一种基于变电站智能融合运检系统的设计

2022-06-24文衍广樊道庆杨梓瀚许国伟

电子制作 2022年10期

文衍广，樊道庆，杨梓瀚，许国伟

（广东电网有限责任公司汕头供电局，广东汕头，515000）

1 智能运检系统的设计

本文设计了一套智能运检系统，包括数据处理系统、方法、电子设备及存储介质，可以实现释放更多的劳动力，可以将传统运检方式中孤立的数据进行智能融合、处理和可视化，在全面提高运检效率的同时，提升一线工作的数字化和智能化程度。该运检系统的工作流程及主要组成如图1所示。

图1 智能运检系统工作流程图

■ 1.1 数据处理系统

该智能运检系统的核心部分之一是数据处理系统。该数据处理系统包括数据采集模块、数据分析模块和展示模块。

数据采集模块，用于采集变电站数据。其中，变电站数据包括图片和文本数据，图片包括包含纯文本数据的第一类图片、包含文本数据和实物对象的第二类图片以及变电站的全景图片。

数据分析模块，用于通过光学字符识别OCR模型识别第一类图片中的文本数据，以及通过目标检测模型识别第二类图片中的兴趣目标的位置坐标，根据兴趣目标的位置坐标得到兴趣目标框图，若兴趣目标框图中包含带有文本数据的目标图片，通过OCR模型识别目标图片中的文本数据[1]。

数据展示模块，用于通过三维模型加载全景图片，并将兴趣目标和当前所有的文本数据在三维模型中进行三维可视化展示。

■ 1.2 数据处理

该智能运检系统的设计包括一种数据处理子系统，系统架构如图2所示。该数据处理子系统包括采集变电站数据。其中，变电站数据包括图片和文本数据，图片为包含纯文本数据的第一类图片、包含文本数据和实物对象的第二类图片以及变电站的全景图片，通过光学字符识别OCR模型识别第一类图片中的文本数据。

图2 数据处理系统架构示意图

通过目标检测模型识别第二类图片中的兴趣目标的位置坐标，根据兴趣目标的位置坐标得到兴趣目标框图。若兴趣目标框图中包含带有文本数据的目标图片，通过OCR模型识别目标图片中的文本数据[2]。

最后通过三维模型加载全景图片，并将兴趣目标和当前所有的文本数据在三维模型中进行三维可视化展示。

■ 1.3 电子设备

该智能运检系统的设计包括一种电子设备。该设备拥有一个或多个处理器以及存储装置。存储装置用于存储所有的处理程序，当一个或多个程序被处理器执行的时候，使得一个或多个处理器实现如本文设计方案中的任一项的数据处理方法。

■ 1.4 存储介质

该智能运检系统的设计包括存储介质。存储介质上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本文设计方案中任一项的数据处理方法。

本文实施例提供的技术方案，通过采集变电站数据（包含纯文本数据的第一类图片、包含文本数据和实物对象的第二类图片、变电站的全景图片以及文本数据、通过光学字符识别OCR模型识别第一类图片中的文本数据），通过目标检测模型识别第二类图片中的兴趣目标的位置坐标，并根据兴趣目标的位置坐标得到兴趣目标框图，若兴趣目标框图中包含带有文本数据的目标图片，通过OCR模型识别目标图片中的文本数据，通过三维模型加载全景图片，并将兴趣目标和当前所有的文本数据在三维模型中进行三维可视化展示。

2 智能运检系统的实施

该系统主要包括：数据采集模块、数据分析模块和展示模块。

■ 2.1 数据采集模块

参照图1，数据采集模块由数据获取、前端识别、分布式存储、数据传输以及集中数据存储子模块构成。

数据获取子模块通过高清摄像头实现，摄像头满足适应高低温、潮湿环境的要求。

前端识别子模块被嵌入式数据获取子模块，是一个软件模块，通过C++嵌入式开发实现，用于对图片进行初步筛选处理。

分布式存储子模块使用1G～10G大小不等的闪存，用于作为图片获取路径中的数据缓冲。通过C++程序对其定期读取和清空。

数据传输通过软硬件结合实现，首先C++程序从分布式存储子模块读取图片数据，进行压缩后通过高速传输线路传送至集中数据存储模块。集中数据存储模块端程序进行解压、解析处理后进行存储。

数据采集模块用于采集变电站数据，变电站数据包括图片和文本数据。图片为包括包含纯文本数据的第一类图片、包含文本数据和实物对象的第二类图片以及变电站的全景图片[3]。

变电站数据中的图片数据包括包含纯文本数据的第一类图片，可以是由继电保护设备打印出来的定值单数据图片，其中包含设备参数定值和保护定值等信息；包含文本数据和实物对象的第二类图片，可以是开关柜图片，包含开关柜名称以及按钮、开关、显示屏等实物对象的信息；第二类图片也可以是继电保护设备图片，包括设备名称、电流电压显示屏和开关旋钮等实物对象的信息；变电站的全景图片，包括变电站中所有设备的信息（如：变压器、断路器、隔离开关、避雷器、气体绝缘组合开关、仪表、继电保护设备和开关柜等设备的信息）。变电站数据中的文本数据包括移动终端连接万用表获取到的电流电压以及通过红外测温相机检测到的设备温度等数据。

