一种基于图像文字识别的变电站防误操作系统

（国网浙江省电力有限公司绍兴供电公司，浙江 绍兴 312000）

0 引言

变电站是电力系统中最重要的组成部分。运行经验表明，由于变电站包含大量电气设备，可能会发生误操作设备、误入带电间隔、误碰运行设备等误操作。这些事故可能导致大面积停电，引起设备损坏和人身伤害，因此减少或消除变电站误操作具有重要意义。

当前变电站配置有五防系统，也称故障安全单元[1]，这是最常用的防误操作方法。五防系统具有以下五项预防措施：防止误分、误合断路器；防止带负荷拉、合隔离开关或手车触头；防止带电挂（合）接地线（接地刀闸）；防止带接地线（接地刀闸）合断路器（隔离开关）；防止误入带电间隔。该系统的关键原理是对变电站所有锁具钥匙进行计算机化管理（即只有当操作顺序正确时，下一次操作的钥匙才能打开门）。尽管变电站五防系统可以减少操作人员失误，但仍有可能偶发变电站误操作事故。分析表明，这些事故来源于五防体系管理中的固有缺陷，即操作员认为简单或熟悉的任务，他们倾向于使用主键来节省时间并简化过程，但目前尚无有效的技术工具来减少这些情况的发生。对此，本文提出一种基于文字识别和电磁锁具的变电站防误操作系统。该系统首先使用便携式摄像机获取当前工作区的实时标识牌图像，利用文字识别确定操作人员所在位置，结合操作顺序的信息，判断操作人员是否进入了错误变电站操作柜间隔，最后采用具有更高客观性和可靠性的电子系统自动完成开门和锁门，以进一步降低源自人为主观性的风险，从根本上避免误操作。通过实验室和现场测试，证明了所提出系统的可用性和工程实用性，研究结果可为变电站防误操作系统的设计和实现提供参考。

1 文字识别算法

关于图像检测已有许多可参考的算法，其中最常用的是颜色空间法[2-6]和灰度级转换法[7-9]。色彩空间方法可分为HSI 色彩空间方法[2-3]、HSV色彩空间法[4-5]和RGB 色彩空间法[6]。RGB 色彩空间法是采用不同的图像颜色模型直接定位原始彩色图像，该方法需要使用色彩空间变换来转换初始图像，但变换需要进行大量计算，并且很容易受到印版褪色和其他环境变化的影响。灰度转换方法通常需要在定位图像之前先检测图像的边界[7-8]，因此也被称为边界检测法[9]，该方法计算量少并且具有很高的适应性，因此本文采用灰度变换法进行图像检测，进一步进行文字识别。

1.1 标识牌检测

1.1.1 标识牌图像的预处理

如图1（a）所示640×480 像素的图像是后台服务器接收到的原始图像，本文以此为例说明各个算法的实现步骤。图像预处理的主要目的是将原始图像转换为黑白图像，从而将字符信息与背板信息区分开；然后经过图像扩展和滤波等一系列处理后，获得原始图像的二进制轮廓，如图1（b）所示，其中外部虚线边界是原始图像的边界，实际上并不存在于图像中。内部实线边界是算法应当检测到的图像边界。

1.1.2 二值图的霍夫曼变换

如图1（b）所示，在二值图的左下角设置直角坐标的原点，然后将霍夫曼变换应用于该图像，其基本原理是将初始图像坐标中的直线段映射到参数坐标中，直角坐标中的直线段可以表示为：

图1 标识牌图像预处理

式中：ρ 代表原点和线段之间的最小距离；θ 是线段及其延伸线与y 轴之间的夹角，范围为0°～180°。对于一条给定的线段，其夹角θ 和最小距离ρ 都是给定的，因此可以采用坐标（ρ，θ）表示。基于这一原理可以通过在（ρ，θ）坐标系统中搜索与（X，Y）系统相交的点来确定各个直线段。

