基于場景識(shí)別的變電站智能機(jī)器人巡視技術(shù)

覃 劍，杜 珂，蘇淑敏，李 瑾，黎銘洪

(1.廣西電網(wǎng)公司，廣西 南寧 530000；2.廣西電網(wǎng)公司南寧供電局，廣西 南寧 530007)

0 引言

變電站是電網(wǎng)的重要組成部分，它的運(yùn)行狀態(tài)決定電網(wǎng)是否能夠正常、安全供電。目前，我國大型智能電網(wǎng)電力運(yùn)輸系統(tǒng)遵循傳統(tǒng)人工巡視模式，存在工作效率低、主觀性強(qiáng)、環(huán)境因素對巡檢質(zhì)量影響大等局限性。因此，部分中小型變電站已逐漸使用智能機(jī)器人對設(shè)備功能進(jìn)行巡視，實(shí)現(xiàn)了從傳統(tǒng)人工檢查到智能機(jī)械巡視的重大技術(shù)變革。通過這種完全智能、自主的巡視管理方式，完成一些大批量、具有重復(fù)巡視性質(zhì)的任務(wù)，有效地減少了人力資源消耗。

現(xiàn)階段伴隨智慧生活的發(fā)展，變電站自動(dòng)化程度也隨之普遍提升，智能機(jī)器人巡視可以在確保安全的同時(shí)，最大程度節(jié)省人力資源，可以更好地維護(hù)、檢查變電站的運(yùn)行狀態(tài)。對于變電站智能機(jī)器人來說，需要明確當(dāng)前環(huán)境下巡視位置，采集有限目標(biāo)的立體圖像，比如檢測輸電電纜線路以及輸電桿塔等幾何數(shù)據(jù)，檢查變電站內(nèi)設(shè)備是否有可能出現(xiàn)故障。由于智能機(jī)器人在巡視時(shí)是一直在移動(dòng)的，所以采集到的動(dòng)態(tài)序列或連續(xù)圖像，其信息受外界光線及天氣影響，巡檢目標(biāo)難以辨識(shí)，需要進(jìn)行圖像預(yù)處理才能精準(zhǔn)完成巡視工作。

游安清等[1]為提高電力巡檢效率，研究出一種電線、桿塔和地面全自動(dòng)分類方法，通過激光雷達(dá)檢查電網(wǎng)線路是否正常運(yùn)行，根據(jù)采集到的線路圖像進(jìn)行數(shù)據(jù)融合，綜合判斷電力線是否處于異常狀態(tài)；劉云鵬等[2]使用紅外熱成像設(shè)備采集變電站內(nèi)器械圖像，對比歷史數(shù)據(jù)庫內(nèi)人工標(biāo)注的故障問題，確定當(dāng)前故障范圍，根據(jù)深度學(xué)習(xí)自適應(yīng)檢測變電站中可能存在的發(fā)熱性故障，通過交替迭代明確當(dāng)前輸入圖像內(nèi)故障參數(shù)，確定故障具體位置。

上述2種方法雖然完成了變電站巡視，明確了當(dāng)前線路的運(yùn)行狀態(tài)，但是無法根據(jù)場景智能調(diào)節(jié)需要重點(diǎn)檢測的器件，導(dǎo)致存有漏檢情況。因此，本文提出一種基于場景識(shí)別的變電站智能機(jī)器人巡視技術(shù)，將采集到的圖像進(jìn)行灰度化、亮度均衡、對比度增強(qiáng)以及去噪處理，令當(dāng)前場景下圖像中待識(shí)別目標(biāo)特征更清晰，憑借小波變換方法分解圖像提取目標(biāo)特征，最后將特征輸入至卷積神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型中訓(xùn)練，獲取最終巡視結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文方法可以精準(zhǔn)識(shí)別出變電站關(guān)鍵設(shè)備線路是否有異常，具有較高的適用性。

1 變電站場景圖像預(yù)處理

智能機(jī)器人巡視過程會(huì)受到環(huán)境影響，所獲取的部分圖像存在不清晰、畸變等問題，導(dǎo)致未能檢測出潛在異常故障。本文利用灰度化、亮度均衡、圖像對比度提高，以及去除冗余噪聲來解決上述問題[3-5]，提升待識(shí)別圖像質(zhì)量。

