核电厂应急柴油机表盘数字化识别技术研究

周 勇，陈 星，朱鹏树，梁永飞

（大亚湾核电运营管理有限责任公司，深圳 518124）

核电应急柴油机属于核电站安全系统设备，对柴油机的监测和巡检工作必不可少。但由于核电站复杂的电磁环境，在核电应急柴油机组增加一套电子式的参数采集装置，需对机组进行繁琐的改造，且需要严格而复杂的审批论证过程[1-2]。因此，指针式仪表被广泛应用于核电站应急柴油机的运行参数测量中。但目前，指针式仪表的读取大多采用人工进行，存在很多明显的缺点。首先，长时间读取容易由于疲劳造成人为误差；其次，人工读取速度相对比较慢，无法捕捉快速变化的运行状态参数。因此，指针仪表的智能化识别成为了解决上述问题的唯一选择。

目前，指针式仪表的智能化识别大多采用摄像机拍摄仪表图像并进行相应处理获取读数。文献[3]利用圆变换检测指针和表盘的旋转中心，再通过轮廓跟踪算法确定指针中轴线的位置，通过圆心连线与指针中轴线的夹角确定仪表读数。文献[4]使用减影法将模板图像与实际图像相减得到单指针图像，利用角度法得到指针示数。文献[5]利用中心投影法先用变换找到仪表指针旋转中心点，然后将指针图像向旋转中心投影来寻找指针位置。上述方法均存在模型适用范围窄、预处理过程繁琐、难以识别刻度非均匀的仪表等不足。此外，由于核电站应急柴油机厂房时常需要工作人员进行巡视，仪表可能被遮挡，造成识别结果不准确。

针对上述问题，采用基于卷积神经网络的指针式仪表读数识别技术，能够自适应提取仪表特征及并读取仪表示数，解决了传统识别模型适用范围窄，预处理过程繁琐，难以识别刻度非均匀的仪表的问题；此外，研究了基于SIFT特征匹配的遮挡检测技术，排除了仪表遮挡度识别结果的影响。基于这两种技术，研发了一套核电站应急柴油机指针式仪表快速数字化识别系统，并应用于某核电站应急柴油机状态监测和巡检工作中。

1 指针式仪表示数快速数字化识别系统

指针式仪表示数智能识别系统以计算服务器为平台，采用摄像机进行实时图像采集，通过网线与交换机，将图像连续地传输至计算服务器，经过对仪表盘图像的预处理，以及卷积神经网络图像识别模型进行计算识别，得到指针式仪表的读数，并对识别结果进行保存。

1.1 系统硬件组成

指针式仪表参数快速识别系统由摄像机、交换机、计算服务器和显示器组成，其硬件组成如图1所示。

摄像机用于拍摄仪表图像，可根据现场的安装情况进行相应的调节，保证采集图像的质量；交换机是计算服务器和摄像机之间的数据通讯中介；计算服务器是本系统的核心，负责处理图像、识别读数和数据存储；显示器作为人机交互终端，方便用户操作本系统。

图1 系统硬件组成图Fig.1 Configuration of system hardware

1.2 主要功能

1.2.1 摄像机控制及自调节

本系统可以直接对摄像机云台进行拍摄参数的调整。此外，系统提供了装置自调节的功能，排除了由现场环境干扰（如厂房振动、人为移动）造成的不利影响。投入使用前，调整好摄像机拍摄角度，记录标志物在采集图像中的相对位置，定期检测标志物在图像中的相对位置，若检测到标志物位置发生较大偏移，则通过系统的预设值调整摄像机的拍摄角度。标志物如图2方框所示。

图2 标志物位置记录示意图Fig.2 Position reference marked

1.2.2 识别模型配置

在系统投入使用之前，需根据现场仪表的实际情况对识别模型的相关参数进行调整，以达到良好的识别效果。该部分在本文关键技术部分详细说明。

1.2.3 仪表图像预处理与识别

该部分为系统的核心部分，包括仪表盘图像的预处理以及仪表读数识别。其工作流程如图3所示。

图3 仪表图像预处理及识别流程Fig.3 Flow chart of images pretreatment and identification

图像预处理的作用是将采集的原始图像转化成标准图片，包括仪表区域提取、灰度处理及图片异常检测，计算识别的作用是判断仪表所属类别，并经相应的转换关系输出读数结果。该部分功能的详细说明如下：

仪表提取 摄像机同时拍摄多个仪表盘，因此，在图像采集的同时需要对图像进行仪表提取处理。根据初始化时对采集图像的坐标标定，提取仪表盘图像中的仪表。其示意图如图4所示。

图4 仪表区域提取示意Fig.4 Image object extraction

灰度处理 将RGB图转化为灰度图像，只保留指针和刻度相对位置信息，提高计算效率。

图片遮挡检测 采用SIFT特征匹配算法对度量仪表图像与标准模板的相似度，当检测出相似度低于阈值的图片，该时刻的图像视为被遮挡，则不进行计算识别，以上个时刻的识别结果作为当前识别结果。

