一種變電站懸掛異物識(shí)別方法

內(nèi)蒙古電力(集團(tuán))有限責(zé)任公司包頭供電局 謝逸逍 肖 猛 汪有成 黃玉柱 馬文奎

一種變電站懸掛異物識(shí)別方法

內(nèi)蒙古電力(集團(tuán))有限責(zé)任公司包頭供電局 謝逸逍 肖 猛 汪有成 黃玉柱 馬文奎

提出了一種變電站懸掛異物的識(shí)別方法，實(shí)現(xiàn)了站內(nèi)懸掛異物的實(shí)時(shí)監(jiān)控。首先，使用數(shù)字圖像處理技術(shù)對(duì)采集圖像進(jìn)行去噪等預(yù)處理操作。其次，使用SIFT配準(zhǔn)定位指定區(qū)域，分析并統(tǒng)計(jì)指定區(qū)域中特征角點(diǎn)的數(shù)目。最后，根據(jù)特征點(diǎn)數(shù)目的分布狀態(tài)和設(shè)定閾值進(jìn)行異物識(shí)別，超過閾值時(shí)判定為有異物侵入，預(yù)警站內(nèi)工作人員進(jìn)行處理。實(shí)驗(yàn)證明，該方法具有計(jì)算快捷，適應(yīng)性強(qiáng)、正確率高的特點(diǎn)，可以滿足變電站無(wú)人值守的實(shí)時(shí)監(jiān)控要求。

變電站；異物識(shí)別；SIFT配準(zhǔn)；Harris角點(diǎn)

1 引言

目前，我國(guó)電力變電站設(shè)備巡檢多采用人工巡檢方式[1]。即變電站工作人員進(jìn)入設(shè)備區(qū)，進(jìn)行設(shè)備巡視。這種巡檢方式主要靠的是作業(yè)人員的主觀的感官定性判斷分析，需要工作人員有豐富的工作經(jīng)驗(yàn)和較高的業(yè)務(wù)水平。并且也很難做到數(shù)據(jù)的實(shí)時(shí)輸入管理信息系統(tǒng)。變電站是個(gè)高危場(chǎng)所，在惡劣天氣下，設(shè)備的巡檢對(duì)工作人員來(lái)說存在較大的安全隱患[2]。

同樣，對(duì)變電站設(shè)備中懸掛物的巡視主要還通過人眼進(jìn)行，由于人眼有主觀性和易疲勞的弱點(diǎn)，有時(shí)會(huì)忽略一些異常情況。再者，國(guó)家電力通信調(diào)度中心要求現(xiàn)有的35KV、110KV、220KV在條件成熟時(shí)，逐步實(shí)現(xiàn)無(wú)人值守。所以基于計(jì)算機(jī)視覺的懸掛物識(shí)別顯得尤為必要。圖像匹配是計(jì)算機(jī)視覺中的一個(gè)基本問題，SIFT (Scale Invariant Feature Transform)是目前圖像匹配領(lǐng)域最活躍的算法之一。SIFT特征對(duì)于圖像縮放、平移和旋轉(zhuǎn)都具有良好的不變性，對(duì)于光照變化和仿射變換或三維投影也具有一定的魯棒性[3]。所以SIFT算法已經(jīng)成為目標(biāo)識(shí)別中的熱門算法。

本文首先采用SIFT算法對(duì)變電站中采集的模板圖像和巡檢圖像的指定區(qū)域進(jìn)行匹配，在匹配圖像的基礎(chǔ)上，再使用角點(diǎn)檢測(cè)統(tǒng)計(jì)指定區(qū)域的特征點(diǎn)，通過特征點(diǎn)和設(shè)定閾值的比較進(jìn)行懸掛異物識(shí)別。

2 濾波去噪

圖像在形成、傳輸過程中，常因外界噪聲的干擾而導(dǎo)致質(zhì)量退化。因此，噪聲檢測(cè)是比較關(guān)鍵的一步，它為圖像中像素點(diǎn)的正確分類提供基礎(chǔ)。噪聲檢測(cè)的方法較多為減少噪聲的影響，可以采取各種濾波方式對(duì)圖像進(jìn)行去噪處理。

2.1 中值濾波

中值濾波是一種非線性平滑技術(shù)，它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值[4]。就是用一個(gè)奇數(shù)點(diǎn)的移動(dòng)窗口(中值窗)，將窗口中心點(diǎn)的值用窗口內(nèi)各點(diǎn)按其數(shù)值大小排序后中間的那個(gè)數(shù)(即中值)代替．中值濾波是一種優(yōu)化的保持邊界與濾除高頻噪聲干擾的濾波方法，尤其對(duì) 處理突變尖峰之類的脈沖噪聲非常有效。并且在濾除噪聲的同時(shí)圖像不會(huì)被模糊。二維中值濾波的窗口形狀和尺寸設(shè)計(jì)對(duì)濾波效果影響較大，不同的圖像內(nèi)容和應(yīng)用要求，往往采用不同形狀和尺寸以達(dá)到滿意的濾波效果。