以RGB(紅、綠、藍(lán))來描述機(jī)器人巡視圖像內(nèi)顏色信息，使用加權(quán)平均將顏色信息量化為像素灰度值，表達(dá)式為

P(x,y)=0.45R(x,y)+0.29G(x,y)+0.17B(x,y)

(1)

P(x,y)為圖像經(jīng)加權(quán)平均處理后的灰度取值；(x,y)為圖像中的像素點(diǎn)。

因外界光線環(huán)境、相機(jī)曝光等因素，導(dǎo)致圖像色彩不均勻，出現(xiàn)曝光過度或色彩太暗，增加目標(biāo)識(shí)別難度。針對此類問題，本文采用直方圖均衡法，先確定原始圖像的灰度等級(jí)，在此基礎(chǔ)上計(jì)算出對應(yīng)的像素點(diǎn)，便可得到灰度直方圖為

(2)

Kx為圖像中不同灰度級(jí)別的像素個(gè)數(shù)；K為與像素對應(yīng)的灰度等級(jí)。為了便于計(jì)算，利用變換關(guān)系對圖像灰度值進(jìn)行修正，統(tǒng)計(jì)像素?cái)?shù)量均勻圖像亮度。隨后通過微分增強(qiáng)圖像對比度，本文使用梯度算法來實(shí)現(xiàn)微分變換，令目標(biāo)特征元素更清晰。

將圖像函數(shù)設(shè)置為f(u,v)，那么f(u,v)在圖像坐標(biāo)(u,v)中的梯度矢量為

(3)

通過式(3)計(jì)算結(jié)果可知,f(u,v)在梯度上變化的幅度直接影響圖像函數(shù)幅度單位的大小，如果為數(shù)字圖像，使用差分計(jì)算可得出

G[f(u,v)]=|f(u,v)-f(u+1,v)|

(4)

利用線性濾波算法除掉冗余噪聲。假設(shè)f(u,v)中存在M×N個(gè)像素，濾波處理后的圖像為l(u,v)，即

(5)

u,v取值為正整數(shù)；a為W集合中的像素點(diǎn)合集，但是W集合中并不含有中心目標(biāo)點(diǎn)(u,v)。

2 場景識(shí)別下變電站智能機(jī)器人巡視

2.1 場景特征提取

將處理后的圖像通過小波變換方法進(jìn)行多尺度分解，分解后圖像分類為高頻率和低頻率2部分，采用對比度的均值差和方差[6-7]，描述目標(biāo)區(qū)域與背景區(qū)域的平均強(qiáng)度對比度、灰度波動(dòng)差值，明確圖像在垂直與水平方向上的細(xì)節(jié)，抑制背景噪聲[8]。

提取其目標(biāo)特征時(shí)，為給巡視工作提供最可靠的決策基礎(chǔ)，避免出現(xiàn)重大故障，需將f(H)(x,y)和f(V)(x,y)(f(H)(x,y)為場景水平方向上的方向特性，f(V)(x,y)為垂直特性)構(gòu)建為具有空間意義上的矩形滑窗。T為在目前像素(x0,y0)上定義的目標(biāo)區(qū)域，表達(dá)式為

T={(x0+i,y0+j)|i∈[-w,w],j∈[-h,h]}

(6)

根據(jù)式(6)可知目標(biāo)區(qū)域大小為(2×w+1)×(2×h+1)，在該區(qū)域中將w和h設(shè)置為大于檢測目標(biāo)尺寸的值，B(H)和B(V)為當(dāng)前圖像像素在2個(gè)方向上的背景對比度，可得：

B(H)={(x0+i,y0+j)|i∈[-b,-w]∪[w,b],

j∈[-h,h]}

(7)

B(V)={(x0+i,y0+j)|i∈[-w,-w],

j∈[-b,-h]∪[h,b]}

(8)

此處背景區(qū)域的大小為目標(biāo)背景的2倍。根據(jù)上述公式的取值結(jié)果，在水平方向和垂直方向定義矩形滑動(dòng)窗口后，可分別提取2個(gè)方向上目標(biāo)對比度均值差和方差特征，實(shí)現(xiàn)對目標(biāo)圖像的特征提取。

