電力系統作業監護中的視頻智能分析應用研究

王永輝，朱紅岷，賴 峰

(珠海優特電力科技股份有限公司，廣東 珠海 519000)

0 引言

采用調控一體化管理模式后，大部分變電站都改造為無人值守變電站，并將原有的集控中心(監控中心)改造為運維中心，負責區域范圍內所有變電站的倒閘操作以及設備巡檢。變電站管理結構如圖1所示。運維中心一般會根據管轄范圍大小，配置相應數量的運維人員，在正常情況下，基本能夠滿足日常工作要求；但當遇到全站檢修或多個變電站同時檢修等特殊情況時，由于操作任務較多，如果仍按傳統的2人(即監護人和操作人)操作模式，運維中心工作負荷較大，可能由于人手不足，導致工作效率低，延長停送電時間，或壓縮檢修任務工作時間，影響設備及電網運行安全。另外，由于運維中心下轄變電站數量多、分布廣，各變電站的設備不盡相同，也給工作人員的巡檢工作帶來較大的困難。通過革新傳統操作方式，比如通過防誤電腦鑰匙、手持視頻終端、巡檢儀、智能輔助PDA等簡化操作，可在保證操作安全的前提下提高工作效率。但由此出現的變電站手持終端越來越多，造成變電站重復投資，工作人員需學習多種智能設備的使用，會使建設成本、管理成本以及學習成本提高，且可能存在信息孤島現象，導致管理困難。

現通過集成上述各手持終端功能，開發了變電站單人操作及智能巡檢儀系統，如圖2所示，在站端或運維中心系統工作站實現數據管理、人機交互、權限管理等系統性功能，還實現變電站業務功能，包括電子操作票、防誤以及智能巡檢等功能。該手持智能巡檢儀終端在保留防誤操作鑰匙功能的基礎上，增加了視頻采集、流媒體轉發、視頻智能分析、語音提示和視頻分析等功能，從而實現視頻輔助防誤、虛擬操作監護、智能巡檢等高級應用。視頻智能分析服務器對站端多路視頻提供實時智能分析和識別服務。視頻存儲服務器對變電站站端操作過程中的視頻數據提供集中存儲服務。作為其中一種操作對象，智能壓板實時監測壓板投退狀態，將壓板的操作步驟納入電子操作票中管理，對壓板投退正確性進行判斷并語音提示。視頻智能分析對壓板狀態進行識別，判斷是否操作到位，提供二次確認。

圖1 變電站管理結構

圖2 單人操作及智能巡檢儀系統組成

電力系統運維及作業監護過程中的視頻智能分析應用，通過視頻圖像分析處理技術，實現對操作對象或場景的實時監測；通過視頻智能分析服務器，對多路高清球攝像機、槍攝像機實時視頻進行分析，可實現站端設備場景的周期性或針對性的巡視功能。通過將此應用集成在手持巡檢儀中，可實現巡檢作業過程中的目標識別、操作結果確認以及監護人提醒等功能。目前，主要實現的應用包括智能保護壓板狀態識別、設備/間隔指示牌內容識別、隔離開關/刀閘狀態識別以及安全帽佩戴識別。

1 電力系統視頻智能分析研究現狀

圖像處理、計算機視覺等研究領域已經積累了幾十年的經驗和成果，并且已大量應用在安防、公共交通、公安系統等領域。但由于環境的多樣性、復雜性及領域相關目標的特殊性等，目前電力行業的視頻智能分析產品仍然有限，沒有充分利用最新技術成果為該行業日常管理維護工作帶來便利。比如，文獻[1]利用金字塔光流法計算圖像中的光流值和速度，實現輸電導線舞動的自動檢測。文獻[2]實現了一種變電站防誤操作功能，采用Hough變換、字符分割和神經網絡等技術對工作間隔的標志牌進行分析識別，以避免工作人員走錯間隔。文獻[3]提出了一種基于圖像平滑、離散小波變換和多級樹集合分裂編碼算法的電能質量數據壓縮方法，提高了數據的信噪比。文獻[4，5]則利用安裝在桿塔上的攝像機采集的圖像，通過圖像對比增強、濾波、閾值分割、輪廓提取及LoG邊緣檢測等方法，計算線路和絕緣子的覆冰厚度，以提供相應的預警機制。文獻[6，7]分別利用機載攝像機或固定監控攝像機采集的視頻圖像，應用顏色直方圖統計、形態學連通域等基本方法，對輸電線路上的絕緣子進行檢測和缺陷分析。文獻[8]利用形狀特征的模板匹配技術實現了圖像中變壓器的定位識別。

2 電力系統視頻圖像分析功能

上述研究分別利用各項圖像處理技術對電力系統的不同設備實現了定位、分析、識別等功能，但目標功能基本比較單一，且容易受到各種環境條件限制和影響。針對電力系統作業監護中涉及的相關設備目標，實現了如下視頻圖像分析功能。

