基于多策略分割融合與形態(tài)特征辨識的變電站保護壓板狀態(tài)識別

袁朝暉，付文龍，李佰霖，文 斌

基于多策略分割融合與形態(tài)特征辨識的變電站保護壓板狀態(tài)識別

袁朝暉1,2，付文龍1,2，李佰霖1,2，文 斌1

(1.三峽大學電氣與新能源學院，湖北 宜昌 443002；2.三峽大學梯級水電站運行與控制湖北省重點實驗室，湖北 宜昌 443002)

目前變電站保護壓板巡檢仍主要采用人工進行，耗時費力且容易出錯，制約著變電站二次設(shè)備智能化的發(fā)展。為此，提出一種基于多策略分割融合與形態(tài)特征辨識的變電站保護壓板狀態(tài)識別方法。通過移動端設(shè)備采集屏柜壓板圖像后，首先對壓板區(qū)域進行透視變換，消除拍攝角度產(chǎn)生的畸變影響。然后采用多策略分割融合方法獲取有效壓板區(qū)域，即在HSV空間利用多閾值分割。同時在Lab空間采用K均值聚類分割，再對兩種分割結(jié)果進行融合，獲得有效壓板區(qū)域。最后計算有效壓板方向角和寬長比形態(tài)特征，并分別判別兩種特征對應(yīng)的狀態(tài)，進一步融合兩種狀態(tài)結(jié)果，辨識壓板最終運行狀態(tài)。通過對不同場景下的復雜背景壓板圖像進行實例研究，結(jié)果表明該方法具有良好的準確率和適用性。

保護壓板；多閾值；K均值聚類；形態(tài)特征；運行狀態(tài)

0 引言

隨著經(jīng)濟的快速發(fā)展，電能的需求越來越大，對變電站的運營和維護也提出了更高的要求。為保證變電站安全穩(wěn)定運行，定期巡檢變電站二次設(shè)備的工作狀態(tài)是重點工作。保護壓板作為二次設(shè)備巡檢的重要內(nèi)容，依靠傳統(tǒng)的人工檢測已難以滿足智能化的要求，而且人工巡檢常因視覺疲勞、記憶錯誤等原因出現(xiàn)錯檢、漏檢的現(xiàn)象，導致存在安全隱患。為此，發(fā)展基于新技術(shù)的變電站設(shè)備遠程監(jiān)控技術(shù)[1-2]，構(gòu)建在線的運檢系統(tǒng)架構(gòu)，以實現(xiàn)變電站二次設(shè)備智能巡檢已是當務(wù)之急[3]。近年來，基于傳統(tǒng)圖像處理[4]和深度學習[5-7]的識別方法已經(jīng)廣泛應(yīng)用于電氣設(shè)備識別領(lǐng)域中。針對變電站保護壓板狀態(tài)識別方法，現(xiàn)有研究常忽略了對壓板圖像的分割，尤其是對存在背景干擾的壓板圖像，難以保證較高的識別準確率。

利用圖像處理技術(shù)識別壓板狀態(tài)，核心技術(shù)在于準確的圖像分割和高效的狀態(tài)判別。圖像分割是圖像識別的前提，有效壓板區(qū)域的精確分割，是提高識別準確率的重要保證。狀態(tài)判別是指通過對壓板區(qū)域形態(tài)特征進行分析，設(shè)定判別規(guī)則，判別壓板的投入和退出狀態(tài)。文獻[8]設(shè)定閾值獲取有效顏色壓板區(qū)域，再進行形態(tài)學處理，得到完整連通區(qū)域，通過對壓板連通區(qū)域進行形態(tài)特征分析識別壓板狀態(tài)。文獻[9]根據(jù)壓板圖像顏色特征分離出有效壓板區(qū)域，然后通過每塊壓板外接矩形框的形態(tài)特征判斷出壓板的開關(guān)狀態(tài)。文獻[10]提出一種基于模型聚類匹配和形態(tài)特征辨別的壓板狀態(tài)辨識技術(shù)識別壓板狀態(tài)，但在實際應(yīng)用中效果并不理想。文獻[11]提出一種基于聚類和D-S證據(jù)理論的壓板校核方法，采用聚類方法進行圖像分割，結(jié)合證據(jù)理論融合多個壓板狀態(tài)指標進行狀態(tài)判別，相對于單一狀態(tài)識別方法，有較高的準確率。但是基于聚類的分割方法不適用于背景復雜的壓板圖像，分割方法的泛用性還有待提高。文獻[12]提出一種基于深度學習的壓板狀態(tài)識別方法，有效提高了壓板識別的準確率。但是這種方法的模型訓練過程比較復雜，需要對大量壓板數(shù)據(jù)進行學習。文獻[13]使用AR設(shè)備獲取信息，基于圖像處理技術(shù)，實現(xiàn)了二次設(shè)備如壓板、開關(guān)的異常檢測。

