团论文网
团论文网
-
摘要：指针仪表识别并读数是油气生产领域日常巡检的重要任务，但基于深度学习的指针式仪表读数识别需要针对每个项目专门进行模型训练，不具有普遍适应性，工程实施成本高。基于图像处理和深度学习算法，采用Python语言设计了一种适用于油气生产领域的指针式仪表识别系统。首先，通过巡检机器人采集生产现场巡检的数据集；其次，对巡检机器人原搭载的模型采用Py‐thon语言进行改进，并使用均值滤波除去图像噪点、Hough检测对图像特征的捕捉与分析来实现仪表的自动检测与读数;最后，通过Python代码调用tkinter实现GUI人机交互界面，达到批量识别现场仪表数据的目的。现场试验结果表明：改进后的模型准确率较高，解决了原模型识别“死点”问题，平均精度达到95%，该模型现场实测运行的误差变异系数控制在0.05以内，可以满足现场巡检需求，具有较好的油气田领域仪表识别应用价值。
关键词：仪表识别；均值滤波；Hough检测；图像处理
0引言
指针式仪表作为常用压力容器的计量装置，具有结构简单、维护方便、可靠性高等优点，被广泛应用在油气田设备状态的监控上[1]。随着油气开发领域的发展，油气领域仪表对图像识别技术的需求也越来越大，作为油气领域日常机器人巡检内容的一部分，正确地记录仪表读数目前还是主要依赖巡检机器人搭载的智能传感系统来采集识别仪表读数，由于机器人特定的巡检路线，采集仪表照片存在角度、光照等各方面综合因素，会导致仪表数据识别准确率大幅度降低。
目前基于人工智能深度学习的目标检测算法主要有RCNN、Faster RCNN、SPPNet等，此类算法主要是先生成候选框，对每个候选内容进行分类回归，特点是运行时间较长，检测精度较高。而YOLO、SSD等网络模型，算法运行速度快，但检测精度稍差。文献[2]中采用FasterRCNN实现了电力机房巡检机器人的指针式仪表识别。文献[3]采用迁移学习技术提高了模型训练的效率，但实际应用中仍然需要对特定仪表进行量的模型训练。文献[4]对比分析了YOLOv4、Tiny-YOLOv4、Faster RCNN等目标检测算法，并采用Tiny-YOLOv4网络进行指针仪表识别。
本文基于图像处理和深度学习算法，采用Python语言设计了一种适用于油气生产领域的指针式仪表识别系统。首先，通过巡检机器人采集生产现场巡检的数据集；其次，对巡检机器人原搭载的模型采用Python语言进行改进，并使用均值滤波除去图像噪点、Hough检测对图像特征的捕捉与分析来实现仪表的自动检测与读数;最后通过Python代码调用tkinter实现GUI人机交互界面，达到批量识别现场仪表数据的目的。
1仪表图像预处理原理
仪表图像预处理是指将需要识别的图像进行一定的处理，使图片更加清晰或者更加符合算法要求。图像预处理方法主要有图像降噪、图像增强、图像修复、归一化处理等[5-7]。其中，图像降噪主要是去掉图像中的噪声，使得图像的信噪比更高。图像增强是针对现有图像人为创建各种变化以扩展图像数据集，例如缩放现有图像、将现有图像旋转几度、剪切或裁剪图像等。图像修复是指恢复图像中缺失的部分，图像恢复技术常用于从一个图像片段“推断”出外延的部分，补全整个画面。图像归一化处理是一种简化图像计算方式，将复杂的图像经过变换，化为无量纲的表达式，利用像素点来更快地适应神经网络的收敛性。在本文中所用到的仪表图像预处理方法主要有图像增强和图像修复技术，通过裁剪出表盘，去除背景和图像颜色处理达到图像增强和图像修复目的。
1.1表盘提取
采用Hough圆检测方法对圆形指针式仪表进行表盘定位。通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法来检测圆。在二维笛卡尔坐标系中，Hough变换的实质是将图像空间内具有一定关系的像元进行聚类，寻找能把这些像元用特定的解析式联系起来的参数空间累计对应点[8]。对于截取圆形表盘，首先确定表盘所在圆的方程为：
式中:（a，b）为圆心，r为半径，也可以表述为：