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的場景內(nèi)故障識(shí)別

因?yàn)橹悄軝C(jī)器人采集的變電站圖像數(shù)據(jù)量大，就算提取了清晰有效的特征，也很難及時(shí)給出識(shí)別結(jié)果，所以本文使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征的分類識(shí)別。一般情況下場景圖像中含有大量的局部特征，如果計(jì)算樣本不充足，會(huì)導(dǎo)致網(wǎng)絡(luò)過度擬合，因此對應(yīng)上述提取的目標(biāo)特征，來優(yōu)化網(wǎng)絡(luò)運(yùn)行結(jié)構(gòu)，最大程度上確保特征不變性[9]。卷積神經(jīng)網(wǎng)絡(luò)在運(yùn)行時(shí)，需在輸入層前先接入卷積層，去除不包含目標(biāo)特征信息的圖像，分化結(jié)構(gòu)獲得最終有效待識(shí)別圖像。網(wǎng)絡(luò)處理結(jié)構(gòu)及流程如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)框架

可以將卷積運(yùn)算劃分為2種類型，分別是連續(xù)型和離散型，連續(xù)型卷積計(jì)算式為

(9)

離散型卷積計(jì)算式為

(10)

h為輸入巡視圖像的高；t、n為連續(xù)卷積和離散的神經(jīng)元數(shù)量；p為下一神經(jīng)元權(quán)重；x為圖像所占通道數(shù)。

本文的卷積網(wǎng)絡(luò)類型屬于離散型，使用線性運(yùn)算，對應(yīng)的卷積核也可以被稱為濾波器。卷積核具有確定目標(biāo)區(qū)域尺寸、卷積識(shí)別的能力，f(x)為線性變化的過程，b為激活函數(shù)。網(wǎng)絡(luò)前序?qū)又写嬖诙鄠€(gè)特征變量，全面計(jì)算不同特征變量間相似度k，即可得到激活函數(shù)的輸入值，獲取出輸出圖，任意圖內(nèi)均有很多卷積特征量，表達(dá)式為

(11)

如果將卷積層i后的下一層命名為i+1，那么根據(jù)誤差反向傳播算法可知神經(jīng)元信號(hào)取值。訓(xùn)練過程中，利用誤差信號(hào)進(jìn)行升采樣操作，便于得出更精確的誤差取值。

(12)

up(x)=x?1n×n

(13)

up(x)為升采樣。根據(jù)式(13)可得知，利用誤差信號(hào)圖像，求和計(jì)算場景圖像中的所有目標(biāo)信息，得出偏差梯度[10]，表達(dá)式為

(14)

u、v為輸出和訓(xùn)練樣本，二者的訓(xùn)練迭代結(jié)合為E。通過反向傳播算法計(jì)算網(wǎng)絡(luò)模型中核函數(shù)權(quán)重差，全部權(quán)重值的梯度求和為

(15)

憑借式(15)計(jì)算出機(jī)器人巡視圖像內(nèi)場景的所有信息，并標(biāo)記超過安全范圍的危險(xiǎn)器械位置，為后續(xù)決策和維修提供有效數(shù)據(jù)基礎(chǔ)。

本文利用卷積神經(jīng)網(wǎng)絡(luò)更精準(zhǔn)地對變電站中可能出現(xiàn)的故障風(fēng)險(xiǎn)進(jìn)行識(shí)別判斷，具體模型訓(xùn)練以及識(shí)別分類如圖2所示，詳細(xì)過程如下：

圖2 訓(xùn)練流程

a.針對場景圖像進(jìn)行預(yù)處理，通過灰度化、亮度均衡、對比度增強(qiáng)以及去噪處理，提取出圖像中含有的目標(biāo)特征。

b.將歷史數(shù)據(jù)庫內(nèi)圖像和提取的特征，投入神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。

c.將含有目標(biāo)特征的圖像輸入到卷積層中，進(jìn)一步識(shí)別圖像中是否有“異常”。

d.若存在異常發(fā)出警報(bào)，反之則繼續(xù)巡視。

3 仿真實(shí)驗(yàn)

