基于圖像識別的變電站保護壓板校核移動應用

鄒積鵬,梁 辰,陳廣輝

(國網山東省電力公司泰安供電公司,山東 泰安271000)

0 引 言

保護壓板是保護裝置引出線上的連片,可分為功能壓板和出口壓板。功能壓板通過控制正電開入來決定保護是否啟用某種功能,出口壓板通過改變回路通斷來決定保護動作命令是否傳達到分合閘機構。保護壓板的正確投退與否關系到保護裝置能否正常發揮作用,保護壓板投退錯誤將導致保護裝置誤動或拒動,引發嚴重電網事故。變電運維人員常采用一人持壓板卡讀壓板雙重名稱及投退狀態,另一人復誦并人眼核對的方法,這種方法費時費力。

保護壓板的智能巡視可分為硬件檢測法[1-2]和圖像識別法[3-4]。前者需要增加檢測回路、集中裝置和通訊系統,準確率較高而且可以實現實時巡視和遠程查詢。后者對采集的保護壓板圖像進行識別,根據搭載平臺的不同又可分為巡視機器人式和手持移動終端式[5-6]。目前,在輸變電設備智能巡檢中,基于圖像識別法的設備巡檢得到了較多應用[7-8],尤其是室內軌道巡檢機器人,可以識別保護壓板、空氣開關、指針表計等設備狀態、數值,成為近幾年變電站智能巡檢技術發展方向之一[9]。該方法缺點在于改造工程量較大,目前僅在少量變電站試點應用,未能提供短期內全面解決方案。相比之下,基于圖像識別法,充分利用已有的手持式移動作業平臺,實現保護壓板巡視,更易推廣應用。

應用圖像識別法的關鍵在于盡可能削弱光照不足、反光、透視變形、圖像區分度不高等不利因素,以提高識別準確率。文獻[10]采用閾值篩選、二值化和形態學方法預處理圖像,提高采集圖像的質量。文獻[11]構建基于色度畸變的改進型雙邊濾波器,抑制不均勻光照和不規則噪聲對識別的干擾。文獻[12]提出了一種基于圖像融合的高光干擾去除方法,以解決玻璃屏柜門反光問題。文獻[13]通過仿射變換技術對變形的壓板圖像進行變換,得到校正的壓板圖像,保證在不同拍攝角度下都能準確定位目標。文獻[14]將空域注意力機制嵌入YOLOv5模型,以解決前景和背景難以分割的問題。文獻[15]以RGB顏色空間作為輸入變量,采用K均值聚類法實現圖像分割。與三源色(red green blue, RGB)相比,色相、飽和度、亮度(hue saturation lightness, HSL)顏色空間近似人類視覺,能夠比RGB更直觀的方式表示顏色[16]。

基于Android Studio環境開發變電站保護壓板校核APP。在已有研究成果的基礎上,提出多證據融合的保護壓板狀態識別方法,通過多個證據的定量融合,以減少光照等因素產生的不利影響,提高壓板狀態判別的準確性。

1 壓板圖像識別

保護壓板的圖像識別,又可分為圖像分割和狀態判別兩部分。圖像分割的作用是將能夠表征壓板狀態的著色絕緣部分從壓板原始圖像中標記,狀態判別則是將標記的圖像轉化為壓板投退狀態。由于光照、透視畸變等因素,壓板圖像分割情況可能不理想,會導致誤判。該程序采用Kmeans算法作為圖像分割算法,構建3個狀態特征指標,并利用D-S證據融合理論,融合這3個指標作為狀態判別結果,以消除單一指標引起的誤判。

1.1 圖像預處理

圖像采集程序獲取壓板區域圖像后,先進行預處理。為確保圖像識別速度,需將照片像素壓縮。壓縮后的圖像以RGB矩陣的形式儲存在移動設備內存。RGB矩陣作為Kmeans聚類輸入特征構建的Euclid距離難以準確區分色彩,因此,需要將圖像從RGB通道轉換為HSL通道。

1.2 圖像聚類分割

程序將HSL矩陣以框選網格作為邊界,將整個圖像劃分為若干個壓板子圖,再逐個將子圖HSL矩陣作為輸入變量輸入Kmeans聚類,實現壓板圖像分割,算法流程圖如圖1所示。

圖1 壓板圖像分割算法流程圖

每個壓板子圖的圖像構成有壓板著色絕緣部分、絕緣底座部分、金屬板部分、陰影部分,因此K的取值在4～6之間。K取值越大,被誤劃入著色部分的面積就越小。簇中心初值可選取上述圖像構成部分的典型HSL值,以加快算法收斂速度。

在匹配分割目標時,需從壓板臺賬中讀取該壓板的顏色代碼并轉譯為顏色典型HSL值,與顏色典型HSL值Euclid距離最小的簇中心即為目標簇,將歸屬于該簇的像素標記為1,其余像素標記為0。

1.3 判據指標構建

通過圖像分割和分割目標匹配,將HSL表示的壓板圖像轉化為0-1表示的形態標記圖像。獲取形態標記圖像后,計算該圖像的上、右、下、左邊界坐標,記為上(xT,yT)、右(xR,yR)、下(xD,yD)、左(xL,yL)。

