基于计算机视觉的变电站开关设备状态识别方法

张 利

胜利石油管理局有限公司电力分公司 山东东营 257000

1 研究背景

“十四五”规划实施以来,国内经济发展和人民生活水平迈上新台阶,社会生产生活用电总量不断提高,对电力系统运行的稳定性提出新挑战。变电站的运行安全和可靠性对电力系统的稳定程度有重要影响。在变电站巡检工作中,需要巡检人员对各类电气设备进行定时监控,发生事故后及时采取措施,以确保变电站的运行安全。

目前在变电站运行维护中,广泛存在电力设备日益增长与巡检人员数量不足的矛盾。针对这一现状,亟需进一步提高变电站的运行维护水平,探索无人值守变电站新模式。近几年出现的基于人工智能和图像处理技术的巡检机器人,为解决这一问题提供了新思路。基于图像处理技术的远程巡检系统在变电站中应用,提高了变电站运行维护的数字化水平,能够减少变电站现场运行维护人员的投入,由此,变电站运行维护管理逐渐向自动化和智能化发展。有研究人员基于视觉传感器设计变电站设备铭牌识别系统,采用倾斜校正算法对铭牌进行预处理,利用模板匹配算法进行铭牌识别,实现了对设备铭牌的实时准确识别。这些智能监控系统的应用,有效降低了变电站运行维护的人工成本和故障率。

为满足变电站智能运行维护的需求,需要基于监控系统建立一整套实时高效的运行维护监控系统。其中,图像处理算法要解决的关键问题之一就是开关设备状态的识别。对此,笔者基于计算机视觉,使用图像处理算法对开关设备的状态进行识别,为变电站自动化运行维护提供支撑。

2 变电站智能监控系统

变电站整体硬件网络架构如图1所示。在变电站智能管控系统主站,部署数据采集单元与视频算法模块,接入摄像机采集的数据。原始监控数据和视频分析结果通过交换机上传至综合数据网,实现存储和查询。

图1 变电站硬件网络架构

摄像机是视频监控的核心设备,通过合理布点,监视重要设备的位置标志、六氟化硫表、油温表、油位表等。采用云台枪型摄像机,具备20倍变焦镜头,图像分辨率为1 920像素×1 080像素,可以实现100 m内的高清监控。操作时,摄像机正对设备状态指示器。为了克服光照的影响,现场为设备配有补光灯。为了达到现场要求,施工时摄像机均具备可靠接地和一定防磁抗干扰能力。

图像信息采集完成后,接入视频处理单元。视频处理单元能够进行数模转换,将视频模拟信号转换为数字信号,采集速度为30帧/s,能实时、动态采集视频信号。数字信号通过光纤传输至视频监控主站。视频监控主站与智能运检监控系统之间使用传输控制协议/网际协议传输方式,核心工作是对视频信息进行处理。视频监控设备设置于现场,对视频图像进行采集。视频监控主站设置于主控室,具有对图像进行分析处理等一系列功能。

状态识别对象主要是气体绝缘金属封闭开关设备。这种开关设备由断路器、隔离开关、接地刀闸等部分组成。在巡检过程中,巡检人员通过观察设备状态指示器的开合指示器来判断开关设备的状态。这种指示器特征对图像识别技术而言较为明显,相比开关设备刀闸的开合闸特征,更容易观察,并且特征对环境变化的适应性更加稳定与可靠。由此,采用检测分合状态指示器的方法来识别开关设备的状态。

视频算法服务器所采用的开关设备状态识别方法主要包括开关设备图像预处理、开关位置初步定位、开关位置精确定位、开关状态识别等步骤。借助OpenCV软件库内置的图像灰度化及增强算法,可以实现对开关设备图像的预处理。利用霍夫变换和边缘检测等算法,对开关位置进行初步定位。结合轮廓识别、特征匹配等算法,完成开关位置的精确定位和开关的状态识别。OpenCV软件库内置算法的优化加速效果较好,不同算法之间具有高内聚、低耦合的特性,整体稳定性较强,因此广泛应用于电力设备监控领域。

3 开关设备状态识别

基于计算机视觉的变电站开关设备状态识别方法具体流程如图2所示,主要包括四个步骤。

图2 方法具体流程

(1) 开关设备图像预处理。原始开关设备图像中含有较多的干扰信息,有效信息量少。为便于进一步提取设备状态指示器特征,需要对原始图像进行预处理,尽可能减小噪声信息的影响,提高图像信噪比。

(2) 开关位置初步定位。原始图像经过预处理后,若直接进行全局特征提取,则会导致算法复杂度过高,加之特征较为分散,无法识别出有效的指示器字符特征。由此,需要对指示器所在区域进行初步定位,再进行字符特征的提取,以做到实时准确识别开关状态。

(3) 开关位置精确定位。在第(2)步得到的指示器粗略区域中,仍然存在部分干扰信息,影响识别的准确率。由此,在进行字符特征提取时,需要精确定位到仅包含开关字符的区域。

