基于场景识别的变电站智能机器人巡视技术

覃 剑，杜 珂，苏淑敏，李 瑾，黎铭洪

(1.广西电网公司，广西 南宁 530000；2.广西电网公司南宁供电局，广西 南宁 530007)

0 引言

变电站是电网的重要组成部分，它的运行状态决定电网是否能够正常、安全供电。目前，我国大型智能电网电力运输系统遵循传统人工巡视模式，存在工作效率低、主观性强、环境因素对巡检质量影响大等局限性。因此，部分中小型变电站已逐渐使用智能机器人对设备功能进行巡视，实现了从传统人工检查到智能机械巡视的重大技术变革。通过这种完全智能、自主的巡视管理方式，完成一些大批量、具有重复巡视性质的任务，有效地减少了人力资源消耗。

现阶段伴随智慧生活的发展，变电站自动化程度也随之普遍提升，智能机器人巡视可以在确保安全的同时，最大程度节省人力资源，可以更好地维护、检查变电站的运行状态。对于变电站智能机器人来说，需要明确当前环境下巡视位置，采集有限目标的立体图像，比如检测输电电缆线路以及输电杆塔等几何数据，检查变电站内设备是否有可能出现故障。由于智能机器人在巡视时是一直在移动的，所以采集到的动态序列或连续图像，其信息受外界光线及天气影响，巡检目标难以辨识，需要进行图像预处理才能精准完成巡视工作。

游安清等[1]为提高电力巡检效率，研究出一种电线、杆塔和地面全自动分类方法，通过激光雷达检查电网线路是否正常运行，根据采集到的线路图像进行数据融合，综合判断电力线是否处于异常状态；刘云鹏等[2]使用红外热成像设备采集变电站内器械图像，对比历史数据库内人工标注的故障问题，确定当前故障范围，根据深度学习自适应检测变电站中可能存在的发热性故障，通过交替迭代明确当前输入图像内故障参数，确定故障具体位置。

上述2种方法虽然完成了变电站巡视，明确了当前线路的运行状态，但是无法根据场景智能调节需要重点检测的器件，导致存有漏检情况。因此，本文提出一种基于场景识别的变电站智能机器人巡视技术，将采集到的图像进行灰度化、亮度均衡、对比度增强以及去噪处理，令当前场景下图像中待识别目标特征更清晰，凭借小波变换方法分解图像提取目标特征，最后将特征输入至卷积神经网络数学模型中训练，获取最终巡视结果。实验结果表明，本文方法可以精准识别出变电站关键设备线路是否有异常，具有较高的适用性。

1 变电站场景图像预处理

智能机器人巡视过程会受到环境影响，所获取的部分图像存在不清晰、畸变等问题，导致未能检测出潜在异常故障。本文利用灰度化、亮度均衡、图像对比度提高，以及去除冗余噪声来解决上述问题[3-5]，提升待识别图像质量。

以RGB(红、绿、蓝)来描述机器人巡视图像内颜色信息，使用加权平均将颜色信息量化为像素灰度值，表达式为

P(x,y)=0.45R(x,y)+0.29G(x,y)+0.17B(x,y)

(1)

P(x,y)为图像经加权平均处理后的灰度取值；(x,y)为图像中的像素点。

因外界光线环境、相机曝光等因素，导致图像色彩不均匀，出现曝光过度或色彩太暗，增加目标识别难度。针对此类问题，本文采用直方图均衡法，先确定原始图像的灰度等级，在此基础上计算出对应的像素点，便可得到灰度直方图为

(2)

Kx为图像中不同灰度级别的像素个数；K为与像素对应的灰度等级。为了便于计算，利用变换关系对图像灰度值进行修正，统计像素数量均匀图像亮度。随后通过微分增强图像对比度，本文使用梯度算法来实现微分变换，令目标特征元素更清晰。

将图像函数设置为f(u,v)，那么f(u,v)在图像坐标(u,v)中的梯度矢量为

(3)

通过式(3)计算结果可知,f(u,v)在梯度上变化的幅度直接影响图像函数幅度单位的大小，如果为数字图像，使用差分计算可得出

G[f(u,v)]=|f(u,v)-f(u+1,v)|

(4)

利用线性滤波算法除掉冗余噪声。假设f(u,v)中存在M×N个像素，滤波处理后的图像为l(u,v)，即

(5)

u,v取值为正整数；a为W集合中的像素点合集，但是W集合中并不含有中心目标点(u,v)。

2 场景识别下变电站智能机器人巡视

2.1 场景特征提取

将处理后的图像通过小波变换方法进行多尺度分解，分解后图像分类为高频率和低频率2部分，采用对比度的均值差和方差[6-7]，描述目标区域与背景区域的平均强度对比度、灰度波动差值，明确图像在垂直与水平方向上的细节，抑制背景噪声[8]。

提取其目标特征时，为给巡视工作提供最可靠的决策基础，避免出现重大故障，需将f(H)(x,y)和f(V)(x,y)(f(H)(x,y)为场景水平方向上的方向特性，f(V)(x,y)为垂直特性)构建为具有空间意义上的矩形滑窗。T为在目前像素(x0,y0)上定义的目标区域，表达式为

T={(x0+i,y0+j)|i∈[-w,w],j∈[-h,h]}

(6)

根据式(6)可知目标区域大小为(2×w+1)×(2×h+1)，在该区域中将w和h设置为大于检测目标尺寸的值，B(H)和B(V)为当前图像像素在2个方向上的背景对比度，可得：

