戴維義

（天津龍源風力發(fā)電有限公司，天津）

引言

從2017 年開始，人工智能的研究開始正式被納入到國家戰(zhàn)略，國家電網(wǎng)公司對電網(wǎng)智能化研究和應用方案進行了規(guī)劃和部署，致力于推進人工智能技術在電力生產(chǎn)領域的廣泛應用。變電站中的電氣設備種類多樣，分布也比較密集，不同設備在外觀和狀態(tài)方面都表現(xiàn)出了明顯的差異。在對這些電氣設備進行巡檢的時候，除了可以運用傳統(tǒng)人工巡檢的手段之外，還可以依托于人工智能技術和大數(shù)據(jù)技術構建智能巡檢機器人，并通過圖像識別技術來實現(xiàn)圖像信息的識別。

1 圖像識別技術與變電站智能巡檢機器人的原理

圖像識別技術指的是通過圖像識別算法，在大量的圖像信息當中將那些需要對圖像識別和篩選出來，或者在特定的圖像當中提取出有效的信息。與人工識別相比，圖像識別技術的應用可以提高圖像識別的效率和準確性。

對式(1)進行整理后得

式（2）中展開式的第一項是關于象素點（z、y）的源圖象的能量公式；第二個參數(shù)為模板與原始圖像相對應的區(qū)域之間的關系，該關系隨著像素素點的位置（z、y）的位置而改變，在與源圖像中的目標圖像相匹配時，該模型的取值最大；第三個參數(shù)是一個不依賴于象素位置的模板能量公式，參數(shù)值為恒量。

根據(jù)以上的分析，假定式（2）展開式的第1 個項是不變的，不會出現(xiàn)誤差，只有第2 個項用于匹配，而在第2 個項中的最大值時，在原始圖像中，該模板與目標圖像相一致。但假定第一個項是不變的，而如果出現(xiàn)一個大的誤差，就會造成匹配失敗，那么可以把標準化的互相關用作誤差的平方和，也即是

圖1 是模板匹配的示意圖。假定源圖象f（x、y）和模版圖象t（j、k）均位于左上方，則從式（3）中的任一源圖像f（x、y）中的象素（z、y）都可以得到R（z、y）。如果象素（x、y）的位置改變，則在源圖象區(qū)內(nèi)運動t(j、k)，則可以得到R(x、y）的全部數(shù)值。如果R（z、y）為最大值，則此位置是與模板圖像相匹配的最佳位置，而從此位置開始，獲取與模板尺寸完全一致的子圖像，即為所獲得的匹配影像。

圖1 模板匹配的示意

變電站智能巡檢機器人在執(zhí)行巡檢任務的時候按照既定路線的行走離不開傳動系統(tǒng)的支持，該系統(tǒng)也可以看作是機器人的執(zhí)行機構，可以對路徑規(guī)劃子系統(tǒng)的運動指令進行解析，并對驅(qū)動輪的速度進行動態(tài)化控制[2-3]。

2 圖像識別技術用于電氣設備目標檢測識別

本研究采用卷積神經(jīng)網(wǎng)絡模型，該方法能夠有效地改善目標電器的定位和識別準確率，并能提高系統(tǒng)的探測穩(wěn)定性。具體而言，首先利用CNNs-AlexNet 模型提取電力設備的特征，再利用隨機樹算法進行識別，從而提高了系統(tǒng)的識別精度[7]。并利用CNNs 算法精確地判定了隔離開關的絕緣子和刀片的位置，并通過測量刀閘區(qū)域的長度比對斷路器的接觸面和斷路器的接觸面連接情況來判定斷路器的斷路情況，從而可以在復雜的環(huán)境中有效地解決斷路器的故障。

利用AlexNet 模型對1 個隨機選擇的裝置進行深度特征提取，其中第一個和第五個卷積層的前端36個輸出特征。在第五個卷積層中，綜合了具有類區(qū)域特性的區(qū)域信息，從而獲得了能夠反映整體圖像特性的特征，該特征對于大多數(shù)輸入的局部改變都是恒定的，輸出特征的抽象性比卷積層高。

為了檢驗特征抽取的有效性，本文采用隨機森林分類器，對FCL1（第一個完全連接層輸出特征）、FCL2（第二個完全連接層輸出特征）、FCL1+FCL2（前面兩個完全連接層輸出特征）和CNN-RF（本文的特征選?。Ｔ跍y試中，隨機樹的數(shù)目是100。在圖2 中顯示了各種特征的結合得到的識別正確率的結果。

