徐 波，張立群，劉朝欣

（國網(wǎng)江西省電力公司檢修分公司，江西 南昌 330000）

0 引言

設(shè)備巡視作為變電運行維護常規(guī)工作之一，是工作人員掌握設(shè)備運行狀態(tài)信息的重要途徑，有助于評估設(shè)備狀態(tài)、發(fā)現(xiàn)運行缺陷、進行缺陷管理，對確保設(shè)備連續(xù)安全運行具有十分重要的意義。

變電站機器人巡檢技術(shù)是指將移動機器人應(yīng)用于變電站環(huán)境，基于紅外、可見光相機等獲取設(shè)備紅外熱圖、圖像信息，基于智能分析算法自動識別設(shè)備狀態(tài)，代替人工實現(xiàn)變電站設(shè)備狀態(tài)的自動檢測與預(yù)警分析［1］。與傳統(tǒng)的人工巡視相比，機器人巡視具有以下優(yōu)點：機器人巡視可以減輕運行維護人員工作負(fù)擔(dān)，提高人員勞動效率，有利于運行維護一體化工作的開展；機器人巡視符合變電站無人值守技術(shù)的發(fā)展趨勢；機器人的巡視質(zhì)量較高，覆蓋面較廣，不受人員主觀因素影響，且隨著技術(shù)水平的提升，巡視質(zhì)量可以進一步提高。當(dāng)前，變電站巡檢機器人主要是應(yīng)用在變電站室外一次設(shè)備巡視方面，效果顯著。以某500 kV變電站為例，巡檢機器人一次設(shè)備識別率已達到99%以上，可以有效減輕運維人員負(fù)擔(dān)，提高巡視質(zhì)量。

然而，巡檢機器人在保護裝置巡視方面的應(yīng)用較少，由于環(huán)境因素、識別算法、硬件配置等原因，變電站巡檢機器人現(xiàn)階段采集到的圖像分辨率較低，無法分辨圖片中物體的顏色，無法識別燈光等信號，因此尚沒有在現(xiàn)場應(yīng)用巡檢機器人進行保護裝置巡檢的先例，從而限制了巡檢機器人在變電站中的應(yīng)用，不能實現(xiàn)機器人對全站設(shè)備的全覆蓋，更不能滿足變電站無人值守技術(shù)的發(fā)展要求。

基于以上情況，就變電站巡檢機器人對室內(nèi)保護裝置巡視功能開展研究，針對壓板、二次空氣開關(guān)和指示燈3個主要反映保護裝置實際運行狀態(tài)的基本要素的識別方式，分別提出基于顏色特征對圖像識別算法、多特征識別算法和基于灰度處理的圖像閾值分割方法，以解決變電站巡檢機器人對保護裝置識別率低的問題，填補機器人對保護裝置巡視技術(shù)方面的空白，深化機器人巡視技術(shù)的應(yīng)用，適應(yīng)未來無人值守變電站的發(fā)展要求。

1 保護裝置狀態(tài)識別方法

變電站巡檢機器人保護裝置識別技術(shù)，最重要的是對保護裝置狀態(tài)信息進行采集及分析處理，以實現(xiàn)對保護壓板、二次空氣開關(guān)、裝置指示燈的識別。

變電站巡檢機器人對保護裝置進行信息采集，而后將巡檢數(shù)據(jù)進行分析后反饋給運維人員，從而完成對保護裝置的巡檢任務(wù)，因此需要制定一個狀態(tài)識別方案來實現(xiàn)變電站機器人智能識別保護裝置。

由于機器人及其監(jiān)控后臺只能通過分析圖像數(shù)據(jù)來識別保護裝置狀態(tài)，因此解決保護裝置壓板、二次空氣開關(guān)、指示燈的識別問題，必須要涉及圖像識別領(lǐng)域。圖像識別，即圖像的模式識別，是模式識別技術(shù)在圖像領(lǐng)域中的具體應(yīng)用，是對輸入的信息建立圖像識別模型，分析并提取圖像的特征，然后建立分類器，根據(jù)圖像的特征進行分類識別的一種技術(shù)［2］。根據(jù)圖像提取方法的不同，圖像識別可分為基于復(fù)雜模板智能的圖像識別、基于簡易計算智能的圖像識別、基于感知智能的圖像識別［3］。通過對以上3種方法的比較，為了降低成本，提高智能化程度，提升對保護裝置識別率，增強保護裝置巡檢時效性，提高可靠性，實現(xiàn)對繼電保護裝置識別技術(shù)，選擇智能化程度一般、識別率較好、時效性一般、成本低的基于簡易計算智能的圖像識別方法。