B(H)={(x0+i,y0+j)|i∈[-b,-w]∪[w,b],

j∈[-h,h]}

(7)

B(V)={(x0+i,y0+j)|i∈[-w,-w],

j∈[-b,-h]∪[h,b]}

(8)

此处背景区域的大小为目标背景的2倍。根据上述公式的取值结果，在水平方向和垂直方向定义矩形滑动窗口后，可分别提取2个方向上目标对比度均值差和方差特征，实现对目标图像的特征提取。

2.2 基于卷积神经网络的场景内故障识别

因为智能机器人采集的变电站图像数据量大，就算提取了清晰有效的特征，也很难及时给出识别结果，所以本文使用卷积神经网络进行特征的分类识别。一般情况下场景图像中含有大量的局部特征，如果计算样本不充足，会导致网络过度拟合，因此对应上述提取的目标特征，来优化网络运行结构，最大程度上确保特征不变性[9]。卷积神经网络在运行时，需在输入层前先接入卷积层，去除不包含目标特征信息的图像，分化结构获得最终有效待识别图像。网络处理结构及流程如图1所示。

图1 卷积神经网络框架

可以将卷积运算划分为2种类型，分别是连续型和离散型，连续型卷积计算式为

(9)

离散型卷积计算式为

(10)

h为输入巡视图像的高；t、n为连续卷积和离散的神经元数量；p为下一神经元权重；x为图像所占通道数。

本文的卷积网络类型属于离散型，使用线性运算，对应的卷积核也可以被称为滤波器。卷积核具有确定目标区域尺寸、卷积识别的能力，f(x)为线性变化的过程，b为激活函数。网络前序层中存在多个特征变量，全面计算不同特征变量间相似度k，即可得到激活函数的输入值，获取出输出图，任意图内均有很多卷积特征量，表达式为

(11)

如果将卷积层i后的下一层命名为i+1，那么根据误差反向传播算法可知神经元信号取值。训练过程中，利用误差信号进行升采样操作，便于得出更精确的误差取值。

(12)

up(x)=x⊗1n×n

(13)

up(x)为升采样。根据式(13)可得知，利用误差信号图像，求和计算场景图像中的所有目标信息，得出偏差梯度[10]，表达式为

(14)

u、v为输出和训练样本，二者的训练迭代结合为E。通过反向传播算法计算网络模型中核函数权重差，全部权重值的梯度求和为

(15)

凭借式(15)计算出机器人巡视图像内场景的所有信息，并标记超过安全范围的危险器械位置，为后续决策和维修提供有效数据基础。

本文利用卷积神经网络更精准地对变电站中可能出现的故障风险进行识别判断，具体模型训练以及识别分类如图2所示，详细过程如下：

图2 训练流程

a.针对场景图像进行预处理，通过灰度化、亮度均衡、对比度增强以及去噪处理，提取出图像中含有的目标特征。

b.将历史数据库内图像和提取的特征，投入神经网络模型中进行训练。

c.将含有目标特征的图像输入到卷积层中，进一步识别图像中是否有“异常”。

d.若存在异常发出警报，反之则继续巡视。

3 仿真实验

在智能机器人巡视过程中，变电站环境较为复杂，为了能够成功完成任务，需要满足在不同场景下正常行走、避障、攀爬和导航等功能。

3.1 变电站场景图像处理和故障识别

为了验证本文算法的实际有效性，随机挑选历史故障数据库内变电站的远景和近景图像，进行场景识别的巡检工作。图像处理过程及结果如图3和图4所示。

从图3和图4中可明显看出，巡视机器人采集到的原始图像因环境影响，细节模糊不清、难以识别。预处理后图像分辨率明显提升，细节特征得到强化，机器人可明确当前所处场景。特征提取处理，最大程度去除了与变电站巡检无关的背景信息，进一步凸显待检测目标特征。通过卷积神经网络识别迭代，标记出可能存在故障的设备点和位置，发出警报。证明本方法能够准确有效识别当前场景，并检测出故障器件。

图4 变电站近景图像预处理及巡检识别

3.2 变电站巡视质量评估

为降低实验的视觉主观性，本文计算识别实际例数、预测例数、目标识别准确率和查全率，来量化评估巡视方法性能。考虑到图像在采集过程中，外界环境对识别框结果的干扰，本文将识别框的阈值设置为0.5，实验结果如图5所示。准确率和查全率的计算公式为：

图5 巡视目标检测对比

(16)

(17)

预测框总数为本方法最终提供给核查人员的标记框数，即T+F；T为真正例数，表示没有正确巡视到的目标异常数量；F为负正例数，表示将没有问题的器件标记为异常的数量；N为正负例数，表示有问题器件没有标记为异常的数量。

图5可以看出，点云分类方法查全率相对较高，但真正例数预测值最小；Faster R-CNN算法的指标均为最低；而本文方法在取得高准确率的同时，目标查全率也最高，实际例数和预测数量相差极小。结果表明，本文方法在主观和客观上都有很好的巡检识别效果。

4 结束语

本文提出基于场景识别的变电站智能机器人巡视技术。利用灰度化、亮度均衡、增强对比度以及去噪技术，使图像中信息特征更为显著；利用小波变换进行多尺度分解，依次提取出变电站设备特征；最后通过线性运算，利用误差信号图像得出偏差梯度，并用反向传播算法对网络模型中的核函数进行权重差计算，完成巡视。仿真实验结果表明，所提方法可以同时具有较高的准确率和查全率，可以检查设备外表是否有缺陷，预测是否有潜在危险，同时也可以发现人工无法察觉的隐患风险。