基于巡检机器人的液位型仪表识别方法技术

本发明专利技术公开了一种基于巡检机器人的液位型仪表识别方法，利用仪表图像数据集训练Adaboost分类器，并为每个巡检点选取一张仪表居中的图像作为模板图像；获取指定巡检点的待检测仪表图片，结合Adaboost分类器和模板图像进行粗定位和精确定位，筛选出表盘区域；根据油位区域和背景区域的颜色差异，从表盘区域提取油位区域；根据形状、亮度差异，从油位区域提取油位计物块，根据油位计区域上下界和物块位置计算出液位型仪表示数。本发明专利技术利用机器学习，能检测识别多种光照、姿态变化下的液位型仪表示数。

【技术实现步骤摘要】
基于巡检机器人的液位型仪表识别方法
本专利技术涉及电力巡检机器人领域，具体涉及一种基于巡检机器人的液位型仪表识别方法。
技术介绍
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，其中检测现场电力设备的仪器仪表示数是电力巡检机器人最核心的功能。大部分液位型仪表由于成本和历史的原因，并不具有智能仪表的远传功能，只能利用巡检机器人通过计算机视觉的方法去读取仪表示数。想要准确识别液位型仪表示数，就需要准确检测到视觉图像中液位型仪表的位置。大多数液位型仪表在室外，光照条件复杂，同时巡检机器人拍摄角度也不同，利用传统的图像处理手段进行检测和识别时，检测的示数不稳定，与实际示数的偏差也较大。
技术实现思路
本专利技术的目的在于提供一种基于巡检机器人的液位型仪表识别方法，提高了在不同光照不同姿态条件下示数识别的稳定性和精度。实现本专利技术目的的技术解决方案为：一种基于巡检机器人的液位型仪表识别方法，包括如下步骤：步骤1、分类器训练：利用仪表图像数据集训练Adaboost分类器，并为每个巡检点选取一张仪表居中的图像作为模板图像；步骤2、仪表区域定位：获取指定巡检点的待检测仪表图片，结合Adaboost分类器和模板图像进行粗定位和精确定位，筛选出表盘区域；步骤3、提取油位区域：根据油位区域和背景区域的颜色差异，从表盘区域提取油位区域；步骤4、检测仪表示数：根据形状、亮度差异，从油位区域提取油位计物块，根据油位计区域上下界和物块位置计算出液位型仪表示数。本专利技术与现有技术相比，其显著优点为：1)本专利技术融合了机器人定位信息，利用机器人已有的定位信息，使得位置重复度高(比如低于5cm的定位)，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，最大限度的减少了漏检的问题，基本所有表都能检到；2)本专利技术利用机器学习，能检测到多种光照、姿态变化下的仪表；3)本专利技术检测到目标图像后，通过开运算和大津算法等操作，解决了不同光照、姿态条件下的液位型仪表的示数识别问题。附图说明图1为本专利技术基于巡检机器人的液位型仪表识别方法的流程图。具体实施方式下面结合附图和具体实施例，进一步说明本专利技术方案。如图1所示，基于巡检机器人的液位型仪表识别方法，包括如下步骤：步骤1、分类器训练：利用仪表图像数据集训练Adaboost分类器，并为每个巡检点选取一张仪表居中的图像作为模板图像。由于仪表图像数据集包含了不同光照、姿态条件下的仪表图像，后续仪表检测环境如何变化，都能精确提取出来。步骤2、仪表区域定位：获取指定巡检点的待检测仪表图片，结合Adaboost分类器和模板图像进行粗定位和精确定位，筛选出表盘区域，具体方法为：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，得到粗定位目标仪表区；步骤2.2、利用训练的Adaboost分类器对待检测仪表图片进行精确定位，得到若干目标候选区域；步骤2.3、计算每个目标候选区域的感知哈希、互信息和交并比三种参数指标，做加权求出每一目标候选区域的置信度，确定备选检测结果；计算每个目标候选区域与粗定位目标仪表区域的交并比参数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。计算每个目标候选区域与模板图像的感知哈希指标，具体方法为：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低频区域，去除坐标(0,0)的直流分量，得到一个特征向量，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。计算每个目标候选区域图像与模板图像的互信息指标，公式为：式中，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。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，公式为：Confidence＝1-(pHash+1/I(G(X)，H(Y)))/(IOU+D)式中，I(G(X)，H(Y))为互信息指标，pHash为感知哈希指标，IOU为交并比指标，D为设定的常数，将置信度最大的目标候选区域作为备选检测结果。步骤2.4、根据备选检测结果的指标值筛选最终的目标仪表区域，即表盘区域，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，将粗定位目标仪表区域作为最终目标仪表区域，否则以备选检测结果作为最终目标仪表区域。通常设置阈值thresholdIOU取值范围0.1～0.4，阈值thresholdA取值范围10～50。步骤3、提取油位区域：由于油位区域和背景区域的颜色不同(深色和浅色)，转化为灰度后有明显差异，根据此特点可以提取油位区域，具体步骤为：步骤3.1、对表盘图像进行灰度化处理，为了减少，光照、灰尘对图片灰度等的影响，再使用直方图均衡化、高斯滤波去除干扰；步骤3.2、由于物体比背景明亮，此处进行开运算能够排除小团块物体，删除不能包含结构元素的对象区域，平滑对象的轮廓，断开狭窄的连接，去掉细小的突出部分。开运算是通过先对图像腐蚀再膨胀实现，其原理表达式如下：dst＝open(src,element)＝dilate(erode(src,element))步骤3.3、利用大津算法对表盘区域二值化。大津算法原理如下：对于图像I(x,y)，设图像的大小为M×N，前景(即目标)和背景的分割阈值为T，将图像的总平均灰度记作μ，类间方差记作g，由于图像的背景较暗，图像中像素的灰度值小于阈值T的像素为背景，背景的像素个数记作N0，背景像素点数占整幅图像的比例记作ω1，其平均灰度记作μ1；像素灰度大于阈值T的像素为前景，目标的像素个数记作N1，属于前景的像素点数占整幅图像的比例记作ω0，其平均灰度记作μ0，则有：ω0＝N0/M×Nω1＝N1/M×NN0+N1＝M＝Nω0+ω11＝1μ＝ω0*μ0+ω1*μ1g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2得到等价公式:g＝ω0ω1(μ0-μ1)^2采用遍历的方法得到使类间方差g最大的阈值T,即为所求的分割阈值。步骤3.4、进行分区域开运算，先对油位管左右区域进行开运算，去除左右噪声；再对上下区域进行开运算，去除上下噪声；步骤3.5、根据灰度值差异，选定阈值分割出油位区域，得出油位计区域。通常设定阈值范围为40-70。步骤4、检测仪表示数：根据形状、亮度差异，使用轮廓分割提取油位计物块，并由油位计区域上下界和物块位置计算出液位型仪表示数，具体步骤为：步骤4.1、采用二值化算法对油位计区域图像进行轮廓扫描，提取出最大连通域；步骤4.2、找出表盘中间区域，开运算消除物块周围噪声，得到物块位置；步骤4.3、根据分割好的物块区域，由油位计区域上下界和物块位置计算出液位型仪表示数。本文档来自技高网...