目前基于圖像處理的壓板狀態(tài)識別研究，仍存在一定程度上的問題。通過移動端設(shè)備(如移動巡檢機器人、手持式巡檢儀)采集屏柜壓板圖像時，首先會因拍攝場地的限制和光照影響而產(chǎn)生較大噪聲，其次可能由拍攝視角而造成圖像畸變，另外屏柜面板背景帶有的標簽、銘牌和條紋等都會給壓板區(qū)域的分割和識別帶來一定難度。屏柜面板背景的復雜度是壓板識別困難的關(guān)鍵原因，對于背景復雜、干擾區(qū)域較多的壓板圖像，目前還沒有較好的分割與識別方法。針對該問題，本文提出一種基于多策略分割融合與形態(tài)特征辨識的變電站保護壓板狀態(tài)識別方法。首先采用透視變換的方法對壓板區(qū)域進行校正，然后融合多閾值分割和K均值聚類分割結(jié)果得到有效壓板區(qū)域，最后利用形態(tài)特征辨識的方法，融合多種特征判別結(jié)果，辨識壓板最終狀態(tài)。實例分析證明，本文所提方法對于存在背景干擾的壓板圖像具有良好的準確性和適用性。

1 圖像處理

由于圖像采集時受場地限制及光照影響，采集所得圖像常存在畸變和不同程度的模糊等問題。因此需先對采集的屏柜壓板圖像進行預處理，校正包含所有壓板的目標區(qū)域，去除無效的干擾區(qū)域，以便于后續(xù)屏柜壓板的分割和狀態(tài)識別。本文研究中采用數(shù)字圖像處理技術(shù)進行預處理，即對圖像目標區(qū)域進行視角校正，進而對校正的圖像進行分割，獲得有效壓板區(qū)域形態(tài)特征，并依據(jù)判別規(guī)則辨識壓板狀態(tài)。

1.1 圖像校正

通常情況下，采集的屏柜壓板圖像有較大面積的無關(guān)區(qū)域，且易出現(xiàn)畸變問題，這對壓板區(qū)域的分割和狀態(tài)判別影響較大。為提高壓板識別的準確率，需先對壓板圖像進行預處理，校正壓板區(qū)域并去除無效的干擾區(qū)域。為實現(xiàn)畸變圖像的校正，本文采用透視變換[14]的方法進行處理。透視變換的通用公式為

1.2 多策略分割融合

有效而準確的壓板區(qū)域分割是識別壓板狀態(tài)的前提，因而研究高效的分割方法是圖像識別領(lǐng)域的重要內(nèi)容。圖像分割的難點在于解決顏色辨識的問題，由于光照陰影、背景邊框和部分壓板顏色相混淆，常規(guī)分割方法難以分割出有效區(qū)域，這也是壓板識別率較難提高的主要原因。圖像分割經(jīng)歷了漫長的研究歷程，傳統(tǒng)方法趨于成熟。目前，新穎的分割方法層出不窮，其中多閾值[15]和多方法融合[16-17]的分割方式呈現(xiàn)巨大潛力，相比于使用單一方法進行分割，融合分割方法具有更理想的分割效果。因此，本文提出一種多策略分割融合的方法，結(jié)合多閾值和K均值聚類兩種分割方法的優(yōu)點，有效解決了屏柜壓板圖像受背景干擾和光照影響的問題。

多策略分割融合方法的總體流程如圖1所示。

圖1 多策略分割融合方法流程圖

1.2.1 基于HSV顏色空間的多閾值分割

采用適當?shù)纳士臻g是進行有效分割的基礎(chǔ)。在以往的相關(guān)研究中，多直接采用RGB顏色空間進行分割。RGB顏色空間中顏色分量的相關(guān)性較強，很難分割出有效的壓板區(qū)域。由于HSV顏色空間各分量相關(guān)性弱，各分量保持相對獨立性，使得HSV顏色空間能夠很好地突出顏色特征[18]。特別是對明亮顏色，如紅、綠、藍三色，轉(zhuǎn)換到HSV顏色空間后具有增強效果。其中表征顏色色調(diào)的量為分量，通過選取特定的分量閾值，即可分割出特定的顏色區(qū)域。其中，RGB顏色空間轉(zhuǎn)換到HSV顏色空間的值定義公式如式(2)所示。

