基于計算機(jī)視覺的變電站開關(guān)設(shè)備狀態(tài)識別方法

張 利

勝利石油管理局有限公司電力分公司 山東東營 257000

1 研究背景

“十四五”規(guī)劃實(shí)施以來,國內(nèi)經(jīng)濟(jì)發(fā)展和人民生活水平邁上新臺階,社會生產(chǎn)生活用電總量不斷提高,對電力系統(tǒng)運(yùn)行的穩(wěn)定性提出新挑戰(zhàn)。變電站的運(yùn)行安全和可靠性對電力系統(tǒng)的穩(wěn)定程度有重要影響。在變電站巡檢工作中,需要巡檢人員對各類電氣設(shè)備進(jìn)行定時監(jiān)控,發(fā)生事故后及時采取措施,以確保變電站的運(yùn)行安全。

目前在變電站運(yùn)行維護(hù)中,廣泛存在電力設(shè)備日益增長與巡檢人員數(shù)量不足的矛盾。針對這一現(xiàn)狀,亟需進(jìn)一步提高變電站的運(yùn)行維護(hù)水平,探索無人值守變電站新模式。近幾年出現(xiàn)的基于人工智能和圖像處理技術(shù)的巡檢機(jī)器人,為解決這一問題提供了新思路?；趫D像處理技術(shù)的遠(yuǎn)程巡檢系統(tǒng)在變電站中應(yīng)用,提高了變電站運(yùn)行維護(hù)的數(shù)字化水平,能夠減少變電站現(xiàn)場運(yùn)行維護(hù)人員的投入,由此,變電站運(yùn)行維護(hù)管理逐漸向自動化和智能化發(fā)展。有研究人員基于視覺傳感器設(shè)計變電站設(shè)備銘牌識別系統(tǒng),采用傾斜校正算法對銘牌進(jìn)行預(yù)處理,利用模板匹配算法進(jìn)行銘牌識別,實(shí)現(xiàn)了對設(shè)備銘牌的實(shí)時準(zhǔn)確識別。這些智能監(jiān)控系統(tǒng)的應(yīng)用,有效降低了變電站運(yùn)行維護(hù)的人工成本和故障率。

為滿足變電站智能運(yùn)行維護(hù)的需求,需要基于監(jiān)控系統(tǒng)建立一整套實(shí)時高效的運(yùn)行維護(hù)監(jiān)控系統(tǒng)。其中,圖像處理算法要解決的關(guān)鍵問題之一就是開關(guān)設(shè)備狀態(tài)的識別。對此,筆者基于計算機(jī)視覺,使用圖像處理算法對開關(guān)設(shè)備的狀態(tài)進(jìn)行識別,為變電站自動化運(yùn)行維護(hù)提供支撐。

2 變電站智能監(jiān)控系統(tǒng)

變電站整體硬件網(wǎng)絡(luò)架構(gòu)如圖1所示。在變電站智能管控系統(tǒng)主站,部署數(shù)據(jù)采集單元與視頻算法模塊,接入攝像機(jī)采集的數(shù)據(jù)。原始監(jiān)控數(shù)據(jù)和視頻分析結(jié)果通過交換機(jī)上傳至綜合數(shù)據(jù)網(wǎng),實(shí)現(xiàn)存儲和查詢。

圖1 變電站硬件網(wǎng)絡(luò)架構(gòu)

攝像機(jī)是視頻監(jiān)控的核心設(shè)備,通過合理布點(diǎn),監(jiān)視重要設(shè)備的位置標(biāo)志、六氟化硫表、油溫表、油位表等。采用云臺槍型攝像機(jī),具備20倍變焦鏡頭,圖像分辨率為1 920像素×1 080像素,可以實(shí)現(xiàn)100 m內(nèi)的高清監(jiān)控。操作時,攝像機(jī)正對設(shè)備狀態(tài)指示器。為了克服光照的影響,現(xiàn)場為設(shè)備配有補(bǔ)光燈。為了達(dá)到現(xiàn)場要求,施工時攝像機(jī)均具備可靠接地和一定防磁抗干擾能力。

