變電站巡檢機器人保護裝置識別關鍵技術研究

徐 波，張立群，劉朝欣

（國網江西省電力公司檢修分公司，江西 南昌 330000）

0 引言

設備巡視作為變電運行維護常規工作之一，是工作人員掌握設備運行狀態信息的重要途徑，有助于評估設備狀態、發現運行缺陷、進行缺陷管理，對確保設備連續安全運行具有十分重要的意義。

變電站機器人巡檢技術是指將移動機器人應用于變電站環境，基于紅外、可見光相機等獲取設備紅外熱圖、圖像信息，基于智能分析算法自動識別設備狀態，代替人工實現變電站設備狀態的自動檢測與預警分析［1］。與傳統的人工巡視相比，機器人巡視具有以下優點：機器人巡視可以減輕運行維護人員工作負擔，提高人員勞動效率，有利于運行維護一體化工作的開展；機器人巡視符合變電站無人值守技術的發展趨勢；機器人的巡視質量較高，覆蓋面較廣，不受人員主觀因素影響，且隨著技術水平的提升，巡視質量可以進一步提高。當前，變電站巡檢機器人主要是應用在變電站室外一次設備巡視方面，效果顯著。以某500 kV變電站為例，巡檢機器人一次設備識別率已達到99%以上，可以有效減輕運維人員負擔，提高巡視質量。

然而，巡檢機器人在保護裝置巡視方面的應用較少，由于環境因素、識別算法、硬件配置等原因，變電站巡檢機器人現階段采集到的圖像分辨率較低，無法分辨圖片中物體的顏色，無法識別燈光等信號，因此尚沒有在現場應用巡檢機器人進行保護裝置巡檢的先例，從而限制了巡檢機器人在變電站中的應用，不能實現機器人對全站設備的全覆蓋，更不能滿足變電站無人值守技術的發展要求。

基于以上情況，就變電站巡檢機器人對室內保護裝置巡視功能開展研究，針對壓板、二次空氣開關和指示燈3個主要反映保護裝置實際運行狀態的基本要素的識別方式，分別提出基于顏色特征對圖像識別算法、多特征識別算法和基于灰度處理的圖像閾值分割方法，以解決變電站巡檢機器人對保護裝置識別率低的問題，填補機器人對保護裝置巡視技術方面的空白，深化機器人巡視技術的應用，適應未來無人值守變電站的發展要求。

1 保護裝置狀態識別方法

變電站巡檢機器人保護裝置識別技術，最重要的是對保護裝置狀態信息進行采集及分析處理，以實現對保護壓板、二次空氣開關、裝置指示燈的識別。

變電站巡檢機器人對保護裝置進行信息采集，而后將巡檢數據進行分析后反饋給運維人員，從而完成對保護裝置的巡檢任務，因此需要制定一個狀態識別方案來實現變電站機器人智能識別保護裝置。

由于機器人及其監控后臺只能通過分析圖像數據來識別保護裝置狀態，因此解決保護裝置壓板、二次空氣開關、指示燈的識別問題，必須要涉及圖像識別領域。圖像識別，即圖像的模式識別，是模式識別技術在圖像領域中的具體應用，是對輸入的信息建立圖像識別模型，分析并提取圖像的特征，然后建立分類器，根據圖像的特征進行分類識別的一種技術［2］。根據圖像提取方法的不同，圖像識別可分為基于復雜模板智能的圖像識別、基于簡易計算智能的圖像識別、基于感知智能的圖像識別［3］。通過對以上3種方法的比較，為了降低成本，提高智能化程度，提升對保護裝置識別率，增強保護裝置巡檢時效性，提高可靠性，實現對繼電保護裝置識別技術，選擇智能化程度一般、識別率較好、時效性一般、成本低的基于簡易計算智能的圖像識別方法。

1.1 保護壓板識別方法

考慮到保護壓板顏色、形狀各不相同，無法進行直接識別。因此，提出一種改進壓板識別方案，即在壓板上下兩端貼綠色貼紙，在壓板中間貼黃色貼紙，通過提取壓板顏色特征進行識別。

基于顏色特征對圖像進行識別，包括以下3個步驟：

1）選取合適的顏色模型，即選擇顏色空間坐標系，如RGB顏色空間、HSV顏色空間等；2）選取有效的特征提取方法，即選擇有效的算法，將圖像的顏色特征與空間特征進行量化，從而進行比較；3）選取準確的特征匹配算法［1］，即選擇相似度算法，計算圖像之間的相似度。

針對步驟1），常用的顏色空間坐標系主要是RGB顏色空間和HSV顏色空間［4］。RGB顏色空間的模型是對采集到的圖像中單個像素點輸出RGB（RED、GREEN、BLUE）值，通過matlab等軟件準確讀出每一個x、y坐標下的RGB分量值，并輸出一個數據表。但是，RGB顏色空間算法存在較大的弊端，一個像素點中的RGB值可能存在重合，僅依靠RGB顏色空間算法不能很好地對圖像進行特征處理。

