金顯華，陳衛(wèi)軍

（ 1. 安陽師范學(xué)院 網(wǎng)絡(luò)與教育技術(shù)中心， 河南 安陽 455000； 2. 安陽師范學(xué)院 軟件學(xué)院，河南 安陽 455000）

隨著科學(xué)技術(shù)水平的提高，越來越多的電氣設(shè)備應(yīng)用于人們?nèi)粘９ぷ魃钪?，因此對電力傳輸穩(wěn)定性的要求隨之增高。 安全、可靠、高效、優(yōu)質(zhì)的高壓電力網(wǎng)絡(luò)才能適應(yīng)迅猛發(fā)展的社會要求。

高壓電力網(wǎng)絡(luò)一般建于遠離市區(qū)的山野叢林，條件惡劣[1-2]。 傳統(tǒng)的高壓電力網(wǎng)絡(luò)監(jiān)測由電力工作人員來執(zhí)行，在監(jiān)測過程中，會因為工作人員自身的因素，如對工作責(zé)任心不強、工作時身體狀態(tài)不佳等原因?qū)е鹿ぷ餍实拖?，降低電力網(wǎng)絡(luò)檢測標(biāo)準(zhǔn)。 并且，在野外進行高壓電力網(wǎng)絡(luò)檢測必須投入大量人力、物力，才能保證對網(wǎng)絡(luò)監(jiān)測要求[3-5]。

針對上述問題的出現(xiàn)，提出基于智能視覺的高壓電力網(wǎng)絡(luò)線路監(jiān)測方法，通過在電力網(wǎng)絡(luò)線路中安裝監(jiān)控設(shè)備，提取線路環(huán)境實時圖像，對采集的圖像數(shù)據(jù)進行預(yù)處理，去除噪聲和擾流。 建立幀間差分比對方法， 發(fā)現(xiàn)采集圖像集合各幀間差異，提取出異常情況，及時報警的監(jiān)測方法。 仿真實驗表明，基于智能視覺的高壓電力網(wǎng)絡(luò)線路監(jiān)測方法能夠適應(yīng)惡劣的自然環(huán)境，在發(fā)現(xiàn)和處置電網(wǎng)線路異常情況時比傳統(tǒng)人工方法高出500個百分點， 能夠廣泛應(yīng)用，并且基于智能視覺的高壓電力網(wǎng)絡(luò)線路監(jiān)測方法減少了人力、物力投入，降低了電力網(wǎng)絡(luò)維護成本。

1 視覺圖像預(yù)處理

在高壓電力網(wǎng)絡(luò)中，運用智能視覺監(jiān)測的前提是將問題電力網(wǎng)絡(luò)從視頻圖像中提取出來，提取出的問題電力網(wǎng)絡(luò)圖像是系統(tǒng)分析技術(shù)的基礎(chǔ)，是智能視覺處理的重要環(huán)節(jié)[6]。

1.1 問題電力網(wǎng)絡(luò)檢測

高壓電力網(wǎng)絡(luò)中安裝智能視覺監(jiān)控系統(tǒng)，主要是從監(jiān)控攝像頭中對獲得的實時圖像進行分析和處理，提取出電力網(wǎng)絡(luò)實時狀態(tài)，跟蹤其變化軌跡，判斷電網(wǎng)實時狀態(tài)下是否正常，并對產(chǎn)生的異常數(shù)據(jù)進行進一步處理。 處理過程如圖1所示。

圖1 智能視覺高壓電力網(wǎng)絡(luò)處理流程Fig. 1 Process flow of the intelligent visual high-voltage power network

1.2 采集圖像預(yù)處理

在高壓電力網(wǎng)絡(luò)中，必須要求實時、準(zhǔn)確進行網(wǎng)絡(luò)異常檢測和問題目標(biāo)提取，但由于高壓電力網(wǎng)絡(luò)存在的惡劣環(huán)境， 致使采集的圖像劣化嚴(yán)重，所以必須先對監(jiān)控頭采集的圖像數(shù)據(jù)進行預(yù)處理，為智能視覺系統(tǒng)下一步判斷是否存在電力網(wǎng)絡(luò)異常做好前期工作[7]。