圖像信息采集完成后,接入視頻處理單元。視頻處理單元能夠進(jìn)行數(shù)模轉(zhuǎn)換,將視頻模擬信號轉(zhuǎn)換為數(shù)字信號,采集速度為30幀/s,能實(shí)時、動態(tài)采集視頻信號。數(shù)字信號通過光纖傳輸至視頻監(jiān)控主站。視頻監(jiān)控主站與智能運(yùn)檢監(jiān)控系統(tǒng)之間使用傳輸控制協(xié)議/網(wǎng)際協(xié)議傳輸方式,核心工作是對視頻信息進(jìn)行處理。視頻監(jiān)控設(shè)備設(shè)置于現(xiàn)場,對視頻圖像進(jìn)行采集。視頻監(jiān)控主站設(shè)置于主控室,具有對圖像進(jìn)行分析處理等一系列功能。

狀態(tài)識別對象主要是氣體絕緣金屬封閉開關(guān)設(shè)備。這種開關(guān)設(shè)備由斷路器、隔離開關(guān)、接地刀閘等部分組成。在巡檢過程中,巡檢人員通過觀察設(shè)備狀態(tài)指示器的開合指示器來判斷開關(guān)設(shè)備的狀態(tài)。這種指示器特征對圖像識別技術(shù)而言較為明顯,相比開關(guān)設(shè)備刀閘的開合閘特征,更容易觀察,并且特征對環(huán)境變化的適應(yīng)性更加穩(wěn)定與可靠。由此,采用檢測分合狀態(tài)指示器的方法來識別開關(guān)設(shè)備的狀態(tài)。

視頻算法服務(wù)器所采用的開關(guān)設(shè)備狀態(tài)識別方法主要包括開關(guān)設(shè)備圖像預(yù)處理、開關(guān)位置初步定位、開關(guān)位置精確定位、開關(guān)狀態(tài)識別等步驟。借助OpenCV軟件庫內(nèi)置的圖像灰度化及增強(qiáng)算法,可以實(shí)現(xiàn)對開關(guān)設(shè)備圖像的預(yù)處理。利用霍夫變換和邊緣檢測等算法,對開關(guān)位置進(jìn)行初步定位。結(jié)合輪廓識別、特征匹配等算法,完成開關(guān)位置的精確定位和開關(guān)的狀態(tài)識別。OpenCV軟件庫內(nèi)置算法的優(yōu)化加速效果較好,不同算法之間具有高內(nèi)聚、低耦合的特性,整體穩(wěn)定性較強(qiáng),因此廣泛應(yīng)用于電力設(shè)備監(jiān)控領(lǐng)域。

3 開關(guān)設(shè)備狀態(tài)識別

基于計算機(jī)視覺的變電站開關(guān)設(shè)備狀態(tài)識別方法具體流程如圖2所示,主要包括四個步驟。

圖2 方法具體流程

(1) 開關(guān)設(shè)備圖像預(yù)處理。原始開關(guān)設(shè)備圖像中含有較多的干擾信息,有效信息量少。為便于進(jìn)一步提取設(shè)備狀態(tài)指示器特征,需要對原始圖像進(jìn)行預(yù)處理,盡可能減小噪聲信息的影響,提高圖像信噪比。

(2) 開關(guān)位置初步定位。原始圖像經(jīng)過預(yù)處理后,若直接進(jìn)行全局特征提取,則會導(dǎo)致算法復(fù)雜度過高,加之特征較為分散,無法識別出有效的指示器字符特征。由此,需要對指示器所在區(qū)域進(jìn)行初步定位,再進(jìn)行字符特征的提取,以做到實(shí)時準(zhǔn)確識別開關(guān)狀態(tài)。

(3) 開關(guān)位置精確定位。在第(2)步得到的指示器粗略區(qū)域中,仍然存在部分干擾信息,影響識別的準(zhǔn)確率。由此,在進(jìn)行字符特征提取時,需要精確定位到僅包含開關(guān)字符的區(qū)域。

(4) 開關(guān)狀態(tài)識別。得到開關(guān)的精確位置后,對提取到的字符特征進(jìn)行描述,并與提前制作好的模板字符圖像進(jìn)行匹配,進(jìn)而根據(jù)匹配結(jié)果判斷開關(guān)的狀態(tài)。

3.1 開關(guān)設(shè)備圖像預(yù)處理

從現(xiàn)場相機(jī)中獲取的圖像通常為彩色圖像,彩色數(shù)據(jù)在圖像處理過程中并不重要。由此,將彩色圖像轉(zhuǎn)換為灰度圖,提高算法的識別效率。彩色圖像中包含紅R、綠G、藍(lán)B三個通道,為獲得單通道灰度圖像,需要對三個通道進(jìn)行加權(quán)處理,計算式為:

gray=0.299R+0.587G+0.114B

(1)

