劉 艷, 李 昌

0 引 言

隨著大數(shù)據(jù)與人工智能時代的到來,變電站作為電力資源的輸送紐帶,其智能化建設(shè)的步伐也倍道而進(jìn)[1]。智能變電站正在從原來由監(jiān)控人員負(fù)責(zé)值守的監(jiān)控中心逐漸向無人值守的智能監(jiān)控轉(zhuǎn)換。目前,在智能監(jiān)控的變電所內(nèi),使用輔助監(jiān)控系統(tǒng)或巡檢機(jī)器人[2]收集各種不同智能化設(shè)備通過網(wǎng)絡(luò)傳遞過來的關(guān)于環(huán)境、設(shè)備(如照明設(shè)備)等的監(jiān)測數(shù)據(jù),從而實(shí)現(xiàn)遠(yuǎn)程遙控、視頻追蹤調(diào)度等功能。此外,輔助監(jiān)控系統(tǒng)或巡檢機(jī)器人還可以輔助實(shí)現(xiàn)安全防護(hù)報警、門禁管理等智能化建設(shè),有效地預(yù)防了事故的發(fā)生,保障了財產(chǎn)安全,保證了系統(tǒng)的穩(wěn)定運(yùn)行,從整體上把變電站的安全防范技術(shù)水平提升一個層次。

在智能化變電站內(nèi),為減少因誤操作所帶來的人員傷亡和財產(chǎn)損失,文獻(xiàn)[3]將圖像識別技術(shù)應(yīng)用于智能化檢測系統(tǒng)中,研制出一種防誤操作系統(tǒng)。結(jié)果表明,在智能化檢測系統(tǒng)中采用圖像識別技術(shù)可以有效地降低變電站內(nèi)的錯誤操作,提高變電操作的安全性。

在圖像識別技術(shù)的應(yīng)用中,智能化檢測系統(tǒng)的有效性受圖像特征提取質(zhì)量的制約。文獻(xiàn)[4]為準(zhǔn)確地提取出遠(yuǎn)離分類邊界的特征,提出了一種能有效地降低誤差值的“基于對抗正則化的圖像特征提取方法”。在樣本有限的前提下,為了得到較好的訓(xùn)練模型,文獻(xiàn)[5]提出基于隨機(jī)掩碼構(gòu)造對應(yīng)的缺失-完整數(shù)據(jù)方法,并將真實(shí)數(shù)據(jù)集與合成數(shù)據(jù)集相結(jié)合,采用交替訓(xùn)練模型的策略,解決了因配對“缺失-完整”RGB-D數(shù)據(jù)集不足而無法對端對端深度圖像補(bǔ)全模型進(jìn)行訓(xùn)練的問題。

為提高圖像識別效率,文獻(xiàn)[6]在服務(wù)器中用包含大約五千張圖片建立了一個數(shù)據(jù)集,采用精度較高的目標(biāo)識別算法,實(shí)現(xiàn)了智能視頻機(jī)房監(jiān)控,極大地提高服務(wù)器檢測的準(zhǔn)確率。文獻(xiàn)[7]利用圖像處理相關(guān)算法對產(chǎn)品界面進(jìn)行灰度化、中值濾波、二值化等預(yù)處理,有效地增強(qiáng)了目標(biāo)區(qū)域。

高壓斷路器是高壓電路的重要元器件,其開、合狀態(tài)控制著高壓電路的運(yùn)行。文獻(xiàn)[8]采用SIFT、Hough變換、k-NN等算法,研發(fā)了一種能自動識別斷路器、隔離開關(guān)開、合狀態(tài)的專用智能機(jī)器人,并通過在機(jī)器人上安裝雨刷和使用圖像增強(qiáng)算法等,在很大程度上解決了由于天氣惡劣等環(huán)境因素所導(dǎo)致的斷路器、隔離開關(guān)的圖像失真問題。文獻(xiàn)[9]為處理圖像失真,提出圖像增強(qiáng)的方法。先用多尺度Retinex算法提高圖像的清晰度和對比度;再使用二維最小誤差法提取能夠進(jìn)行灰密程度判別的特征;最后,利用神經(jīng)網(wǎng)絡(luò)做出仿真預(yù)測。文獻(xiàn)[10]提出模板匹配進(jìn)行定位的方法,解決了絕緣子圖像偏移問題。文獻(xiàn)[11]將紅外和可見光的圖像像素疊加合并,實(shí)現(xiàn)設(shè)備的預(yù)警監(jiān)視。在斷路器識別方面,采用幾何特征算法,把斷路器分合狀態(tài)指示牌提取幾何特征,進(jìn)行訓(xùn)練圖片和驗(yàn)證圖片,采用二值灰度構(gòu)造方法對實(shí)時圖片進(jìn)行在線實(shí)時識別[12]。

