变电站SF6开关设备压力表智能识别系统研究

广东电网有限责任公司阳江供电局 潘坤年

在当今变电站的日常运维工作中，SF6气体压力是SF6开关设备运行中不可或缺的重要技术指标。对SF6开关压力值的记录一直是一项必不可少的工作，此项工作时间并不长，但加上往返变电站的路程和变电站的数量就不再简单，成为一项需要消耗很长时间和较多人力的工作。

物联网、云服务、智能化表计视觉识别感知系统的发展提供了新的选择，将一些重复性较多的测试工作通过智能化监测系统改造，提高测试工作效率，减少不必要的工作环节，有效降低运维成本[1]。

指针式仪表因具有低成本、高可靠性、读数直观等优点，在电力行业中得到了广泛的应用，但指针式仪表在智能视觉识别技术上较数字式仪表要复杂很多，指针式压力表视觉识别是实现变电站智能在线监控中必须要实现的关键技术。通过研究现有变电站监控系统的监测方式，发现目前的监控方式主要采用视频监控和传感器经数模转换后直接传输数字信息监控。传统视频监控由于数量和角度等问题不能准确拍摄仪表的数值，且需人工识别和记录。而广泛采用的SF6开关设备的指针式压力表由于历史及成本等原因目前难以用数字式仪表替换。

1 系统组成

SF6开关设备压力表智能识别系统由图像采集单元和图像处理、用户端三部分组成。图像采集单元采用CCD数字摄像机采集图像，并通过物联网技术或4G、5G网络将图像信息上传至互联网上的信息处理服务器。为保证仪表的准确识别，采用带补光及夜视功能的摄像头进行视频图像采集，在仪表上安装摄像头以保证拍摄效果，获取质量较好的目标初始图像。图像处理由连接在互联网上的云视觉控制模块完成，可根据用户要求选择服务器或网络云服务进行图像数据处理。用户端可使用手机或电脑查看和编辑处理后的数据。

SF6开关设备压力表智能识别系统主要功能有图像灰度处理、图像分割处理、图像二值化处理、图像倾斜校正、图像增强处理、图像边缘识别、表盘特征识别、多层神经网络系统、数据库，主要开发环境为微软Visual studio2010，开发语言为C++和opencv。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库，可运行在Linux、Windows、Android和Mac OS操作系统上。由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法[2]。

2 指针式压力表视觉识别

图像预处理：为保证测量效果和处理效率，需对图像进行预处理。从摄像机获得的图像信息通常为彩色，彩色图像需耗用大量的传输带宽和存储空间，进行处理时也需要耗费较多的运算，故工程上通常将彩色图像转为灰度图像，放弃色彩信息。灰度图是通过某种计算方式对彩色图像进行处理，放弃彩色信息，只保留彩色图像的亮度信息灰度，采用加权平均法对仪表图像进行灰度化处理（图1），灰度计算公式gray=0.299R+0.587G+0.114B。

图1 图像预处理

图像分割处理：通过函数计算方式将图像中对仪表自动识别有影响的部分除去，保留表盘和指针信息。

图像二值化处理及倾斜校正：采用最大类间方差法将图像处理，进行二值化图像，将图像区分为前景和背景两类。仪器仪表与摄像设备间通常存在一定的倾斜角，需对图像进行倾斜校正，以免影响后面的字符串分割和图像识别。

对倾斜程度的判断主要是将图像进行大津法二值化后，对二值化的图像做水平投影，用水平投影的陡峭程度来进行判断：用最大类间方差法获得仪表区域的二值化阈值，从而得到候选区域的二值化图像；将二值化后的图像旋转一定角度-φ后做水平投影并求差分，求差分的最大模值；以一定的步长Δφ，在（-φ+φ）角度之间重复做水平投影并求差分，求得所有差分中模值最大的数所对应的角度值，该角度值即为图像的倾斜校正的角度；根据上述结果对该图像进行倾斜校正。

图像增强处理：图像拍摄过程中，如有其他光源导致图像中有光晕则图像质量较差，需进行增强处理。将图像中的数据分为两类，一类为比较明亮的背景部分、占比约为80%以上，另一类为较暗的表盘指针部分、占比约20%以内，故可利用该特点采用计算公式对图像区域中前20%像素进行增强而对其他的像素进行抑制，从而达到增强目标指针表盘部分、抑制背景的目的。通过增强图像为下一步的分割和识别创造有利条件。

仪表图像边缘识别：为突出图像中的特征，将指针和表盘边缘描绘出来，采用Sobel边缘检测对图像进行边缘检测。边缘检测及二值化后的图像如图2。

图2 图像边缘识别

表盘特征图像提取：仪表图像经处理后指针和表盘特征信息已清晰可见。首先读取指针信息，指针为图中长度最长直线，以此为特征，采用Hough变换法进行直线提取，提取指针信息。在一定区域内，用同样的方法找到表盘的上下限刻度量程线，根据图像中的刻度盘找出圆心，并测量上下限刻度量程线的角度和指针的角度。SF6开关设备压力表的量程已知，可按公式计算压力数值：N=A×(θ1-θ)/(θ1-θ2)，N表示测量数值，A为量程，θ为指针角度，θ1为下限刻度值角度，θ2为上限值角度。当压力表为正负刻度时，当θ≤90°时θ2取90°，当θ＞90°时θ1取90°。

多层神经网络：人工神经网络是受构成动物大脑的生物神经网络启发而设计的智能计算系统。这种系统通过数据库中的样本来“深度学习”执行任务，而不用特定于任务的规则进行编程。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力[3]。去具有的特点是：自学习功能；联想存储功能；高速寻找优化解的能力；任意复杂的非线性关系无法计算和深度学习。

BP网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，其突出优点是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数(或隐藏的中间层数)、各层的神经元个数可根据具体情况任意设定，且随着结构的差异其性能也有所不同。

BP神经网络的计算过程是由正向计算和反向计算过程组成。正向计算过程为从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。BP神经网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。BP神经网络可有效的提高指针式SF6压力表视觉识别的准确率，可有效的识别出有光晕、表盘轻度脏污等情况下的测量数值。

数据库系统：采用SQLServer数据库管理系统，为每块压力表建立测试数据档案，并可转换为Excel表格格式供用户在手机或电脑端查看和编辑数据。