針對變電站固定攝像頭拍攝的各種類型的指針式儀表，南方電網數字電網研究院有限公司的李漢巨，在2024年第1期《電氣技術》上撰文，提出一種自動讀數方法。
該方法包括模闆制作、模闆比對、圖像處理、表針識别和幾何讀數五個階段。通過模闆制作确定刻度值和角度的幾何關系，使用模闆比對算法定位待讀數的儀表盤位置，提取儀表盤部分的圖像，并通過高斯濾波和伽馬變換降低光照和陰影對表針識别的幹擾。為提升複雜環境下圖像二值化的效果，使用K均值聚類算法擷取儀表盤圖像的動态二值化門檻值。為适應圓形和橢圓形變形的表盤，使用可變長度的線段拟合儀表盤二值化圖像中的表針，擷取表針的旋轉角度，再結合主要刻度的角度和刻度值的對應關系，計算出表針角度對應的讀數。
實際應用結果表明，針對自然場景下變電站中的指針式儀表，該方法對光照、陰影、遮擋、傾斜、變形等幹擾因素具有良好的魯棒性，誤差均小于最小刻度間隔，滿足工程應用要求。
指針式儀表具有結構簡單、易于使用、友善維修、抗電磁幹擾能力強等優點，且能防塵、防水、防凍，被廣泛應用于變電站中，以監控電力裝置狀态。變電站中的指針式儀表包括壓力表、氣壓表、油位表、溫度計、避雷器監測儀等，這些同類或不同類儀表的量程、刻度、表盤形狀、安裝位置等存在較大差異，并且缺少資料輸出接口，這給儀表自動讀數帶來了挑戰，指針式儀表的自動讀數是一個需要長期研究的問題。
根據應用場景不同，儀表自動讀數的圖檔來源于固定攝像頭和不固定攝像頭（如巡檢機器人）兩種情形。兩種情形下都需要儀表目标檢測，提取儀表部分的圖像。針對來自不固定攝像頭的圖檔，一般有兩種目标檢測方法：一種是Hough圓檢測，但該方法不适用于變形的表盤和其他形狀的表盤；另一種是基于深度學習的目标檢測，如RCNN（region with convolutional neural network features）和YOLO（you only look once）。
由于目前多數變電站使用固定攝像頭擷取儀表圖像，是以本文使用模闆比對方法提取儀表盤部分的圖像，具有更好的實用效果。儀表自動讀數的兩個關鍵步驟是指針識别和指針讀數。雖然深度學習能夠統一上述兩個步驟，實作端到端的、圖像到數值的回歸模型，但是深度學習需要海量的标注圖像資料。
特别在實際應用中，儀表的數值大部分分布在合理的數值範圍之内，很難擷取數值覆寫整個儀表量程的圖像資料，這導緻訓練出來的深度學習模型無法識别異常值，而異常值恰恰是電力裝置監控的重點名額，是以本文不采用深度學習。
指針識别的常用方法是Hough直線檢測，但該方法計算量大且容易受噪聲和圖像二值化效果影響，如檢測出多條直線時，較難識别出正确的指針，另外即使識别出正确的指針，也很難确定指針的準确角度。
針對上述問題，本文使用模闆比對算法快速定位儀表盤的位置，提取儀表盤部分的圖像，使用K均值聚類算法擷取儀表盤圖像的動态二值化門檻值，提升圖像二值化效果。在此基礎上，針對指針識别，使用可變長度的可旋轉線段拟合儀表盤二值化圖像中的指針，其中旋轉角度即指針的角度；針對指針讀數，根據主要刻度的角度和刻度值的對應關系，計算出表針角度對應的讀數。最後，利用人造資料和實際業務資料驗證算法的有效性。本文主要工作如下：
1）提出一種基于機器學習和模闆比對的指針式儀表自動讀數方法。該方法簡單有效，可快速工 程化。
2）提出自适應的圖像二值化方法，避免用單一門檻值對各種類型的表盤圖像進行分割，提升指針識别效果。
3）提出一種使用可變長度的可旋轉線段拟合指針的方法，該方法易于擷取指針的準确角度。另外，由于指針末端的軌迹是圓形或傾斜的橢圓形，是以該方法與表盤的形狀、類型無關，進而能夠減少噪聲對識别結果的影響，避免Hough直線檢測的缺點。
本文算法流程如圖1所示，下面進行詳細說明。
圖1 算法流程
1 模闆制作
1.1 表盤區域、圓心定位與主要刻度标注
模闆制作如圖2所示，擷取一張固定攝像頭拍攝的圖檔，對該圖檔中表盤矩形區域進行截取和标注，如圖2（a）所示；截取部分作為模闆圖檔，如圖2（b）所示。利用标注軟體（如Labelme）擷取表盤圓心與主要刻度相對于原圖的坐标。值得說明的是，标注的刻度越細，越能減小橢圓形變形的影響，讀數準确性越高。利用模闆圖檔可對該攝像頭拍攝的其他圖像中的表盤進行定位。
圖2 模闆制作
1.2 主要刻度值和角度的幾何關系
式（1）~式（2）