【技术保护点】
1.一种基于巡检机器人的液位型仪表识别方法，其特征在于，包括如下步骤：步骤1、分类器训练：利用仪表图像数据集训练Adaboost分类器，并为每个巡检点选取一张仪表居中的图像作为模板图像；步骤2、仪表区域定位：获取指定巡检点的待检测仪表图片，结合Adaboost分类器和模板图像进行粗定位和精确定位，筛选出表盘区域；步骤3、提取油位区域：根据油位区域和背景区域的颜色差异，从表盘区域提取油位区域；步骤4、检测仪表示数：根据形状、亮度差异，从油位区域提取油位计物块，根据油位计区域上下界和物块位置计算出液位型仪表示数。

【技术特征摘要】
1.一种基于巡检机器人的液位型仪表识别方法，其特征在于，包括如下步骤：步骤1、分类器训练：利用仪表图像数据集训练Adaboost分类器，并为每个巡检点选取一张仪表居中的图像作为模板图像；步骤2、仪表区域定位：获取指定巡检点的待检测仪表图片，结合Adaboost分类器和模板图像进行粗定位和精确定位，筛选出表盘区域；步骤3、提取油位区域：根据油位区域和背景区域的颜色差异，从表盘区域提取油位区域；步骤4、检测仪表示数：根据形状、亮度差异，从油位区域提取油位计物块，根据油位计区域上下界和物块位置计算出液位型仪表示数。2.根据权利要求1所述的基于巡检机器人的液位型仪表识别方法，其特征在于，步骤2中，筛选表盘区域的具体方法为：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，得到粗定位目标仪表区；步骤2.2、利用训练的Adaboost分类器对待检测仪表图片进行精确定位，得到若干目标候选区域；步骤2.3、计算每个目标候选区域的感知哈希、互信息和交并比三种参数指标，做加权求出每一目标候选区域的置信度，确定备选检测结果；步骤2.4、根据备选检测结果的指标值，从粗定位目标仪表区域和备选检测结果中选择最终目标仪表区域，即表盘区域。3.根据权利要求2所述的基于巡检机器人的液位型仪表识别方法，其特征在于，步骤2.3中，确定备选检测结果的具体方法为：计算每个目标候选区域与粗定位目标仪表区域的交并比参数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；计算每个目标候选区域与模板图像的感知哈希指标，具体方法为：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低频区域，去除坐标(0,0)的直流分量，得到一个特征向量，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；计算每个目标候选区域图像与模板图像的互信息指标，公式为：式中，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；将每一目标候选区域的交并比IOU、互信息指标以及感知...

【专利技术属性】
技术研发人员：李胜，黄紫霄，郭健，吴益飞，袁佳泉，施佳伟，朱禹璇，危海明，王艳琴，王天野，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32