式中：、、分別為紅、綠、藍色通道值；max為、、中最大值；min為、、中最小值。

顏色選取的H通道閾值如圖2所示。

圖2 顏色選取的H通道閾值

閾值分割的思想是確定一個閾值，然后把每個像素點的灰度值和該閾值相比較，根據(jù)比較的結(jié)果把該像素劃分為兩類，前景和背景。因其實現(xiàn)簡單、計算量小、性能穩(wěn)定，閾值分割成為圖像分割領(lǐng)域最基本和應(yīng)用最廣泛的分割技術(shù)。由于壓板圖像的背景較為復雜，分割過程中，深紅邊框條紋對紅色壓板產(chǎn)生較大的干擾，使用單一閾值分割效果不夠理想。針對該問題，本文選擇多閾值分割方式進行處理，即設(shè)置一個閾值區(qū)間，將紅色壓板區(qū)域從背景中分離出來。觀察圖2可知，獲得紅色壓板區(qū)域的分量選擇范圍為0～0.167。從理論上講，選取的閾值為這兩個值，就可以分割出紅色壓板區(qū)域，但是過大的閾值區(qū)間范圍會將部分無關(guān)顏色區(qū)域也分割出來，增大了識別的難度。本文研究中是通過縮減區(qū)間范圍確定最佳分割區(qū)間，研究發(fā)現(xiàn)，極小閾值選為0.01，極大閾值選為0.1，分割效果最好。

1.2.2 基于Lab顏色空間的K均值聚類分割

Lab顏色空間是一種基于人類對光的視覺光譜敏感度的數(shù)學色彩模式，在圖像分割領(lǐng)域應(yīng)用廣泛。壓板圖像主要由紅、綠、黃三色的有效壓板、駝色壓板和背景組成，直接采用RGB顏色空間進行分割，會產(chǎn)生較大噪聲干擾。將RGB顏色空間的壓板圖像轉(zhuǎn)換到Lab顏色空間，對背景部分有較好的掩蓋效果，能最大程度降低噪聲的干擾[19]。

聚類的對象是壓板圖像的顏色像素值，主要是利用聚類分割出黃色和綠色壓板區(qū)域，考慮到壓板圖像主要顏色種類不多于5種，聚類初始值初步確定為2～4之間。聚類數(shù)目和中心的選擇直接影響最終分割的結(jié)果，為了得到精確的分割結(jié)果圖，針對多組圖像分別選擇=2、=3和=4進行壓板圖像分割，研究發(fā)現(xiàn)具有普適性、最佳的聚類初始值為2。

K均值聚類的具體步驟如下：

(2) 在第次迭代中，對任意一個樣本點，求其到個聚類中心的距離，將該樣本點歸到距離最短的聚類中心所在的類；

(3) 利用均值等方法更新該類的聚類中心；

(4) 利用步驟(2)和(3)的迭代法更新，值保持不變或相差很小，則迭代結(jié)束，否則繼續(xù)迭代。

1.2.3 分割結(jié)果融合

圖像融合是使用特定的算法將兩幅(或多幅)圖像綜合成一幅新的圖像。融合結(jié)果由于能利用兩幅(或多幅)圖像在時空上的相關(guān)性及信息上的互補性，并使得融合后得到的圖像對場景有更全面、更清晰的描述。本文的研究中，基于HSV顏色空間的多閾值分割，能有效分割出紅色的壓板區(qū)域，而基于Lab顏色空間的K均值聚類分割，能有效分割出黃色和綠色的壓板區(qū)域，進一步融合兩種分割方式所得結(jié)果，便能補全所有有效壓板區(qū)域。為防止區(qū)域合并后增強噪聲和擴大干擾區(qū)域，在進行融合前，分別對兩次分割后的壓板區(qū)域進行中值濾波，再進行圖像融合，獲得完整的有效壓板區(qū)域分割結(jié)果。

