基于机器视觉的电气安全隐患检测研究

2019-07-30张旭大庆油田技术监督中心

石油石化节能 2019年6期

张旭（大庆油田技术监督中心）

随着科学技术突飞猛进地发展，人们在享受“电”带来的福利同时，电也无时无刻地威胁着人类的生命和财产安全。目前，电气安全隐患的检测除了应用相关仪器设备外，主要依靠检测人员电工的技术能力。所以，只有顺应科技发展的潮流，在电气安全隐患检测行业不断引入互联网、人工智能、计算机等先进技术，才能始终适应电气设备发展，创新检测技术，确保人类工作和生活的安全。

1 机器视觉系统简介

1.1 概念

机器视觉就是用机器代替人眼来做测量和判断。它通过使用摄像设备对目标物进行图像摄取，然后应用计算机分析、统计技术，对摄取的图像内容进行判断，最终实现特定的目的[1]，如检测目标事物或精确控制。作为机器视觉系统，所采用的图像处理、图像理解与模式识别的基础理论和技术是相同的。机器视觉技术目前广泛用于大规模的工业生产和医疗卫生行业中[2]，也可以被看作是人工智能技术的一个分项，应用机器视觉技术来进行特定测量和判断的系统也就是机器视觉系统，其基本结构如图1所示。工厂可以利用机器视觉系统来自动检测产品质量，剔除不合格、不标准的产品；医疗机构可以通过机器视觉系统自动检查出不易发现的病理变化。

图1 机器视觉系统结构示意图

1.2 优势

在检测领域应用机器视觉系统，相较于人眼而言，有着以下优势：

1）灰度分辨力强。人只能分辨64 个灰度等级，而机器视觉系统能分辨256个灰度等级。

2）空间分辨力高。机器视觉系统可以配置各种型号的光学镜头，观测到微米级的目标，而人眼无法达到这一能力。

3）速度更快。机器视觉系统能够不断提高系统的硬件设备来提高图像捕捉速度和图像处理速度，而人眼只能保持0.1 s的视觉停留，无法捕捉运行速度较快的目标。

4）环境适应性强。对系统采用防护措施后，其可用于高温、高压或有毒有害等不适于人类开展检测活动的场所。

5）可持续工作。人眼工作容易造成视觉疲劳，从而降低检测的可靠性；而使用机器视觉系统就能避免主观能动性对检测质量的影响，始终保持“5.2”的视觉能力，不会疲倦。

2 电气安全隐患检测研究

2.1 电气安全隐患类型

电气安全隐患是指在生产作业过程中，由于利用电能的设备其整体或部分故障、损坏或人员操作失误等可能造成火灾、爆炸、人身伤亡等事故的隐患。主要有电气火灾隐患、电气爆炸隐患和人身触电隐患。而安全管理不严格、设备带障运行、电器选型不正确及线路安装不规范等原因造成的这些隐患，威胁着工作人员的生命健康和国家财产安全。

2.2 电气安全隐患检测

目前，我国尚未针对电气安全隐患的检测行业指定相关的检测技术规范。针对油田生产场所的低压配电设备进行电气安全隐患检测，检测内容、方法和判断依据是黑龙江省地方标准DB23/T 1805—2016《危险场所电气防爆安全检测技术规范》。该规范中明确规定检测的内容如下：

1）变配电系统；

2）电气线路系统；

3）防爆电气设备选型；

4）过热型电气检测；

5）放电型电气检测；

6）接地系统。

上述六项检测内容中，有依靠现场核实设备设施选型情况的方法进行检测，也有使用非视觉化输出的设备进行检测。其中，变配电系统和过热型电气检测两项内容，可以应用机器视觉技术进行隐患识别（表1）。

表1 应用机器视觉技术开展的隐患检测项目

2.2.1 变配电系统隐患

变配电系统由配电系统和变电系统组成。对于配电系统，由于其隐患产生的主要原因是由施工安装过程中不规范造成的，在实际检测过程中常见的隐患如图2所示。

图2 常见的电气安全隐患

由图2可知，变配电系统隐患主要集中在线路绝缘、连接端子上。如图3所示，可以通过调整图像的亮度、对比度等参数，得到图像中灰度或者纹理、颜色发生剧烈变化的地方即图像边缘，采用对图形边缘检测的方法就能把这些隐患的特点分析出[3]，从而实现机器视觉自动识别电气安全隐患，并能够智能识别隐患的类型。

图3 处理后的电气安全隐患

2.2.2 过热型隐患

目前，过热型隐患检测主要应用热成像仪，摄取的热像图反映的是电气设备运行状态及其温度分布状态。现场检测人员通过显示屏读出焦点处的温度值[4]，图像中最高温度焦点的选取完全依靠检测人员的判断；也可以把摄取的热像图传导至计算机内，通过热像仪自带的软件进行分析。这两种方式有着各自的缺点：人员选取最高温度焦点时判断会产生偏差；不能把热像图实时传导到计算机中。

如图4所示，如果应用机器视觉技术，只需在图像提取设备加装红外热成像镜头，系统就能根据色彩参数进行自主判断最高温度值的位置，这样可以克服上述两点不足。而且，过热型电气安全隐患的检测对机器视觉的要求比变配电系统的检测更容易实现。

图4 配电线路的热像照

2.3 基于机器视觉的检测系统构成

随着科技的发展，机器视觉技术不仅可以实现缺陷工件的识别，而且还能完成复杂人脸识别；所以，把机器视觉技术应用到电气安全隐患检测中是可行的。只要抓住线路、绝缘、连接端子边缘处理后的特点，智能地抓取图片的细节，将为电气安全隐患检测技术带来质的飞跃。其系统应该包含图像输入部分、图像处理部分、比较判断部分和检测结果输出部分等（图5）。

图5 基于机器视觉的检测系统结构

由图5 可知，现场检测人员在确定开始检测后，利用设备对检测目标进行图像摄取，图像直接输入到图像处理部分，经过自动调整参数，进行图像增强操作，使图像的轮廓更加清晰，突出细节；然后系统进行边缘检测，识别线路、电气设备及连接点，根据检测项目开始分割图像。分割后的图像数据与系统中的标准数据进行对比分析，判断其是否存在隐患，最终结果转化为人眼可视的信息输出。

2.3.1 部分检测系统开发软件的比较

检测系统开发软件应侧重于图像的处理能力，只有越强大的图片处理能力，才能对隐患的识别更加准确。目前，计算机软件行业中有许多程序适用于机器视觉系统的开发工作，比较流行、应用广泛的有Python、Halcon，侧重于测量和仿真的有Labview、Matlab等。

Labview 更注重于测量和仿真，其图像处理功能并不强大；Matlab有着强大的科学计算和工程绘图能力，其用于图像边缘检测中并不广泛；Python容易学习，易于维护，目前在人工智能开发中应用较多，其图形处理能力同样强大；Halcon有一套完善标准的机器视觉算法包，拥有应用广泛及其视觉集成开发环境，包含了各类滤波、色彩分析、几何数学变换、形态学计算分析、校正、分类、形状搜索登记本图像处理功能。虽然每一种开发程序都有着各自的特点，以及都在各自的应用领域中起着不可代替的作用；但是，为了更好地开展电气安全隐患检测，基于机器视觉系统可以考虑选用Halcon程序进行开发[5]。