文献标识码：B文章编号：1003-0492（2025）06-080-06中图分类号：TP206

★闫英明，孙筱淇，李文涵，武方杰，冯健村，高贺（北京广利核系统工程有限公司，北京100094）

关键词：测试系统；Opencv；OCR

1　前言

马赛克盘台是核电厂DCS系统的重要人机接口设备，核电运维人员可通过马赛克盘台监测堆芯及各回路的温度、压力等状态。

由于单机组马赛克盘面水平跨度大、瓦片信息多，这种人工测试的方式存在多人协作耗人耗时、肉眼观测易由于疲劳出现失误、批量瓦片变化人工难以一次快速捕捉、人工无法实现持续的盯盘、对于需要长期观测的情况难以有效实施等问题。因此，本文使用PaddleOCR模型、Halcon以及Opencv工具包，设计了一种TD-Vision视觉采集和识别的分布式自动化测试系统，以满足核电厂DCS系统的马赛克盘台测试需求。

2　需求研究

核电厂DCS一个机组具有多个马赛克盘台，盘台横向尺寸较长，同一盘台具有多个盘面。在DCS出厂前的系统测试中，测试人员需要对马赛克盘台上安装的瓦片设备进行测试和确认：

（1）瓦片型号、瓦片上文字标签、标识线条等与设计预期一致；

（2）在向盘台注入特定电气信号后，马赛克瓦片的动态响应（亮灯、数码管指示数值等）与设计预期一致；

（3）在向盘台注入特定电气信号后，马赛克瓦片能够在规定时间内发生动态响应。

为保证核电DCS系统测试效率，需要多盘台、多盘面同时进行测试，因此需要多个摄像机同时拍摄。同时，为了充分利用服务器的计算资源，以及实现测试区域“无人化”，测试人员需要远程控制完成测试过程。因此本文设计的分布式系统，规划一台服务器带载多台采集站、测试员站的物理形式，三者之间通过TCP/IP网络连接。

马赛克盘台的测试，分为静态测试、功能测试、响应时间测试三个子场景。根据上述需要确认的信息，TD-Vision测试系统应具有指示灯颜色、亮度识别、数码管数值和瓦片印刷中英文字符识别能力。

3　系统设计

3.1　系统设计

TD-Vision测试系统基于目前已广泛应用的TDBase自动化测试平台架构开发，TD-Base平台产品已具备电气信号、网络信号类型测试激励的注入和测试结果的回收功能。本文设计的TD-Vision测试系统作为视觉图像采集和分析的功能组件包，与TD-Base平台其他测试工具组件接口并集成，共同完成针对盘台的智能测试任务。

整个测试平台架构如图1所示。

图1整体系统架构图

系统总体采用分布式架构，各个设备之间通过以太网连接。TD-Vision盘台图像识别测试系统主要由摄像机、图像处理服务器和测试员站构成。

摄像机用于采集盘台马赛克盘面的图像信息；

图像识别服务器具备图像识别和配置功能，能够对图像信息进行分析与处理，以及对图像识别系统进行管理与配置；

图像测试站，为测试人员测试执行提供人机服务，并可视化显示图像采集状态。

3.2　软件设计

马赛克盘台的自动测试软件方案设计如下：

（1）采集实物盘面图像，读取设计图纸图像，并提供马赛克印刷文字、颜色、指示灯亮灭、数码管数值等关键信息的识别功能；

（2）图像识别自动化测试系统配置相关接口，实现与支持网络、IO信号自动测试的工具配合，接收并解析目标图像采集指令；

（3）采集马赛克盘台上目标设备的信息，并将其转化为数据，通过网络通信将信息反馈给请求方，实现从L1到L2的全链路自动化无人测试。

3.3　硬件设计

图像识别系统硬件部署方案设计原则如下：

（1）结构设计安全牢固，无倾倒、坠落、倒塌等风险；

（2）安装方式不能对被测对象造成伤害；

（3）不需要依赖于测试区域建筑结构为基础。

图像识别系统的相机置于三脚架上部署于待测盘面正前方，定位标志点背侧采用不粘胶，采集站、服务器、测试员站等设备易于部署安装和拆除；每套设备平均安装部署调试时间约为1.5小时。