1.3 不同分割方法對比

為進一步驗證本文所提分割方法的有效性，現(xiàn)將本文所提方法與傳統(tǒng)的幾種主流分割方法進行對比，相關(guān)結(jié)果如表1所示。結(jié)果表明，采用RGB顏色聚類的分割方法效果很不理想；基于Lab顏色空間的聚類方法能夠獲取完整的有效壓板區(qū)域，但是不能將壓板區(qū)域與背景邊框線區(qū)分開；而采用多閾值的分割方法對部分壓板分割效果不夠理想，受噪聲干擾較大。本文所提的多策略分割融合方法，結(jié)合了閾值分割和聚類分割的優(yōu)點，較好地解決了邊框線干擾和噪聲干擾問題，具有良好的適用性和魯棒性。

表1 不同分割方法獲取有效壓板區(qū)域結(jié)果對比

1.4 形態(tài)學處理

通常情況下，對獲得的分割結(jié)果圖進行二值化處理[22]后，存在噪聲和較小無效連通區(qū)域。這些干擾區(qū)域會對后續(xù)壓板區(qū)域特征計算和狀態(tài)判別產(chǎn)生不利影響。為提高壓板識別的精度，本文采用開運算、閉運算、膨脹和孔洞填充等方式進行形態(tài)學處理?？紤]到噪聲和干擾區(qū)域較小，且干擾區(qū)域主要為線型區(qū)域，故先采用長度為5、角度為90o的直線結(jié)構(gòu)元素進行開運算，去除干擾線段區(qū)域；再以半徑為3的圓形結(jié)構(gòu)元素進行閉運算，去掉毛刺和孤立點；最后以半徑為2的圓形結(jié)構(gòu)元素進行膨脹處理及孔洞填充操作，抑制深度噪聲，填充目標區(qū)域深度空洞。

1.5 連通區(qū)域標記

連通區(qū)域標記即為每一個壓板區(qū)域分配一個表征數(shù)字進行編號，與后期壓板識別的結(jié)果關(guān)聯(lián)對應(yīng)。本文以8連通的方式判別連通區(qū)域，編號選擇的方向為從左至右，以1, 2, …,進行標記。

2 形態(tài)特征辨識

保護壓板有投入和退出兩種狀態(tài)，如圖3所示。其中直立形態(tài)為投入狀態(tài)壓板，傾斜形態(tài)為退出狀態(tài)壓板。同一壓板只有一種狀態(tài)，投入或退出。因此，可以選定指定的壓板形態(tài)特征判別壓板狀態(tài)。考慮到投入和退出狀態(tài)壓板方向角有明顯區(qū)別，故將方向角作為判別特征。使用單一特征判別存在偶然性和隨機性，易出現(xiàn)誤判和漏判的現(xiàn)象，辨識結(jié)果可靠性較低。為此，將壓板外接矩形的寬長比也作為判別依據(jù)。依據(jù)判別規(guī)則分別獲取兩種特征對應(yīng)的狀態(tài)結(jié)果，然后融合這兩種結(jié)果辨識壓板最終狀態(tài)。

圖3 保護壓板投退狀態(tài)

Fig. 3On/off states of protection platen

2.1 方向角特征判別

保護壓板方向角定義為與壓板區(qū)域具有相同標準二階中心矩的橢圓的長軸與軸的交角。標準狀態(tài)下，投入狀態(tài)壓板方向角為±90o，退出狀態(tài)壓板方向角為±45o?？紤]到校正后仍有微小傾斜，分割過程也會造成角度偏移，所以設(shè)置10%的裕度[8]。投入狀態(tài)壓板記為1，退出狀態(tài)壓板記為0。判別公式如式(4)所示。

2.2 寬長比特征判別

觀察圖3可知，投入狀態(tài)和退出狀態(tài)保護壓板最小外接矩形存在差異，退出狀態(tài)壓板外接矩形寬度大于投入狀態(tài)的寬度[11]。壓板寬長比定義為壓板區(qū)域最小外接矩形的寬與長的比值。投入狀態(tài)壓板寬長比接近0.33，退出狀態(tài)壓板寬長比接近1?？紤]到分割過程中存在的壓板區(qū)域缺陷影響，設(shè)置一定的裕度。當寬長比小于0.6時，壓板為投入狀態(tài)，記為1；當寬長比大于0.8時，壓板為退出狀態(tài)，記為0。判別公式如式(5)所示。