圖2 不同特征組合所得識別準確率結果

3 圖像識別技術在變電站智能巡檢機器人中的應用方法

3.1 對儀表圖像進行預處理

3.1.1 灰度化處理

變電站智能巡檢機器人所拍攝的圖像通常為含有三通道的彩色圖像，這些圖像所占據(jù)的存儲空間是比較大的。通過灰度化處理，可以使這些圖像由RGB的彩色形式轉(zhuǎn)化為單通道的灰度形式，實現(xiàn)了存儲空間的壓縮，同時也將儀表中重要的信息保留了下來，能夠滿足指針識別的實際要求，同時還可以使后續(xù)圖像處理的速率得到提高[8]。

3.1.2 高斯濾波操作

變電站中各類儀表所處的環(huán)境是比較復雜的，智能巡檢機器人所拍攝的圖像容易受到噪聲等因素的影響，這會對最終的識別效果產(chǎn)生影響。因此，在對圖像進行灰度化處理的基礎上還要通過濾波操作來對噪聲進行抑制。目前在變電站智能巡檢機器人領域所使用的高斯平滑濾波器是一種二維零均值離散高斯函數(shù)。采用高斯濾波器對圖像濾波處理過程應滿足：高斯濾波=以高斯函數(shù)為卷積核的圖像卷積，高斯濾波器的函數(shù)及圖像見圖3。

圖3 高斯濾波圖

一維高斯函數(shù)

采用高斯函數(shù)處理過程中，通常采用3×3、標準差為0.7 的高斯模板進行濾波處理，然后經(jīng)過程序運行，從而得到濾波效果圖。

3.1.3 自適應閾值分割

在對圖像進行處理的時候，閾值分割法是一種最為常用的方法。在應用該方法的時候，要先選擇一個特定的閾值，然后將該閾值與圖像中各個像素點的灰度值進行比較，通過比較結果將像素劃分為前景或者背景。在實際操作的過程中發(fā)現(xiàn)，只有合適的閾值才能對分割的效果產(chǎn)生積極的影響，提高分割的準確性，同時也使后續(xù)圖像描述和圖像分析結果都更為準確。目前常用的閾值分割方法包括實驗法、迭代選擇閾值法、最小方差閾值法以及最大類間方差法等。與變電站智能巡檢機器人較為適用的方法為最大類間方差法，這種方法的計算比較簡單，穩(wěn)定性較強，可以實現(xiàn)閾值的自動選擇，不需要設定其他的參數(shù)。

3.2 計算指針讀數(shù)

對于指針式儀表來說，變電站智能巡檢機器人在讀數(shù)計算的時候可以采用距離法和角度法這兩種方法。機器人的儀表識別系統(tǒng)可以檢測出表盤刻度小于360°的圓形儀表，同時可以規(guī)定表盤中心點所在水平線的角度為0°和180°。在這個基礎上，可以確定0°逆時針方向與中心點所在豎直直線90°范圍內(nèi)的角度值為負，而0°順時針方向與中心點所在豎直直線270°范圍內(nèi)的角度值為正，具體見圖4。

圖4 指針讀數(shù)方法示意

3.3 形成儀表數(shù)據(jù)集

在儀表數(shù)據(jù)集讀數(shù)計算的時候，要明確儀表的量程，明確儀表起始刻度與終止刻度的角度值。如果每次對讀數(shù)計算的時候都運用圖像識別技術來對參數(shù)進行處理與搜集，不僅計算量大，同時也會使誤差累加。由于不同儀表在預處理環(huán)節(jié)所設置參數(shù)的大小存在明顯的差異，因此為了優(yōu)化識別的效果，系統(tǒng)要導入不同儀表信號的參數(shù)并進行預處理，這些處理算法的參數(shù)設定也應該按照儀表的順序被記錄在儀表數(shù)據(jù)集中。

4 結論

綜上所述，本文在現(xiàn)有研究資料的基礎上探究了圖像識別技術在變電站智能巡檢機器人中的應用，通過構建視覺終端的形式實現(xiàn)了對變電站設備的控制。研究發(fā)現(xiàn)，在應用圖像識別技術的時候，智能巡檢機器人要先對圖像進行預處理，然后計算指針讀數(shù)并建立儀表數(shù)據(jù)集，最終通過霍夫變換得到儀表指針識別結果。當前，在識別表計類設備讀數(shù)、對電氣設備進行目標檢測識別以及電氣設備紅外圖像識別等領域，圖像識別技術已經(jīng)廣泛應用。在未來，這一應用范圍還將進一步拓展，智能巡檢機器人的功能也將更為完善。