曾 林，高彥波，王勝濤，徐燕寧，朱俊飛

（1.國(guó)網(wǎng)臺(tái)州供電公司，臺(tái)州318000；2.國(guó)網(wǎng)浙江臺(tái)州市黃巖區(qū)供電有限公司，臺(tái)州318020；3.國(guó)網(wǎng)浙江玉環(huán)市供電有限公司，臺(tái)州318000）

目前，研究變電站多維立體協(xié)同巡檢技術(shù)，在變電站的運(yùn)維管理中具有重要意義，相關(guān)的變電站多維立體協(xié)同巡檢技術(shù)研究受到人們的極大關(guān)注[1]。變電站多維立體協(xié)同巡檢的設(shè)計(jì)建立在對(duì)變電站的運(yùn)維信息特征分析基礎(chǔ)上，結(jié)合視頻特征分析技術(shù)，采用信息化特征提取和視頻監(jiān)控識(shí)別的方法，實(shí)現(xiàn)變電站多維立體協(xié)同巡檢[2]。

傳統(tǒng)方法中，對(duì)變電站多維立體協(xié)同巡檢的方法主要有基于機(jī)器視覺(jué)特征分析的變電站多維立體協(xié)同巡檢方法[3]、基于信息度特征提取的變電站多維立體協(xié)同巡檢方法[4]，以及基于智能PID控制的變電站多維立體協(xié)同巡檢技術(shù)等[5]，然而傳統(tǒng)方法對(duì)變電站多維立體協(xié)同巡檢的智能性不佳，視頻識(shí)別水平不高。故在此提出了基于機(jī)器人和視頻監(jiān)控的變電站多維立體協(xié)同巡檢技術(shù)，在原有的研究資料和文獻(xiàn)的支撐下，解決上述傳統(tǒng)方法存在的問(wèn)題，實(shí)現(xiàn)對(duì)變電站多維立體協(xié)同巡檢。

1 視頻信息采集和模糊度辨識(shí)特征量提取

1.1 視頻信息采集

為實(shí)現(xiàn)基于機(jī)器人和視頻監(jiān)控的變電站多維立體協(xié)同巡檢，首先利用機(jī)器人實(shí)現(xiàn)視頻信息智能采集，根據(jù)采集結(jié)果進(jìn)行DSP 集成信息處理，通過(guò)人機(jī)交互接口實(shí)現(xiàn)對(duì)巡檢信息的人機(jī)交互設(shè)計(jì)，并設(shè)計(jì)數(shù)據(jù)存儲(chǔ)模塊和GUI 人機(jī)交互模塊[6]。根據(jù)上述分析，得到變電站多維立體協(xié)同巡檢的視頻信息采集模型如圖1所示。

圖1 視頻信息采集模型Fig.1 Video information acquisition model

在圖1所示的視頻信息采集模型中，利用單幀向量融合方法，構(gòu)建視頻信息分幀模型[7]，得到視0頻圖像采集的邊緣模糊度信息分量Ω為

式中：hj（x）為視頻信息分幀模型；j為幀數(shù)?；谀：植诩碚摌?gòu)建變電站巡檢的仿真場(chǎng)景模型，結(jié)合視頻在線融合方法及機(jī)器人識(shí)別技術(shù)，實(shí)現(xiàn)變電站多維立體協(xié)同巡檢的圖像跟蹤和信息融合處理[8]，得到變電站多維立體協(xié)同巡檢的傳播距離和散射系數(shù)分布強(qiáng)度為

式中：t為變電站巡檢時(shí)間；ln b為變電站巡檢的圖像跟蹤和信息融合函數(shù)。根據(jù)變電站巡檢的自適應(yīng)跟隨參數(shù)模型，得到變電站巡檢的散射強(qiáng)度信息分量α。利用規(guī)則形狀融合和智能識(shí)別的方法，得到變電站巡檢的點(diǎn)目標(biāo)重構(gòu)模型為

根據(jù)上述分析，利用機(jī)器人實(shí)現(xiàn)變電站巡檢的視頻信息智能采集，對(duì)采集的視頻圖像信息進(jìn)行信息融合和智能參數(shù)識(shí)別[9]。