2.3 形態(tài)特征融合辨識

不同特征數(shù)據(jù)對變化信息的表征能力不同，導致最終檢測的結(jié)果可能存在一定差異。使用單一特征進行檢測常存在精度低的問題。現(xiàn)階段，信息融合[23]和多特征模糊融合[24]的檢測方法表現(xiàn)出良好的優(yōu)越性?？紤]到使用單一特征辨識壓板狀態(tài)具有偶然性，可能存在誤判現(xiàn)象，本文提出一種形態(tài)特征融合檢測方法，通過對方向角和寬長比兩種特征判別結(jié)果進行融合，用以辨識壓板最終狀態(tài)。為提高辨識的準確率和可信度，防止出現(xiàn)誤判現(xiàn)象，辨識過程如下：當方向角和寬長比兩種特征判別結(jié)果同為投入狀態(tài)時，辨識的壓板最終狀態(tài)為投入狀態(tài)，記為1，否則為退出狀態(tài)，記為0。最終辨識公式如式(6)所示。

壓板狀態(tài)識別流程如圖4所示。

3 實例分析

考慮到壓板識別結(jié)果受環(huán)境因素和拍照設(shè)備的影響，本文對不同情況下的變電站屏柜壓板圖像進行識別。

3.1 實例一

本實例中采集到的壓板圖像如圖5(a)所示，圖像分辨率為1920×1080像素，水平和垂直分辨率為96 dpi。該屏柜共有6排壓板，每排有9個，整塊屏柜中有效的壓板個數(shù)為46個。屏柜壓板圖像中有較多無關(guān)區(qū)域，且存在輕微角度畸變。首先截取其中包含所有壓板的四邊形區(qū)域并使用透視變換方法進行校正，處理結(jié)果如圖5(b)所示；然后分別使用多閾值方法和K均值聚類方法進行分割，得到的分割圖像如圖5(c)和圖5(d)所示；最后對兩種方法得到的分割結(jié)果進行融合，得到完整的分割結(jié)果如圖5(e)所示。觀察可知，仍有噪聲和線型小連通區(qū)域，進而使用形態(tài)學處理手段去除干擾，并進行適當?shù)呐蛎浱幚?，處理結(jié)果如圖5(f)所示。

圖4 壓板狀態(tài)識別流程圖

接下來對形態(tài)學處理后的二值圖像壓板區(qū)域進行狀態(tài)判別。首先計算有效壓板連通區(qū)域的方向角和寬長比形態(tài)特征，然后依據(jù)式(4)和式(5)分別判別這兩種特征對應(yīng)的壓板狀態(tài)s1和s2，最后依據(jù)式(6)辨識壓板最終狀態(tài)s。相關(guān)數(shù)據(jù)如表2所示，總共識別出46個有效壓板，其中投入狀態(tài)壓板有18個，退出狀態(tài)壓板有28個，所有壓板的識別狀態(tài)完全正確。

表2壓板形態(tài)特征及狀態(tài)識別結(jié)果

續(xù)表2

3.2 實例二

本實例中采集到的壓板圖像如圖6(a)所示，圖像分辨率為1920×1080像素，水平和垂直分辨率為96 dpi。該屏柜共有8排壓板，每排有9個，整塊屏柜中有效的壓板個數(shù)為44個。屏柜壓板圖像中有較多無關(guān)區(qū)域，且存在輕微角度畸變。首先截取其中包含所有壓板的四邊形區(qū)域并使用透視變換方法進行校正，處理結(jié)果如圖6(b)所示；然后分別使用多閾值方法和K均值聚類方法進行分割，得到的分割圖像如圖6(c)和圖6(d)所示，最后對兩種方法得到的分割結(jié)果進行融合，得到完整的分割結(jié)果如圖6(e)所示。觀察可知，仍有噪聲和線型小連通區(qū)域，進而使用形態(tài)學處理手段去除干擾，并進行適當?shù)呐蛎浱幚?，處理結(jié)果如圖6(f)所示。

接下來對形態(tài)學處理后的二值圖像壓板區(qū)域進行狀態(tài)判別。首先計算有效壓板連通區(qū)域的方向角和寬長比形態(tài)特征，然后依據(jù)式(4)和式(5)分別判別這兩種特征對應(yīng)的壓板狀態(tài)s1和s2，最后依據(jù)式(6)辨識壓板最終狀態(tài)s。相關(guān)數(shù)據(jù)如表3所示，總共識別出44個有效壓板，其中投入狀態(tài)壓板有25個，退出狀態(tài)壓板有19個，所有壓板的識別狀態(tài)完全正確。