因此借用另一種顏色模型—HSV顏色空間模型［5］。HSV顏色空間模型與RGB不同，其根據色澤、明暗和色調來定義顏色（HUE，SATURATION，VALUE），更適合基于機器視覺的顏色表達。由于亮度在變電站巡檢機器人識別保護裝置的圖像特征提取過程中影響甚微，因此只提取H、S分量，RGB到HSV的轉換過程如下：

式中：θ為中間變量，無量綱；H、S分別為 HSV顏色空間模型的色調和飽和度；G、R、B分別為綠、紅、藍3 分量像素值；min（R，G，B）為 R、G、B 3 個分量中的最小值。每個顏色分量包括3個顏色矩，轉換為H和S兩分量共能得到6個特征向量。

圖像識別的上述3個步驟之中，采用顏色直方圖算法［3］，通過描述不同色彩在整個圖像或單個顏色區間所占的比例，即在所選區域中出現的顏色以及各種顏色出現的概率。該方法適用于具有3種確定的顏色貼紙的壓板狀態識別。

1.2 二次空氣開關識別方法

針對二次空氣開關斷開、閉合狀態下顏色、形狀特征不明顯的情況，在空氣開關手柄上增加紅色貼紙，來進行輔助識別。當空氣開關為閉合狀態時，無法看到紅色貼紙；當空氣開關為斷開狀態時能夠看到紅色貼紙，故可通過紅色在把手處所占的比率，來判斷空氣開關的狀態。多特征識別算法是用顏色矩方法提取其顏色特征向量，提取其形狀特征向量，然后對顏色特征向量和形狀特征向量分別賦權值，進行加權運算，組成一個新的特征向量，以此來實現目標的識別，由于圖像的顏色信息主要集中在低階矩中，因此利用顏色的一階矩、二階矩和三階矩可以完全表征圖像的顏色分布［6］。其中，一階矩表達了圖像的均值信息，也就是圖像的整體概況；二階矩表達了圖像的方差信息，即圖像細節變化情況；三階矩表達了圖像的斜度信息。圖像顏色的3個低階矩分別為：

式中：Pxy是指圖像中第y個像素的第x個顏色分量，μx是指第 x個顏色分量的一階矩，σx是指第 x個顏色分量的二階矩，Sx是指第x個顏色分量的三階矩。

1.3 指示燈識別方法

由于裝置指示燈在不同狀態下，亮度、顏色的差異會比較大。因此，采用優選法進行分析，根據所選特征量的不同，指示燈識別算法主要分為基于模糊度閥值的圖像分割方法、基于彩色度的圖像識別方法和基于灰度處理的圖像閾值分割方法［7］。

基于灰度處理的圖像閾值分割方法，其關鍵判據是最大類間方差。最大類間方差是統計模式識別中一種用于自動無參數無監督聚類的重要依據，基于最大類間方差的圖像閾值分割方法由日本的著名學者大津展之提出，稱為最大類間方差方法（OTSU）［8］。該方法將原始圖像依據其灰度分為目標和背景2個類，并使其類間方差最大化。從統計模式識別的角度來說，該方法產生的閾值能夠使類間方差最大化，因而從類間方差的角度來說其產生的分類是最優分類。

輸入圖像，指示燈行數為2，列數為16，矩形區域如圖1所示，此時的status為全0的2行16列狀態表格，則可得到初步的指示燈網格高gridH=2和網格寬 gridW=16。

圖1 指示燈矩形區域

將彩色圖像轉換為灰度圖像，如圖2所示。

圖2 灰度圖像

統計灰度圖像的直方圖，實際上就是計算直方圖的灰度均值、方差，得到初步分割的OTSU閾值，再以此閾值將直方圖分成2部分，對每部分再次計算直方圖的灰度均值和方差，得到每部分的OTSU閾值，迭代此計算過程，從而得到可對灰度圖像最佳分割的多個閾值，利用這些閾值得到初步的亮燈區域和暗燈區域［10］，如圖 3 所示。

圖3 初步的亮和暗燈區域

根據初步暗燈區域的目標點（白色）及其8鄰域［9］，尋找暗燈區域圖像中的連通區域，對于每一個目標點，搜索順序如圖4所示。將連通區域按照面積大小進行排序，篩選出暗燈區域圖像中面積和外接矩形長寬均在閾值范圍內的連通區域。同理，對初步亮燈區域也進行如上所述的相同處理。根據亮燈區域和暗燈區域中面積最大的連通區域的外接矩形，判斷分割出的暗燈和亮燈是否與背景連成一片。若暗燈區域與背景連成一片，則清空暗燈區域的連通區域，對亮燈區域的連通區域進行篩選，僅保留面積1＜area＜gridH×gridW的連通區域。若亮燈區域與背景連成一片，則清空亮燈區域的連通區域，對暗燈區域的連通區域進行篩選，按面積大到小，篩選出前2×16個連通區域。若亮燈和暗燈區域與背景均不連成一片，則將兩者的連通區域疊加，按面積大到小進行排序，篩選出面積在1＜area＜gridH×gridW范圍內的前2×16個連通區域。計算每個連通區域的質心和所在區域的索引，根據最小二乘法擬合，更新連通區域所在矩形區域的坐標及長寬，得到每個指示燈所在的區域［10］。