本文選取的斷路器指示燈圖片來源于運(yùn)行中的鐵路變電所運(yùn)行巡檢,識別對象為高壓室的斷路器分、合指示燈,對視頻巡檢過程中位置和角度有一定要求,在圖片中的位置盡量居中,易于圖片的匹配及定位。工程中通常多個指示燈像素總和不小于圖片總像素的30%,并且每個圖片需要識別的指示燈不多于10個。本文首先挑選一組圖片來切割出對象的區(qū)域,劃分出邊界;然后用部分歷史圖片,采用6值灰度構(gòu)造方法,構(gòu)造圖片的色彩特征,對不同情況下的圖片進(jìn)行特征采集、分類,得到專家知識庫,作為圖片識別的判斷依據(jù)。最后,根據(jù)專家知識庫,對實(shí)時圖片進(jìn)行在線實(shí)時識別。算例采用某鐵路牽引變電所的無人值守變電所數(shù)據(jù),進(jìn)行斷路器分、合狀態(tài)的圖像識別,在識別率及效率方面進(jìn)行了分析。

1 斷路器狀態(tài)模型

變電所巡視過程中,會產(chǎn)生大量的圖片,把視頻巡檢圖片劃分為3類:指示燈參考圖片、形成知識庫的訓(xùn)練圖片、六值方法檢驗(yàn)圖片。

參考圖片只需要一張,選擇白天氣象環(huán)境良好情況下的圖片,該圖片質(zhì)量較好,清晰,沒有背光及其他光源反射、遮蓋、角度太偏等異常情況,根據(jù)識別需要,把圖片的多個斷路器指示燈按照位置進(jìn)行編碼,記錄圖片斷路器指示燈坐標(biāo)信息及圖片顏色明亮對應(yīng)分合信息。

Tgre=(Zrect,RGB)

Zrect=Z1(x1,y1)→Z2(x2,y2)

RGB=(R,G,B)

R=H(r(i,j),m,k)i∈m,j∈k

G=H(g(i,j),m,k)i∈m,j∈k

B=H(b(i,j),m,k)i∈m,j∈k

(1)

式中:Tgre——參考圖片斷路器指示燈信息;

Zrect——包含識別指示燈的矩形區(qū)域;

Z1(x1,y1)、Z2(x2,y2)——兩個坐標(biāo)頂點(diǎn);

RGB——顏色信息,由R、G、B三色組成,R、G、B由Zrect內(nèi)所有像素點(diǎn)的三色平均值計算出。

r(i,j)、g(i,j)、b(i,j)——Zrect內(nèi)像素點(diǎn)(i,j)的三色值;

m、k——區(qū)域x、y方向的像素最大值;

H(·)——六值灰度函數(shù)。

形成知識庫的訓(xùn)練圖片需要20～50張,可以根據(jù)需要選擇多種氣象、多種溫/濕度、多個時間段及是否輔助照明等多條件下的樣本,根據(jù)參考圖片信息,標(biāo)注出訓(xùn)練圖片斷路器指示燈的狀態(tài),映射指示燈RGB顏色信息。

(2)

式中:Fcolor——斷路器指示燈分割區(qū)域顏色特征信息;

Flag——斷路器指示燈狀態(tài)信息,有兩種狀態(tài):open、close;

Ttrain——知識庫的訓(xùn)練圖片斷路器指示燈信息。

Fcolor有F1～F6共6個值,分別對應(yīng)分割區(qū)域的灰度六值。

六值方法檢驗(yàn)圖片需要多張,選擇方法同訓(xùn)練圖片,在多種溫/濕度、氣象、時間及是否反光等多條件下計算斷路器指示燈圖片顏色特征,根據(jù)專家知識庫信息,識別出驗(yàn)證圖片斷路器指示燈的狀態(tài)。

(3)

式中:Siden——六值方法檢驗(yàn)圖片斷路器指示燈信息;

rState——斷路器指示燈識別狀態(tài)信息。

Flag和rState都有分、合兩種狀態(tài)。Fcolor有F1～F6共6個值,分別對應(yīng)驗(yàn)證圖片分割區(qū)域的灰度六值,如果識別值rState等于圖片的當(dāng)前Flag值,證明有效性,否則需要調(diào)整知識庫。

2 圖像識別數(shù)學(xué)模型

為了識別高壓斷路器指示燈的分、合狀態(tài),首先選取參考圖片確定特征區(qū)域,然后在特征區(qū)域中找到特征點(diǎn),再根據(jù)特征點(diǎn)確定識別區(qū)域,最后使用本文所構(gòu)建的六值灰度算法及其對應(yīng)的目標(biāo)函數(shù)完成圖像識別。