(4) 开关状态识别。得到开关的精确位置后,对提取到的字符特征进行描述,并与提前制作好的模板字符图像进行匹配,进而根据匹配结果判断开关的状态。

3.1 开关设备图像预处理

从现场相机中获取的图像通常为彩色图像,彩色数据在图像处理过程中并不重要。由此,将彩色图像转换为灰度图,提高算法的识别效率。彩色图像中包含红R、绿G、蓝B三个通道,为获得单通道灰度图像,需要对三个通道进行加权处理,计算式为:

gray=0.299R+0.587G+0.114B

(1)

得到灰度图后,为突出目标图像的有效特征,更为明显地区分有效信息和干扰信息,对图像进行增强。受光照、天气等环境条件的影响,原始开关设备灰度图像的对比度并不明显。经过增强处理后,图像灰度值得到拉伸,可以有效提高对比度,恢复更多边缘特征信息。采用直方图均衡化的方法对灰度图像进行增强。灰度图像直方图的含义为不同灰度值包含的像素数量,可以反映某一灰度值的像素点在整幅图像中出现的概率。直方图均衡化方法在此基础上,将灰度图像直方图分布通过累积分布函数调整为均匀分布。为了拓展原图像的灰度取值范围,需要构建映射函数,将原始图像灰度值映射到直方图均匀分布的灰度图中。考虑到像素值在灰度图像中的分布是离散的,因此直方图均衡化所采用的映射函数可以表示为:

(2)

式中:sk为经过映射后得到的灰度值;n为图像中像素的数量;nj为属于当前灰度级的像素数量;L为图像灰度级的数量。

原始图像如图3所示,直方图均衡化处理结果如图4所示。

图3 原始图像

由于机电干扰的影响,实际拍摄的图像中往往存在大量噪声信息,严重影响感兴趣区域的截取和处理,因此需要通过滤波的方式对噪声进行去除。传统的低通、均值滤波等方法在处理复杂纹理图像时,往往会丢失一些重要信息,影响后续处理。针对这种情况,自适应中值滤波可以在保证保留图像边缘信息的前提下有效过滤噪声,由此采用自适应中值滤波对开关设备图像进行处理。

图4 直方图均衡化处理结果

第一步,判断Zmed是否为噪声所在像素点。令A1=Zmed-Zmin-t,A2=Zmed-Zmax-t,如果A1>0且A2<0,那么执行第二步,否则扩大窗口Sxy的范围。如果Sxy≤Smax,那么重复执行第一步,否则直接输出Zxy。其中,Sxy为以像素点(x,y)为中心的窗口,Zxy为像素点(x,y)的灰度值,Zmax、Zmed、Zmin依次为窗口内像素灰度的最大值、中值、最小值,Smax为窗口的最大范围,t为常数,作用是避免因噪声范围过大出现无法滤除噪声的现象。

第二步,判断窗口中心点Zxy是否为噪声所在像素点。令B1=Zxy-Zmin-t,B2=Zxy-Zmax-t,如果B1>0且B2<0,那么输出Zxy,否则输出Zmed。若噪声范围较大,则扩大窗口范围。若窗口中心不是噪声点,则保持当前灰度值。

自适应中值滤波结果如图5所示。这一方法有效减小了原始开关设备图像中噪声信息的影响。

图5 自适应中值滤波结果

3.2 开关位置初步定位

变电站开关设备箱体窗口外形通常为椭圆形,具有明显的边缘特征,且窗口为玻璃材质,便于运行维护人员对指示器进行观察。由此,可以对窗口进行定位,进一步截取字符位置。

霍夫变换是图像处理、模式识别等计算机视觉领域中应用最为广泛的图像边缘形状检测工具之一。其中,霍夫圆变换可以对图像中具有高度径向对称性的边缘实现有效搜索。这一方法将边缘点从原始图像空间映射至以半径和圆心为变量的参数空间,通过投票机制选取最合适的参数,可以实现已知或未知半径条件下圆的检测。霍夫圆变换在处理中具有良好的旋转不变性,对边缘是否连续的要求较低,并且在OpenCV软件库中有较为成熟的实现算法。对椭圆的几何特征及边缘方向特征进行分解,即可利用多级霍夫圆变换来实现对椭圆的检测。霍夫圆变换后截取的设备窗口区域,即开关位置初步定位结果如图6所示。

图6 开关位置初步定位结果

3.3 开关位置精确定位

通过图像预处理和霍夫圆变换,实现了对开关位置的初步定位,得到了开关设备窗口区域的图像。为进一步确定指示器字符所在位置,还需要对该区域图像进行阈值分割,并利用形态学处理得到目标轮廓,通过对轮廓进行分析,进而得到精确的定位结果。