1.1 保護壓板識別方法

考慮到保護壓板顏色、形狀各不相同，無法進行直接識別。因此，提出一種改進壓板識別方案，即在壓板上下兩端貼綠色貼紙，在壓板中間貼黃色貼紙，通過提取壓板顏色特征進行識別。

基于顏色特征對圖像進行識別，包括以下3個步驟：

1）選取合適的顏色模型，即選擇顏色空間坐標(biāo)系，如RGB顏色空間、HSV顏色空間等；2）選取有效的特征提取方法，即選擇有效的算法，將圖像的顏色特征與空間特征進行量化，從而進行比較；3）選取準(zhǔn)確的特征匹配算法［1］，即選擇相似度算法，計算圖像之間的相似度。

針對步驟1），常用的顏色空間坐標(biāo)系主要是RGB顏色空間和HSV顏色空間［4］。RGB顏色空間的模型是對采集到的圖像中單個像素點輸出RGB（RED、GREEN、BLUE）值，通過matlab等軟件準(zhǔn)確讀出每一個x、y坐標(biāo)下的RGB分量值，并輸出一個數(shù)據(jù)表。但是，RGB顏色空間算法存在較大的弊端，一個像素點中的RGB值可能存在重合，僅依靠RGB顏色空間算法不能很好地對圖像進行特征處理。

因此借用另一種顏色模型—HSV顏色空間模型［5］。HSV顏色空間模型與RGB不同，其根據(jù)色澤、明暗和色調(diào)來定義顏色（HUE，SATURATION，VALUE），更適合基于機器視覺的顏色表達。由于亮度在變電站巡檢機器人識別保護裝置的圖像特征提取過程中影響甚微，因此只提取H、S分量，RGB到HSV的轉(zhuǎn)換過程如下：

式中：θ為中間變量，無量綱；H、S分別為 HSV顏色空間模型的色調(diào)和飽和度；G、R、B分別為綠、紅、藍3 分量像素值；min（R，G，B）為 R、G、B 3 個分量中的最小值。每個顏色分量包括3個顏色矩，轉(zhuǎn)換為H和S兩分量共能得到6個特征向量。

圖像識別的上述3個步驟之中，采用顏色直方圖算法［3］，通過描述不同色彩在整個圖像或單個顏色區(qū)間所占的比例，即在所選區(qū)域中出現(xiàn)的顏色以及各種顏色出現(xiàn)的概率。該方法適用于具有3種確定的顏色貼紙的壓板狀態(tài)識別。

1.2 二次空氣開關(guān)識別方法

針對二次空氣開關(guān)斷開、閉合狀態(tài)下顏色、形狀特征不明顯的情況，在空氣開關(guān)手柄上增加紅色貼紙，來進行輔助識別。當(dāng)空氣開關(guān)為閉合狀態(tài)時，無法看到紅色貼紙；當(dāng)空氣開關(guān)為斷開狀態(tài)時能夠看到紅色貼紙，故可通過紅色在把手處所占的比率，來判斷空氣開關(guān)的狀態(tài)。多特征識別算法是用顏色矩方法提取其顏色特征向量，提取其形狀特征向量，然后對顏色特征向量和形狀特征向量分別賦權(quán)值，進行加權(quán)運算，組成一個新的特征向量，以此來實現(xiàn)目標(biāo)的識別，由于圖像的顏色信息主要集中在低階矩中，因此利用顏色的一階矩、二階矩和三階矩可以完全表征圖像的顏色分布［6］。其中，一階矩表達了圖像的均值信息，也就是圖像的整體概況；二階矩表達了圖像的方差信息，即圖像細節(jié)變化情況；三階矩表達了圖像的斜度信息。圖像顏色的3個低階矩分別為：

式中：Pxy是指圖像中第y個像素的第x個顏色分量，μx是指第 x個顏色分量的一階矩，σx是指第 x個顏色分量的二階矩，Sx是指第x個顏色分量的三階矩。

1.3 指示燈識別方法

由于裝置指示燈在不同狀態(tài)下，亮度、顏色的差異會比較大。因此，采用優(yōu)選法進行分析，根據(jù)所選特征量的不同，指示燈識別算法主要分為基于模糊度閥值的圖像分割方法、基于彩色度的圖像識別方法和基于灰度處理的圖像閾值分割方法［7］。