只要确定圆心（a，b）和半径r即可确定表盘所在圆，遍历图像上非零像素点，然后以任意非零像素点为圆心，将二维笛卡尔坐标系中圆对应到参数a-b-r的空间中，在参数a-b-r中，一个圆会被映射为一个点，这些点会形成一个圆锥曲面，如图1所示。经过xy坐标系中所有的非零像素点的所有圆就构成了a-b-r坐标系中很多条三维的圆锥曲面，在x-y坐标系中同一个圆上的所有点的圆方程是一样的，它们映射到a-b-r坐标系中的是同一个点，所以在a-b-r坐标系中该点就应该有圆的总像素N个曲线相交。通过判断a-b-r中每一点的相交数量，大于一定阈值的点就认为是圆，分别对这些交点进行圆锥曲面的概率检测，确定通过最多曲面的交点，则该点即为最可能圆[9]，如图2所示。
采用上述方法对延安市安塞区化子坪镇某集气站及净化厂现场指针仪表进行表盘提取，仪表圆心检测及表盘分割结果如图3所示。
1.2仪表图像灰度处理
对仪表图像进行灰度处理的目的是减少处理数据量，加快计算速度。灰度图像上每个像素的颜色值又称为灰度，指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0，灰度值是指色彩的浓淡程度[10-14]。一个255级灰度的图像，如果RGB三个量相同时，如：RGB（80，80，80）就代表灰度为80，RGB（50，50，50）代表灰度为50。现在大部分的彩色图像都是采用RGB颜色模式，处理图像的时候，要分别对RGB三种分量进行处理，实际上RGB并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配[11]。因此，图像灰度化处理可以作为图像处理的预处理步骤，为之后的图像识别和图像分析等上层操作做准备。图像的灰度处理方式一般有：（1）分量法。将彩色图像中的三分量的亮度作为3个灰度图像的灰度值，可根据应用需要选取一种灰度图像；（2）最大值法。将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。（3）平均值法。将彩色图像中的三分量亮度求平均得到一个灰度值。（4）加权平均法。根据重要性及其他指标，将三个分量以不同的权值进行加权平均[12]。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。Gray(i,j)=0.299∗R(i,j)+0.578∗G(i,j)+0.114∗B(i,j)（3）
式中：Gray(i,j)为图像坐标(i,j)处的灰度值；对所要处理的指针式仪表采用加权平均法来进行灰度处理，处理结果如图4所示。
2仪表识别算法过程
指针式仪表识别实现过程的技术方案流程，该过程包括：（1）摄像头定期抓拍图像数据储存；（2）图像识别算法实现结果数据录入；（3）实现数据可视化分析。
2.1采用Canny算法实现自适应阈值选取
传统算法通过人工实验来实现阈值的选取，人为设置高低阈值导致算法的自适应性差，不利于后续边缘点的连接。因此，本文采取Canny来实现阈值的选取。Canny是根据图像全局灰度值特性，将图片分为背景和目标两部分，并计算背景和目标两部分的类间方差[14]。若图像尺寸为M*N，灰度级范围为[0，t]之间的像素点为C0类，灰度级属于[t+1，L-1]之间的像素点为C1类，分割阈值为t，具体计算公式如下：
式中：P0为C0类像素数占比全局像素数的值；P 1为C1类像素数占比全局像素数的（M*N）；C0和C1类的平均灰度分别为u0和u1，图像总灰度级为u，类间方差计算公式为：σ(t)=P0(t)u(t)+P 1(t)u(t)（5）反复迭代计算最大类间方差，当类间方差取得最大值时，得到最佳阈值，低阈值通常设置为最佳阈值的一半。
2.2多重霍夫圆优化
采用均值滤波+灰度转换+概率霍夫圆检测，导入OpenCV库，采用cv2.pyrMeanShiftFiltering_（）函数对输入的仪表图像进行均值滤波[15-17]；采用cv2.cvtColor（‘_’cv2.COLOR_BGR2GRAY）函数对均值滤波后的图片进行灰度转换，减少计算量；进一步采用cv2.HoughCir‐cles（cimage，cv2.HOUGH_GRADIENT，param1 param2，minRadiusmaxRadius）函数对灰度转换的图片进行概率霍夫圆检测。通过创建mask提取圆形表盘区域。
（1）提取指针式圆形仪表盘刻度线。首先对已提取的圆形表盘区域进行二值化处理，可以将所有的刻度线、指针、干扰点找出。采用cv2.adaptiveThreshold（gray，255，cv2.ADAPTIVE_THRESH_GAUSSIAN_C，cv2.