2.1 識別區(qū)域選擇

同一圖片可能有多個識別區(qū)域,而每個識別區(qū)域則對應(yīng)一個特征區(qū)域。高壓指示燈參考圖片如圖1所示。圖1(a)參考圖片中有4個指示燈需要識別,對應(yīng)就要圈出4個特征區(qū)域。由于4個特征區(qū)域的選擇方法相同,這里僅以第一個指示燈的特征區(qū)域?yàn)槔?如圖1(b)。

圖1 高壓指示燈參考圖片

2.2 六值灰度算法

實(shí)際應(yīng)用中,通常采用二值灰度算法進(jìn)行圖像識別。為了能夠在不同環(huán)境下準(zhǔn)確地識別出指示燈的分合狀態(tài),本文采用六值灰度算法。

(4)

式中:n——灰度區(qū)間的數(shù)量;

η——區(qū)間的最大顏色差異值;

R、G、B——當(dāng)前像素點(diǎn)(x,y)的三色灰度值落入的區(qū)間序號[0,n-1];

λ1、λ2、λ3——點(diǎn)(x,y)的三色灰度區(qū)間值的調(diào)整系數(shù);

H(x,y)——像素點(diǎn)(x,y)的六值灰度函數(shù);

RGB(r,g,b).r——識別區(qū)域的像素點(diǎn)(x,y)的r值;

RGB(r,g,b).b——識別區(qū)域的像素點(diǎn)(x,y)的b值;

RGB(r,g,b).g——識別區(qū)域的像素點(diǎn)(x,y)的g值。

2.3 目標(biāo)函數(shù)

計算識別區(qū)域中各個像素點(diǎn)的H(x,y)值,根據(jù)H(x,y)值的大小放入灰度區(qū)間數(shù)組num中。映射關(guān)系為

num(i)++if(H(x,y)==i+1)

i,j∈[0,5]

(5)

n=6時,各個灰度區(qū)間的像素點(diǎn)必將落入數(shù)組元素num(i)中。然后,根據(jù)num數(shù)組結(jié)果對n個元素進(jìn)行擬合,最終建立目標(biāo)函數(shù)F(t)為

(6)

式中:Ai——各灰度區(qū)間像素點(diǎn)個數(shù)num(i)在整個識別區(qū)域中所占的比例;

F(t)——當(dāng)前t時刻識別區(qū)域的目標(biāo)函數(shù)值。

2.4 圖像訓(xùn)練

選取不同時間、不同環(huán)境(包括反光、燈照、干擾等)下指示燈分、合的訓(xùn)練樣本圖片若干,得到若干個F(t),并且標(biāo)記訓(xùn)練圖片的斷路器分、合狀態(tài)State。

2.5 圖像識別

讀取驗(yàn)證圖片,在其特征區(qū)域內(nèi)找到特征點(diǎn),并根據(jù)特征點(diǎn)確定識別區(qū)域。再使用式(4)與式(6)計算出識別區(qū)域的目標(biāo)函數(shù)值F(t),并通過2.4節(jié)訓(xùn)練結(jié)果來分析當(dāng)前斷路器指示燈的分、合狀態(tài)。

3 算例分析

算例選自于合安新建高鐵某牽引變電所的1#進(jìn)線高壓柜指示燈,如圖1。

3.1 圖片介紹

圖1中的1#進(jìn)線高壓柜有紅、綠、白、黃共4種指示燈,實(shí)際工作中,通過指示燈的明暗來判斷高壓斷路器的分、合狀態(tài),即指示燈亮表示高壓斷路器處于閉合狀態(tài),指示燈暗表示高壓斷路器處于分開狀態(tài)。每個指示燈的開關(guān)要分別進(jìn)行判斷,其判斷的方法相同,本文以紅色指示燈為例來進(jìn)行算例分析。

3.2 區(qū)域選擇

3.3 六值灰度計算

本文采用六值灰度算法,即將每個像素點(diǎn)的三原色R、G、B的灰度值分成6個區(qū)間,據(jù)2.2節(jié)式(4)計算得到區(qū)間大小η為int(255/6+0.5)=43,6個區(qū)間分別為[0,42],[43,85],[86,128],[129,171],[172,214],[215,255]。計算識別區(qū)域內(nèi)各像素點(diǎn)的r、g、b三色灰度值所落入的灰度區(qū)間值R、G、B,然后計算H(x,y)中,本文λ1、λ2、λ3,取值分別為1,0,0。最終計算出所有像素點(diǎn)的灰度區(qū)間值H(x,y)。