高壓電力網(wǎng)絡(luò)監(jiān)控采集的圖像數(shù)據(jù)是連續(xù)性的，但因電力網(wǎng)絡(luò)存在的惡劣環(huán)境導(dǎo)致采集圖像噪聲較大，圖像明亮度、均勻度、媒體流都會變質(zhì)，形成虛假的圖像邊緣，影響視覺系統(tǒng)對圖像處理。

根據(jù)監(jiān)控頭采集圖像噪聲與傳輸信號的關(guān)系，可將高壓電力網(wǎng)絡(luò)視頻噪聲分為加性噪聲和乘性噪聲。當(dāng)電力網(wǎng)絡(luò)智能視覺系統(tǒng)采集圖像信號為（ x，y），噪聲信號為n（ x，y），惡劣環(huán)境下加入干擾的圖像信號為g（ x，y），加性噪聲模型為

乘性噪聲模型為

由式（ 2）可知，在高壓電力網(wǎng)絡(luò)中乘性噪聲信號與監(jiān)控頭采集視頻信號相關(guān)。 電力網(wǎng)絡(luò)智能監(jiān)控系統(tǒng)采集圖像信號越強， 伴隨采集圖像的噪聲越大。 提高采集圖像質(zhì)量方法一般采用圖像增強恢復(fù)技術(shù)。

在圖像增強恢復(fù)過程中，設(shè)高壓電力網(wǎng)絡(luò)監(jiān)控頭采集圖像大小為N×N，像素灰度值為f（ x，y），經(jīng)濾波后f（ x，y）輸出為

式中：x，y=0，1，…，N-1，i，j為采集圖像像素集合，不包含（ x，y），M為電力網(wǎng)絡(luò)監(jiān)控頭采集圖像像素總和。

常用濾波模板為：

對于高壓電力網(wǎng)絡(luò)監(jiān)控頭采集的M×N的數(shù)據(jù)，經(jīng)過m×n個加權(quán)濾波的過程，輸出為：

式中，a=（ m-1）/2，b=（ n-1）/2，分母是電力網(wǎng)絡(luò)智能監(jiān)控模板系數(shù)總和；w（ s，t）為加權(quán)濾波處理后的信號。

1.3 高壓電力網(wǎng)絡(luò)圖像異常檢測

異常電力網(wǎng)絡(luò)檢測就是從高壓電力網(wǎng)絡(luò)監(jiān)控中將異常圖像從采集的圖像背景中分離出來， 進一步判斷，辨明真實性后再進行后續(xù)工作。

異常檢測就是通過監(jiān)控頭采集到的圖像幀集合進行比較，通過求相鄰幀的像素比值得到差分圖像，判定閾值大小，當(dāng)大于閾值取1，否則取0。得到的非0圖像數(shù)據(jù)就是電力網(wǎng)絡(luò)異常數(shù)據(jù)。

式中：fk（ x，y）和fk-1（ x，y）是網(wǎng)絡(luò)監(jiān)控頭采集的相鄰兩個幀圖像；Dk（ x，y）是高壓電力網(wǎng)絡(luò)幀差圖像。

式中：T為閾值；Rk（ x，y）為經(jīng)過閾值判斷后養(yǎng)分圖Dk（ x，y）的二值化圖像。高壓電力網(wǎng)絡(luò)幀差分檢測流程如圖2所示。

圖2 幀間差分算法流程Fig. 2 Inter-frame difference algorithm process

對于在高壓電力網(wǎng)絡(luò)閾值T的統(tǒng)一標(biāo)準(zhǔn)， 通過情況下，閾值分別為30，80。

2 智能視覺的高壓電力網(wǎng)絡(luò)線路監(jiān)測

智能視覺系統(tǒng)對高壓電力網(wǎng)絡(luò)監(jiān)控是將監(jiān)控頭采集的連續(xù)圖像應(yīng)用Mean Shift 序列算法，利用電力網(wǎng)絡(luò)圖像區(qū)域內(nèi)顏色信息對運動目標(biāo)進行判別。

Mean Shift是對于高壓電力網(wǎng)絡(luò)采集集合在D維空間RD的樣本S， 在整個高壓電力網(wǎng)絡(luò)RD空間中某點x（ x∈RD）的均值偏移基本定義為：