4　系统功能

4.1　静态测试

静态测试主要对马赛克盘台的各类仪表安装位置、型号、颜色、标签等进行检查，确认盘台实物与设计预期（如设计布局图（*.pdf））是否一致。

测试方法为：测试人员使用测试员站启动静态测试，通过通信方式将采集指令信号发送至摄像设备，启动摄像设备自动对马赛克盘台被测区域进行拍照。拍照采集的图像自动传输给图像处理服务站，通过图像分析算法对盘台照片进行自动的处理和信息识别。同时，测试员站自动调取马赛克盘台布局设计文件，对布局图中的设计信息进行自动的图像处理和信息识别。然后，测试员站针对实物照片和设计文件中提出的图像信息进行自动比对，包括：瓦片上的设备型号、坐标是否一致；瓦片上的印刷文字（包括标签、单位、量程）是否一致；瓦片上印刷的框线、文字等其他标记性元素是否一致。比对完成后，图像处理站自动生成测试比对结果，通过测试员站将可视化的测试结果信息显示出来。测试人员可以通过测试员站进行结果的查看、核对以及生成测试记录。

基本测试流程如图2所示。

图2静态测试流程图

参与图像识别的目标马赛克分为长条形报警灯（AA灯，见示意图右上角部分红色或橙色瓦片）、方形报警灯（LA灯，见示意图中部黄色或绿色瓦片）和数码管三种类型。被测马赛克盘台的实物和设计图纸示意图如图3、图4所示。

图3马赛克盘台设计图纸示意图

图4马赛克盘台实物示意图

对于识别结果不确定的马赛克，软件提供静态测试结果人工二次核查界面，支持鼠标点击检定测试结果，如图5所示。

图5人工二次核查界面图

4.2　功能测试

功能测试主要针对盘台设备在实时电子信号输入下的瓦片设备的动态响应正确性进行测试。

测试人员使用测试员站启动动态测试，自动向IO信号处理站发送动态激励指令，由IO信号处理站向盘台瓦片设备注入IO激励信号，触发盘台的动态指示（如指示灯亮灭、数码管数值变化）。等待约3~5s（盘台瓦片动态指示稳定）后，测试员站向图像处理站发送图像采集指令，自动触发摄像组件采集当前的盘台瓦片图像，并进行图像预处理与信息识别，提取目标瓦片的显示状态信息（如指示灯的状态、数码管的数值）。测试员站收到实时盘台显示信息后，与测试脚本中的预期进行比对，判定本次测试是否通过，并进行记录。按照以上流程，测试员站可以连续执行多组测试脚本，对盘台每个瓦片的动态显示功能完成测试。

基本测试流程如图6所示。

图6功能测试流程图

4.3　响应时间测试

响应时间测试场景主要针对系统（L1机柜设备及L2盘台设备）的整体响应速度进行测试，确认系统收到激励后能够在预定的时间内做出正确的响应。

通过自动化测试平台TD-Base中的常规测试员站下发测试指令，通过IO管理服务器、信号站或通信站，向被测DCS系统注入测试激励信号，同时将激励注入通知信号发送到TD-Vision测试系统，通知摄像设备启动高速拍照功能。

DCS接收到激励信号通过一系列逻辑处理后，会将结果显示在马赛克盘台的特定瓦片单元上。使用TDVision测试系统中的摄像设备，从接收到激励注入通知信号开始，对马赛克盘台上的需观测瓦片设备进行高速拍照，持续到目标瓦片设备响应完成（如指示灯亮起）。TD-Vision测试系统对连续拍照的图像进行分析比对，根据图像帧数计算从触发信号为时间起始点，至盘台上相应的指示灯亮起所用的时间，并将此事件根据TD-Base测试员站的要求反馈回TD-Base测试员站。