2.1 保護壓板投退狀態識別

保護壓板是一組M行N列的開關矩陣，該識別算法是在現場運維人員人工進行壓板投退操作后，通過視頻畫面的分析，自動識別矩陣中被操作的壓板行列位置及其當前的投/退狀態。現有的基于圖像處理的壓板投退識別一般需要標定設置行列數，在壓板數量龐大的情況下將極大地增加配置工作。本文提出的保護壓板投退狀態識別方案僅需選定壓板矩陣區域，如圖3a所示。矩陣的行列分布由掃描識別自動獲取，首先圖片經過灰度轉換和高斯平滑處理，并進行輪廓提取，所有描繪的輪廓如圖3b所示。從圖3b中可以看出，每個壓板的輪廓都有明顯聚集現象，基本上每個輪廓曲線都是非閉合的，而且相互重疊，有很多輪廓曲線來自非壓板物體。對于每個輪廓曲線i，計算其最小的外接矩形Ri，選擇相應的矩形將其填充：

其中：IRi為矩形Ri對應的圖像區域；Wi和Hi為Ri的寬高；Wmin，Wmax，Hmin，Hmax分別為對應寬高的上下限閾值。

式(1)通過排除外接矩形寬高過長或過短的輪廓，并填充剩余外接矩形使有重疊的輪廓合并。如圖3c所示已排除壓板面板上第1行上方及第2行下方的分割線和畫面左上角因視頻時間標簽產生的大部分輪廓。進一步對合并后的各前景區塊計算外接矩形，按寬高排序選取中間1/2矩形，結果如圖3d所示。從圖3d中可以看出，大部分壓板位置可以正確定位，雖然有部分丟失但未識別錯誤的壓板位置。通過連接第1行矩形最高點和最低點，自上而下平行掃描圖3d，以壓板行間平分空隙作為矩陣的行分割線。同樣，通過連接每行第1列矩形左邊緣的最左點和最右點，自左向右平行掃描，矩陣列的分割線須滿足每一列中出現的壓板個數在[0.5, 1+0.5]個寬度之間。最后，若某行存在相鄰列間隙大于圖3d中壓板矩形平均寬度，則插入平均寬高尺寸的壓板矩形并均分兩側間隙。

圖3a繪制了壓板矩陣行列掃描的紅色分割線。

當壓板矩陣掃描完成后，即可實時監控分析被操作過發生變化的壓板位置及其操作后的狀態。首先，通過高斯混合模型前景檢測方法找到操作后發生變化的圖像區塊，若檢測的前景尺寸跨越多行/列，說明當前操作員仍在場景中，應略過當前幀的分析并暫停更新高斯背景。當操作員離開后，發生變化的壓板前景可對比壓板矩陣分布，計算其對應的行列位置。而壓板的當前狀態由其撥片的傾斜度決定，通過Canny和霍夫直線檢測指定行列中的最長直線段，通過該直線的斜率和閾值比較判斷當前的投/退狀態。綠色和藍色壓板行列中檢測的壓板邊緣紅色直線如圖3a中所示，行列單元格的邊框顏色分別指示了該壓板當前的投/退狀態。

圖3 保護壓板矩陣掃描及狀態識別

2.2 指示牌識別

指示牌識別主要利用光學字符分析技術識別各間隔、設備的標識牌文字(見圖4)，用于判斷巡檢的目標位置、操作的設備是否和巡檢任務/操作票等相符，防止走錯間隔、漏/誤巡視等情況的出現。

圖4 指示牌示例

此功能的實現核心是利用開源Tesseract光學字符分析 (Optical Character Recognition,OCR）引擎，該引擎可支持識別多達60種以上語言。Tesseract字符分割和識別主要包括4個步驟：

(1) 分析連通區域，檢測出字符區域的區域輪廓和子輪廓，集成為塊區域；

(2) 找到塊區域，檢測出字符輪廓，得到文本行，再通過空格得到單詞；

(3) 找到文本行和單詞，采用自適應分類器，分析單詞，進行再次單詞分拆；

(4) 得出(識別)文本，識別含有模糊的空格、筆畫高度、小寫字母等。

引擎可通過圖片編解碼器支持各類主流圖片格式的識別，如jpg，png，tif，gif以及從攝像頭獲取的實時視頻幀。

圖4a對應的文字識別結果如圖5所示，可以看出，數字、漢字、英文字母都能準確識別。

圖5 指示牌識別結果

2.3 隔離開關刀閘識別

隔離開關刀閘狀態分析的算法功能可應用在戶外隔離開關和接地柜刀閘的場景中，戶外刀閘狀態分析判斷結果如圖6所示。該功能主要通過對指定區域內的直線檢測過濾等技術，實現分合狀態的判斷，可以有2種方式確定待分析的區域：矩形目標區域，或沿隔離開關邊緣所作的輔助線。