式中：Sh為高壓電力網(wǎng)絡(luò)半徑RD中，h半球的高維度球；k為在高壓電力網(wǎng)絡(luò)中異常數(shù)據(jù)落入Sh區(qū)域個數(shù)，并滿足以下應(yīng)用條件：Sh={y∶（ y-x）T（ y-x）≤h2}。（ xi-x）為高壓電力網(wǎng)絡(luò)中異常數(shù)據(jù)相對于點x的偏移量；Mean Shift向量Mk（ x）為整個電力網(wǎng)絡(luò)中在Sh圖像像素集合中k個異常數(shù)據(jù)點向x偏移量的平均值。 因此從概率角度來說，Sh區(qū)域樣本Mean Shift點沿概率密度增加最大方向呈梯度顯示。

對于高壓電力網(wǎng)絡(luò)Sh異常數(shù)據(jù)集合中，無論x偏移多大，離x較近的異常數(shù)據(jù)對統(tǒng)計網(wǎng)絡(luò)中的異常數(shù)據(jù)監(jiān)測越有效。 因此，在Mean Shift中引入核函數(shù)。

即一個函數(shù)K：RD→R存在，即

式中：點x數(shù)據(jù)是高壓電力網(wǎng)絡(luò)RD中隨機一點，x模為‖x‖2=xxT，并同時滿足k為非負數(shù)，如a>b那么k（ a）>k（ b）；k為不連續(xù)性的，并且k（ r）dr<∞。

由于高壓電力網(wǎng)絡(luò)異常數(shù)據(jù)都不一樣，因此，每一個異常數(shù)據(jù)引入一個權(quán)重系數(shù)w（ xt），式（ 8）可以擴展為

可知，Mh（ x）=Mh（ x）+x。 若在高壓電力網(wǎng)絡(luò)中給定一個初始點x，核函數(shù)K（ x）允許實際環(huán)境中誤差系數(shù)ε，則均值偏移算法由以下迭代計算后，直到滿足條件。

A.計算獲取數(shù)據(jù)偏移量mh（ x）的均值；

B.把mh（x）賦給高壓電力網(wǎng)絡(luò)初始點x；

當(dāng)mh（ x）-x<ε，此次迭代計算結(jié)束，否則繼續(xù)執(zhí)行A。

Mean Shift是高壓電力網(wǎng)絡(luò)監(jiān)測中通過獲取采集圖像來預(yù)測下一時刻狀態(tài)的過程， 根據(jù)異常數(shù)據(jù)的時間預(yù)測和狀態(tài)預(yù)測， 得到整個電網(wǎng)的協(xié)方差估計。加入觀測值狀態(tài)方程來更新預(yù)測，從而得到最優(yōu)估計值。 包括對高壓電力網(wǎng)絡(luò)的增益系數(shù)kgk=Pk-1HT（ HPk-1HT+R）-1和狀態(tài)預(yù)測值pk=APk-1A+Q。

本文提出的Mean Shift算法是高壓電力網(wǎng)絡(luò)最優(yōu)遞推算法，計算量低、存儲量低，實時性好。

3 仿真實驗

為驗證本文方法的有效性， 建立一個仿真系統(tǒng)進行實驗測試。一個模擬高壓電力網(wǎng)絡(luò)圖像采集端，一個是PC監(jiān)測終端。

技術(shù)參數(shù)：

監(jiān)控頭像素500萬， 分辨率2 560×1 920DPI，最大幀頻60frame/s，10倍高清鏡頭，USB2.0傳輸接口。

在100 s內(nèi)通過智能視覺監(jiān)控系統(tǒng)對高壓電力網(wǎng)絡(luò)實際環(huán)境數(shù)據(jù)進行采集， 具體采集數(shù)據(jù)如圖3所示。

圖3 智能視覺監(jiān)測采集數(shù)據(jù)圖Fig.3 Intelligent visual monitoring collecting data diagram

通過圖3可以看出，智能視覺監(jiān)測系統(tǒng)在100 s內(nèi)采集到6 436條圖像數(shù)據(jù)信息，通過本文方法計算，篩選出132條異常數(shù)據(jù)信息，本文提出的方法比傳統(tǒng)方法采集數(shù)據(jù)時間更短，發(fā)現(xiàn)異常數(shù)據(jù)效率更高[10]。