1.2 模糊度辨識(shí)特征量提取

在變電站巡檢圖像的分解過(guò)程中，采用頻域?yàn)V波分析的方法[10]，得到變電站巡檢的主成分特征值為

式中：β為頻域?yàn)V波系數(shù)。利用合適的融合規(guī)則對(duì)變電站巡檢視頻監(jiān)控圖像進(jìn)行協(xié)同濾波，Xm，n為（m，n）位置處像素點(diǎn)的各成分分量，得到變電站巡檢的模態(tài)分量為

在迭代和篩選過(guò)程中，建立變電站巡檢的視頻監(jiān)控模型，在N×M 維空間中采用機(jī)器人識(shí)別技術(shù)，得到變電站巡檢的局部極大值點(diǎn)分布為

式中：λ為機(jī)器人識(shí)別次數(shù)；x為變電站巡檢視頻圖像信息。結(jié)合智能識(shí)別方法，得到變電站巡檢的特征匹配集。利用相應(yīng)的濾波器得到視頻監(jiān)控信號(hào)濾波，建立變電站巡檢的主成分融合模型，得到主成分分布的特征量為

在視頻圖像中提取模糊度辨識(shí)特征量后，結(jié)合空間區(qū)域融合濾波的方法，實(shí)現(xiàn)變電站多維協(xié)同控制和巡檢的圖像特征分析[11]。

2 變電站多維協(xié)同巡檢優(yōu)化

2.1 視頻監(jiān)控和機(jī)器人自動(dòng)控制模型構(gòu)建

在變電站巡檢過(guò)程中，利用機(jī)器人視頻跟蹤和信息識(shí)別技術(shù)，并結(jié)合模式識(shí)別方法，提取視頻圖像中的關(guān)聯(lián)特征量，得到圖像像素模糊度生成序列為

式中：1，2，…，I為視頻監(jiān)控的角點(diǎn)信息。結(jié)合多維參數(shù)識(shí)別技術(shù)，得到變電站多維立體協(xié)同巡檢的自相關(guān)特征量為

式中：f（x）為變電站多維立體協(xié)同巡檢濾波器組頻率參數(shù)；φ為調(diào)幅-調(diào)頻成分；y為變電站多維立體協(xié)同巡檢的視頻融合參數(shù)；ε為圖像的頻譜信息。

采用一維經(jīng)驗(yàn)小波生成算法對(duì)視頻監(jiān)控圖像進(jìn)行計(jì)算，得到變電站巡檢視頻圖像融合的學(xué)習(xí)迭代步數(shù)為

式中：δ為視頻監(jiān)控圖像的邊緣分布閾值。使用行濾波器并結(jié)合特征識(shí)別方法，得到變電站多維立體協(xié)同巡檢的子帶圖像為

式中：Gj（x）為子帶圖像信息分幀模型。根據(jù)多個(gè)高頻子帶圖像的濾波結(jié)果，構(gòu)建視頻監(jiān)控和機(jī)器人自動(dòng)控制模型，提高變電站多維立體協(xié)同巡檢的自動(dòng)化控制能力。

2.2 可靠性視覺(jué)跟蹤識(shí)別模型構(gòu)建

在機(jī)器人視覺(jué)的輔助下，構(gòu)建可靠性視覺(jué)跟蹤識(shí)別模型。變電站巡檢過(guò)程分量為J，結(jié)合多模態(tài)融合識(shí)別方法，得到變電站多維立體協(xié)同巡檢的演化特征量為

構(gòu)建變電站巡檢視頻監(jiān)控的穩(wěn)態(tài)特征分布集，得到邊緣像素分布像素值。構(gòu)造變電站巡檢視頻監(jiān)控圖像的相似度特征分辨模型，結(jié)合像素分布矩陣實(shí)現(xiàn)變電站巡檢的三維視覺(jué)重建[12]，兩幅源圖像整體輪廓信息為