THRESH_BINARY，param1，param2）函数进行二值化处理；进一步采用cv2.findContours（‘二值化图像’，cv2.RETR_LIST，）进行指针仪表轮廓查找。进一步的，通过确定长宽比可以确定指针的位置。
（2）刻度线拟合。将查找出的所有刻度线采用cv2.polylines（img，[box]，True，（0，255，0），1）函数进行线性拟合，通过提取所有过刻度线的直线交点，做概率检测，其中交点对应直线最多的点为圆心，以来确定圆心所在位置。
（3）指针轮廓提取。去掉刻度线和杂点后，剩余的轮廓只含有刻度线和圆盘，采用mask方法去掉圆盘，剩下的包含指针区域。
（4）读数分析。当确定轮廓线、刻度线、圆心后，只要确定仪表量程和初始0刻度线位置，采用霍夫直线检测原理确定0刻度线和指针之间的夹角，通过给定量程和刻度线可以确定分辨率[18]。分辨率与夹角之间的乘积就是图片所示仪表示数。通过Python GUI界面化设计，可将上述指针式圆形仪表的识别过程设计为人机交互界面，可以批量处理输入的图片，输出通过可视化表格，生成.csv文件和plot.jpg可以实时关注参数的变化情况。
2.3实例演示
引入变异系数来描述程序识别结果相对于现场数据之间的偏离程度。变异系数Cv可表示为[19]：
式中：Cv变异系数；σ为标准差；μ为平均值。
通过对三组指针式仪表数据采用变异系数分析得到结果如表1所示。
将表1数据离散点在二维坐标中表示如图7所示。
3结束语
本文基于图像处理和深度学习算法，采用Python语言设计了一种适用于油气生产领域的指针式仪表识别系统。包括仪表图像预处理和仪表识别两个模块，其中基于边缘检测理论的Canny算法用于检测图像轮廓及裁剪出表盘，基于多重优化霍夫圆检测算法用于获取关键表盘、指针、刻度等关键信息，两者结合计算出仪表读数。实验结果表明，本文提出的仪表识别系统具有以下优点：
（1）相较于通用场景下的图像处理方法，基于边缘检测理论的Canny算法将图像轮廓检测视作优化问题，以提高局部对比度为目标，更有利于后续图像识别。
（2）多重优化霍夫圆检测算法作为最新的目标检测模型，增加了由下至上的信息传播路径，实现了多层次特征融合，同时兼顾了全局位置信息和局部特征，有利于指针式仪表刻度及指针识别。
（3）由于程序设计过程采用了多重优化霍夫圆检测、高斯中值滤波、均值滤波、边缘检测等多种图像处理方法，整个程序处理过程达到了覆盖图像常用像素级别、自动化程度较高、操作方便、输出读数准确的目的。为油气田开发领域的图像识别技术提供了一种全新且有效的思路。
参考文献：
[1]李伟,王飒,丁健刚,等.一种用于石油化工厂环境下的仪表自动检测方法[J].西安石油大学学报(自然科学版),2022,37(2):102-109.
[2]司朋伟,樊绍胜.电力机房巡检机器人的指针式仪表识别算法[J].信息技术与网络安全,2019,38(4):50-55.
[3]陆亚涵.变电站电力表计检测与读数识别算法研究[D].南京:南京理工大学,2019.
[4]张龙玉.基于深度学习的变电站仪表的检测与识别算法研究[D].天津:天津理工大学,2021.
[5]邢艳芳,段红秀,何光威.TensorFlow在图像识别系统中的应用[J].计算机技术与发展,2019,29(5):192-196.
[6]王建荣.基于多特征融合的无人机航拍图像识别研究[D].成都:成都理工大学,2015.
[7]岑霄.基于深度学习的图像识别技术在柑橘病虫识别中的应用研究[J].装备制造技术,2023(2):96-99.
[8]张力元,陈佳玫,谢宇豪,等.图像识别与卷积神经网络结合的光伏发电板裂纹图像处理技术[J].技术与市场,2021,28(12):15-16,20.
[9]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36.
[10]李鑫,焦斌,林蔚天.基于条件信息卷积生成对抗网络的图像识别[J].计算机工程与应用,2020,56(14):191-198.
[11]王琳.井上变电站智能巡检仪表识别系统的设计与研究[J].自动化应用,2023,64(13):165-167.
[12]彭昆福,王子磊,王磊,等.基于深度回归的指针仪表读数识别方法[J].信息技术与网络安全,2020,39(12):37-43.
[13]吴家飞.指针式仪表智能识别技术研究[J].装备制造技术,2023(10):186-189.
[14]曲海成,张旺.基于YOLOv7+U2-Net的指针式仪表检测与识别[J].计算机系统应用,2023,32(11):276-285.
[15]程有娥.基于灰度迁移学习的交通卡口车尾检测算法[J].浙江工贸职业技术学院学报,2021,21(3):47-51.
[16]张婧婧,程芸涛,达新民.基于k-means聚类的苹果图像处理与分级设计[J].计算机与数字工程,2021,49(8):1656-1660.
[17]桂振文,吴侹,彭欣.一种融合多传感器信息的移动图像识别方法[J].自动化学报,2015,41(8):1394-1404.
[18]欧阳犬平,周立,王圣,等.基于霍夫直线检测和区域生长的合成孔径声呐图像线目标提取[J].测绘通报,2021(11):48-53.
[19]ZHENG J,DOU Y H,LI Z Z,et al.Investigation and applica‐tion of wellbore temperature and pressure field coupling with gas-liquid two-phase flowing[J].Journal of Petroleum Explora‐tion and Production Technology,2022,12:753-762.后台-系统设置-扩展变量-手机广告位-内容正文底部 -
本文标签：
基于Python语言与图像识别算法的油气田仪表识别研究论文
人参与 2024-10-17 10:24:02 分类 : 理学 点这评论 作者：团论文网 来源：https://www.tuanlunwen.com/
-
站内搜索
-
随机文章
-
标签列表
-
-
最近发表
-
-
热门文章 | 最新文章 | 随机文章
-
-
最新留言
-
首页 论文知识 教育论文 毕业论文 教学论文 经济学 管理学 职称论文 法学 理学 医学 社会学 物理学 文献 工程论文 学位论文 研究论文
Powered 团论文网 版权所有 备案号：鄂ICP备2022005557号统计代码
全站搜索