变电站数据中的图片数据还包括仪表图片，可以是电压表图片也可以是电流表图片，包含了仪表中的指针和刻度线以及指针指向的刻度线和数字等信息。

■ 2.2 数据分析模块

数据分析模块，用于通过光学字符识别（OpticalChar acterRecognition,OCR）模型识别第一类图片中的文本数据，以及通过目标检测模型识别第二类图片中的兴趣目标的位置坐标，根据兴趣目标的位置坐标得到兴趣目标框图。若兴趣目标框图中包含带有文本数据的目标图片，通过OCR模型识别目标图片中的文本数据。在本系统的实施方式中，数据分析模块还用于通过语义分割模型得到仪表图片中的指针和各个刻度线，基于指针指向的刻度线确定仪表图片中的示数信息。

2.2.1 OCR模型

OCR模型是人工智能领域机器学习的一种模型，其结构可以是神经网络结构，也可以是其他结构，可以实现将图片转换成文本数据，本系统基于Google提供的开源类库Tesseract OCR来实现。

在使用OCR模型之前，还包括对OCR模型的训练：将训练集中包含的文本数据为预设字体、预设颜色的图片以及图片对应的标准文本数据输入到OCR模型中，对OCR模型进行训练。具体的，将训练集中包含的文本数据为预设字体和预设颜色的图片以及图片对应的标准文本数据输入到OCR模型中，通过OCR模型输出图片对应的文本数据，将训练集中的标准文本数据以及通过OCR模型输出的文本数据同时输入到损失函数中，得到损失函数的输出结果，该输出结果标识OCR模型的文本数据识别率，根据该输出结果判断是否需要对OCR模型进行优化，当损失函数的输出结果满足预设识别率时，即可停止训练过程，最终得到已训练的OCR模型。

定值单数据存放于机器内部，必须由继电保护设备打印出来才可以为工作人员所识别，定值单数据图片中的设备参数定值以及保护定值都有对应的阈值，阈值存储在调度定值单数据中，设备在运行过程中的定值超过了阈值就会报警。相关技术中需要人工手动比对查看设备定值和保护定值与调度定值单中的阈值是否一致，如果不一致则由人工进行定值的校准，定值单数据庞杂。

通过使用已训练的OCR模型，可以将定值单数据图片转换为文本形式的定值单数据，识别精度和还原率高，识别速度快，进而可以对文本形式的定值单数据进行存储和调用，可以通过相应的技术手段实现定值单数据与阈值的自动比对。

通过数据分析模块，利用OCR模型将包含纯文本数据的第一类图片转换成文本数据，通过目标检测模型识别出第二类图片中的兴趣目标的位置坐标，并根据位置坐标得到兴趣目标框图，再通过OCR模型将兴趣目标框图转换成文本数据，可以实现将数据采集模块采集到的原始图片数据进行量化，从而可以直观、有效的对数据进行管理和操作。

2.2.2 目标检测模型

目标检测模型是机器学习中的一种模型，开源类库Tesseract OCR来实现。其结构是一个神经网络结构，在使用目标检测模型之前，需要对目标检测模型进行训练：将训练集中的第二类图片以及第二类图片中各个实物对象对应的位置坐标输入到目标检测模型中对目标检测模型进行训练。具体的，将训练集中的第二类图片以及第二类图片中各个实物对象对应的位置坐标输入到目标检测模型中，通过目标检测模型得到各实物对象对应的位置坐标，并将训练集中各实物对象对应的位置坐标与通过目标检测模型输出的位置坐标同时输入到损失函数中，根据损失函数的输出结果判断是否需要对目标检测模型进行优化，当损失函数的输出结果满足预设条件时，即可停止训练过程，得到已训练的目标检测模型[4]。

通过已训练的目标检测模型，可以识别出第二类图片中各兴趣目标对应的位置坐标，并进而根据兴趣目标的位置坐标得到兴趣目标框图，可以识别第二类图片中的多个兴趣目标，并可以定位出各个兴趣目标。

2.2.3 语义分割模型

语义分割模型是机器学习中的一种模型，是一个神经网络，同样基于开源类库Tesseract OCR来实现。在使用语义分割模型之前，还包括对语义分割模型进行训练：将训练集中的仪表图片、训练集中仪表图片对应的掩码文件输入到语义分割模型中，对语义分割模型进行训练。其中，掩码文件中记录了仪表图片中的每一个像素所属的类别，例如该像素属于刻度线还是属于指针。具体的，将训练集中的仪表图片、训练集中仪表图片对应的掩码文件输入到语义分割模型中，得到每个像素点所对应的类别，将掩码文件与得到的每个像素点所对应的类别同时输入到损失函数中，根据损失函数的输出结果判断是否需要对语义分割模型进行优化，当损失函数的输出结果满足预设条件时，即可停止训练过程，得到已训练的语义分割模型。

由此，通过已训练的语义分割模型可以实现对图片中的像素进行分类，即可以识别出仪表图片中的指针和各刻度线，然后可以根据指针与其指向的刻度线连成的直线相对中间刻度线连成的直线的倾斜角度。