基于计算机视觉的石化智能巡检机器人仪表定位与数据读取研究

基于计算机视觉的石化智能巡检机器人仪表定位与数据读取研究

张安黎

中国石油化工股份有限公司中原油田分公司信息化管理中心   河南濮阳  457000

摘要：本文是在计算机视觉基础上,设计并实现基于智能石化巡检机器人的仪表定位与数据读取算法,在保证仪表数据读取的高实时性和高精确度的同时,降低巡检过程中的人工成本和巡检风险,极大提升巡检效率,为石化行业的指针式仪表检测提供具体方案,在一定程度上提升了石化行业的智能化发展。

关键词: 目标检测;图像分割;指针式仪表;计算机视觉;

根据视觉目标检测采用视觉传感器的数量不同,将视觉目标检测分为两类:基于单目相机的视觉目标检测和基于双目相机的视觉目标检测。因此,基于双目相机的视觉目标检测能够提供精准的目标3维信息,在自动驾驶等领域能够更好地满足应用需求。

1智能巡检机器人的新技术

对于采用了较新技术的智能巡检机器人，包括飞行机器人本体和设于飞行机器人本体内的中控器以及与中控器连接的飞行器、红外温度传感器、湿度传感器、噪声检测仪、摄像头、GPS定位芯片和无线通信模块，飞行机器人本体上设有通用功能接口，红外温度传感器、湿度传感器、噪声检测仪、摄像头以及GPS定位芯片均插设在通用功能接口内，无线通信模块用于将采集的巡检信息传输至运维平台。利用飞行机器人作为巡检机器人可以使得整个巡检任务不受空间限制，对于不同的巡检场景都能适用。在巡检机器人上设置多种不同信息采集装置可以使得机器人在巡检过程中采集更加全面的巡检信息供运维人员分析监控，提升巡检效果。同时采用无线充电技术可以方便巡检机器人及时补充电量，也方便巡检机器人在充满电量之后自由地飞行至巡检地点完成巡检任务。巡检机器人巡检的区域会均匀地分布设置多个无线充电终端，以便为巡检机器人及时补充电量，使得巡检机器人实现无缝续航。

2 石化智能巡检机器人仪表定位技术

2.1指针式仪表定位

为了解决指针式仪表目标检测易受环境干扰、图像分辨率过低的问题,引入并改进YOLOv8目标检测算法,构建本课题的指针式仪表定位算法:YOLOv8-SRC算法,来获取指针式仪表的位置。首先,引入SPD-Conv模块取代原模型的下采样层和池化层,保留了通道维度信息;其次,融合了RCS-OSA 结构,通过重参数化卷积来增强网络的特征提取能力,确保特征复用并加强不同层之间的信息流通;最后,融合了基于前馈卷积神经网络的CBAM注意力模块,加强对指针式仪表图像的关注并提高模型抗干扰能力。

2.2指针式仪表图像分割

利用图像分割算法对检测到的RoI图像进行图像分割操作,识别出背景中的指针和刻度,便于后续的数据读取工作。引入并改进U2 Net图像分割算法,构建本课题的指针式仪表图像分割算法:U2-Net-DF算法,从背景中仅提取指针式仪表像素,而不是提取指针式仪表本身。首先,为了更好地分割仪表图像的前背景,我们对模型的卷积网络进行改进,引入由深度卷积和点态卷积组成的深度可分离卷积,其中深度卷积可以分别计算输入图像的不同通道,减少计算负担;点态卷积可以连接独立信道的不同数据,可以在有限的特征条件下保证精度不衰减。

2.3指针式仪表数据读取

我们提出了一种基于极坐标变换的图像降维法, 可以准确有效地进行指针式仪表数据读取工作。相较于现有的霍夫变换,后者广泛用于计算指针的斜率和根据指针与刻度之间的角度获取仪表读数,我们的图像降维法更加高效且不受图像倾斜或畸变的影响,使用图像降维法将 RoI 图像中的指针和刻度数据转换为一维数组数据,然后根据指针相对于刻度的线性位置计算仪表读数。