2.2 高斯濾波

高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程[5]。通俗的講，高斯濾波就是對(duì)整幅圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。高斯濾波的具體操作是：用一個(gè)模板(或稱卷積、掩模)掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。

高斯濾波器脈沖響應(yīng)函數(shù)為：

通過一次卷積運(yùn)算可以將原始信號(hào)分離為低頻信號(hào)和高頻信號(hào)兩部分。

圖1和圖2分別是中值濾波和高斯濾波的效果圖，從圖中可以看出高斯濾波保持的輪廓性比較完整，對(duì)目標(biāo)檢測(cè)的特征比對(duì)更具優(yōu)勢(shì)，因此本文選擇高斯濾波進(jìn)行去噪。

3 SIFT算法原理

SIFT(Scale Invariant Feature transform,尺度不變特征轉(zhuǎn)換)算法[6,7]是由加拿大David G.Lowe于1999年提出的一種基于圖像局部特征的描述子，并于2004年做了完善。SIFT特征點(diǎn)對(duì)于圖像的尺度和旋轉(zhuǎn)有很好的不變性，對(duì)于光照和3D視角也能保持一定的穩(wěn)定性[8]，所以被國(guó)際公認(rèn)為是效果良好的特征點(diǎn)匹配方法。SIFT圖像特征的主要計(jì)算步驟如下：

Step1：構(gòu)建尺度空間；

Step2：關(guān)鍵點(diǎn)的精確定位；

Step3：確定特征點(diǎn)的主方向；

Step4：生成特征向量描述子。

圖1 中值濾波效果圖

圖2 高斯濾波效果圖

設(shè)待匹配的兩個(gè)圖像為M和N，兩個(gè)照片經(jīng)SIFT特征點(diǎn)提取后，M的特征點(diǎn)集合為，N的特征點(diǎn)集合為其中l(wèi)m和ln分別是圖像M和N的特征點(diǎn)數(shù)目。采用特征向量的歐式距離作為SIFT特征向量的相似特征的判定度量。歐式距離計(jì)算公式如下：

取待匹配圖像中的某個(gè)特征點(diǎn)，在目標(biāo)圖像中找到歐式距離中的最近距離和次近距離，兩個(gè)距離比如果大于某個(gè)設(shè)定的閾值，則接受這一對(duì)匹配點(diǎn)。在特征點(diǎn)完成初始匹配后,會(huì)存在錯(cuò)誤的匹配點(diǎn)對(duì)，對(duì)這些錯(cuò)誤匹配點(diǎn)對(duì)采用RANSAC算法進(jìn)行篩選。

農(nóng)業(yè)農(nóng)村部相關(guān)負(fù)責(zé)人透露，農(nóng)業(yè)農(nóng)村部已經(jīng)在15個(gè)省區(qū)市、22種作物上開展蜜蜂授粉與綠色防控技術(shù)集成試驗(yàn)示范，同時(shí)開展蜂業(yè)質(zhì)量提升行動(dòng)，今后將加大資金支持力度，進(jìn)一步推廣蜜蜂授粉，服務(wù)綠色農(nóng)業(yè)發(fā)展。

4 算法設(shè)計(jì)及其分析

變電站指定區(qū)域存在懸掛物時(shí)，指定區(qū)域的圖像邊緣有明顯的變化。因此，可以采用特征點(diǎn)的分布來(lái)進(jìn)行分析。因此，異物檢測(cè)識(shí)別時(shí)，比較巡檢機(jī)器人采集的設(shè)備圖像與模板圖像的同一區(qū)域內(nèi)特征角點(diǎn)的個(gè)數(shù)與分布情況，如果兩幅圖像中相同電力設(shè)備的特征角點(diǎn)的個(gè)數(shù)或分布情況存在較大的差異，則認(rèn)為在此區(qū)域內(nèi)有異物的存在。

Harris具有對(duì)亮度和對(duì)比度的變換不敏感和旋轉(zhuǎn)不變性的特點(diǎn)，因此算法采用Harris角點(diǎn)來(lái)檢測(cè)指定區(qū)域內(nèi)的特征點(diǎn)分布。如果某一個(gè)點(diǎn)在 X 方向和 Y 方向上都有明顯的導(dǎo)數(shù)，即這個(gè)點(diǎn)在兩個(gè)方向上都有明顯的梯度值，則認(rèn)為這個(gè)點(diǎn)為特征點(diǎn)。