图像阈值分割利用各区域之间的灰度差异,通过设置合适的阈值将灰度图像转换为灰度值仅有0和255两种状态的二值化图像,对前景区域及背景区域进行有效区分。在二值化处理过程中,阈值的选取对分割结果有至关重要的影响。对此,采用最大类间方差算法来选取最优阈值。像素之间的方差反映图像灰度值均匀分布的程度,不同区域的类间方差越大,表明阈值分割后得到的各区域的差异越大。另一方面,这一方法选取的阈值不受图像亮度的影响。二值化图像如图7所示。

经过阈值分割得到的二值化图像中仍然存在噪声信息,需要进一步利用形态学处理和轮廓分析方法进行处理。形态学分析的基本运算方法包括膨胀腐蚀、开闭运算等。阈值分割后图像存在较多白点噪声,对此,采用开运算对二值化图像进行处理。开运算的作用是将孤立的小对象去除,并且对大区域的边界有平滑作用,可以实现对二值化图像的去噪。开运算处理结果如图8所示。

图7 二值化图像

图8 开运算处理结果

由于现场环境受光照等环境因素影响,初始定位区域往往存在无法通过形态学处理过滤掉的干扰信息,因此需要进一步对图像中各连通域的轮廓进行识别。具体而言,依据目标区域的特征,设置轮廓所包围的面积阈值,或计算轮廓最小包围矩形,通过设置矩形长宽比阈值对轮廓进行筛选。最终得到的指示器字符,即开关位置精确定位结果如图9所示。

图9 开关位置精确定位结果

3.4 开关状态识别

为了实现图像的识别,需要进行特征提取,获得较好的描述性信息。对此,使用尺度不变特征变换算法来提取特征。这一算法基于多尺度角度提取图像特征,并且保证特征的稳定性和唯一性。尺度不变特征变换算法包括四个步骤。

(1) 构造尺度空间,在不同位置和尺度上搜索图像关键点。具体而言,通过建立高斯金字塔,在高斯差分图像中寻找关键极值点。

(2) 检测空间极值,找出对应关键点的亚像素精度坐标,并滤除不稳定关键点,最终得到的关键极值点即为特征点。

(3) 计算特征点邻域的梯度特征,构建邻域梯度直方图,获取最优方向取值,即特征点的主方向。

(4) 求解特征向量,计算特征点附近像素梯度方向直方图的取值向量。

通过尺度不变特征变换算法,在特征点周围选择16×16区域,划分为4×4子区域,分别进行梯度直方图统计,生成维度为[4, 4, 8]的特征向量。

基于特征描述符,利用特征点的唯一性来对两幅图像之间的相同特征点进行匹配。由于目标区域图像相较于模板图像存在旋转、平移等变换,如果直接利用特征点的欧氏距离进行匹配,会产生大量错误匹配,因此使用随机样本一致性算法对大量匹配点进行有效性排序和筛选,在排除错误匹配点的同时保留正确匹配点。随机样本一致性算法是一种计算样本中满足某一目标损失模型对应的最大内点集合,利用该集合中的样本重新估算目标损失模型的迭代计算方法,具体步骤如下:

(1) 对由尺度不变特征变换算法提取出的特征点进行匹配,组成一个特征点信息集合,根据距离比构建损失函数;

(2) 在集合中随机抽取若干个样本,计算损失函数的参数初始值;

(3) 利用损失函数的参数初始值判断数据集中的样本是否小于误差阈值,若小于,则将其视作内点,否则视作外点,同时分别统计内、外点的数量;

(4) 未达到最大迭代次数时,重复进行上述步骤,并选择计算过程中获得的最大内点集,利用此时的模型参数重新估算目标损失模型。

采用随机样本一致性算法得到的字符匹配结果如图10所示,由此可以获得图像和两种模板图像的匹配结果,基于此来判断图像类别。假设与“合”模板的匹配对数为n1,与“分”模板的匹配对数为n2,则n2小于n1时,最终开关设备状态为合,n2大于n1时,最终开关设备状态为分。

图10 字符匹配结果

4 实际测试

选取20个不同开关设备,不同状态、不同时间段采集共4 000幅图像,即每个开关设备每个状态采集100幅图像。这些图像包含不同的光照条件,可以检验算法对光照的鲁棒性。采用所提出的方法将目标图像与模板字符图像进行匹配,最终得到的开关设备状态识别结果见表1。由表1可以看出,所提出的基于计算机视觉的变电站开关设备状态识别方法对于不同开关设备及各种光照条件都具有很高的精度和鲁棒性。

表1 开关设备状态识别结果

5 结束语

在对变电站故障进行分析时发现,相当一部分安全事故是由变电站设备老化导致的开关失败引起。因此,随着变电站运行年限的增加,现存设备的管理和监控成为影响电力能源供应的重中之重。笔者提出基于计算机视觉的变电站开关设备状态识别方法,通过图像分析技术实现了现场变电设备状态的精确识别,大幅降低了因为设备状态转换失败所导致的安全风险,对于实际生产过程中电力故障的预先报警有重要意义。