圖像和視頻分析在電力設備監控系統中的應用

金杰

摘要：本文主要介紹一種關于圖像與視頻分析的電力設備智能監控系統，其主要是將CCD攝像機拍攝的圖像或視頻資料借助網絡傳輸到服務器，并借助邊緣檢測、特征提取以及目標最終等多個處理、識別方式自動識別出具體的安全隱患，希望可以借助本文為相關從業者提供一定幫助。

關鍵詞：圖像和視頻;電力設備;監控系統;應用

0.引言

隨著經濟的快速發展，電力系統規模不斷擴大，人們對電力系統的依賴性和安全性要求逐漸增強。電力行業屬于我國支撐性的產業，在穩定、安全方面的要求較高，這也是推動我國國民經濟持續發展的基礎前提。在我國電網運行過程中，因為線路復雜，可能會遭受環境、人為等因素影響，從而導致安全風險的存在。傳統的視頻監控系統主要是以人為的方式進行監督管理，但是人為一直觀看監控不僅會形成視覺疲勞，導致注意力下降從而無法及時發現安全隱患，同時人力資源成本較高，整體效益較差。對此，探討圖像和視頻分析在電力設備監控系統中的應用具備顯著實際意義。

1.智能化監控平臺

電力設備的監控系統結構主要涉及到線路側、變電站、監控系統以及智能控制終端。其中鐵塔上的攝像頭可以通過太陽能進行供電，所采集的數據借助網絡傳輸的方式上傳到智能監控終端上進行分析處理[1]。當前比較常用的電力設備主要普遍是安裝在輸電線路的鐵塔上，以可變焦的云臺攝像機為主，對輸電線路、桿塔以及線路及周邊區域實行全方位的監督控制。假設在鐵塔上的攝像機借助太陽能的方式充電，并拍攝圖片或視頻之后借助無線網、Internet網絡傳輸到后端的智能控制終端，在智能控制終端上對所獲取的視頻或圖片進行預處理[2]。應用太陽能供電或無限網絡的方式傳輸數據，促使系統的安裝更容易落實，同時具備更突出的擴充性。智能終端的處理系統對于圖片與視頻處理之后如果存在異常則及時報警并提示值班人員核查。

2.監控系統運行算法

近年來，隨著國家基礎建設的深入開展，電力基礎設施的建設密度和地理分布的廣度得到了迅猛的提升。目前關于圖像和視頻分析在電力設備監控系統中，關于報警監測的計算方式主要涉及到人侵檢測、線路舞動檢測以及異物檢測等方面[3]。應用基礎視頻目標的跟蹤方式進行處理，對安全距離進行動態化監測，應用靜態圖片的分析處理方式，和靜態圖片相比而言，應用視頻分析的方式可以更好的獲得物體的動態化運動信息，但是因為視頻傳輸時所涉及到的數據量比較大，所以靜態圖片的傳輸方式可以更好的減少數據資源的消耗。按照處理方式的不同在具體的檢測算法方面并不相同。對于基于視頻的檢測方式主要涉及到入侵、異物以及線路舞動三個方面的檢測技術，而基于圖片的檢測方式主要涉及到安全距離、鐵塔傾斜、覆冰、弧垂等方面。

2.1 動態視頻檢測技術

基于動態視頻的檢測算法主要是應用目標跟蹤的計算方式，判斷是否存在運動物體和跟蹤物體的運動軌跡，從而實現異常現象的判斷。在目標跟蹤方面主要劃分為三個步驟，第一步是背景的建模，應用混合高斯模型處理方式，為每一個像素點制定具體自適應的混合高斯模型，并對每一個像素點進行定義，以隨機變量的方式進行數據采集。加入均值向量、協方差矩陣進行計算+，。第二步是前景提取，對每一個新的像素將像素值和背景模型的前一個高斯分布進行匹配，在匹配成功后判定為背景，否則判定為前景。之后對前景的像素點實行連通域的分析處理，過濾小的連通域并獲得前景運動的目標。第三步是目標跟蹤。對連續性的幀數處理方式，實現前景物體的跟蹤，并按照跟蹤物體的具體大小、形狀應用特征輪廓分析、特征點分析的方式實現目標跟蹤。

在檢測過程中的具體實施方面，對于入侵的檢測檢測目標要求普遍比較大，所以都是以輪廓跟蹤的方式為主。對于所獲取的前景像素實行連通域的分析，在設置相應閾值的同時，過濾掉比較小的連通域，這樣的處理方式能夠去除掉比較多的噪音干擾以及小動物的影響，并有效的降低誤報警問題。對于異物的檢測，需要確保運動目標在導線區域內，并停留在導線區域中時，可以判斷物體懸掛子在導線上并報警。對于線路舞動的問題，為了有效的減少計算量，可以在線路相對更容易出現舞動的中間部位進行目標跟蹤處理，計算出具體的舞動幅度，同時以最大值、閾值的比值作為報警依據。

