基于图像识别技术的电力系统在线监测

马青，管保安，张扬，李乳演

(1．武汉大学电气工程学院，湖北 武汉 430072;2．武汉大学 电子信息学院，湖北 武汉 430072)

0 引言

随着我国国民经济的快速增长，全社会工、农业用电量需求猛增，电力供应总体偏紧，电力设备的运行状态对电网的影响很大，以在线监测为基础的状态检修发挥着重要作用。目前，电力设备在线监测中普遍存在高压设备运行状态与电信号之间难以转化、信号转换和传输过程中的电磁兼容性以及重要设备运行参数监测的实时性等一系列问题。近年来，以图像处理与识别为基础的计算机可视化技术飞速发展，将图像分析与识别技术引入电力系统在线监测，可从根本上解决上述问题。目前已有的视频监视系统仍需要人工参与，智能化程度低，严重阻碍了电力系统自动化程度的提高［1］。本文依靠计算机自动识别与分析功能，建立电力设备运行状态的实时监测和分析系统。利用数字图像处理与识别技术，结合了最大类间方差法(Otsu)选取阈值［2－4］、序贯相似法(SSDA)识别［5］、帧差法(FD)判决等手段［6］，对电力设备的故障做出及时判断，在减少事故发生率的同时，大大提高了工作效率。

1 电力设备检测与分析总体方案

为提高电力设备的自动检测水平，在现有视频监测系统的基础上，增加图像识别与分析功能，系统总体框图如图1所示。

电荷耦合器件CCD(Charge Coupled Device)是图像监测系统的传感器，安装在电力设备附近合适的位置，它把电力设备的运行状态转换成光信号，经过数字摄像机将其静态图像输入到监控计算机。当监控计算机发现监测的电力设备图像发生异常变化时，需要对该电力设备图像进行进一步的分析，这时可下发召唤图像指令实现图像的连续采集，然后通过GPRS无线网络向主站计算机报警并传输刚采集的图像。监控计算机是整个系统的核心，完成控制图像的采集、预处理、识别、分析和传输的整个过程。计算机处理流程如图2所示。

图1 图像识别与实时监测分析系统总体框图

图2 计算机处理主要流程

2 图像的识别与分析

在图像的采集过程中，CCD的畸变、聚焦不理想或环境因素通常会引入噪声，影响图像质量，给识别和分析带来困难。计算机从接收到的图像流中截取视频图像后，首先要进行预处理，进而分割电力设备所在的目标区域。

2．1 图像预处理

将采集到的图像灰度化，用平滑滤波来减少和消除图像噪声。这里利用引入加权系数的平滑模板对图像进行平滑滤波，可有效地抑制噪声干扰。因为图像平滑实际是低通滤波，让信号的低频部分通过，阻截属于高频部分的噪声信号，在减少随机噪声点影响的同时，由于图像边缘也处在高频部分，平滑过程会导致边缘模糊。为了不降低图像质量，在平滑处理过后再采取直方图均衡处理。图像预处理过程如图3所示。

图3 图像预处理过程

2．2 二值化阈值的选取

为了在识别和计算过程中减少内存的占用，加快计算速度，便于图像分析，有必要将电气元件图像带灰度的数字信号处理成二值的数字信号。图像二值化的方法有很多种，主要分为3类:全局阈值法、局部阈值法和动态阈值法。

全局阈值二值化方法虽然简单易行，但对噪声干扰较大，光照不均匀，直方图不呈双峰分布的图像二值化效果明显变差。局部阈值二值化方法的优点是能有效地克服光照不均匀的影响，缺点也很明显:实现速度慢，不能保证目标区域的连通性等。

动态阈值法的阈值选择不仅取决于该像素灰度值以及它周围像素的灰度值，而且还和该像素的坐标位置有关。由于动态阈值法充分考虑了每个像素邻域的特征，所以能更好地突出背景和目标的边界，具有较强的抗噪声能力，虽然时间和空间较复杂，但相比于计算机高速的处理能力，这些都不会成为阻碍其应用的问题。

最大类间方差(Ostu)阈值分割方法是经典的无参数、无监督自适应阈值分割方法，它不需要其他先验知识，只是利用图像灰度直方图，然后以这个阈值进行图像分割。设图像灰度范围为(0，1，…，L－1)，其步骤如下:

(1)计算输入图像灰度级的归一化直方图(用h(i)表示)，算出灰度均值μr

(2)计算直方图的零阶累加矩ω(k)和一阶累加矩 μ(k)。k=0，1，…，L － 1。

(4)取σ2(k)的最大值并将其所对应的k值作为阈值T。

(5)设输入图像f(x，y)，二值化后的图像g(x，y)，则有

(3)计算类分离指标。k=0，1，…，L － 1。

采用全局阈值法二值化后的图像及Ostu法阈值化后的二值图像如图4所示。由图4可以看出，用最大类间方差法(Ostu)选取阈值进行二值化对图像有很好的分离效果，并能在一定程度上适应不同对比度的图像。

2．3 电力设备的识别

图4 全局化法和Ostu法二值化后的图像对比

经过上述一系列预处理后，得到了一幅干扰较小、较平滑的二值图像，为将之识别成具体的电力设备原件，传统的模版匹配识别方法计算量大，除匹配点之外做了大量的无用功，严重影响系统效率的提高。本文采用了序贯相似性检测算法(SSDA)。