圖6 采集圖像的有效壓板圖像處理結(jié)果

表3 壓板形態(tài)特征及狀態(tài)識別結(jié)果

續(xù)表3

4 結(jié)論

變電站保護壓板的智能巡檢是變電站安全穩(wěn)定運行的重要保障，當前基于圖像處理的壓板識別方法忽視壓板圖像的分割，尤其是對存在背景干擾影響的壓板圖像，難以保證較高的識別準確率。為此，本文提出一種基于多策略分割融合與形態(tài)特征辨識的變電站保護壓板狀態(tài)識別方法。首先通過多策略分割融合的處理方法，準確得到有效壓板區(qū)域；然后計算有效壓板方向角和寬長比形態(tài)特征，進而采用多特征融合辨識的方法辨識壓板運行狀態(tài)。相比于單一特征判別壓板狀態(tài)，該方法更具可靠性。不同場景下的壓板狀態(tài)識別結(jié)果表明，所提方法能夠準確辨識壓板狀態(tài)，具有較好的準確性和魯棒性。

[1] AP0STOLOV A. Efficient maintenance testing in digital substations based on IEC 61850 edition 2[J]. Protection and Control of Modern Power Systems, 2017, 2(4): 407-420.

[2] WANG Haifeng, ZHOU Bin, ZHANG Xie, et al. Research on the remote maintenance system architecture for the rapid development of smart substation in China[J]. IEEE Transactions on Power Delivery, 2018, 33(4): 1845-1852.

[3] 劉琨, 黃明輝, 李一泉, 等. 智能變電站繼電保護在線運檢方法研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(7): 58-65.

LIU Kun, HUANG Minghui, LI Yiquan, et al. Research on online operation method for protective relay of smart substation[J]. Power System Protection and Control, 2020, 48(7): 58-65.

[4] 騰云, 雷丞, 李洪濤, 等. 基于HOG和SVM的高壓隔離開關(guān)分合閘狀態(tài)自動識別技術(shù)研究[J]. 高壓電器, 2020, 56(09): 246-252.

TENG Yun, LEI Cheng, LI Hongtao, et al. Research of automatic identification for the on/off state of high-voltage disconnector based on HOG and SVM[J]. High Voltage Apparatus, 2020, 56(9): 246-252.

[5] 武建華, 梁利輝, 張喆, 等. 基于深度學習的變電站設(shè)備油液滲漏檢測識別[J]. 廣東電力, 2020, 33(11): 9-15.

WU Jianhua, LIANG Lihui, ZHANG Zhe, et al. Object detection of oil leakage in substation equipment based on deep learning[J]. Guangdong Electric Power, 2020, 33(11): 9-15.

[6] 顧曉東, 唐丹宏, 黃曉華, 等. 基于深度學習的電網(wǎng)巡檢圖像缺陷檢測與識別[J]. 電力系統(tǒng)保護與控制, 2021, 49(5): 91-97.

GU Xiaodong, TANG Danhong, HUANG Xiaohua, et al. Deep learning-based defect detection and recognition of a power grid inspection image[J]. Power System Protection and Control, 2021, 49(5): 91-97.

[7] 田野, 孫瑞志. 基于卷積神經(jīng)網(wǎng)絡(luò)的認知智能信息融合系統(tǒng)結(jié)構(gòu)研究[J]. 河南師范大學學報(自然科學版), 2021, 49(5): 33-39.

TIAN Ye, SUN Ruizhi. Research on the structure of cognitive intelligence information fusion system based on convolutional neural network[J]. Journal of Henan Normal University (Natural Science Edition), 2021, 49(5): 33-39

[8] 付文龍, 譚佳文, 吳喜春, 等. 基于圖像處理與形態(tài)特征分析的智能變電站保護壓板狀態(tài)識別[J]. 電力自動化設(shè)備, 2019, 39(7): 203-207.

FU Wenlong, TAN Jiawen, WU Xichun, et al. Protection platen status recognition based on image processing and morphological feature analysis for smart substation[J]. Electric Power Automation Equipment, 2019, 39(7): 203-207.

[9] 潘成成, 盧泉, 胡立坤,等. 基于顏色分離與形態(tài)特征分析的保護壓板定位及狀態(tài)識別研究[J/OL]. 電測與儀表:1-8[2021-03-27].http://kns.cnki.net/kcms/detail/ 23.1202.TH.20201127.1043.010.html.