边缘检测算法的基本步骤如下：

（1）创建一个N×180 的矩阵ρ[]，其中N 是二值图像中的黑色像素点数。

（2）代入像素点坐标并求解公式（1），其中x=xi，y=yi，θ=k°，（xi，yi）是图像中第i 个黑色像素的坐标。

（3）将求解结果四舍五入至最接近的整数，保证ρ 的范围为[0，DT]，其中DT是图像对角线的长度（以像素为单位），求得的结果信息存储于ρ[i，k]中。

（4）重复步骤2、步骤3 直至遍历图像中的所有像素点。

1.1.3 图像边界检测

获取图像后通过观察图像基本特征可知，图像中的4 个最长直线段恰好是构成矩形边界的4条线，由此可按如下步骤进行边界检测：

（1）创建一个（DT+1）×180 的矩阵c[]。

（2）提取和扫描矩阵ρ[]中的每一列元素k（k=0，1，2，…，179），统计列元素中元素编号等于i（i=0，1，2，…，DT）的元素，存储于元素c[i，k]中。这些元素共享了线段参数ρ=i 和θ=k°，因此可做为线段的长度使用。

（3）找到矩阵c[]中具有最大值的4 个元素，然后根据这些元素的行和列得到图像的4 个边界参数（ρ，θ）。

（4）将4 个边界参数（ρ，θ）代入公式（1）中可得4 个方程，同时求解这些方程组就可以得到由4 个交点组成的直角坐标，从而检测出图像的边界。对于如图2 所示的图像，其4 个边界参数（ρ，θ）分别为（94，88°），（610，87°），（432，172°），（40，183°），对应的4 个交点分别为（87，449），（94，38），（610，456），（602，43）。图2（a）是经过处理后的边界检测结果，如果将图像的边框稍作旋转，那么可获得标识牌边框的内接矩形，即点a 和b 的横坐标越大，点c 和d 的横坐标以及内切矩形的横坐标越小；点b 和d 的坐标越大，点a 和c 的坐标以及内接矩形的坐标就越小。

图2 边界检测结果

1.2 文字分割和识别

进行文字识别的第一步，首先是对同一张图像中的字符进行分割。常用的字符分割方法包括投影[10-11]和聚类分析[12]。投影方法首先要计算出二进制图像的垂直投影，选择投影值最小的点作为候选点；然后使用先验知识（例如字符的宽度或间距比例）根据这些候选点对字符进行分区。在图像边界正确定位的情况下，此方法较易于实现。聚类分析法基于一个字符的像素可形成连接域对字符进行分区，此方法适用于背景复杂的图像。变电站中的标识牌均具有相同大小和清晰度的背景，从总边界检测精度来看，投影法精度高达97.5%，因此本文采用投影法进行标识牌的图像字符分割。

1.2.1 标识牌图像切片步骤

本研究中涉及的标识牌具有2 行字符，因此在应用图像字符划分算法之前，必须通过水平切片将标识牌图像分为上下两部分，具体步骤如下：

（1）删除二进制图像中边框之外的区域，采用相同方法处理剩余的图像，创建一个矩阵a[]，使其长度等于剩余区域中的列像素数。

（2）逐行扫描图像，在矩阵a[]的行中存储黑色像素i 的数量。

（3）使用如下公式查找2 行字符之间白色区域的上、下边界，对应的行的索引：

式中：PL是行像素数固定百分比的阈值，对于一张具有2 行字符的图像，有2 个满足公式（2）的m值，其中较大的m 值对应白色区域下边界的行索引。与之类似，满足公式（3）的2 个n 值中，较小的一个对应于上边界的行索引。

（4）当（m+n）/2 是非整数时，使用（m+n）/2 或者（m+n+1）/2 作为图像分割的分界线。以图3 所示的图像为例，内接矩形的尺寸为513×410 像素，则PL=513×5%≈26。其中白色区域的上下边界分别是第265 行和第186 行，分界线是第226行。这个水平切片过程的运行结果如图4 所示，值得注意的是，在2 行字符之间的白色区域内的污点（例如图3 中所示的区域A）可能会降低水平切片的精度，这种情况下可以通过调整PL值来消除干扰（例如可以通过增大PL值来过滤掉污点），如图3 中由污渍A 引起的干扰就可以在PL=26 时消除。