TD-Base测试员站根据TD-Vision测试系统反馈的响应时间进行判断，给出测试结论和记录。

图7响应时间测试示意图

响应时间测试次连续循环的测试结果生成到一个测试记录中，测试记录写入excel，内容包括测试次数、每次测试结果、平均时间、最长时间、最短时间、测试人员和测试时间。

响应时间测试过程全部图片记录均保存于服务器，可供测试人员追溯回放测试过程。响应时间测试示意图如图7所示。

4.4　其他功能

4.4.1　登录验证

图像识别测试系统TD-Vision可访问测试平台TD-Base的人员权限管理MySQL数据库，获取人员登录名、密码及权限信息，验证人员的身份和权限。

系统在测试结束后将测试人员姓名、工号等信息写入测试记录。测试系统登录界面如图8所示。

图8测试系统登录界面

4.4.2　通信服务

图像识别系统TD-Vision与测试平台TD-Base的通信接口采用TCP/IP通信协议，图像识别系统作为TCP/IP的服务端，为TD-Base提供数据访问服务。通信的内容包括：

（1）能够接入现有的平台测试系统，将采集到的数据结果反馈到测试系统。

（2）接受平台测试系统的调度指令，包括启动、运行、停止等。

（3）向平台测试系统反馈系统运行状态信息，包括运行正常状态、故障状态及故障信息。

约定日志信息字符串格式：“本地IP|本应用名称|消息类型|错误代码|详细信息”。

表1通信消息类型

4.4.3　元件图库管理

图像识别系统提供元件库的管理工具，能够支持用户自行添加、修改、删除标准瓦片库，并且支持在元件图库中导入其他标准元件库excel表。元件图库示例如图9所示。

图9元件图库示例图

5　关键技术研究

5.1　图像配准

因三脚架、摄像机摆放位置与待测盘面视角、距离等因素影响，摄像机采集得到的原始数字图像中盘面会存在弯曲、偏移等问题，因此本文采用Halcon机器视觉算法库hough_circles算子识别盘面四角定位点，依据定位点对图像进行仿射变换，以得到能满足图像识别前提的平整盘面图像。

（1）边缘保留滤波

因为图像采集场景为DCS测试厂房，原始图像背景复杂，可能会将背景中其他物品错误识别为定位标志点，因此在对图像进行归一化后使用opencv中（cv2.pyrMeanShiftFiltering()）算子对原始图像首先执行边缘保留滤波，将图像在像素层面上像素值跃迁差异较大位置保留，然后输出可以完整地保存图像整体边缘的信息，用于下一步定位标志点检测。

（2）霍夫圆检测

定位标志点的检测使用Halcon机器视觉算法库中hough_circles算子。首先将图像分割为左上、右上、右下、左下四个区域，然后分别输入hough_circles算子，对输入图像进行二值化。霍夫圆变换的基本思路是认为图像上每一个非零像素点都有可能是一个潜在的圆上的一点，通过投票，生成累积坐标平面，设置一个累积权重来定位圆。在找到四幅图像中定位点的坐标后，计算得到该点在整体图像中的坐标，即得到盘面四个角点在图像中的位置，用于下一步仿射变换校准图像。

（3）仿射变换

通过调用Halcon机器视觉算法库hom_vector_to_proj_hom_mat2d算子，输入霍夫圆检测步骤所得盘面四角点坐标，计算得到齐次变换矩阵HomMat2D。该矩阵包含平移、旋转和缩放等信息，利用projective_trans_image算子将齐次变换矩阵应用于原始图像，得到完成配准后的图像，可用于下一步图像识别。

5.2　颜色识别

（1）颜色空间转换OpenCV默认使用BGR（蓝、绿、红）颜色空间。但在颜色识别中，由于HSV（色调、饱和度、亮度）颜色空间对光照变化不太敏感，因此其更适合于颜色识别。

通过使用OpenCV的函数（cv2.cvtColor()），将BGR图像转换为HSV图像。

（2）阈值处理

在HSV颜色空间中，每种颜色都有一个特定的色调（H）范围。为了识别特定的颜色，分别设置每种目标色调的阈值范围。

（3）颜色检测

使用OpenCV的函数（如cv2.inRange()），可以根据设置的HSV阈值范围创建一个二值图像。其中目标颜色的像素为白色，其他颜色的像素为黑色，统计二值图像中白色像素占比，确定目标区域颜色。