在相同高壓電力網(wǎng)絡(luò)環(huán)境下，使用傳統(tǒng)方法和智能視覺系統(tǒng)的處置電力網(wǎng)絡(luò)異常情況比較如圖4所示。

圖4 傳統(tǒng)方法和本文監(jiān)測異常情況比較圖Fig. 4 Comparison of the traditional method and the monitoring of abnormal situations as proposed in this paper

通過圖4可以發(fā)現(xiàn)， 基于智能視覺高壓電力網(wǎng)絡(luò)監(jiān)測系統(tǒng)比傳統(tǒng)人工方法進行電網(wǎng)異常情況處理時效和監(jiān)測異常數(shù)據(jù)數(shù)量都有明顯優(yōu)勢，能夠比傳統(tǒng)人工方法提高500個百分點。

仿真實驗表明，傳統(tǒng)的人工高壓電力網(wǎng)絡(luò)監(jiān)測方法成本高，效率低，無法真正及時解決電力網(wǎng)絡(luò)出現(xiàn)的故障。 而基于智能視覺電力網(wǎng)絡(luò)的監(jiān)測系統(tǒng)能夠提高工作效率和工作質(zhì)量。

4 結(jié)論

提出一種基于智能視覺的高壓電力網(wǎng)絡(luò)線路監(jiān)測方法， 通過在電力網(wǎng)絡(luò)線路中安裝監(jiān)控設(shè)備，提取線路環(huán)境實時圖像，對采集的圖像數(shù)據(jù)進行預(yù)處理，去除噪聲和擾流。 建立幀間差分比對方法，發(fā)現(xiàn)采集圖像集合各幀間差異， 提取出異常情況，及時報警的監(jiān)測方法。 仿真實驗表明，基于智能視覺的高壓電力網(wǎng)絡(luò)線路監(jiān)測方法能夠適應(yīng)惡劣的自然環(huán)境，在發(fā)現(xiàn)和處置電網(wǎng)線路異常情況時比傳統(tǒng)人工方法高出500個百分點，能夠廣泛應(yīng)用，并且基于智能視覺的高壓電力網(wǎng)絡(luò)線路監(jiān)測方法減少了人力、物力投入，降低了電力網(wǎng)絡(luò)維護成本。

[1] 陳玉林， 陳允平， 孫金麗. 電網(wǎng)故障診斷方法綜述[J]. 中國電力， 2006， 39（ 5）: 27-31.CHEN Yulin， CHEN Yunping， SUN Jinli. Power grid failure li break method review[J]. Journal of China Power，2006， 39（ 5）: 27-31（ in Chinese）.

[2] 崔云飛， 劉東， 李向. 云計算: 一種新型服務(wù)計算模式[C].2008年中國高校通信類院系學(xué)術(shù)研討會論文集（ 下冊）:121-127.

[3] 周黎莎， 于新華. 基于網(wǎng)絡(luò)層次分析法的電力客戶滿意度模糊綜合評價[J]. 電網(wǎng)技術(shù)， 2009， 35（ 17）： 191-197.ZHOU Lisha， YU Xinhua. Analytic hierarchy process based on network of electric power customer satisfaction fuzzy comprehensive evaluation[J]. Power Grid Technology，2009， 35（ 17）: 191-197（ in Chinese）.

[4] VAR IA J.Cloud architectures-amazon web services[EB/OL].[2009-03-01]. http://acmban galore.orgevents/monthlytalk/may-2008-cloud-architectures-amazon-web-services，html.

[5] BRYANT RE. Data-intensive supercomputing: The case for DISC， CMU-CS-07-128[M]. Pittsburgh， PA， USA:Carnegie Mellon University， Department of Computer Science， 2007.

[6] 陳全， 鄧倍妮. 云計算及其關(guān)鍵技術(shù)[J]. 計算機應(yīng)用，2009，29（ 9）: 2562-2567.CHEN Quan， DENG Beini. Cloud computing and its key technology[J]. Journal of Computer Applications， 2009， 29（ 9）: 2562-2567（ in Chinese）.

[7] 軟通動力. 淺談“ 計智能視覺計算”[J]. 中國外資，2009（ 8）: 34-36.SOFT POWER. Discuss about “ intelligent visual calculation[J].” Foreign Investment in China，2009（ 8）:34-36（ in Chinese）.