得到灰度圖后,為突出目標(biāo)圖像的有效特征,更為明顯地區(qū)分有效信息和干擾信息,對圖像進(jìn)行增強(qiáng)。受光照、天氣等環(huán)境條件的影響,原始開關(guān)設(shè)備灰度圖像的對比度并不明顯。經(jīng)過增強(qiáng)處理后,圖像灰度值得到拉伸,可以有效提高對比度,恢復(fù)更多邊緣特征信息。采用直方圖均衡化的方法對灰度圖像進(jìn)行增強(qiáng)。灰度圖像直方圖的含義為不同灰度值包含的像素數(shù)量,可以反映某一灰度值的像素點(diǎn)在整幅圖像中出現(xiàn)的概率。直方圖均衡化方法在此基礎(chǔ)上,將灰度圖像直方圖分布通過累積分布函數(shù)調(diào)整為均勻分布。為了拓展原圖像的灰度取值范圍,需要構(gòu)建映射函數(shù),將原始圖像灰度值映射到直方圖均勻分布的灰度圖中?？紤]到像素值在灰度圖像中的分布是離散的,因此直方圖均衡化所采用的映射函數(shù)可以表示為:

(2)

式中:sk為經(jīng)過映射后得到的灰度值;n為圖像中像素的數(shù)量;nj為屬于當(dāng)前灰度級的像素數(shù)量;L為圖像灰度級的數(shù)量。

原始圖像如圖3所示,直方圖均衡化處理結(jié)果如圖4所示。

圖3 原始圖像

由于機(jī)電干擾的影響,實(shí)際拍攝的圖像中往往存在大量噪聲信息,嚴(yán)重影響感興趣區(qū)域的截取和處理,因此需要通過濾波的方式對噪聲進(jìn)行去除。傳統(tǒng)的低通、均值濾波等方法在處理復(fù)雜紋理圖像時,往往會丟失一些重要信息,影響后續(xù)處理。針對這種情況,自適應(yīng)中值濾波可以在保證保留圖像邊緣信息的前提下有效過濾噪聲,由此采用自適應(yīng)中值濾波對開關(guān)設(shè)備圖像進(jìn)行處理。

圖4 直方圖均衡化處理結(jié)果

第一步,判斷Zmed是否為噪聲所在像素點(diǎn)。令A(yù)1=Zmed-Zmin-t,A2=Zmed-Zmax-t,如果A1>0且A2<0,那么執(zhí)行第二步,否則擴(kuò)大窗口Sxy的范圍。如果Sxy≤Smax,那么重復(fù)執(zhí)行第一步,否則直接輸出Zxy。其中,Sxy為以像素點(diǎn)(x,y)為中心的窗口,Zxy為像素點(diǎn)(x,y)的灰度值,Zmax、Zmed、Zmin依次為窗口內(nèi)像素灰度的最大值、中值、最小值,Smax為窗口的最大范圍,t為常數(shù),作用是避免因噪聲范圍過大出現(xiàn)無法濾除噪聲的現(xiàn)象。

第二步,判斷窗口中心點(diǎn)Zxy是否為噪聲所在像素點(diǎn)。令B1=Zxy-Zmin-t,B2=Zxy-Zmax-t,如果B1>0且B2<0,那么輸出Zxy,否則輸出Zmed。若噪聲范圍較大,則擴(kuò)大窗口范圍。若窗口中心不是噪聲點(diǎn),則保持當(dāng)前灰度值。

自適應(yīng)中值濾波結(jié)果如圖5所示。這一方法有效減小了原始開關(guān)設(shè)備圖像中噪聲信息的影響。

圖5 自適應(yīng)中值濾波結(jié)果

3.2 開關(guān)位置初步定位

變電站開關(guān)設(shè)備箱體窗口外形通常為橢圓形,具有明顯的邊緣特征,且窗口為玻璃材質(zhì),便于運(yùn)行維護(hù)人員對指示器進(jìn)行觀察。由此,可以對窗口進(jìn)行定位,進(jìn)一步截取字符位置。

