图像识别技术在电力设备监测中的应用

唐芳莉

（广东电网有限责任公司河源供电局，广东 河源 517000）

1 电力设备监测和总体方案分析

如图1所示，以现有视频监测系统为依据，在将图像识别和分析功能融入后，可有效实现电力设备自动检测能力的提升。

图1 图像识别和实时监测分析系统

在图像监测系统中，CCD（电荷耦合器件）作为传感器安装于电力设备附近。将设备运行状态转换为光信号后，通过数字摄像机于监控计算机中输入其静态图像。当所监测的电力设备运行状态发生异常情况时，监控计算机需要进一步分析该设备图像，此时，在将召唤图像指令下发后进行图像连续采集，然后利用GPRS无线网络向主站计算机发出报警信号并将采集图像实时传输[1]。如图2所示，在整个监测系统中，监控计算机为其核心所在，主要负责控制图像的采集、预处理、分析识别、故障判断以及信息传输等工作。

图2 监控计算机处理流程

2 电力设监测图像识别和分析

在图像采集过程中，受CCD畸变、聚焦效果差和环境因素的影响，使得图像质量因噪音的引入而降低，从而增大图像识别和分析的难度。图像在被控制中心接收后，经过预处理分割出目标电力设备，以此提升识别精度。

2.1 图像预处理

为消减图像噪声，在灰度化处理原图后，所得灰度图还需进行平滑滤波处理。而引入加权系数的平滑模板对噪声消减效果良好，图像质量提升明显。通过低通滤波的运用，平滑滤波处理灰度图可将其中的高频噪声信号进行有效过滤。但是需要注意，在采用该方式减少图像噪声时，由于同时也会过滤掉图像边缘部分的高频噪声，因此会使图像整体质量因边缘化模糊而受到影响。鉴于此，为使图像噪音消减和图像边缘模糊化问题均得到解决，在用平滑滤波处理完图像后，可进一步实施直方图均衡化处理，以实现图像处理质量的整体提升。

2.2 图像分割

图像分割是指将图像分成若干个特定的、具有独特性质的区域，以形成具有物理意义的多连通区域集合。具体地，在分析图像特征信息（亮度、颜色与纹理等）后，以各自差异为依据进行图像分割，该操作可对图像进行很好的识别和分析。由于分割准确性对后续工作的有效性影响重大，故此在具体分割时应注意控制好精度。

在图像分割过程中，主要以图像颜色、灰度和几何性质为依据分隔不同含义的区域，这些区域各自均具有可满足特定区域的一致性，彼此之间互不相交。例如，在对统一物体图像的分割，一般是从背景图像中将属于和不属于该物体的像素点分离出来，而所分割出的区域，应同时满足以下条件[2]：（1）在某一方面，相邻区域间差异性应表现明显；（2）分割区域边界完整且边缘空间拥有较高的定位精度；（3）分割完成的区域连通性和均匀性应表现良好，其中连通性是指该区域内任意两点均存在连接路径，均匀性指区域内所有像素在色彩、纹理、灰度特征等方面具有一定的相似性。

基于分割原理的分析，图像分割主要包括基于特定理论、基于区域、基于边缘检测以及基于阀值的4种分割方法。其中，基于阀值的图像分割主要以图像灰度频率分布数据为依据，操作简单且稳定性较好，在图像分割中已发展为最基本的技术。具体而言，采用基于阀值的方法进行图像分割时，主要利用图像中提取的目标对象和背景灰度值间差异，将图像看作具有不同灰度等级的区域组合，通过合理阀值的选取，从背景图像中分割出目标区域。

在使用基于阀值的分割方法时，为提升分割结果的精确度和图像分析效率，对灰度图还需进一步实施二值化处理，具体方法主要包括动态阈值法、局部阈值法和全局阈值法。

第一，动态阈值法。在图像二值化处理过程中，对于阀值应综合分析后进行选取，结合该图像像素及其坐标，还需考虑周围像素的灰度值。由于动态阈值法充分考虑了每个相邻域的特征，因此对目标边界和背景图像表现更清晰，抗噪声能力更强，虽然在空间和时间方面表现出较高的复杂度。但是，随着计算机性能的日益优化，对于实际处理中的各种需求已可完全满足。

第二，局部阈值法。该方法可有效克服光照不均匀问题，但因转换速度较慢而难以保证目标区域的连通性。

第三，全局阈值法。该方法对噪音敏感，且在光照不均匀时直方图呈现为非双峰的图像二值化效果极差。但是，操作过程相对简单，易于上手。

此外，作为一种经典的分割方法，最大类间方差阈值法无需参数和监督动态阈值，不涉及其他先进技术，只需以图像灰度直方图和该阈值为依据便可实现图像分割。

相比之下，采用最大类间方差阈值法对灰度图实施二值化处理，其分离效果比全局阈值法更好，并且在一定程度上能够很好地适应不同对比度的图像。

3 基于图像识别技术的电力设备异常状态监测

在实际工作中，为使监测分析方案得到有效应用，实现现有视频监测系统功能的提升，需要针对电力设备运行状态建立实时监测和分析系统。在所采图像中可将目标电力设备快速识别，以此通过设备运行状态的判断精准找出畸变的设备[2]。电力设备运行状态的变化（多指不良状态），一旦被系统监测到，便可及时发出报警信号，提醒检修人员对设备故障快速处理，从而降低或避免因设备故障造成的损失。

3.1 变电站的图像监测

在智能技术应用和推广的背景下，对于现代变电站而言，无人值守是其发展的终极目标。目前虽已建立了多套遥视系统，但是图像信号采集和传输过程较为简单，无法适应现代电网发展的实际需求。因此，对于采集电力设备运行状态的图像信息，对其传输的必要性应经分类后综合分析判定。当设备运行状态正常时，只需传输分析结果便可，无需传输监测图像。当设备运行状态异常时（畸变），需要先将特定图像信号和报警信息传输至调度室，待对报警信号确认后以系统提示为依据，将对应图像找出并实施观察和处理，即可保持通信通道顺畅（传输量相对较小），无需因拥挤而压缩数据，同时可以大幅度降低调度人员的工作强度。

此外，对于变电站关键设备运行状态的图像信息，在利用成像设备采集后，通过计算机对其进行截取、识别以及分析处理获取大量的运行参数，从而为自动化设备监测过程中部分难点问题的解决提供有效的数据参考和技术支撑。

3.2 电力设备状态检测和分析

在预处理设备图像过程中，为提升图像处理质量，便于目标设备的识别，对于图像噪声的去除应合理选择算法和方法。

对于电力设备图像的处理，计算机视觉处理的主要目标为图像识别和理解。而识别过程以设备图像的颜色、纹理特征以及模板匹配方法为主要依据。在将目标设备从图像中准确识别后，为了对电力设备实际运行状态进行有效判断，还需进一步处理设备图像，然后与原数据库中的保准图像进行对比[3]。对于电力设备运行状态变化的监测，以减法运算为对象进行分析，其计算原理如式1所示。

其中，Pi(x, y)为目前有待判别处理的图像；P(x,y)为存储于数据库中的标准图像。

当计算结果ΔPi(x, y)=0时，表明电力设备运行状态正常，对应图像无异常情况；当ΔPi(x, y)≠0时，表明设备运行状态异常，对应图像中部分存在毛刺和边缘突起等畸变情况。

4 结 论

图像处理技术在电力设备在线监测中的应用，不仅能够有效替代人工巡检，提升工作效率和自动化程度，还能在高压、危险和恶劣环境下，通过对电力设备运行状态的实时获取，有效保证电力系统运行的安全性和可靠性。