基于OpenCV邊緣檢測濾波算法的變電站設備異物識別改進算法研究

【關鍵詞】圖像處理；邊緣檢測；多目標遺傳算法；制動系統優化；變電站設備

引言

變電站設備是電力系統的重要組成部分[1]，隨著智能電力設備和自動化設備的大量應用和推廣，變電站設備的實時監控和故障檢測顯得十分重要，人工巡檢已無法滿足對變電站設備高效準確的檢測，而智能化的圖像識別技術為設備檢測提供了有效手段，在設備故障檢測中具有顯著的優勢[2]。變電站電力設備經常出現鳥巢等異物影響設備工作的情況，導致設備故障或工作異常，對設備異物的識別正是智能巡檢系統的研究熱點。圖像識別技術作為智能巡檢系統中的關鍵技術之一，存在著很多問題，如何去除圖像中的背景噪聲和其他干擾信息以準確識別目標設備也是圖像識別技術中的難點和熱點。在OpenCV庫中，本文提出了一種基于高斯濾波、Canny邊緣檢測、雙邊濾波和圖像分割技術相結合的圖像預處理方法，對目標邊緣信息進行有效提取，為后續準確識別異物工作的進行提供正確圖像。通過實際變電站現場圖像處理及優化，驗證了實際應用價值。此外，隨著電力設備在高效運行下對制動系統的要求不斷提高，本文考慮到實際制動盤優化設計問題，通過對應用多目標遺傳算法對外半徑以及閘瓦長度、寬度等參數進行優化設計，降低系統最大熱應力及最高工作溫度，提升性能。以優化設計為基礎，提升系統熱能力，有效降低設備損耗及故障率，為變電設備的實時監測提供依據[3]，為后續智能檢測提供基礎保障[4]。

一、問題分析及目標確定

（一）異物識別算法分析

本系統是以海康威視的視頻監控軟件為基礎開發的，能夠對變電站中的電氣設備進行異物判別。在已有研究成果的基礎上，本項目提出了一種新的基于深度學習的方法，即通過對輸電線路、電力設備中的鳥巢等異物進行大規模學習，從而實現對目標物體的識別。其基本思想是將采集到的圖片或者從視頻中剪切出的關鍵圖片作為原始圖片，再對原圖片進行縮放，直到圖片達到了識別算法要求的像素值，再將被檢測的圖片輸入到特征抽取網絡中，獲得各框架中是否存在“鳥巢”的可能性，其中以判決概率較大的那個框架內的圖像為目標鳥巢。異物辨識算法只對圖片進行判定，無法分辨出物體與物體之間有無重疊。

（二）原始圖像分析

相機的預置點攝影，可以達到每一次拍照的目的裝置都在影像的中心。為了得到清楚的影像，下列三個因素是必需的。第一個是孔徑大小。較大的孔徑會導致較淺的景深，也就是較模糊的背景，適用于突出主體的場景；較小的孔徑會導致較大的景深和較大的清晰度，適用于需要整個場景都清晰的場景。第二個是鏡頭焦距。在同樣的光圈范圍內，較長的鏡頭可以得到較淺的景深，較短的距離可以得到較大的景深。第三個是攝影距離。鏡頭與被攝體之間的距離愈長，景深愈大。經過測試，變電所內的攝像頭既有人工調焦也有自動調焦的功能，在智能巡檢系統工作過程中，光圈的尺寸、焦距都是自動調焦的。這個功能可以確保圖像是基本清楚的，但是不能得到淺景深，也就是故意把周圍的干擾裝置顯示得很清楚。在變電所中，相機無法進行測距，也無法精確地通過人工來測量相機與儀器之間的距離。本文所用的圖片是在相機自動模式下所獲得的大景深圖片。由于攝影氣象狀況及相機的自動對焦錯誤，相片焦點可以放在目標裝置或背景裝置上。

（三）圖像預處理目標

在圖像處理領域，傳統方法在檢測異物時常常面臨假陽性的問題，即錯誤地將非異物區域識別為異物。這種誤判不僅會降低檢測的準確性，還可能增加后續處理的復雜性。為了有效解決這一問題，本研究提出了一種新的圖像預處理方法，該方法基于高斯濾波、Canny邊緣檢測、雙邊濾波和圖像分割技術，對目標邊緣信息進行有效提取。在此基礎上，進一步提出了一種基于圖像的異物鑒別方法，更準確地識別和區分異物與背景，提高了檢測的可靠性和效率。