基于灰度處理的圖像閾值分割方法，其關(guān)鍵判據(jù)是最大類間方差。最大類間方差是統(tǒng)計模式識別中一種用于自動無參數(shù)無監(jiān)督聚類的重要依據(jù)，基于最大類間方差的圖像閾值分割方法由日本的著名學(xué)者大津展之提出，稱為最大類間方差方法（OTSU）［8］。該方法將原始圖像依據(jù)其灰度分為目標(biāo)和背景2個類，并使其類間方差最大化。從統(tǒng)計模式識別的角度來說，該方法產(chǎn)生的閾值能夠使類間方差最大化，因而從類間方差的角度來說其產(chǎn)生的分類是最優(yōu)分類。

輸入圖像，指示燈行數(shù)為2，列數(shù)為16，矩形區(qū)域如圖1所示，此時的status為全0的2行16列狀態(tài)表格，則可得到初步的指示燈網(wǎng)格高gridH=2和網(wǎng)格寬 gridW=16。

圖1 指示燈矩形區(qū)域

將彩色圖像轉(zhuǎn)換為灰度圖像，如圖2所示。

圖2 灰度圖像

統(tǒng)計灰度圖像的直方圖，實際上就是計算直方圖的灰度均值、方差，得到初步分割的OTSU閾值，再以此閾值將直方圖分成2部分，對每部分再次計算直方圖的灰度均值和方差，得到每部分的OTSU閾值，迭代此計算過程，從而得到可對灰度圖像最佳分割的多個閾值，利用這些閾值得到初步的亮燈區(qū)域和暗燈區(qū)域［10］，如圖 3 所示。

圖3 初步的亮和暗燈區(qū)域

根據(jù)初步暗燈區(qū)域的目標(biāo)點（白色）及其8鄰域［9］，尋找暗燈區(qū)域圖像中的連通區(qū)域，對于每一個目標(biāo)點，搜索順序如圖4所示。將連通區(qū)域按照面積大小進行排序，篩選出暗燈區(qū)域圖像中面積和外接矩形長寬均在閾值范圍內(nèi)的連通區(qū)域。同理，對初步亮燈區(qū)域也進行如上所述的相同處理。根據(jù)亮燈區(qū)域和暗燈區(qū)域中面積最大的連通區(qū)域的外接矩形，判斷分割出的暗燈和亮燈是否與背景連成一片。若暗燈區(qū)域與背景連成一片，則清空暗燈區(qū)域的連通區(qū)域，對亮燈區(qū)域的連通區(qū)域進行篩選，僅保留面積1＜area＜gridH×gridW的連通區(qū)域。若亮燈區(qū)域與背景連成一片，則清空亮燈區(qū)域的連通區(qū)域，對暗燈區(qū)域的連通區(qū)域進行篩選，按面積大到小，篩選出前2×16個連通區(qū)域。若亮燈和暗燈區(qū)域與背景均不連成一片，則將兩者的連通區(qū)域疊加，按面積大到小進行排序，篩選出面積在1＜area＜gridH×gridW范圍內(nèi)的前2×16個連通區(qū)域。計算每個連通區(qū)域的質(zhì)心和所在區(qū)域的索引，根據(jù)最小二乘法擬合，更新連通區(qū)域所在矩形區(qū)域的坐標(biāo)及長寬，得到每個指示燈所在的區(qū)域［10］。

圖4 8鄰域及搜索順序

對初步的亮燈區(qū)域計算其連通區(qū)域的質(zhì)心和所在區(qū)域的索引，篩除面積過小及質(zhì)心與所在區(qū)域中心較遠的連通區(qū)域，篩除后，若所在區(qū)域存在連通區(qū)域，則status為1，結(jié)果lightStatus為1。lightStatus為0表示亮燈區(qū)域與背景連成一片。同理，對暗燈區(qū)域進行相同的處理，但需對其status進行反轉(zhuǎn)如圖5所示，更新后的矩形區(qū)域，將指示燈區(qū)域分成多個小塊，對每一小塊的灰度圖像再次進行一次OTSU分割，篩選出分割后面積最大的連通區(qū)域，若亮燈連通區(qū)域的質(zhì)心在暗燈連通區(qū)域的內(nèi)部，則status為1。此處，原始程序分割時采用的是灰度圖像，改進后利用彩色空間，結(jié)果localStatus，最終的status為light-Status、darkStatus、localStatus 的“或” 結(jié)果，status 為1，則代表該區(qū)域有一個亮的指示燈，實現(xiàn)對保護裝置指示燈的圖像識別，將圖像信息轉(zhuǎn)換為數(shù)字量，傳至監(jiān)控后臺對信息進一步分析處理。