霍夫變換是圖像處理、模式識別等計算機(jī)視覺領(lǐng)域中應(yīng)用最為廣泛的圖像邊緣形狀檢測工具之一。其中,霍夫圓變換可以對圖像中具有高度徑向?qū)ΨQ性的邊緣實(shí)現(xiàn)有效搜索。這一方法將邊緣點(diǎn)從原始圖像空間映射至以半徑和圓心為變量的參數(shù)空間,通過投票機(jī)制選取最合適的參數(shù),可以實(shí)現(xiàn)已知或未知半徑條件下圓的檢測。霍夫圓變換在處理中具有良好的旋轉(zhuǎn)不變性,對邊緣是否連續(xù)的要求較低,并且在OpenCV軟件庫中有較為成熟的實(shí)現(xiàn)算法。對橢圓的幾何特征及邊緣方向特征進(jìn)行分解,即可利用多級霍夫圓變換來實(shí)現(xiàn)對橢圓的檢測?；舴驁A變換后截取的設(shè)備窗口區(qū)域,即開關(guān)位置初步定位結(jié)果如圖6所示。

圖6 開關(guān)位置初步定位結(jié)果

3.3 開關(guān)位置精確定位

通過圖像預(yù)處理和霍夫圓變換,實(shí)現(xiàn)了對開關(guān)位置的初步定位,得到了開關(guān)設(shè)備窗口區(qū)域的圖像。為進(jìn)一步確定指示器字符所在位置,還需要對該區(qū)域圖像進(jìn)行閾值分割,并利用形態(tài)學(xué)處理得到目標(biāo)輪廓,通過對輪廓進(jìn)行分析,進(jìn)而得到精確的定位結(jié)果。

圖像閾值分割利用各區(qū)域之間的灰度差異,通過設(shè)置合適的閾值將灰度圖像轉(zhuǎn)換為灰度值僅有0和255兩種狀態(tài)的二值化圖像,對前景區(qū)域及背景區(qū)域進(jìn)行有效區(qū)分。在二值化處理過程中,閾值的選取對分割結(jié)果有至關(guān)重要的影響。對此,采用最大類間方差算法來選取最優(yōu)閾值。像素之間的方差反映圖像灰度值均勻分布的程度,不同區(qū)域的類間方差越大,表明閾值分割后得到的各區(qū)域的差異越大。另一方面,這一方法選取的閾值不受圖像亮度的影響。二值化圖像如圖7所示。

經(jīng)過閾值分割得到的二值化圖像中仍然存在噪聲信息,需要進(jìn)一步利用形態(tài)學(xué)處理和輪廓分析方法進(jìn)行處理。形態(tài)學(xué)分析的基本運(yùn)算方法包括膨脹腐蝕、開閉運(yùn)算等。閾值分割后圖像存在較多白點(diǎn)噪聲,對此,采用開運(yùn)算對二值化圖像進(jìn)行處理。開運(yùn)算的作用是將孤立的小對象去除,并且對大區(qū)域的邊界有平滑作用,可以實(shí)現(xiàn)對二值化圖像的去噪。開運(yùn)算處理結(jié)果如圖8所示。

圖7 二值化圖像

圖8 開運(yùn)算處理結(jié)果

由于現(xiàn)場環(huán)境受光照等環(huán)境因素影響,初始定位區(qū)域往往存在無法通過形態(tài)學(xué)處理過濾掉的干擾信息,因此需要進(jìn)一步對圖像中各連通域的輪廓進(jìn)行識別。具體而言,依據(jù)目標(biāo)區(qū)域的特征,設(shè)置輪廓所包圍的面積閾值,或計算輪廓最小包圍矩形,通過設(shè)置矩形長寬比閾值對輪廓進(jìn)行篩選。最終得到的指示器字符,即開關(guān)位置精確定位結(jié)果如圖9所示。

圖9 開關(guān)位置精確定位結(jié)果

3.4 開關(guān)狀態(tài)識別

為了實(shí)現(xiàn)圖像的識別,需要進(jìn)行特征提取,獲得較好的描述性信息。對此,使用尺度不變特征變換算法來提取特征。這一算法基于多尺度角度提取圖像特征,并且保證特征的穩(wěn)定性和唯一性。尺度不變特征變換算法包括四個步驟。

(1) 構(gòu)造尺度空間,在不同位置和尺度上搜索圖像關(guān)鍵點(diǎn)。具體而言,通過建立高斯金字塔,在高斯差分圖像中尋找關(guān)鍵極值點(diǎn)。

(2) 檢測空間極值,找出對應(yīng)關(guān)鍵點(diǎn)的亞像素精度坐標(biāo),并濾除不穩(wěn)定關(guān)鍵點(diǎn),最終得到的關(guān)鍵極值點(diǎn)即為特征點(diǎn)。

