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,Ac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,Xk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,XK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,Ac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,Xk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,XK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。