5.3　文字识别

PaddleOCR是一个基于Paddle深度学习框架开发的OCR（光学字符识别）工具库，本文部署超轻量PPOCRv4模型，支持中英文、特殊字符识别。模型选用多种文本检测和识别算法，并采用多种数据增强技术和模型融合策略，能够有效地应对图像噪声、光照变化等干扰因素，其鲁棒性、稳定性较好，并且兼具高效性和轻量化的优点。

首先截取马赛克瓦片中文字识别ROI区域，送入PaddleOCR进行处理，完成PaddleOCR本身包含的去噪等预处理步骤后，第一步使用DB文本检测算法预测概率图P和阈值图T，由F和T计算后近似得到二值图B，划取图片中的文字区域。

然后使用CRNN（卷积递归神经网络）模型进行文本识别。它结合了卷积神经网络（CNN）和递归神经网络（RNN）的优势，特别适用于对图像中的序列文本进行识别。

（1）由卷积层提取图像的特征，这些特征随后被展平并输入到递归层。

（2）在递归层中，RNN处理输入序列，并且能够在序列的每个时间步捕捉上下文信息。

（3）转录层对RNN的输出进行解码，生成最终的文本序列。

设计图纸与盘台实物字符识别中特殊符号Δ、Σ、℃等识别效果不佳，未来需要进一步微调模型，因为出错类型较为固定，目前工具通过错误类型替换手段提升准确率，具体如表2所示。

表2错误类型替换表

6　结论

以华龙单个机组安全级DCS的工厂测试执行为例，其需要实施图像观测的马赛克约1870个，待测目标样式共5种约9350项。对马赛克盘台人工执行测试，单项测试时间花费约10秒，且需要两人同时配合，测试工程师A注入测试激励，测试工程师B观察盘面并记录测试结果，一个机组马赛克盘台测试耗费工时约8人日，耗时4天。而采用图像识别自动测试方案，单项测试时间花费平均1秒，不仅能捕捉瓦片的闪发变化，而且能够昼夜连续执行测试，仅需一天就能够完成单机组马赛克盘台测试，解决了马赛克盘台“测试量大-耗人耗时”“肉眼观测易失误”“闪发、批量难捕捉”、“长期盯盘难实施”的4大痛点问题。该测试技术方案验证有效，价值清晰，可扩展应用至其他核电DCS人机交互设备的测试，提高了核电仪控领域测试自动化、智能化水平。

综上所述，本文设计的基于图像识别的马赛克盘台自动测试系统，能够有效地提高马赛克盘台的自动测试水平。未来，我们将进一步优化算法设计，提高自动测试工具的适用性和稳定性，为核电领域的发展做出更大的贡献。

作者简介：

闫英明（1988-），男，辽宁朝阳人，工程师，硕士，现就职于北京广利核系统工程有限公司，主要从事核电厂安全级DCS系统验证与确认工作。

参考文献：

[1] 陈科. 自动化测试技术在我国第三代核电DCS系统的应用[J]. 设备管理与维修, 2023 (21) : 96 - 97.

[2] 陈倩, 陈建敏. 基于Python语言的图像识别算法设计[J]. 江苏科技信, 2019, 36 (12) : 48 - 51.

[3] 刘基, 赵志诚, 王晓东. 基于OCR技术的复杂背景下工件标识字符识别方法[J]. 铸造, 2021, 70 (7) : 855 - 860.

[4] 张桃, 童旭, 胡隆河, 等. 基于卷积神经网络的酒文献关键词自动识别与标注算法[J/OL]. 宜宾学院学报, 2024 : 1 - 11.

[5] 成日冉. 基于嵌入式图像处理平台的集装箱编码识别系统研发[D]. 成都: 电子科技大学, 2023.

[6] 冈萨雷斯. 数字图像处理(第三版) [M]. 北京: 电子工业出版社, 2011.

[7] JAWAHAR CV. Top-down and bottom-up cues for scene text recognition[C] / / Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Providence: IEEE, 2012 : 2687 - 2649.

[8] LUKA N, JII M. Real-time lexicon-free scene text localization and recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2016, 38 (9) : 1872 - 1885.

摘自《自动化博览》2025年6月刊