(3) 計算特征點(diǎn)鄰域的梯度特征,構(gòu)建鄰域梯度直方圖,獲取最優(yōu)方向取值,即特征點(diǎn)的主方向。

(4) 求解特征向量,計算特征點(diǎn)附近像素梯度方向直方圖的取值向量。

通過尺度不變特征變換算法,在特征點(diǎn)周圍選擇16×16區(qū)域,劃分為4×4子區(qū)域,分別進(jìn)行梯度直方圖統(tǒng)計,生成維度為[4, 4, 8]的特征向量。

基于特征描述符,利用特征點(diǎn)的唯一性來對兩幅圖像之間的相同特征點(diǎn)進(jìn)行匹配。由于目標(biāo)區(qū)域圖像相較于模板圖像存在旋轉(zhuǎn)、平移等變換,如果直接利用特征點(diǎn)的歐氏距離進(jìn)行匹配,會產(chǎn)生大量錯誤匹配,因此使用隨機(jī)樣本一致性算法對大量匹配點(diǎn)進(jìn)行有效性排序和篩選,在排除錯誤匹配點(diǎn)的同時保留正確匹配點(diǎn)。隨機(jī)樣本一致性算法是一種計算樣本中滿足某一目標(biāo)損失模型對應(yīng)的最大內(nèi)點(diǎn)集合,利用該集合中的樣本重新估算目標(biāo)損失模型的迭代計算方法,具體步驟如下:

(1) 對由尺度不變特征變換算法提取出的特征點(diǎn)進(jìn)行匹配,組成一個特征點(diǎn)信息集合,根據(jù)距離比構(gòu)建損失函數(shù);

(2) 在集合中隨機(jī)抽取若干個樣本,計算損失函數(shù)的參數(shù)初始值;

(3) 利用損失函數(shù)的參數(shù)初始值判斷數(shù)據(jù)集中的樣本是否小于誤差閾值,若小于,則將其視作內(nèi)點(diǎn),否則視作外點(diǎn),同時分別統(tǒng)計內(nèi)、外點(diǎn)的數(shù)量;

(4) 未達(dá)到最大迭代次數(shù)時,重復(fù)進(jìn)行上述步驟,并選擇計算過程中獲得的最大內(nèi)點(diǎn)集,利用此時的模型參數(shù)重新估算目標(biāo)損失模型。

采用隨機(jī)樣本一致性算法得到的字符匹配結(jié)果如圖10所示,由此可以獲得圖像和兩種模板圖像的匹配結(jié)果,基于此來判斷圖像類別。假設(shè)與“合”模板的匹配對數(shù)為n1,與“分”模板的匹配對數(shù)為n2,則n2小于n1時,最終開關(guān)設(shè)備狀態(tài)為合,n2大于n1時,最終開關(guān)設(shè)備狀態(tài)為分。

圖10 字符匹配結(jié)果

4 實(shí)際測試

選取20個不同開關(guān)設(shè)備,不同狀態(tài)、不同時間段采集共4 000幅圖像,即每個開關(guān)設(shè)備每個狀態(tài)采集100幅圖像。這些圖像包含不同的光照條件,可以檢驗算法對光照的魯棒性。采用所提出的方法將目標(biāo)圖像與模板字符圖像進(jìn)行匹配,最終得到的開關(guān)設(shè)備狀態(tài)識別結(jié)果見表1。由表1可以看出,所提出的基于計算機(jī)視覺的變電站開關(guān)設(shè)備狀態(tài)識別方法對于不同開關(guān)設(shè)備及各種光照條件都具有很高的精度和魯棒性。

表1 開關(guān)設(shè)備狀態(tài)識別結(jié)果

5 結(jié)束語

在對變電站故障進(jìn)行分析時發(fā)現(xiàn),相當(dāng)一部分安全事故是由變電站設(shè)備老化導(dǎo)致的開關(guān)失敗引起。因此,隨著變電站運(yùn)行年限的增加,現(xiàn)存設(shè)備的管理和監(jiān)控成為影響電力能源供應(yīng)的重中之重。筆者提出基于計算機(jī)視覺的變電站開關(guān)設(shè)備狀態(tài)識別方法,通過圖像分析技術(shù)實(shí)現(xiàn)了現(xiàn)場變電設(shè)備狀態(tài)的精確識別,大幅降低了因為設(shè)備狀態(tài)轉(zhuǎn)換失敗所導(dǎo)致的安全風(fēng)險,對于實(shí)際生產(chǎn)過程中電力故障的預(yù)先報警有重要意義。