3 基于深度学习的目标检测基本流程

3.1数据预处理

数据预处理旨在增强训练数据多样性,进而提升检测网络的检测能力。常用的数据增强手段有翻转、缩放、均值归一化和色调变化等。除此之外,研究人员在数据预处理方面做了大量的研究工作。通过将不同图像和标签进行差值表示提升分类性能,直接擦除图像子区域会造成信息损失,提出将其他训练图像粘贴到擦除的子区域,简称为Cut Mix。

3.2检测网络

检测网络一般包括基础骨干、特征融合及预测网络3部分。目标检测器的基础骨干通常采用用于图像分类的深度卷积网络。特征融合主要是对基础骨干提取的特征进行融合,用于后续分类和回归。常见的特征融合方式是特征金字塔结构。研究人员开始用基于Transformer编解码的特征融合方式进行目标检测。

3.3标签分配与损失计算

标签分配主要是为检测器预测提供真实值。在目标检测中,标签分配的准则包括交并比(intersection over union,Io U)准则、距离准则、似然估计准则和二分匹配等。交并比准则通常用于基于锚点框的目标检测方法,根据锚点框与物体真实框之间的交并比将锚点框分配到对应的物体。距离准则通常用于无锚点框的目标检测方法,根据点到物体中心的距离将其分配到对应的物体。似然估计准则和二分匹配通常基于分类和回归的联合损失进行最优标签分配。

4 指针式仪表读数识别算法

4.1 检测表盘线段

本文提出了一种自适应的Canny边缘检测算法对表盘进行边缘提取并通过基于线性拓扑结构的直线段筛选。

自适应Canny边缘检测算法在设置高低阈值时, 首先利用OTSU算法得到一个最优的分割阈值μ, 然后将高低阈值分别设置为 (1+α) μ和 (1-α) μ, 其中α为阈值控制量, α过大会导致缺失很多较弱的边缘信息, 过小会导致检测出较多的伪边缘, 这里α设置为0.4。

分析拓扑结构的线性关系, 首先, 获取当前单像素边缘第[j, 2m+j-1] (02m-2时, 则认为第[m+i, 2m+i-1]个像素点所在线段为直线段, 并进行最小二值化直线拟合。

4.2 识别刻度线段

识别刻度线段即通过进行线段过滤实现非刻度线段的剔除, 得到较高置信度的刻度线段。对过滤后的线段进行最小二乘椭圆拟合, 得到表盘刻度所在的部分椭圆, 最后利用椭圆对LSD算法检测到直线进行约束, 从而识别刻度线段。

所有刻度线段所在直线延长线必经过同一中心, 利用这个特征可以准确地定位刻度线段。首先利用LSD算法对仪表图像进行直线段检测, 判断检测到的线段是否与椭圆有交点, 若存在, 则认为该线段为刻度线段或者指针。

4.3 修复缺省刻度

本文提出的线段检测算法依然存在部分刻度缺省的现象, 需要对缺省的刻度进行修复, 进而建立完整的坐标系。对于缺省的刻度采用特征插值的方法恢复表盘刻度。首先, 利用刻度线的长度特征将大小刻度分离;然后, 根据大刻度间距离的相似性完成对小刻度的插值。

结论

指针式仪表识别方法采用一种自适应Canny算法进行边缘检测, 然后使用八领域轮廓跟踪算法串联边缘点获取轮廓, 最后分析轮廓形态, 对缺省小刻度进行修复, 建立完备刻度坐标系, 根据指针与刻度之间的相对位置得到仪表读数, 该方法提高了指针式仪表的识别精度。本文提出的指针式仪表检测和识别方法, 提高了指针式仪表识别的准确率, 提高了轨道式巡检机器人的作业效率。

参考文献

[1]莫文雄, 裴利强, 黄青丹.基于模版匹配和查表法的高精度指针式仪表自动检定系统研制[J].电测与仪表, 2017, 54 (12) :100-105.