PAN Chengcheng, LU Quan, HU Likun, et al. Platen location and status recognition based on image processing and morphological features analysis[J]. Electrical Measurement & Instrumentation: 1-8[2021-03-27]. http://kns.cnki.net/kcms/detail/23.1202.TH.20201127.1043. 010.html.

[10] 許超, 陳昊, 劉少情,等. 基于模型聚類匹配和形態(tài)特征識別的保護壓板狀態(tài)辨識技術(shù)[J]. 陜西電力, 2017, 45(1): 32-36, 85.

XU Chao, CHEN Hao, LIU Shaoqing, et al. Relaying plate condition recognition technology based on model-based cluster matching and morphological characteristics recognition[J]. Smart Power, 2017, 45(1):32-36, 85.

[11] 梁辰, 孫建文, 王蘭玉,等. 應(yīng)用聚類和證據(jù)理論實現(xiàn)變電站保護壓板狀態(tài)校核[J]. 電網(wǎng)技術(shù), 2020, 44(6): 2343-2349.

LIANG Chen, SUN Jianwen, WANG Lanyu, et al. Application of clustering and evidence theory to checking the status of substation protection platen[J]. Power System Technology, 2020, 44(6):2343-2349.

[12] 王偉, 張彥龍, 翟登輝,等. 基于OpenCV+SSD深度學習模型的變電站壓板狀態(tài)智能識別[J/OL]. 電測與儀表: 1-10[2020-10-23].http://kns.cnki.net/kcms/detail/ 23.1202.TH.20200827.1838.052.html.

WANG Wei, ZHANG Yanlong, ZHAI Denghui, et al. Intelligent identification of substation platen state based on OpenCV+SSD deep learning model[J]. Electrical Measurement & Instrumentation: 1-10[2020-10-23]. http://kns.cnki.net/kcms/detail/23.1202.TH.20200827.1838.052.html.

[13] 簡學之, 劉子俊, 文明浩,等. AR增強現(xiàn)實技術(shù)在變電站二次設(shè)備運檢中的應(yīng)用[J]. 電力系統(tǒng)保護與控制, 2020,48(15): 170-176.

JIAN Xuezhi, LIU Zijun, WEN Minghao, et al. Application of operation and maintenance of intelligent substation equipment based on augmented reality technology[J]. Power System Protection and Control, 2020, 48(15):170-176.

[14] 代勤, 王延杰, 韓廣良,等. 基于改進Hough變換和透視變換的透視圖像校正[J]. 液晶與顯示, 2012, 27(4): 552-556.

DAI Qin, WANG Yanjie, HAN Guangliang, et al. Perspective image rectification based on improved hough transformation and perspective transformation[J]. Chinese Journal of Liquid Crystals and Displays, 2012, 27(4):552-556.

[15] 彭浩, 和麗芳. 基于改進樹種算法的彩色圖像多閾值分割[J]. 計算機科學, 2020, 47(增刊1): 220-225.

PENG Hao, HE Lifang. Multi-threshold segmentation for color image based on improved tree-seed algorithm[J]. Computer Science, 2020, 47(S1):220-225.

[16] 龐曉敏, 閔子建, 闞江明,等. 基于HSI和LAB顏色空間的彩色圖像分割[J]. 廣西大學學報(自然科學版), 2011, 36(6): 976-980.

PANG Xiaomin, MIN Zijian, KAN Jiangming, et al. Color image segmentation based on HSI and LAB color space[J]. Journal of Guangxi University (Natural Science Edition), 2011, 36(6):976-980.

[17] 夏亞飛. 基于K均值聚類和二維Otsu的棉花HSV圖像分割[J]. 軟件, 2020, 41(7):170-173.

XIA Yafei. Cotton HSV image segmentation based on K-means clustering and two-dimensional Otsu[J]. Computer Engineering & Software, 2020, 41(7): 170-173.

[18] 齊銳麗, 陳曼龍, 楊宗浩,等. 基于HSV模型與改進的OTSU算法花椒圖像分割[J]. 中國農(nóng)機化學報, 2019, 40(11): 155-160.

QI Ruili, CHEN Manlong, YANG Zonghao, et al. Image segmentation of Sichuan pepper based on HSV model and improved OTSU algorithm[J]. Journal of Chinese Agricultural Mechanization, 2019, 40(11):155-160.

[19] 吳迪, 劉偉峰, 胡勝,等. 基于Lab空間的K均值聚類彩色圖像分割[J]. 電子科技, 2017, 30(10): 29-32.