式（1）和式（2）表明了刻度值和角度的幾何關系。值得指出的是，刻度值和角度的幾何關系在固定攝像頭情形下保持不變，是以利用這一幾何關系可計算出其他圖像指針的旋轉角度對應的刻度值，完成指針自動讀數。
2 模闆比對
模闆比對是一項成熟、可靠的圖像處理技術，已廣泛應用于字元識别、目标定位、人臉識别等領域[7]。模闆比對就是用一幅較小的圖像（模闆）與一幅較大圖像中的一部分（子圖像）進行比對。比對的結果是确定在大圖像中是否存在小圖像，若存在則進一步确定小圖像在大圖像中的位置。
對于攝像頭固定的情形，由于存在抖動、室外環境複雜等因素，所拍攝圖檔中儀表的位置也會發生微小變化。若這種變化隻來源于攝像頭微小的左右、上下擺動，則同一攝像頭所拍攝的圖檔很少出現旋轉情況。是以，使用模闆比對技術能快速、有效地定位儀表在新圖像中的位置，進而可以确定新圖像中儀表圓心的坐标。
式（3）
3 圖像預處理
3.1 不均勻光照校正
室外儀表易受太陽光照影響，室内儀表易受電燈光照影響。光照不均勻的儀表的二值化圖像容易出現額外的直線，進而影響表針識别，是以有必要對儀表圖像進行不均勻光照校正。常用的校正方法有Retinex算法、直方圖均衡化方法。Retinex算法容易産生光暈現象，而直方圖均衡化方法存在過增強、色彩失真和灰階突變處噪聲放大等問題。本文采用相關文獻提出的基于伽馬函數的自适應校正算法，以解決上述問題。
式（4）~式（5）
不均勻光照校正效果如圖3所示。
圖3 不均勻光照校正效果
3.2 基于K均值聚類算法的圖像二值化
K均值聚類算法作為經典機器學習技術，已廣泛應用于電力領域。由于真實儀表類型差異很大，使用統一固定門檻值的圖像二值化有時表現不佳，是以本文采取自适應動态門檻值方法，即每張圖像的二值化門檻值均不同，并通過聚類算法求出最佳門檻值。圖像二值化可看成聚類問題，即把圖像的所有像素聚為兩類，一類對應白色，另一類對應黑色。
不均勻光照對圖像二值化效果影響較大，原圖的二值化圖像無法區分表針，而經過不均勻光照校正後，其二值化圖像能較好區分表針。圖像二值化效果對比如圖4所示。
圖4 圖像二值化效果對比
4 指針識别
式（6）~式（7）
令可變動端點轉動一圈，統計比對目标在該線段上的黑色像素數目，數目最多的線段為表針，其對應的旋轉角度θ為表針的角度。圖5為不同情形下的指針識别效果，由于線段可變動端點的軌迹為圓形或傾斜橢圓形，排除了軌迹外部的幹擾因素，且與表盤的形狀、類型無關，是以本文方法比Hough直線檢測具有更好的魯棒性。
5 指針讀數
式（8）
圖5 指針識别效果
6 實驗結果及分析
6.1 仿真資料實驗
在實際應用中，儀表的數值大部分分布在合理數值範圍之内，較難擷取指針數值覆寫整個儀表量程的圖像資料，無法測試算法的泛化能力，是以本文利用生成資料驗證算法的泛化能力。利用Echarts生成以下随機資料：1000個400×400像素表盤，刻度值範圍為0～100，一個刻度長度為2，其中表環顔色、表針大小、長度、表針取值等随機生成。仿真資料集如圖6所示。
圖6 仿真資料集
標明其中一張圖檔（見圖7（a））作為模闆，其二值化圖像和指針識别效果如圖7（b）和圖7（c）所示。
圖7 仿真資料的模闆圖檔
仿真資料的實驗結果見表1。
表1 仿真資料的實驗結果
6.2 實測資料實驗
采用廣州某變電站真實儀表圖像，這些圖像資料包含光照不均勻、傾斜、橢圓變形、遮擋、模糊、幹擾等情況。實測資料的實驗結果見表2。從表2可知，本文方法的魯棒性良好，能有效處理受到各種因素影響的圖像。
表2 實測資料的實驗結果
7 結論
本文研究了變電站複雜環境下固定攝像頭拍攝的指針式儀表的自動讀數問題，提出一種自動讀數方法，主要包括模闆制作、模闆比對、圖像處理、指針識别和幾何讀數五部分。這五部分松耦合，可操作性強，不需要大量資料用于模組化，能夠快速工程化，後期可根據應用效果對每個子產品的處理方法進行快速疊代和替換，如：針對模闆制作，可提升刻度标注的顆粒度；針對模闆比對，可使用相關法、二次比對誤差算法、高速模闆比對法等方法；針對圖像處理，可增加去霧、去雨、增亮等算法。
仿真資料和實測資料的實驗結果表明，本文方法适用範圍廣，可以統一處理各種類型、量程的儀表；魯棒性好，能有效處理受到光照不均勻、表盤傾斜、橢圓變形、刻度遮擋、表盤模糊、表針幹擾等因素影響的圖像。
本工作成果發表在2024年第1期《電氣技術》，論文标題為“基于機器學習和模闆比對的變電站儀表自動讀數方法”，作者為李漢巨。