圖6是以所作矩形框方式確定待分析區域，該區域的選擇應滿足刀閘在分合狀態下可見明顯內容變化。分析的結果為：當前處于合狀態，因為區域內可檢測到直線目標。通過直線檢測方式，可避免環境光線對畫面色彩產生的影響，狀態判斷更加準確穩定。

在背景比較復雜、干擾較多的情況下，可選用輔助線的方式確定待分析刀閘位置。夜間戶外三相隔離開關以及接地柜內的刀閘如圖7所示，近似沿刀閘開關邊緣作輔助線，通過檢測直線與之的夾角、距離是否平行，可以判斷當前刀閘的狀態。通過三相同時分析，可對分合狀態進行多次校驗；通過在分合位置分別作輔助線，可對刀閘分合是否到位進行判斷。

圖6 戶外隔離刀閘分合狀態分析

圖7 夜間戶外刀閘、接地柜刀閘狀態分析

2.4 安全帽佩戴識別

根據安全規范，在現場作業中運維檢修人員都必須佩帶安全帽。安全帽佩帶識別的核心是對場景內的移動目標進行跟蹤。前景移動物體通過高斯混合模型檢測，在該模型中每個像素被建模為K個高斯分布的集合，在第N幀上某特定像素的值為XN的概率可表示為：

其中：wj為第k個高斯內核的權重系數；η(XN;θi)是對應的正態分布。

其中：μk為均值；∑K=σ2kl，為第k個內核的方差。K個高斯分布按值wk/σk排序并取前B個分布作為背景模型。

其中：閾值T為背景模型的最小占比，即為場景中出現背景像素的最小先驗概率。背景摳除，則計算為標記距離任意一個高斯分布大于2.5倍標準方差的前景像素。

在高斯混合背景模型提取場景內的前景移動目標后，目標表示為各連通圖像區域。基于OpenCV的cvBlob算法，可實現在圖像序列中同時跟蹤多個連通區域，當前幀內各連通區域所屬目標由連通區域質心間距、運動方向梯度等信息決定。通過cvBlob算法可對各前景運動物體進行長時間跟蹤，并標定每幀中物體的檢測位置(見圖8)。

圖8 運動物體檢測

在圖8a所示的視頻畫面中，選定矩形框作為分析區域，圖8b為高斯混合背景模型檢測的前景檢測結果，圖8c目標框為利用cvBlob算法目標跟蹤識別的前景連通域位置。

在移動目標能準確檢測跟蹤的前提下，進一步檢測安全帽并判斷其與移動目標的相對位置，從而識別安全帽是否佩戴于目標頂部位置。安全帽通常以紅、黃、藍、白顏色為主，對視頻畫面進行HSV顏色直方圖統計，并以相應顏色區塊的面積、形狀信息為輔助，可定位安全帽所在位置。

3 結束語

在電力系統作業監護中，利用各種計算機技術實現自動化管理后，極大減輕了巡檢運維人員的工作量和誤操作。通過實現基于圖像處理的各類智能分析功能，自動監控識別保護壓板和隔離刀閘設備狀態;識別標識牌文字來定位操作和巡視位置;作業現場實時判斷人員是否佩戴安全帽。同時，通過實驗分析驗證了功能的正確性和有效性。下一步，將發掘更多的視頻智能分析應用業務需求，充分利用圖像處理領域的相關技術加強電力系統的智能監控方式和自動化水平。

1 黃新波，陶保震，馮 玲．基于光流場的輸電導線舞動 監測方法[J]．電力自動化設備，2012，32(7):99-103.

2 樂 健，蔡 偉，靳 超，等．基于圖像識別技術的變 電站防誤操作系統的研制[J]．電力自動化設備，2011， 31(7):131-135.

3 管 春，周雒維，盧偉國，等．基于圖像平滑算法的電 能質量數據壓縮方法[J]．電力自動化設備，2011，(8): 77-80.

4 馮 玲，黃新波，朱永燦．基于圖像處理的輸電線路覆 冰厚度測量[J]．電力自動化設備，2011，31(10):76-80.

5 李福鵬，梁國堅，杜鑫峰，等．基于圖像處理技術的險 情識別智能巡檢機器人的研究[J]．自動化與儀器儀表， 2017，(6):10-12.

6 林聚財，韓 軍，陳舫明，等．基于彩色圖像的玻璃絕 緣子缺陷診斷[J]．電網技術，2011. 35(1):127-133.

7 葛玉敏，李寶樹，梁 爽．數學形態學在絕緣子圖像邊 緣檢測中的應用[J]．高壓電器，2012. 48(1):101-104.

8 張 浩，王 瑋，徐麗杰，等．圖像識別技術在電力設備 監測中的應用[J]．電力系統保護與控制，2010，38(6): 88-91.