圖4 8鄰域及搜索順序

對初步的亮燈區域計算其連通區域的質心和所在區域的索引，篩除面積過小及質心與所在區域中心較遠的連通區域，篩除后，若所在區域存在連通區域，則status為1，結果lightStatus為1。lightStatus為0表示亮燈區域與背景連成一片。同理，對暗燈區域進行相同的處理，但需對其status進行反轉如圖5所示，更新后的矩形區域，將指示燈區域分成多個小塊，對每一小塊的灰度圖像再次進行一次OTSU分割，篩選出分割后面積最大的連通區域，若亮燈連通區域的質心在暗燈連通區域的內部，則status為1。此處，原始程序分割時采用的是灰度圖像，改進后利用彩色空間，結果localStatus，最終的status為light-Status、darkStatus、localStatus 的“或” 結果，status 為1，則代表該區域有一個亮的指示燈，實現對保護裝置指示燈的圖像識別，將圖像信息轉換為數字量，傳至監控后臺對信息進一步分析處理。

圖5 顯示結果

2 方法驗證

2.1 基于顏色直方圖的壓板識別能力分析

基于顏色直方圖的壓板識別算法實施流程如圖6所示。在本地監控后臺開發了識別軟件，進行240次試驗，得到壓板識別率過程能力如圖7所示。由圖7可知，該直方圖圖形近似對稱分布，為正常型直方圖，可判定工序運行正常，處于穩定狀態，TU=100，TL=96.2，標準差σ=0.531 3，過程能力指數=1.19，1.33＞1.19＞1， 工序等級為 2級， 過程能力尚可，可以判定壓板識別率處于穩定狀態。機器人保護壓板識別率達到了98%以上，且效果穩定。

圖6 壓板識別方法實施流程

圖7 壓板識別率過程能力

2.2 融合顏色和形狀特征的多特征識別能力分析

融合顏色和形狀特征的多特征識別算法實施流程如圖8所示，然后，在本地監控后臺開發了識別軟件，進行了240次試驗，得到空氣開關識別率過程能力如圖9所示。該直方圖圖形近似對稱分布，為正常型直方圖，可判定工序運行正常，處于穩定狀態，TU=99.5，TL=97，標準差σ=0.411 2，過程能力指數GP==1.13，工序等級為2級，過程能力尚可，可以判定空氣開關識別率處于穩定狀態，機器人二次空氣開關識別率達到了98%以上，且效果穩定。

圖8 空氣開關識別方法實施流程

圖9 空氣開關識別率過程能力

2.3 基于灰度處理的圖像閾值分割能力分析

基于灰度處理的圖像閾值分割方法實施流程如圖10所示，然后，在本地監控后臺開發了識別軟件，進行了100次試驗，得到指示燈識別率過程能力如圖11所示。該直方圖圖形近似對稱分布，為正常型直方圖，可判定工序運行正常，處于穩定狀態，TU=99.8，TL=97，標準差σ=0.5313，過程能力指數GP==1.10，工序等級為2級，過程能力尚可，可以判定指示燈識別率處于穩定狀態，機器人裝置指示燈識別率達到了98%以上，且效果穩定。

圖10 指示燈識別算法實施流程

圖11 指示燈識別率過程能力報告

3 現場驗證

在500 kV變電站對機器人巡檢保護裝置的功能進行了現場試驗，通過在本地監控后臺對機器人下發巡視任務，由機器人自主完成整個巡視過程，并將巡視結果反饋至本地監控后臺。

在試驗階段的720多次結果中隨機抽取樣本，抽取100次巡檢結果繪制機器人巡檢保護裝置的識別率試驗結果折線圖，如圖12所示。

試驗結果表明，機器人巡檢保護裝置的識別率達到A級標準（98%以上），機器人巡檢機器人智能識別保護裝置，可以減輕了運維人員的工作負擔，有利于運維一體化工作的開展。此外，巡檢機器人可以對事故快速響應，有利于事故處理，減小損失。

圖12 保護裝置識別率試驗結果

4 結語

對變電站巡檢機器人及巡檢后臺進行改進，利用圖像識別算法，實現了巡檢機器人保護裝置識別，且識別率達到98%以上，將為變電站保護裝置識別提供理論依據與數據支撐，實現變電站巡檢機器人人工替代，減輕運維人員工作負擔。該算法對保護裝置指示燈的顏色仍舊存在適應性問題，針對不同顏色的指示燈必須使用不同的算法［10］，導致實際應用中有諸多不便，需進一步對算法進行深入研究。