标准模板T叠放在搜索图S上平移，模板覆盖下的搜索子图叫子图 Si，j，i，j为这块子图左上角像点在S图中的坐标，叫参考点。i，j取值范围为:1＜i＜(bs－bT+1)，1 ＜ j＜ (hs－hT+1)，(mk，nk)为子图Si，j中的像点在S中的坐标(bs为搜索图S的宽度;hs为搜索图S的高度;bT为模板的宽度;hT为模板的高度)。

定义绝对误差值取一不变阈值Ck，在子图 Si，j(m，n)中随机选取像点，计算它同T中对应点的误差值ε，然后把这个差值同其他点对应的差值累加起来，当累加r次误差超过Ck时，停止累加并记下次数r。定义SSDA

的检测曲面为

把I(i，j)值大的点(i，j)作为匹配点，因为这点上需要很多次累加才使总误差∑ε超过Ck。

以经过上述SSDA所找到的匹配点为基准点，截取宽度和模版宽度一致的一块区域，分割出单个元件的二值化图像并将之分成n×m的网格矩阵，因为已经进行了二值化处理，所以元件的线条所在处用0表示，背景用1表示。

这样，待识别元件图像就转化成了用0，1表示的模糊矩阵，但由于图像可能存在污点及其他干扰，所以在此方法中采用模糊化处理方法［7］。把模糊矩阵转化为模糊矢量，通过上述处理，所有的电力设备元件标准矩阵都可以转化为标准矢量。

设有元件矢量

计算矩阵

计算数值

假设计算机接收到的元件矢量γ=(γ1，γ2，…，γn－1，γn)，只要算出γ与已存在的标准量库里的所有矢量的接近程度ω(γ0，Ai)(Ai是标准矢量库里的一个矢量)便可根据择近原则判定γ是何种元件。

图5是模板图像与模糊化处理后的标准图像;经过SSDA算法识别处理后的图像如图6所示，图中识别出的绝缘子区域已标出，经验证，此方法处理结果准确;类似的模糊化标准模板如图7所示。

分别用模糊化的标准图与接收到的γ做接近程度计算，便可根据择近原则判定是何种元件。SSDA算法的优点在于它在保证电力设备识别准确率的基础上，大大简化了计算过程，利用模糊矩阵算法，增强了识别过程的抗干扰性。

2．4 电力设备故障的分析与判断

图像识别与理解是计算机视觉处理电力设备图像的目标，为了判断电力设备的运行状态是否正常，需要把当前设备图像与数据库中存储的历史图像进行对比，最简单的方法是采用2帧图像相减的方法，即帧差法(FD)。如果电力设备有外观损坏、放电以及设备漏油等故障，就会表现为图像某部分产生突变、产生毛刺、突起边缘以及新增轮廓等［7］。由软件评判设备运行状态的变化，根据电力设备的类型，确定发生故障的危险程度，发出报警信号，为故障的排除和状态检修打下了基础。

图8显示了分析处理的结果，试验证明，这种帧差算法判决故障图像能快速发现电力设备运行状态的变化并发出报警信号且可靠、可行，有助于切实提高电力设备在线监测的自动化水平。

图8 变压器图像的故障判别

3 结论

将图像处理技术和智能识别技术应用于电力设备图像的识别和分析中，是监测电力设备运行状态的一种新方法，特别在高压、危险以及恶劣的环境中，能够实时获取电力设备的运行状态，减轻调度员的工作负担，大大提高了在线监测的自动化程度。

本文提出了针对故障检测的一整套图像处理与识别方法，其中最大类间方差法选取阈值、序贯相似法识别、帧差法判决等方法都在实践中取得了较为满意的效果。这套方法为及时发现设备运行的故障隐患、状态检修等提供了可靠的依据，在无人值守变电站等系统中具有广阔的应用前景。

［1］罗毅，涂光瑜．计算机视觉技术及其在电力系统自动化中的应用［J］．电力系统自动化，2003(27):76－79．

［2］龚志勇．超高压输电铁塔运行监测分析平台研究［J］．电力信息化，2006(12):27－29．

［3］GolnerM A，MikhaelW B，Krishnan V．Region Based Variable Quantization for JPEG Image Compression［C］//Proceedings of 43rd IEEE Midwest Symp on Circuits and System．Piscataway:IEEE，2000:604 －607．

［4］龚声蓉，刘纯平，王强，等．数字图像处理与分析［M］．北京:清华大学出版社，2006．

［5］付忠良．图像阈值选取方法——Otsu方法的推广［J］．计算机应用，2000，20(5):37．

［6］何斌，马天予，王运坚，等．Visual C++数字图像处理［M］．北京:人民邮电出版社，2001．

［7］胡俊，苏祥芳，刘立海，等．图像序列运动检测算法的研究及其应用［J］．武汉大学学报(自然科学版)，2000，46(5):613－616．

［8］杨纶标，高英仪．模糊数学原理及应用［M］．广州:华南理工大学出版社，2001．

［9］李然，高会生，王成儒．基于视频监测系统的运动目标检测技术的实现［J］．电力系统通信，2003(7):1－3．

［10］Chang LW，Wang C Y，Lee SM．Designing JPEG Quantization Tables Based on Human Visual System［C］//Proceedings of 1999 International Conference on Image Processing．Piscataway:IEEE，1999:376 －380．