模型计算识别 将图片输入训练好的卷积神经网络识别模型，得到仪表读数结果。

1.2.4 数据存储与结果查看

存储的数据包括计算结果以及采集的图像。将计算结果以及采集图像保存到计算机本地，方便用户进行历史结果查看，并根据所采集的仪表图像进行识别结果的验证对比。

2 指针式仪表快速识别系统关键技术

2.1 基于卷积神经网络图像分类的仪表读数识别模型

文献[6]提出一种基于卷积神经网络的仪表检测及定位方法，能够在变电站较为复杂的环境中检测出仪表所在区域，证明说明卷积神经网络模型能够识别指针式仪表的特征。

由于卷积神经网络模型在图像处理方面具备自适应特征提取，泛化能力强的优点[7]，考虑通过该模型对核电站应急柴油机所配套多种类别的指针式仪表读数进行识别。与文献[6]检测定位方法不同的是，读数识别本质上是多分类任务，借助卷积神经网络的分类能力即可实现指针式仪表读数识别。因此，设计一套基于卷积神经网络的仪表读数识别模型，并使用配置完善的模型进行仪表读数识别。

要准确识别仪表量程内的所有读数，需要所有读数（类别）的仪表图像都参与到模型训练的过程。由于难以采集到所有不同读数的图像。因此，采用指针旋转变换的方法，并生成所有类别的仪表图像的方法。此外，在样本生成过程中，考虑到实际应用环境下的干扰（光照强度、阴影等），向样本随机添加干扰成分。经过训练，得抗干扰能力强、具备非均匀刻度仪表读数识别能力的模型，其流程如图5所示。

图5 识别软件模型配置Fig.5 Image identification software process

2.2 基于SIFT特征匹配的遮挡检测

核电应急柴油机厂房内有时常有工作人员巡视仪表的运行情况，这会导致表盘被遮挡，摄像头拍摄的图像中没有完整的仪表图像。工作人员遮挡情况如图6所示，所拍摄被遮挡的仪表图像如图7所示。

图6 工作人员遮挡仪表的情况Fig.6 Situation of staff blocking instruments

图7 仪表被遮挡的图像Fig.7 Image of dail instrument occlusion

为解决该问题，通过SIFT特征匹配方法来检测所拍摄的仪表图像是否被遮挡。SIFT算法的实质是在不同的尺度空间上查找特征点，所查找的特征点都是一些十分突出，不会因光照、仿射变换和噪声等因素而变换的稳定特征点[8]，降低误判可能性。

识别过程中，将仪表图像与标准模板进行对比，通过特征点数判断所采集的仪表图像与标准模板的相似程度，若匹配的点数小于阈值，则判断该仪表被遮挡。被遮挡的图片检测效果如图8所示。

图8 仪表遮挡检测示意Fig.8 Pretreatment image of dail instrument occlusion

3 现场应用效果

某核电站应急柴油机组备配备30个指针式仪表，4个仪表柜。摄像头通过支架吊装在屋顶之上，分别对应4块仪表盘区域。摄像机连接着网线，连接至交换机，通过网线连至机箱。系统的安装布局如图9所示。

图9 系统安装布局Fig.9 Installation of high definition camera

本系统在设备应急柴油机组启机试验时进行了测试。识别结果实时显示，该系统能够快速、准确地识别应急柴油机在启机过程中的运行状态参数。该系统的应用效果及相关分析如下。

3.1 应用效果

将系统的识别结果与人工读取的真实结果进行对比，以一号、三号仪表柜的上油过滤器油压表和二号、四号仪表柜的发动机入水口压力表作为示例，说明读数识别结果准确性，如图10～图13所示。

图10一号仪表柜的油压识别结果对比Fig.10 Comparison of oil pressure identification results of instrument cabinet No.1

图11二号仪表柜的水压识别结果对比Fig.11 Comparison of hydraulic pressure identification results for instrument cabinet No.2

图12三号仪表柜的油压识别结果对比Fig.12 Comparison of oil pressure identification results of instrument cabinet No.3

图13 四号仪表柜的水压识别结果对比Fig.13 Comparison of hydraulic pressure identification results for instrument cabinet No.4

3.2 结果分析

后续对2台设备上游过滤器油压表和发动机入水口压力表读数真实值与系统识别结果的对比统计，如表1所示。

表1 数字化识别系统误差统计Tab.1 Error statistics of digital recognition system

本系统针对上油过滤器油压表的识别结果平均误差为0.083%，发动机入水口压力表的识别结果平均误差为0.280%，二者的识别结果最大误差为1%。分析表明，本系统读数识别的准确性能够满足核电站应急柴油机状态监测和巡检的需求。

4 结语

本文研究提出了基于卷积神经网络图像识别算法的指针式仪表识别技术。研发了指针式仪表识别系统装置，在现场进行测试应用，取得了满意效果。实际应用效果表明，该系统能够准确、快速地识别核电站应急柴油机的运行参数。该技术为核电应急柴油机可靠性管理提供了有效手段和数据分析依据；在核电站应急柴油机的状态监测和巡检工作中，可以代替人工读数工作，提高了仪表读数的效率和质量，为核电站应急柴油机的运行管理提供了一种创新性的手段，同时，该技术为本行业及其他相关行业的指针式仪表数字化识别的研究与应用提供了借鉴作用和指导意义。