在智能機(jī)器人巡視過程中，變電站環(huán)境較為復(fù)雜，為了能夠成功完成任務(wù)，需要滿足在不同場景下正常行走、避障、攀爬和導(dǎo)航等功能。

3.1 變電站場景圖像處理和故障識(shí)別

為了驗(yàn)證本文算法的實(shí)際有效性，隨機(jī)挑選歷史故障數(shù)據(jù)庫內(nèi)變電站的遠(yuǎn)景和近景圖像，進(jìn)行場景識(shí)別的巡檢工作。圖像處理過程及結(jié)果如圖3和圖4所示。

從圖3和圖4中可明顯看出，巡視機(jī)器人采集到的原始圖像因環(huán)境影響，細(xì)節(jié)模糊不清、難以識(shí)別。預(yù)處理后圖像分辨率明顯提升，細(xì)節(jié)特征得到強(qiáng)化，機(jī)器人可明確當(dāng)前所處場景。特征提取處理，最大程度去除了與變電站巡檢無關(guān)的背景信息，進(jìn)一步凸顯待檢測目標(biāo)特征。通過卷積神經(jīng)網(wǎng)絡(luò)識(shí)別迭代，標(biāo)記出可能存在故障的設(shè)備點(diǎn)和位置，發(fā)出警報(bào)。證明本方法能夠準(zhǔn)確有效識(shí)別當(dāng)前場景，并檢測出故障器件。

圖4 變電站近景圖像預(yù)處理及巡檢識(shí)別

3.2 變電站巡視質(zhì)量評(píng)估

為降低實(shí)驗(yàn)的視覺主觀性，本文計(jì)算識(shí)別實(shí)際例數(shù)、預(yù)測例數(shù)、目標(biāo)識(shí)別準(zhǔn)確率和查全率，來量化評(píng)估巡視方法性能?？紤]到圖像在采集過程中，外界環(huán)境對識(shí)別框結(jié)果的干擾，本文將識(shí)別框的閾值設(shè)置為0.5，實(shí)驗(yàn)結(jié)果如圖5所示。準(zhǔn)確率和查全率的計(jì)算公式為：

圖5 巡視目標(biāo)檢測對比

(16)

(17)

預(yù)測框總數(shù)為本方法最終提供給核查人員的標(biāo)記框數(shù)，即T+F；T為真正例數(shù)，表示沒有正確巡視到的目標(biāo)異常數(shù)量；F為負(fù)正例數(shù)，表示將沒有問題的器件標(biāo)記為異常的數(shù)量；N為正負(fù)例數(shù)，表示有問題器件沒有標(biāo)記為異常的數(shù)量。

圖5可以看出，點(diǎn)云分類方法查全率相對較高，但真正例數(shù)預(yù)測值最??；Faster R-CNN算法的指標(biāo)均為最低；而本文方法在取得高準(zhǔn)確率的同時(shí)，目標(biāo)查全率也最高，實(shí)際例數(shù)和預(yù)測數(shù)量相差極小。結(jié)果表明，本文方法在主觀和客觀上都有很好的巡檢識(shí)別效果。

4 結(jié)束語

本文提出基于場景識(shí)別的變電站智能機(jī)器人巡視技術(shù)。利用灰度化、亮度均衡、增強(qiáng)對比度以及去噪技術(shù)，使圖像中信息特征更為顯著；利用小波變換進(jìn)行多尺度分解，依次提取出變電站設(shè)備特征；最后通過線性運(yùn)算，利用誤差信號(hào)圖像得出偏差梯度，并用反向傳播算法對網(wǎng)絡(luò)模型中的核函數(shù)進(jìn)行權(quán)重差計(jì)算，完成巡視。仿真實(shí)驗(yàn)結(jié)果表明，所提方法可以同時(shí)具有較高的準(zhǔn)確率和查全率，可以檢查設(shè)備外表是否有缺陷，預(yù)測是否有潛在危險(xiǎn)，同時(shí)也可以發(fā)現(xiàn)人工無法察覺的隱患風(fēng)險(xiǎn)。