基于計算機視覺的變電站開關設備狀態識別方法

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”規劃實施以來,國內經濟發展和人民生活水平邁上新臺階,社會生產生活用電總量不斷提高,對電力系統運行的穩定性提出新挑戰。變電站的運行安全和可靠性對電力系統的穩定程度有重要影響。在變電站巡檢工作中,需要巡檢人員對各類電氣設備進行定時監控,發生事故后及時采取措施,以確保變電站的運行安全。

目前在變電站運行維護中,廣泛存在電力設備日益增長與巡檢人員數量不足的矛盾。針對這一現狀,亟需進一步提高變電站的運行維護水平,探索無人值守變電站新模式。近幾年出現的基于人工智能和圖像處理技術的巡檢機器人,為解決這一問題提供了新思路?；趫D像處理技術的遠程巡檢系統在變電站中應用,提高了變電站運行維護的數字化水平,能夠減少變電站現場運行維護人員的投入,由此,變電站運行維護管理逐漸向自動化和智能化發展。有研究人員基于視覺傳感器設計變電站設備銘牌識別系統,采用傾斜校正算法對銘牌進行預處理,利用模板匹配算法進行銘牌識別,實現了對設備銘牌的實時準確識別。這些智能監控系統的應用,有效降低了變電站運行維護的人工成本和故障率。

為滿足變電站智能運行維護的需求,需要基于監控系統建立一整套實時高效的運行維護監控系統。其中,圖像處理算法要解決的關鍵問題之一就是開關設備狀態的識別。對此,筆者基于計算機視覺,使用圖像處理算法對開關設備的狀態進行識別,為變電站自動化運行維護提供支撐。

2 變電站智能監控系統

變電站整體硬件網絡架構如圖1所示。在變電站智能管控系統主站,部署數據采集單元與視頻算法模塊,接入攝像機采集的數據。原始監控數據和視頻分析結果通過交換機上傳至綜合數據網,實現存儲和查詢。

圖1 變電站硬件網絡架構

攝像機是視頻監控的核心設備,通過合理布點,監視重要設備的位置標志、六氟化硫表、油溫表、油位表等。采用云臺槍型攝像機,具備20倍變焦鏡頭,圖像分辨率為1 920像素×1 080像素,可以實現100 m內的高清監控。操作時,攝像機正對設備狀態指示器。為了克服光照的影響,現場為設備配有補光燈。為了達到現場要求,施工時攝像機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行數模轉換,將視頻模擬信號轉換為數字信號,采集速度為30幀/s,能實時、動態采集視頻信號。數字信號通過光纖傳輸至視頻監控主站。視頻監控主站與智能運檢監控系統之間使用傳輸控制協議/網際協議傳輸方式,核心工作是對視頻信息進行處理。視頻監控設備設置于現場,對視頻圖像進行采集。視頻監控主站設置于主控室,具有對圖像進行分析處理等一系列功能。

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

視頻算法服務器所采用的開關設備狀態識別方法主要包括開關設備圖像預處理、開關位置初步定位、開關位置精確定位、開關狀態識別等步驟。借助OpenCV軟件庫內置的圖像灰度化及增強算法,可以實現對開關設備圖像的預處理。利用霍夫變換和邊緣檢測等算法,對開關位置進行初步定位。結合輪廓識別、特征匹配等算法,完成開關位置的精確定位和開關的狀態識別。OpenCV軟件庫內置算法的優化加速效果較好,不同算法之間具有高內聚、低耦合的特性,整體穩定性較強,因此廣泛應用于電力設備監控領域。

3 開關設備狀態識別

基于計算機視覺的變電站開關設備狀態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) 開關設備圖像預處理。原始開關設備圖像中含有較多的干擾信息,有效信息量少。為便于進一步提取設備狀態指示器特征,需要對原始圖像進行預處理,盡可能減小噪聲信息的影響,提高圖像信噪比。

(2) 開關位置初步定位。原始圖像經過預處理后,若直接進行全局特征提取,則會導致算法復雜度過高,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域進行初步定位,再進行字符特征的提取,以做到實時準確識別開關狀態。