图3 标识牌图像级切片的结果

1.2.2 字符分区步骤

字符分区的目的是将图像分为几个部分。每个部分只包含一个字符。具体步骤如下：

（1）创建5 个矩阵：a[]；cleft[]；cright[]；ctop[]；cbottom[]。矩阵a[]的长度等于图像中的行像素数，其他4个字符的最大字符数等于标识牌中的字符数。

（2）按列从左到右扫描图像，并将黑色像素的数目存储在a[i]中。

（3）按如下公式查找第k 个字符的左右边界相对应的列的索引：

式中：PC是列像素数的阈值百分比；mk代表像素列的左边界，存储在矩阵cleft[k]中；nk代表像素列的右边界，存储在矩阵cright[]中。

（4）扫描包含有k 个元素的图像列（例如从cleft[k]到cright[k]），找到k 元素列的上下边界数值。然后将元素列的上下边界元素的索引存储在ctop[]和cbottom[]中，由此可获得k 元素列的最小尺寸数值。

图4 所示是按字符划分图像的结果，每个字符周围的虚线代表每个检测到的字符的边界。

图4 标识牌图像字符分割结果

1.2.3 标识牌污点干扰消除

字符分区容易受到标识牌上污点的干扰，因此对于存在污点的图像需要进行图像滤波。若不采取滤波措施，污渍（例如图4 中的区域B）很可能被视为单个字符，从而降低图像匹配的准确性。由于标识牌上的污点大小通常小于字符大小，因此可通过污点尺寸进行图像滤波。此阈值要求可以表示为：

式中：PIW和PIL分别是占所有标识牌字符平均宽度和长度的特定百分比的预设阈值，字符的平均宽度和长度可以通过统计获得；Wk和Lk分别是像素段的宽度和长度。

本研究涉及的变电站标识牌的平均字符宽度和长度分别为48 像素和89 像素，由此可得PIW=48×20%≈10，PIL=89×20%≈18。区域B 的宽度为8，长度为14 像素，由此在图7 中可以消除由斑点B 引起的干扰。

1.2.4 标识牌字符识别

完成图像滤波后，进行图像匹配用于识别标识牌图像中包含的字符，其目的是恢复标识牌的文本信息，然后将这些字符依次连接在一起。图像匹配有模式匹配方法[13]和ANN（人工神经网络）法。其中，模式匹配方法直接将字符图像与其字符图像进行逐点比较，需要高质量的字符图像；BP（误差逆传播算法）[14-16]是一种ANN 方法，它采用反向误差传播算法将模式识别问题转换为非线性优化问题，因此该方法可以实现其输入和输出变量之间的连续非线性映射。

当使用BP 进行文字识别时，增加隐藏层数可以提高识别率。然而增加隐藏层数也增加了网络的复杂性和网络加权的训练时间。变电站中只能识别73 个不同的字符，因此一个隐藏层就足够了，本文使用具有一个隐藏层的三层BP 网络来识别标识牌的字符。

2 防误操作系统与现场试验

2.1 防误操作系统和操作流程

依据本文提出的文字识别方法，构建的防误操作系统如图5 所示。

图5 防误操作系统和流程

该系统由四个部分组成：操作人员携带的便携式设备；安装在操作柜和房间门上的门禁设备；位于主控室的后台服务器；WLAN（无线局域网）系统。其中，无线局域网主要用于连接便携式设备、门禁设备和后台服务器。便携式设备包括一台带有客户端软件的上网本和一台摄像机。摄像机用于获取配电柜的标识牌图像，图像采集由操作人员手动执行，然后客户端软件通过WLAN将此图像发送到后台服务器以进行进一步处理。门禁控制系统包括控制终端和电磁锁具两部分。控制终端通过WLAN 从后台服务器接收控制命令，终端根据此命令控制门上安装的电磁锁装置。后台服务器用于处理从便携式设备发送的图像，并进一步识别操作人员的当前位置；如果识别出的位置和当前操作循序要求的位置相同，则服务器将向相应的控制设备发送解锁命令，否则门将保持锁定状态。

