圖，A^c表示A的補集，B表示結構元，(B)_z＝{w|w＝b+z,b∈B}表示將B的原點平移到點z，表示關于結構元B的原點映射該集合的所有元素，X_k表示最大的連通分量，對步驟4中的圖像f₅(x,y)進行三次膨脹形態(tài)學操作之后進行一次孔洞填充操作，最后進行十次腐蝕操作，得到圖像f₆(x,y)。

步驟6、提取圖像f₆(x,y)的連通分量中的最小矩形，即為條形油位計，在初步定位圖像f₂(x,y)上截出最小矩形，得到圖像f₇(x,y)；具體流程為：

(61)提取圖像f₆(x,y)的連通分量，公式如下：

式中，A表示原圖，B表示結構元，X_K表示最大的連通分量；

(62)用最小的矩形去包含最大的連通分量，在f₂(x,y)上截取對應的最小矩形，得到圖像f₇(x,y)，其中，最小矩形最高點縱坐標位置值為P₁，縱坐標最低點值為P₂。

步驟7、Otsu閾值分割處理圖像f₇(x,y)，計算得到指示線的位置；具體流程為：

(71)對圖像f₇(x,y)進行Otsu閾值分割，Otsu閾值分割通過Opencv庫內部函數實現，尋找分割后最大的兩塊白色分量，得到兩個白塊的最高點和最低點的縱坐標共4個值；

(72)將步驟(71)中得到的4個值進行排序，求出第二個與第三個的縱坐標平均值，作為指示線位置的縱坐標值P₃。

步驟8、利用指示線位置和圖像f₇(x,y)得到條形油位計上下界的位置，通過條形油位計上下界的位置計算油位計的百分比，并標注于初步定位圖像f₂(x,y)上。計算油位計的百分比的公式為：

本發(fā)明利用了方向梯度直方圖特征(HOG)和支持向量機(SVM)、顏色分割、Canny邊緣提取方法、Otsu閾值分割方法、膨脹、孔洞填充和腐蝕等形態(tài)學算法等經典圖像處理算法，結合條形主變油位計圖像的具體情況，通過對算法的組合和各種閾值的不斷測試得到了本發(fā)明。