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

(4) 開關狀態識別。得到開關的精確位置后,對提取到的字符特征進行描述,并與提前制作好的模板字符圖像進行匹配,進而根據匹配結果判斷開關的狀態。

3.1 開關設備圖像預處理

從現場相機中獲取的圖像通常為彩色圖像,彩色數據在圖像處理過程中并不重要。由此,將彩色圖像轉換為灰度圖,提高算法的識別效率。彩色圖像中包含紅R、綠G、藍B三個通道,為獲得單通道灰度圖像,需要對三個通道進行加權處理,計算式為:

gray=0.299R+0.587G+0.114B

(1)

得到灰度圖后,為突出目標圖像的有效特征,更為明顯地區分有效信息和干擾信息,對圖像進行增強。受光照、天氣等環境條件的影響,原始開關設備灰度圖像的對比度并不明顯。經過增強處理后,圖像灰度值得到拉伸,可以有效提高對比度,恢復更多邊緣特征信息。采用直方圖均衡化的方法對灰度圖像進行增強。灰度圖像直方圖的含義為不同灰度值包含的像素數量,可以反映某一灰度值的像素點在整幅圖像中出現的概率。直方圖均衡化方法在此基礎上,將灰度圖像直方圖分布通過累積分布函數調整為均勻分布。為了拓展原圖像的灰度取值范圍,需要構建映射函數,將原始圖像灰度值映射到直方圖均勻分布的灰度圖中。考慮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可以表示為:

(2)

式中:sk為經過映射后得到的灰度值;n為圖像中像素的數量;nj為屬于當前灰度級的像素數量;L為圖像灰度級的數量。

原始圖像如圖3所示,直方圖均衡化處理結果如圖4所示。

圖3 原始圖像

由于機電干擾的影響,實際拍攝的圖像中往往存在大量噪聲信息,嚴重影響感興趣區域的截取和處理,因此需要通過濾波的方式對噪聲進行去除。傳統的低通、均值濾波等方法在處理復雜紋理圖像時,往往會丟失一些重要信息,影響后續處理。針對這種情況,自適應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,由此采用自適應中值濾波對開關設備圖像進行處理。

圖4 直方圖均衡化處理結果

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

第二步,判斷窗口中心點Zxy是否為噪聲所在像素點。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,則擴大窗口范圍。若窗口中心不是噪聲點,則保持當前灰度值。

自適應中值濾波結果如圖5所示。這一方法有效減小了原始開關設備圖像中噪聲信息的影響。

圖5 自適應中值濾波結果

3.2 開關位置初步定位

變電站開關設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,便于運行維護人員對指示器進行觀察。由此,可以對窗口進行定位,進一步截取字符位置。

霍夫變換是圖像處理、模式識別等計算機視覺領域中應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對稱性的邊緣實現有效搜索。這一方法將邊緣點從原始圖像空間映射至以半徑和圓心為變量的參數空間,通過投票機制選取最合適的參數,可以實現已知或未知半徑條件下圓的檢測?；舴驁A變換在處理中具有良好的旋轉不變性,對邊緣是否連續的要求較低,并且在OpenCV軟件庫中有較為成熟的實現算法。對橢圓的幾何特征及邊緣方向特征進行分解,即可利用多級霍夫圓變換來實現對橢圓的檢測。霍夫圓變換后截取的設備窗口區域,即開關位置初步定位結果如圖6所示。

圖6 開關位置初步定位結果

3.3 開關位置精確定位

通過圖像預處理和霍夫圓變換,實現了對開關位置的初步定位,得到了開關設備窗口區域的圖像。為進一步確定指示器字符所在位置,還需要對該區域圖像進行閾值分割,并利用形態學處理得到目標輪廓,通過對輪廓進行分析,進而得到精確的定位結果。