上述控制过程的信号通过WLAN 网络进行互通，传输标准按照IEEE 802.11 执行，当变电站面积较大时，还需要安装信号中继器。防误操作系统的工作流程如下：

（1）从后台服务器上的数据库中检索相应的操作票证，操作票由完成操作所需的任务组成，由防误系统为每个操作任务创建相应的操作票证，并建立一个数据库来对其进行管理。

（2）后台服务器根据当前操作顺序将操作指令发送到便携式设备，然后后台服务器等待便携式设备发送回实时图像。

（3）现场人员根据收到的指示开始操作，在进行操作之前，工作人员需要对操作柜标识牌拍照，照片则通过WLAN 发送到后台服务器。

（4）后台服务器接收并识别实时图像，以确定操作员的当前位置，并将该位置信息与操作顺序要求的正确位置进行对比。

（5）如果两个位置相同（即操作人员在正确的工作区域中），则后台服务器将向相应的控制终端发送解锁命令，然后员工就可以继续执行后续操作。

操作完成后，工作人员将“完成”消息发送回服务器，系统将重复步骤2—5，直到完成操作票中列出的所有操作指令。如果工作人员在错误位置，相应的电磁锁将保持锁定状态，便携式设备将警告操作员，并暂停当前操作状态。

2.2 文字识别性能与分析

本文采用的图像匹配模型具有一个隐藏层，其中神经元的数目决定了迭代计算的效率。表1所示是隐藏层神经元数目与网络迭代次数的关系，由表中结果可知，隐藏层中采用的神经元数量为100 时具有最高的计算效率。

本文从110 kV 变电站收集了120 个标识牌图像，大小均为40 cm×30 cm，从中随机选择30张图像进行系统识别试验。利用1.1 中给出的基于霍夫变换的标识牌图像边界检测方法正确检测了29 个图像的边界，准确率达到96.7%。应用1.2 中给出的字符划分方法，正确地划分了这29张图像中包含的所有401 个字符。使用BP 来识别这401 个字符，系统正确地识别了399 个字符，准确度达99.5%。由于每个图像包含10 个以上的字符，因此可以从上下文中推断出无法识别的字符，这样仍然可以正确识别所有29 张图像。

表1 隐藏层神经元数目与网络迭代次数的关系

3 结论

本文提出了一种基于图像文字识别的防误操作新方法，得到以下几个主要结论：

（1）现场试验结果表明，采用本文设计的防误操作系统可以有效跟踪检修人员的实时位置，通过锁具的配合保证操作人员按照安全流程进行检修操作，达到排除人为误操作的目的。

（2）应用霍夫曼变换来检测标识牌图像的边界，准确率为96.7%；基于投影法进行字符分割，具有100%的字符分割精度。同时基于ANN 识别图像字符，结合特殊字符识别方法，使得本文提出的图像匹配准确性达到100%，从而证明了该系统的有效性和工程适用性。

（3）通过仿真测试隐藏层数量与迭代次数之间的关系，得到图像匹配的最佳隐藏层数量为100。

（4）本文提出的防误操作能够有效预防人为误操作，但实际应用中尚存在以下几个问题：硬件系统的通信依赖于无线网络，因变电站设备众多，电磁环境复杂，可能存在无线网络信号延迟、接受异常等情况；变电站标识牌文字识别系统能够在光照充足和均匀的条件下实现文字的准确识别，但在环境黑暗或者光照不均匀的条件下，以及拍摄设备成像质量较低时，识别准确度将会下降。

未来通过改善变电站光照环境以及文字识别算法适应性和安规预警，将现有软硬件通信技术与5G 技术相结合，能够提升本文系统在电力现场安全管控的应用适应性，具有一定应用潜力。