WU Di, LIU Weifeng, HU Sheng, et al. Color image segmentation using K-mean clustering based on Lab space[J]. Electronic Science and Technology, 2017, 30(10):29-32.

[20] 任磊, 賴惠成, 陳欽政,等. 基于改進K均值聚類與HSV模型的棉花分割算法[J]. 計算機工程與設(shè)計, 2013, 34(5): 1772-1776.

REN Lei, LAI Huicheng, CHEN Qinzheng, et al. Based on improved K-means clustering cotton image segmentation algorithm[J]. Computer Engineering and Design, 2013, 34(5):1772-1776.

[21] 曹帥帥, 陳雪鑫, 苗圃,等. 基于PSO與K-均值聚類算法優(yōu)化結(jié)合的圖像分割方法[J]. 計算機與現(xiàn)代化, 2020(1): 22-27.

CAO Shuaishuai, CHEN Xuexin, MIAO Pu, et al. Image segmentation method based on optimization of PSO algorithm and K-means clustering algorithm[J]. Computer and Modernization, 2020(1):22-27.

[22] 王勝輝,牛雷雷,李浩,等. 基于放電紫外成像特征的污穢線路盤形絕緣子絕緣狀態(tài)評估[J]. 高壓電器, 2019,55(2): 201-207.

WANG Shenghui, NIU Leilei, LI Hao, et al. Insulation condition evaluation of contaminated disc insulator for transmission lines based on the characteristic of discharge UV imaging characteristics[J]. High Voltage Apparatus, 2019, 55(2):201-207.

[23] 陳飛建, 呂元雙, 樊國盛, 等. 基于信息融合的智能變電站繼電保護設(shè)備自動測試系統(tǒng)[J]. 電力系統(tǒng)保護與控制, 2020,48(5): 158-163.

CHEN Feijian, Lü Yuanshuang, FAN Guosheng, et al. Automatic test system of relay protection device for smart substation based on information fusion technology[J]. Power System Protection and Control, 2020, 48(5):158-163.

[24] 趙靜, 黃國滿, 趙爭,等. 多特征模糊融合的SAR影像變化檢測[J]. 測繪科學, 2018, 43(7): 115-120.

ZHAO Jing, HUANG Guoman, ZHAO Zheng, et al. SAR image change detection based on fuzzy set theory by fusing multiple image feature[J]. Science of Surveying and Mapping, 2018, 43(7):115-120.

Protection platen status recognition for a smart substation based on multi-strategy segmentation and fusion and morphological feature identification

YUAN Zhaohui1, 2, FU Wenlong1, 2, LI Bailin1, 2, WEN Bin1

(1. College of Electrical Engineering & New Energy, China Three Gorges University, Yichang 443002, China; 2. Hubei Key Laboratory of Cascaded Hydropower Stations Operation & Control, China Three Gorges University, Yichang 443002, China)

The inspection of protection platens in substations at present still relies on manual operation, which is time-consuming and error-prone. It also restricts the development of more intelligent secondary equipment in substations. Given this, a novel status recognition method for a substation protection platen based on multi-strategy segmentation and fusion and morphological feature identification is proposed. With a cabinet image collected by the mobile terminal, the platen region is first dealt with perspective transformation to eliminate the distortion caused by the image acquisition angle. Then, a multi-strategy segmentation and fusion method is proposed to extract the valid platen region, within which multi-threshold segmentation is applied in the HSV space while K-means clustering is adopted for segmentation in Lab space. Thus, the valid platen region is obtained by fusing the two kinds of segmentation results. Subsequently, morphological features of the valid platens including direction angle and aspect ratio are calculated, based on which the state corresponding to different features is distinguished. Then the two state results are merged into the final operating state of platens. Results in application for different cases for cabinet images with complex background show that the proposed method achieves good accuracy and applicability.

protection platen; multi-threshold; K-means clustering; morphological feature; operating state

10.19783/j.cnki.pspc.210355

國家自然科學基金項目資助(51741907)

This work is supported by the National Natural Science Foundation of China (No. 51741907).

2021-04-01；

2021-06-25

袁朝暉(1997—)，男，碩士研究生，研究方向為電力系統(tǒng)運行控制、保護；E-mail: 2443568837@qq.com

付文龍(1988—)，男，通信作者，博士，副教授，研究方向為電力系統(tǒng)仿真、運行控制與保護。E-mail:ctgu_fuwenlong@126.com

(編輯 魏小麗)