算法步驟如下：

Step1：模板圖像區(qū)域標(biāo)定；

Step2：巡檢圖像SIFT配準(zhǔn)匹配；

Step3：指定區(qū)域預(yù)處理操作；

Step4：Harris角點(diǎn)檢測(cè)；

Step5：特征點(diǎn)統(tǒng)計(jì)分析；

Step6：與閾值比較；

Step7：輸出檢測(cè)結(jié)果。

算法流程圖如圖3所示：

圖3 異物檢測(cè)算法流程圖

實(shí)驗(yàn)中，使用人工合成圖像進(jìn)行算法仿真模擬測(cè)試。如圖4和圖5所示。

圖4 模板圖像

圖5 巡檢圖像(存在異物)

如圖6所示，綠色矩形框?yàn)樾枰獧z測(cè)的設(shè)備區(qū)域。從左至右依次為模板圖像(沒有異物)、沒有異物的巡檢圖像、存在異物的巡檢圖像。

圖6 算法檢測(cè)效果示例圖

Harris角點(diǎn)檢測(cè)到的特征點(diǎn)數(shù)和類的個(gè)數(shù)如表1所示：

表1 特征點(diǎn)分布統(tǒng)計(jì)

從實(shí)驗(yàn)結(jié)果中可以看到，存在異物時(shí)，特征點(diǎn)的數(shù)目和類的個(gè)數(shù)都發(fā)生了變換，并且有明顯的可區(qū)分性。實(shí)驗(yàn)數(shù)據(jù)表明了該算法在進(jìn)行異物識(shí)別的有效性。

5 結(jié)論

本文通過Harris特征檢測(cè)，提取模板圖像和巡檢圖像中指定區(qū)域的特征點(diǎn)，對(duì)特征點(diǎn)進(jìn)行統(tǒng)計(jì)分析，實(shí)現(xiàn)了設(shè)備區(qū)域有無(wú)異物的檢測(cè)識(shí)別。實(shí)驗(yàn)結(jié)果表明該算法建模簡(jiǎn)單、運(yùn)行速度快、準(zhǔn)確率高。通過機(jī)器人平臺(tái)，實(shí)現(xiàn)了變電站中異物檢測(cè)，提高了工作人員的工作效率和作業(yè)人員的安全性。該算法的實(shí)施，推進(jìn)了變電站無(wú)人值守進(jìn)程，實(shí)現(xiàn)了變電站自動(dòng)化和智能化。

[1]宋曉明.變電站智能巡檢機(jī)器人關(guān)鍵技術(shù)研究[D].長(zhǎng)沙理工大學(xué),2013:2-9.

[2]胡啟明,胡潤(rùn)滋,周平.變電站巡檢機(jī)器人應(yīng)用技術(shù)[J].華中電力,2011,05:1045-1046.

[3]陳月,趙巖,王世剛.基于SIFT特征矢量的快速圖像拼接方法[J].吉林大學(xué)學(xué)報(bào)(理學(xué)版),2017,55(1):116-117.

[4]安靜宇,馬憲民.基于中值濾波和小波變換的火電廠爐膛火焰圖像去噪方法[J].計(jì)算機(jī)工程與科學(xué),2016,38(8):1702-1705.

[5]姒紹輝,胡伏原,顧亞軍,等.一種基于不規(guī)則區(qū)域的高斯濾波去噪算法[J].計(jì)算機(jī)科學(xué),2014,41(11):313-315.

[6]DavidG Lowe.Distinctive Image Feat-ures From Scale-Invariant Interest Point[J].International Journal of Computer Vision,2004,60(2):91-110.

[7]David G.Lowe,Object recognition from local scale-invariant features,International Conference on Computer Vision,Corfu,Greece,1999,September:1150-1157.

[8]David A Y.Image merging and data fusion by means of the discrete two-dimensional wavelet transform[J].Opt.Soc.Am.A,1995,12(9):1834-1841.

Method for Recognition of suspended Extra Matters on substation

Xie Yixiao，Xiao Meng，Wang Youcheng，Huang Yuzhu，Ma Wenkui
（Baotou Power Supply Bureau of Inner Mongolia Power(Group)Co.,Ltd，Baotou，China）

A method for identifying suspended extra matters in substations is proposed，which realized real-time monitoring of suspended extra matters in substation.First of all，the digital image processing technology is used to de-noise the image.Secondly，the SIFT registration is used to locate the region that analyze and count the number of feature corners in the specif i ed region.Finally，according to the number and the distribution of feature points，the suspended extra matters recognition is carried out.when the feature points statistics exceed specif i ed thresholds，the suspended extra matters is detected and the station staff is warned.Experimental results show that this method has the characteristics of fast calculation，strong adaptability and high accuracy.It can meet the requirement of unattended real-time monitoring and control in substation.

substation；extra matters recognition；SIFT registration；Harris corner