二、圖像預處理算法設計

（一）算法選擇及原理

1.高斯濾波

高斯濾波器是一種在圖像處理中得到廣泛使用的線性光滑濾波方法，它的目的是去除高斯白噪音。在此基礎上，利用OpenCV庫中的cv2.GaussianBlur函數，對每一個像素點進行替換，達到去除噪聲的目的。該方法的不足之處在于，由于高斯模糊相當于高斯函數的卷積，使高斯濾波后的圖像更加光滑，同時去除了圖像中的高頻細節，所以需要對其參數進行調節，以避免圖像中的細節缺失。設定濾波器的尺寸為9×9，即濾波器是一個9行9列的矩陣，濾波器的中心位置對應當前處理的像素，即核心像素。該區域內的所有像素數值都是用來對當前像素進行新的數值計算的。σX是一種基于卷積核函數的橫向標準偏差，它反映了數據的離散性，將該模型的加權比率設定為2.8。

2.生成灰度圖像

為了加快邊緣檢測的計算速度，通常需要將彩色三通道圖像轉換為單通道的灰度圖像，OpenCV提供了可以將RGB圖像的顏色空間轉成其他顏色空間的cvtColor函數。本文中，使用此函數將RGB彩色圖像轉換成了灰度圖像，轉換原理為將每個像素點的紅、綠、藍三個分量值用一個加權公式轉換成相應的灰度值。該加權函數基于人眼對綠色最為敏感、其次是紅色、最后是藍色來保留圖像的明暗信息，對圖像進行預處理，以便后期做其他處理方法（如邊緣檢測）。像素點灰度值計算公式如式（1）所示：

Gray=0.299×R+0.587×G+0.114×B（1）

其中，Gray代表計算得到的灰度值，R是該像素的紅色分量，G是該像素的綠色分量，B是該像素的藍色分量。公式中的權重系數反映了人眼對顏色亮度的感知差異。綠色的系數最大（0.587），表示它對最終亮度的影響最顯著；而藍色的系數最小（0.114），表明它的影響較小。

3.Canny邊緣檢測

在此基礎上，提出了一種基于高斯濾波、梯度計算、非最大值去除以及邊界追蹤的方法。在OpenCV中，所有的操作都是用cv2.Canny函數來完成的。將該函數的最大門限設定為150，下限門限設定50，將每一個閾值大于下限的像素確定為可能的邊界點，大于這個閾值的像素作為真實的邊界點。

4.雙邊濾波

本項目擬利用彩色涂料對目標裝置進行定點噴涂，將其與天空及遠處的金屬框架區別開來，采用雙邊濾波方法，充分利用像元間的空間位置及相似度，實現既能保持邊界又能達到平滑效果的目的。通過在OpenCV庫中調用cv2.bilateralFilter函數實現雙向過濾。參數設定有三種。孔徑，也就是過濾器的直徑，以像素為單位，設定各濾光器的直徑是11個像素。σColor表示在選定的區域色彩空間中的標準偏差，設定在300，該值較高時，會與較遠處的像素產生交互作用，使得更多的色彩加入到鄰域中。σSpace是一個在坐標空間中的標準偏差，設定在300，該值較高時，距離較遠的像素之間會發生交互作用，使得較大范圍內的像素呈現同一色彩。

5.圖像分割

該算法首先對原始圖像進行預處理，生成與輸入圖像尺寸一致的遮罩，并對其進行初始化。定義了前景和目標裝置的位置，并把其中的遮罩作為前景。采用GrabCut算法對OpenCV圖像進行分割，利用已處理好的模板對前景區域進行分割，然后將分割得到的前景拷貝到這幅圖像上，然后輸出。

（二）圖像預處理流程

將圖像中的前景對象裝置從背景裝置中分離出來的圖像預處理步驟包括，將原圖像送入圖像預處理算法進行濾波處理，將彩色圖像轉換成灰度圖用于邊緣提取，最終分割和疊加圖像。圖1給出了圖像預處理過程的流程圖。

三、圖像處理

（一）原始圖像濾波

選擇變壓器中壓側套管原圖，并將其送入預處理程序。該方法能有效地抑制噪聲，同時保持了圖像的邊界和細節。雖然雙邊濾波器能更好地保持圖像的邊界，但它仍然無法完全消除圖像中的細節，即使用人眼去看，仍然會有一些模糊現象。

（二）灰度圖像轉化

在此基礎上，將原圖和采用雙向濾波器后的灰度圖進行對比，識別效果更好。去除了色彩信息后，原圖中出現了較多的雜散性噪聲。但是，通過雙向濾波器后，圖像的邊界可以清楚地顯示出來。

（三）邊緣檢測

對灰度圖像采用了Canny的邊緣提取方法。首先，利用高斯濾波器對圖像進行去噪處理；在此基礎上，采用2個3×3的濾波器實現圖像的橫向和縱向的梯度運算。其次，對圖像進行非極值壓制，也就是通過對每一像素和相鄰兩個像素的灰度進行對比，從而對圖像進行細化。然后，采用雙門限分割算法來判斷待測圖像的真實邊界與潛在邊界。最后，對圖像進行邊界追蹤，剔除不符合實際邊界的潛在邊界。在此基礎上，對由Canny算法確定的邊界進行色彩處理，生成彩色邊界，并將其輸出到原圖像中。