圖像閾值分割利用各區域之間的灰度差異,通過設置合適的閾值將灰度圖像轉換為灰度值僅有0和255兩種狀態的二值化圖像,對前景區域及背景區域進行有效區分。在二值化處理過程中,閾值的選取對分割結果有至關重要的影響。對此,采用最大類間方差算法來選取最優閾值。像素之間的方差反映圖像灰度值均勻分布的程度,不同區域的類間方差越大,表明閾值分割后得到的各區域的差異越大。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,需要進一步利用形態學處理和輪廓分析方法進行處理。形態學分析的基本運算方法包括膨脹腐蝕、開閉運算等。閾值分割后圖像存在較多白點噪聲,對此,采用開運算對二值化圖像進行處理。開運算的作用是將孤立的小對象去除,并且對大區域的邊界有平滑作用,可以實現對二值化圖像的去噪。開運算處理結果如圖8所示。

圖7 二值化圖像

圖8 開運算處理結果

由于現場環境受光照等環境因素影響,初始定位區域往往存在無法通過形態學處理過濾掉的干擾信息,因此需要進一步對圖像中各連通域的輪廓進行識別。具體而言,依據目標區域的特征,設置輪廓所包圍的面積閾值,或計算輪廓最小包圍矩形,通過設置矩形長寬比閾值對輪廓進行篩選。最終得到的指示器字符,即開關位置精確定位結果如圖9所示。

圖9 開關位置精確定位結果

3.4 開關狀態識別

為了實現圖像的識別,需要進行特征提取,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,并且保證特征的穩定性和唯一性。尺度不變特征變換算法包括四個步驟。

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

(2) 檢測空間極值,找出對應關鍵點的亞像素精度坐標,并濾除不穩定關鍵點,最終得到的關鍵極值點即為特征點。

(3) 計算特征點鄰域的梯度特征,構建鄰域梯度直方圖,獲取最優方向取值,即特征點的主方向。

(4) 求解特征向量,計算特征點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,在特征點周圍選擇16×16區域,劃分為4×4子區域,分別進行梯度直方圖統計,生成維度為[4, 4, 8]的特征向量。

基于特征描述符,利用特征點的唯一性來對兩幅圖像之間的相同特征點進行匹配。由于目標區域圖像相較于模板圖像存在旋轉、平移等變換,如果直接利用特征點的歐氏距離進行匹配,會產生大量錯誤匹配,因此使用隨機樣本一致性算法對大量匹配點進行有效性排序和篩選,在排除錯誤匹配點的同時保留正確匹配點。隨機樣本一致性算法是一種計算樣本中滿足某一目標損失模型對應的最大內點集合,利用該集合中的樣本重新估算目標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進行匹配,組成一個特征點信息集合,根據距離比構建損失函數;

(2) 在集合中隨機抽取若干個樣本,計算損失函數的參數初始值;

(3) 利用損失函數的參數初始值判斷數據集中的樣本是否小于誤差閾值,若小于,則將其視作內點,否則視作外點,同時分別統計內、外點的數量;

(4) 未達到最大迭代次數時,重復進行上述步驟,并選擇計算過程中獲得的最大內點集,利用此時的模型參數重新估算目標損失模型。

采用隨機樣本一致性算法得到的字符匹配結果如圖10所示,由此可以獲得圖像和兩種模板圖像的匹配結果,基于此來判斷圖像類別。假設與“合”模板的匹配對數為n1,與“分”模板的匹配對數為n2,則n2小于n1時,最終開關設備狀態為合,n2大于n1時,最終開關設備狀態為分。

圖10 字符匹配結果

4 實際測試

選取20個不同開關設備,不同狀態、不同時間段采集共4 000幅圖像,即每個開關設備每個狀態采集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圖像與模板字符圖像進行匹配,最終得到的開關設備狀態識別結果見表1。由表1可以看出,所提出的基于計算機視覺的變電站開關設備狀態識別方法對于不同開關設備及各種光照條件都具有很高的精度和魯棒性。

表1 開關設備狀態識別結果

5 結束語

在對變電站故障進行分析時發現,相當一部分安全事故是由變電站設備老化導致的開關失敗引起。因此,隨著變電站運行年限的增加,現存設備的管理和監控成為影響電力能源供應的重中之重。筆者提出基于計算機視覺的變電站開關設備狀態識別方法,通過圖像分析技術實現了現場變電設備狀態的精確識別,大幅降低了因為設備狀態轉換失敗所導致的安全風險,對于實際生產過程中電力故障的預先報警有重要意義。