為量化描述壓板圖像形態與投退狀態的關系,構建了3個指標判據,如圖2所示。

圖2 判據指標示意圖

圖中圓形和矩形的著色塑料部分被標記為1,其余被標記為0。圖2(a)中,程序在上(xT,yT)和下(xD,yD)之間判斷標記為1的像素數,記為h1,則占比1形態特征值表示為

g1=h1/(yT-yD)

(1)

(2)

圖2(b)中,程序在上(xT-R,yT)和下(xD-R,yD)之間判斷標記為1的像素數,記為h2。R為圓形直徑像素數。則占比2形態特征值表示為

g2=h2/(yT-yD)

(3)

(4)

由圖2(c)可見,壓板投退狀態下最小外接矩形的寬度明顯不同,據此構建寬長比特征

g3=(xR-xL)/(yT-yD)

(5)

(6)

P1、P2、P3指標取值在[0.01,0.99]之間,指標越接近0.01,表明該壓板越有可能在退出狀態;指標越接近0.99,表明該壓板越有可能在投入狀態。

以上定值、形態特征值表達式略作修改后,同樣適用于插拔式壓板狀態指標計算。

1.4 D-S證據理論融合指標

D-S證據理論是一種不確定性推理方法,它利用多個證據對識別框架獨立進行判斷,根據合成規則將多個證據的結論融合。當A≠?時,證據m1,…,mn合成規則為

(7)

光照、透視畸變等因素可能會影響某一指標的正確判斷,但幾乎不會使所有指標誤判。因此,可以利用證據理論融合三個指標,以弱化光照、透視畸變的影響。融合指標表示為

(8)

式中:P1、P2、P3為式(2)、式(4)、式(6)計算結果。可設定門檻值ε,滿足P>0.5+ε,則判斷該壓板為投入狀態;滿足P<0.5-ε,則判斷該壓板為退出狀態;當0.5-ε

2 人機交互設計

2.1 選站選屏界面

在核對壓板前,巡視人員通過選站和選屏界面選擇需要核對的保護屏,如圖3所示。

圖3 選站和選屏界面

選站界面展示變電站列表,該列表需事先按規定格式編寫為csv文件,并拷貝至移動應用的外部儲存目錄下,移動應用啟動后自動讀取該文件,巡視人員按下正在巡視的變電站名稱,進入該站的選屏界面,巡視人員選屏后,進入圖像采集環節。

2.2 圖像采集界面

選屏后,程序根據該屏的壓板布局,相應生成框選網格;壓板狀態核對完成后,通過結果輸出界面,將核對結果反饋給變電站巡視人員,如圖4所示。

圖4 圖像采集和結果輸出界面

圖像采集程序采用Google Camera2 API。在圖像采集界面下方設有2個滑塊,控制網格寬度和長度,以適應透視畸變后的壓板區域。

2.3 結果輸出和人工確認界面

在結果輸出界面,投退狀態正確的壓板被標記為綠色,投退狀態錯誤的壓板被標記為紅色并顯示錯誤位置。按下“確認無誤”按鈕,識別結果將保存到日志。如果該屏柜壓板投退狀態存在錯誤,則輸出狀態錯誤壓板的位置。此時無法直接保存日志,需按下“繼續確認”按鈕手動確認原因,如圖5所示。

圖5 結果輸出和人工確認界面

在人工確認界面,錯誤壓板的坐標、原始圖像、圖像分割結果、圖像識別結果、臺賬記錄狀態、識別狀態、錯誤原因逐行顯示。錯誤原因有識別錯誤、投退錯誤、臺賬錯誤、其他錯誤4種類型,按下錯誤原因文本按鈕,可在上述4種類型中切換。所有狀態錯誤壓板的錯誤原因均手動確認后,按下“確認無誤”保存日志或按下“返回重試”重新識別。在日志查詢界面中,可按巡視日期、變電站查詢巡視校核記錄。

變電站保護壓板校核移動應用的原理框圖如圖6所示。

圖6 移動應用的原理框圖

3 實例分析

3.1 試點應用情況

移動應用研制完畢后,在220 kV紅廟變電站等10座變電站試點應用,應用記錄見表1。

表1 試點應用記錄

在熟練操作的情況下,移動應用的識別準確率約為99.52%,巡視一面保護屏的用時在5～10 s,效率遠遠高于人工巡視。

3.2 算例分析

以110 kV山陽站110 kV線路保護屏I為例,說明所提方法的有效性,算例如圖7所示。第一行前五列壓板的判據指標融合數據見表2。

表2 判據指標融合數據

圖7 算例圖像

由圖7及表2可見,第1行第4列壓板實際為退出狀態,但因連片分離角度不足而形似投入,引起占比2、寬長比指標誤判。若按3個判據表決方式,則最終結果將誤判;然而占比1支持壓板為退出狀態的程度相比后兩個指標強烈的多,使融合結果趨向于壓板退出。

4 結 語

為減少光照不足、反光、透視變形等因素對圖像識別的影響,提高識別準確率,構建了3個指標量化,表征了壓板投、退狀態的可能性程度,并通過D-S證據理論削弱了個別指標受不利因素影響,有效保證了最終識別結果的準確性。研發了基于安卓操作系統的移動應用。現場試點表明,該移動應用識別準確率較高,能夠有效提高壓板巡視效率,其推廣應用對于減輕變電運維人員工作強度、實現智能巡視有著重要意義。