圖5 顯示結(jié)果

2 方法驗證

2.1 基于顏色直方圖的壓板識別能力分析

基于顏色直方圖的壓板識別算法實施流程如圖6所示。在本地監(jiān)控后臺開發(fā)了識別軟件，進行240次試驗，得到壓板識別率過程能力如圖7所示。由圖7可知，該直方圖圖形近似對稱分布，為正常型直方圖，可判定工序運行正常，處于穩(wěn)定狀態(tài)，TU=100，TL=96.2，標(biāo)準(zhǔn)差σ=0.531 3，過程能力指數(shù)=1.19，1.33＞1.19＞1， 工序等級為 2級， 過程能力尚可，可以判定壓板識別率處于穩(wěn)定狀態(tài)。機器人保護壓板識別率達到了98%以上，且效果穩(wěn)定。

圖6 壓板識別方法實施流程

圖7 壓板識別率過程能力

2.2 融合顏色和形狀特征的多特征識別能力分析

融合顏色和形狀特征的多特征識別算法實施流程如圖8所示，然后，在本地監(jiān)控后臺開發(fā)了識別軟件，進行了240次試驗，得到空氣開關(guān)識別率過程能力如圖9所示。該直方圖圖形近似對稱分布，為正常型直方圖，可判定工序運行正常，處于穩(wěn)定狀態(tài)，TU=99.5，TL=97，標(biāo)準(zhǔn)差σ=0.411 2，過程能力指數(shù)GP==1.13，工序等級為2級，過程能力尚可，可以判定空氣開關(guān)識別率處于穩(wěn)定狀態(tài)，機器人二次空氣開關(guān)識別率達到了98%以上，且效果穩(wěn)定。

圖8 空氣開關(guān)識別方法實施流程

圖9 空氣開關(guān)識別率過程能力

2.3 基于灰度處理的圖像閾值分割能力分析

基于灰度處理的圖像閾值分割方法實施流程如圖10所示，然后，在本地監(jiān)控后臺開發(fā)了識別軟件，進行了100次試驗，得到指示燈識別率過程能力如圖11所示。該直方圖圖形近似對稱分布，為正常型直方圖，可判定工序運行正常，處于穩(wěn)定狀態(tài)，TU=99.8，TL=97，標(biāo)準(zhǔn)差σ=0.5313，過程能力指數(shù)GP==1.10，工序等級為2級，過程能力尚可，可以判定指示燈識別率處于穩(wěn)定狀態(tài)，機器人裝置指示燈識別率達到了98%以上，且效果穩(wěn)定。

圖10 指示燈識別算法實施流程

圖11 指示燈識別率過程能力報告

3 現(xiàn)場驗證

在500 kV變電站對機器人巡檢保護裝置的功能進行了現(xiàn)場試驗，通過在本地監(jiān)控后臺對機器人下發(fā)巡視任務(wù)，由機器人自主完成整個巡視過程，并將巡視結(jié)果反饋至本地監(jiān)控后臺。

在試驗階段的720多次結(jié)果中隨機抽取樣本，抽取100次巡檢結(jié)果繪制機器人巡檢保護裝置的識別率試驗結(jié)果折線圖，如圖12所示。

試驗結(jié)果表明，機器人巡檢保護裝置的識別率達到A級標(biāo)準(zhǔn)（98%以上），機器人巡檢機器人智能識別保護裝置，可以減輕了運維人員的工作負(fù)擔(dān)，有利于運維一體化工作的開展。此外，巡檢機器人可以對事故快速響應(yīng)，有利于事故處理，減小損失。

圖12 保護裝置識別率試驗結(jié)果

4 結(jié)語

對變電站巡檢機器人及巡檢后臺進行改進，利用圖像識別算法，實現(xiàn)了巡檢機器人保護裝置識別，且識別率達到98%以上，將為變電站保護裝置識別提供理論依據(jù)與數(shù)據(jù)支撐，實現(xiàn)變電站巡檢機器人人工替代，減輕運維人員工作負(fù)擔(dān)。該算法對保護裝置指示燈的顏色仍舊存在適應(yīng)性問題，針對不同顏色的指示燈必須使用不同的算法［10］，導(dǎo)致實際應(yīng)用中有諸多不便，需進一步對算法進行深入研究。