2.2 靜態圖片檢測技術

首先，安全距離的檢測。安全距離的檢測主要是使用檢測線路或周邊樹木是否過多接近線路與鐵塔為主。應用HOG特征分析方式以及SVM分類模式進行檢測，正樣本則是以大量的樹木圖片為主，負樣本則是以隨機截取的未含有樹木的背景圖片為主[5]。在分析之前需要先對圖像實行gamma/colour歸一化處理，對其中部分光照影響進行處理，計算沒一個點位的梯度幅值與方向。將圖像劃分為相同大小的block，不同block再繼續劃分為多個cells，不同cell內部統計賦值甲醛的梯度方向直方圖，以block作為單位，將block的行進步長作為邊長的一半，這樣的重疊方式cells因為屬于不同而被歸一化成為不同的特征值，之后將cell的特征進行串聯形成HOG特征向量。借助上述的方式提取出所有正樣本與負樣本的HOG特征并進行訓練線性SVM分類。對于一幅等待檢測的圖像設置一個滑窗，在設置的監測區域內進行滑動，提取不同窗口內圖像的HOG特征，采用訓練好的SVM分類器實現樹木是否存在的判斷。其次，在鐵塔傾斜方面，對于鐵塔傾斜主要是應用鐵塔水平方向形心坐標的變化量進行判斷，形心應用邊緣提取之后所獲得的邊緣分布X軸方向進行加權平均處理，考慮鐵塔傾斜問題，鐵塔上部的傾斜程度相對于底部而言要大，此時形心的變量也會更大，所以在考慮時只統計鐵塔的上半部分變化量。實行Canny邊緣提取的過程中，在列方向上統計邊緣點的數據量，在獲得邊緣直方圖特征向量，假設圖像比較大則以數列的方式進行統計分析。最后，在覆冰檢測方面，覆冰與積雪的顏色均屬于白色，可以應用顏色的特征實現的對覆冰積雪的檢測，考慮到下雪時地面也屬于白色，所以需要適當調整攝像機的方向，促使線路盡可能以天空為背景，再對圖像實行灰度化處理，采用直方圖均衡化處理，實行二值化，二值化過程中閾值可以借助大量樣本的統計方式獲取，此時可以應用自適應閾值的選擇方式獲得。二值化之后部分積雪與覆冰的部分像素值為I，其他為0，借助白點數與總點數的方式判斷是否存在覆冰。另外，在弧垂檢測方面，弧垂監測主要是通過計算導線曲率的方式實現，合理的調整攝像機的角度，促使線路盡可能以天空為背景，規避地面上運動物體的干擾影響。檢測的區域選定為導線中間的部分，對劃定的監測區域實行直方圖均衡化處理，對局部的直方圖均衡化促使導線的正確檢出更加容易，之后采用Canny邊緣檢測的處理方式實現連通域分析，過濾掉比較小的連通域，從而實現導線的提出，實現弧垂角度的分析實現風險判斷。

3.總結

綜上所述，借助近些年快速發展創新的物體識別技術模式，圖像和視頻分析在電力設備監控系統中的應用效果也在不斷的提高。在今后，需要不斷的創新相關技術，例如將譜殘差模型應用在TI-DMC642平臺上，從而實現計算時間與計算量的減少，同時在后續的處理當中加入閾值化的步驟進行優化，從而保障整個系統的運行可靠度。在具體的應用過程中，還可以應用物體檢測技術，借助便捷式的儀器設備進行基礎設計，從而確保整體實用性價值。

參考文獻

[1]張娟.融合中值濾波與小波軟閾值去噪模型的新元礦視頻監控圖像濾波方法[J].金屬礦山，2017，11（12）：244-245

[2]張召峰，孫慶森，楊軍.圖像智能分析技術在輸電線路監控系統中的應用[J].自動化技術與應用，2017，23（7）：52-53.

[3]尹騰飛，張菁，李志偉.Harris角點檢測在電力設備狀態監測中的應用[J].計算機測量與控制，2018，26（12）：40-43.

[4]閆利霞.圖像智能識別技術在艦船電力系統遠程設備監控的應用簡[J].艦船科學技術，2018，23（11）：14-15.

[5]詹學磊，黃杰，張科，etal.基于空間聚類的電網視頻監控設備運行狀態感知數據實時空間可視化技術研究與實現[J].自動化與儀器儀表，2017，14（9）：179-181.

[6]黃初指，陳斌.電力開閉所智能視頻分析安全帽識別算法的應用[J].自動化應用，2015.

[7]劉強，周建平，楊澤剛.圖形化外場通用故障診斷模型開發平臺設計與實現[J].現代電子技術，2015，38（7）：12-15.

[8]宋一杰，趙晴，楊凱文，等.基于QI標準的無線充電傳感器網絡節點設計[J].電子設計工程，2014（21）：121？123.

[9]閆光輝，楊立，范春利，等.基于紅外測溫的電氣控制拒內部元件熱缺陷溫度與方位的三維反問題識別[J].紅外與激光工程，2013，41（11）：2909-2915.

[10]陳健，陳媛媛.電力設備紅外在線監測與診斷管理研究[J].安徽電氣工程職業技術學院學報，2013，18（1）：13-17.