（四）圖像分割與輸出結果

在此基礎上，提出了一種基于邊緣檢測的圖像分割方法，該方法基于前景和背景的概率估計，首先對各像素點分別進行了分類，然后再對其進行分割，最后得到了一幅圖像。第一個循環還看不出前景和背景的區別。第二遍后，左邊黑色絕緣套管可以被去除。反復幾次后，只有目標裝置的均壓環位置被保留。高溫會使制動蹄表面產生不均衡的磨損。為解決這一難題，本項目在現有工作基礎上，查閱大量文獻資料，將制動盤的最大熱應力作為約束，以最大溫度作為優化目標，將制動盤的外徑、閘瓦長度、閘瓦寬度等3個參數作為設計變量，進行盤式制動器的優化工作，建立了相應的數學模型，如式（2）所示：

2.63≤x1≤2.70

2.63≤x2≤2.70

2.63≤x3≤2.70

S≤720（2）

其中，x1表示以米為單位的剎車盤的外徑；x2表示以米為單位的閘瓦長度；x3表示以米為單位的閘瓦的寬度；S是制動盤的最大熱應力，它的數值是720 MPa。基于此，利用多目標遺傳算法對其進行優化，提出了一種基于遺傳算法的遺傳算法。該算法將“個體”雜交的可能性設定為0.7，對遺傳進行遺傳的可能性為0.035。此設定有助于在搜尋的全面性與運算效能之間取得均衡，并可獲得最佳設計參數與對應最佳化結果。表1顯示了這些參數在優化之前和之后的變化。

由表1優化后的結果可得制動盤外半徑與閘瓦寬窄、長度改變，優化的制動盤外半徑從2.65 m變為2.691 8 m，閘瓦寬幅從0.2 m變為0.232 51 m，閘瓦長度從0.25 m變為0.22 m。制動盤的外半徑與閘瓦寬窄、閘瓦長度改變后，能夠使制動系統的性能有所提升，尤其能夠減少的最大熱應力，從781.1 MPa減少到685.87 MPa，證明優化后的熱處理能力較好；制動盤的最高溫度從322.2℃下降到275.37℃，證明優化后能夠較好的降低溫度，避免過熱對制動盤磨損以及性能的下降。以上結果證明運用遺傳算法進行多目標優化后，在保證結構穩定的情況下，能夠提高制動盤的高溫性能。這些變化不僅能夠延長設備的使用壽命，還可以降低設備的維修費用，更好地應對電力系統日益增長的智能化和自動化需求[5]，同時為未來的設計中提供科學的依據。

結語

本文提出了基于OpenCV的圖像預處理模型，對變電站設備異物識別圖像進行高斯濾波、Canny邊緣、雙邊濾波圖像分割處理，通過圖像預處理模型能提高識別準確率。圖像識別準確率可以通過圖像優化處理來去除無關圖像，突出目標圖像，有效減少誤報。通過實驗證明本文的識別算法在更嚴苛的環境條件下，識別準確率仍然維持在一個較高的水平，能夠滿足智能巡檢系統在變電站設備監測方面的使用要求。本文對制動盤的優化進行了研究，采用多目標遺傳算法對制動盤關鍵設計參數進行優化，有效控制住了制動盤的熱應力和工作溫度，提升制動系統的工作水平。遺傳算法能有效解決多目標優化問題，既節省了設計效率，又保證了設備在高工作溫度下仍能保持穩定。本文的研究為變電站智能巡檢和智能設計提供了一種新的思路和方式，在將來的研究中可以結合其他機器學習和優化算法的研究，提升智能巡檢設備的識別和優化設計能力，為智能電網的建設和維護提供更加方便的技術手段。

參考文獻：

[1] 周超維，張康俊.基于ResNet50的變電站設備識別精度提升研究[J].中國新技術新產品，2024（18）：3436.

[2] 張勇，李長紅.基于時間序列算法的智能變電站設備故障紅外識別優化方法[J].電氣技術與經濟，2024（10）：110112+116.

[3] 盧銘翔，惠小東，金鑫，等.變電站遠程智能巡檢圖像目標快速識別算法[J].自動化技術與應用，2025，44（02）：145149.

[4] 陳怡倫，馬萍，賈愛迪，等.基于改進YOLOv7的變電站設備紅外圖像識別方法[J].紅外技術，2024，46（09）：10351042.

[5] 汪鵬.基于改進YOLOv5網絡算法的變電站高壓電氣設備絕緣檢測方法研究[J].電工技術，2024（18）：186188.