式中：θ為相似度特征分辨值；ω為重建次數(shù)。設(shè)置灰度像素集，根據(jù)各分量的融合結(jié)果，得到深度學(xué)習(xí)迭代式為

式中：η為邊緣亮度；φ為稀疏特征分量；s為源圖像的細(xì)節(jié)信息；u為子帶信息。根據(jù)上述分析，構(gòu)建可靠性視覺(jué)跟蹤識(shí)別模型，實(shí)現(xiàn)對(duì)變電站多維立體協(xié)同巡檢。

3 仿真測(cè)試分析

為驗(yàn)證本文方法在實(shí)現(xiàn)變電站多維立體協(xié)同巡檢中的應(yīng)用性能，進(jìn)行試驗(yàn)測(cè)試分析，結(jié)合Visual C++和MatLab 進(jìn)行變電站多維立體協(xié)同巡檢的仿真測(cè)試和算法設(shè)計(jì)。對(duì)變電站多維立體協(xié)同巡檢視頻監(jiān)控信息采樣的時(shí)間間隔為0.45 s，融合背景先驗(yàn)特征分布強(qiáng)度為25 dB，機(jī)器人視覺(jué)信息跟蹤的幀長(zhǎng)度為800，多維立體協(xié)同巡檢的塊匹配大小為1212，相似度系數(shù)為0.34，梯度系數(shù)為0.18。根據(jù)上述參數(shù)設(shè)定，實(shí)現(xiàn)變電站多維立體協(xié)同巡檢仿真，變電站巡檢環(huán)境仿真如圖2所示。

圖2 變電站巡檢環(huán)境仿真Fig.2 Substation patrol environment simulation

根據(jù)圖2的采樣結(jié)果，為證明所提方法的應(yīng)用效果，對(duì)比本文方法、文獻(xiàn)[3]提出的基于機(jī)器視覺(jué)特征分析的變電站多維立體協(xié)同巡檢方法、文獻(xiàn)[4]提出的基于信息度特征提取的變電站多維立體協(xié)同巡檢方法的輸出結(jié)果，得到變電站多維立體協(xié)同巡檢輸出對(duì)比圖，如圖3所示。

圖3 變電站多維立體協(xié)同巡檢輸出結(jié)果Fig.3 Output results of multi dimensional and three dimensional collaborative inspection in substation

分析圖3得知，本文方法的巡檢圖像輸出準(zhǔn)確率達(dá)到92%以上，高于文獻(xiàn)[3]和文獻(xiàn)[4]方法；在機(jī)器人視覺(jué)的輔助下建立的可靠性視覺(jué)跟蹤識(shí)別模型，使故障特征點(diǎn)定位跟蹤識(shí)別能力得到有效提高，變電站多維立體協(xié)同巡檢的可靠性更好，提高了對(duì)變電站的視覺(jué)故障跟蹤識(shí)別能力。

采用不同方法實(shí)現(xiàn)變電站多維立體協(xié)同巡檢，得到對(duì)比結(jié)果見表1。由表1分析可知，本文方法實(shí)現(xiàn)變電站多維立體協(xié)同巡檢的定位精度較高，巡檢能力較好。

表1 不同方法的定位精度對(duì)比Tab.1 Comparison of positioning accuracy of different methods

4 結(jié)語(yǔ)

在變電站的運(yùn)維管理過(guò)程中，結(jié)合在線視頻監(jiān)控技術(shù)，實(shí)現(xiàn)變電站智能巡檢，提高變電站的運(yùn)維管理能力，提出基于機(jī)器人和視頻監(jiān)控的變電站多維立體協(xié)同巡檢技術(shù)。根據(jù)視頻信息的采集結(jié)果進(jìn)行DSP 集成信息處理，通過(guò)人機(jī)交互接口實(shí)現(xiàn)對(duì)巡檢信息的人機(jī)交互設(shè)計(jì)，利用頻域?yàn)V波分析方法，得到變電站巡檢的主成分特征分量，結(jié)合模式識(shí)別方法，提取視頻圖像中的關(guān)聯(lián)特征量，構(gòu)造視頻監(jiān)控圖像的相似度特征分辨模型，構(gòu)建可靠性視覺(jué)跟蹤識(shí)別模型，實(shí)現(xiàn)多維立體協(xié)同巡檢。分析得知，本文方法對(duì)變電站多維立體協(xié)同巡檢的智能性較高，穩(wěn)定性較好。