3.4 目標(biāo)函數(shù)計算

根據(jù)前面得到的H(x,y),統(tǒng)計識別區(qū)域內(nèi)落入各灰度區(qū)間的像素點(diǎn)的數(shù)量,得到數(shù)組num(i),i∈[0,5]。再利用數(shù)組num(i)的值,計算F(t)得出。本算例中,首先根據(jù)3.3節(jié)中式(6)對訓(xùn)練圖片的識別區(qū)域進(jìn)行統(tǒng)計計算,得到num(i),i∈[0,5]和A(i),i∈[0,5]兩個數(shù)組中各元素的值。識別區(qū)域統(tǒng)計值如表1所示。

表1 識別區(qū)域統(tǒng)計值

將得到的數(shù)組A(i)，i∈[0,5]代入到式(6),最終得到所有訓(xùn)練圖片的識別區(qū)域的目標(biāo)函數(shù)值F(t)。

3.5 訓(xùn)練結(jié)果

選取了不同時間、不同環(huán)境下的70張已標(biāo)注的訓(xùn)練樣本圖片,得到了目標(biāo)函數(shù)值F(t)。訓(xùn)練樣本目標(biāo)函數(shù)值的分布如圖2所示。當(dāng)高壓斷路器為分開狀態(tài)時,目標(biāo)函數(shù)值分散在(0,15)區(qū)間內(nèi);當(dāng)高壓斷路器為閉合狀態(tài)時,目標(biāo)函數(shù)值分散在(20,30)區(qū)間內(nèi)。

圖2 訓(xùn)練樣本目標(biāo)函數(shù)值的分布

3.6 識別效率

經(jīng)實(shí)驗(yàn)證明,算例中再次選取70張樣本圖片,訓(xùn)練總時間約為2 s,平均每一張樣本圖片的識別時間大約為0.03 s,基本達(dá)到了無人值守變電所斷路器分、合狀態(tài)識別的實(shí)時在線要求。算例中所采用的圖像識別方法,在僅考慮少量偏差的情況下,識別的準(zhǔn)確率大于98%。此外,本算法不僅適用于本文所提到的高壓斷路器分、合狀態(tài)指示燈圖像識別,而且適用于攝像頭與識別物相對固定的基于灰度值的圖像識別場景。

3.7 算法存在不足

本文所采用的六值灰度圖像識別算法,是針對算例中攝像頭與高壓柜位置都相對較為固定的情況提出的,雖然經(jīng)實(shí)驗(yàn)證明是可行并實(shí)用的,但從發(fā)展的視角來看,還存在一定不足。

(1) 本算法僅適用于偏移較小的場景。在實(shí)際應(yīng)用中,訓(xùn)練圖片和驗(yàn)證圖片與參考圖片的識別物偏移較大,尤其特征區(qū)域不包含特征點(diǎn)時,將無法準(zhǔn)確找到識別區(qū)域,從而導(dǎo)致圖像識別數(shù)據(jù)錯誤。

(2) 本算法中要求識別物的面積要大于特征區(qū)域面積的80%。如果特征區(qū)域選取過大,不僅會降低算法的效率,也會直接影響特征點(diǎn)的確定。如果識別物過小,識別區(qū)域中可計算的像素點(diǎn)將大大減少,將會嚴(yán)重地影響識別結(jié)果的準(zhǔn)確率。

(3) 本算法僅適用于識別物為規(guī)則形狀的情景。本算例中識別的指示燈為規(guī)則的圓形,無論是特征點(diǎn)的確定,還是識別區(qū)域的選取,都較為方便。如果識別物為非規(guī)則形狀,特征點(diǎn)和識別區(qū)域都將無法準(zhǔn)確定位。

(4) 本算例中所選取的訓(xùn)練樣本不足,無法做到窮舉。若驗(yàn)證圖片的目標(biāo)函數(shù)值介于圖2的兩條曲線之間,即中間狀態(tài),本文算法將無法完成圖像識別。

4 結(jié) 語

本文根據(jù)視頻圖像的色彩特征,采用六值灰度算法,解決了無人值守變電所中高壓斷路器的狀態(tài)識別問題。算法中首先根據(jù)參考圖片確定特征區(qū)域,特征區(qū)域的選擇是在允許少量偏移的前提下要求一定包含特征點(diǎn)。在特征區(qū)域內(nèi)按照一定的標(biāo)準(zhǔn)找到特征點(diǎn),并根據(jù)特征點(diǎn)確定識別區(qū)域。對識別區(qū)域內(nèi)的各像素點(diǎn)的灰度值進(jìn)行處理和計算,最終得到目標(biāo)函數(shù)值,根據(jù)目標(biāo)函數(shù)值來判斷指示燈的開/關(guān),由指示燈的開/關(guān)最終推斷出斷路器的分、合狀態(tài)。經(jīng)實(shí)驗(yàn)驗(yàn)證,本算法所采用的指示燈圖像識別方法是可行的,效率上滿足實(shí)時在線識別要求,在實(shí)際中具有一定的實(shí)用性。