軌道供電變電站分合板圖像識別方法研究

丁桃勝，褚紅健，李佑文

(國電南自軌道交通工程有限公司，江蘇 南京 210032)

0 引言

機器視覺識別方法為機器賦予了人類眼睛的功能，對儀表等設備信息進行判斷捕捉，并將它以圖像或視頻的形式傳送給圖像處理系統(tǒng)，經(jīng)圖像處理系統(tǒng)轉化處理后變?yōu)閿?shù)字信號用于控制現(xiàn)場設備或進一步傳遞。圖像識別方法是一種獲取變電站各類儀表設備和安防信息的新方法。該方法可以實現(xiàn)自動采集、傳遞等一系列圖像識別和視頻分析操作，能夠顯著地提高變電站工業(yè)生產的自動化程度。隨著人工智能技術的發(fā)展，將機器視覺技術和數(shù)字圖像處理技術應用于變電站各類儀表設備的讀數(shù)識別、狀態(tài)監(jiān)測和人員行為檢測的安防管控等場景，是實現(xiàn)變電站數(shù)字化、智能化的一個必然趨勢[1-3]。

1 項目建設的意義

近年來，隨著人工智能、物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)技術的快速發(fā)展，以深度學習為代表的新一代人工智能技術得到突破性進展，在提高電力儀器儀表等多種設備狀態(tài)識別的準確率方面得到了飛躍式的進步。人工智能技術巨大的經(jīng)濟和科技潛力使其逐漸上升至國家發(fā)展戰(zhàn)略層面，歐美等國家相繼頒布了大數(shù)據(jù)相關的研究和發(fā)展計劃。我國于2013 年至2017 年相繼發(fā)布了《中國電力大數(shù)據(jù)發(fā)展白皮書》《促進大數(shù)據(jù)發(fā)展行動綱要》《新一代人工智能發(fā)展規(guī)劃》《促進新一代人工智能產業(yè)發(fā)展三年行動計劃(2018—2020 年)》等多個重要文件，確立了人工智能技術的發(fā)展地位和戰(zhàn)略價值。自此開始，電力系統(tǒng)的運維、市場等各領域開始邁向人工智能時代[4]。

2 項目實現(xiàn)的關鍵功能和技術難點

從軌道供電變電站分合板圖像識別的需求來看，軌道變電供電站分合板圖像識別方法需要實現(xiàn)的功能是從各個攝像機或巡檢機器人采集目標區(qū)域的圖像或視頻后對這些信息進行處理，包括各類儀表設備的數(shù)值識別、運行狀態(tài)識別、室外關鍵設備紅外溫度監(jiān)測、安防相關的預警提示等。通過檢測系統(tǒng)識別后，將結果傳遞給監(jiān)控中心的應用客戶端，供工作人員實時掌握變電站的運營情況。根據(jù)南自軌道公司現(xiàn)有的技術儲備來看，由于“變電站輔助監(jiān)控系統(tǒng)”和“智慧車站”等項目關于遙視系統(tǒng)圖像的采集和視頻流的解碼已有豐富且成熟的技術積累，關于通信規(guī)約等方面在多個地鐵項目中也已落地實施。因此，本方法開發(fā)的關鍵功能和技術難點在于如何掌握機器視覺技術來實現(xiàn)各類設備數(shù)值和狀態(tài)識別算法[5]。

通過監(jiān)控視頻圖像對分合狀態(tài)指示牌進行實時監(jiān)控和識別是一種輔助方法，這種識別方法應當與自動化信號監(jiān)控、人工監(jiān)測等方法并行，以便提高整個監(jiān)控系統(tǒng)的實時性、可視化程度與可靠性?，F(xiàn)有圖像識別技術可分為傳統(tǒng)圖像算法與深度學習方法。其中，傳統(tǒng)算法很難適應復雜環(huán)境，不具有普遍的適用性，在不同環(huán)境中識別準確率較低[6]。深度學習方法識別精度高，但需要大量訓練樣本用于訓練模型。另外，室外的檢測對象往往會因為環(huán)境變化而變化，這需要設計出具有針對性的算法。在變電站環(huán)境中，很多識別對象例如電壓、電流、油量、分合板的狀態(tài)或數(shù)值變化較穩(wěn)定，由于缺少異常樣本和稀有樣本，造成了訓練樣本不足的問題，最終會影響識別準確率。針對現(xiàn)有技術中存在的缺陷，軌道變電站分合板識別方法研究提供了一種無需大量樣本訓練即可實現(xiàn)分合狀態(tài)識別并且識別準確度較高的分合狀態(tài)識別方法[7-8]。

3 軌道變電站分合板圖像識別方法步驟說明

變電站分合板圖像識別的方法流程如圖1所示。下面將針對每一個步驟進行詳細的說明。

圖1 變電站分合板圖像識別的方法流程

步驟1：利用變電站內固定位置攝像機拍攝變電站內分合板狀態(tài)圖像，并在圖像中設定一個矩形的分合識別區(qū)域，分合板在分合識別區(qū)域中的像素面積要求大于50%。研究實例如圖2所示。

圖2 分合板研究實例

步驟2：通過HSV顏色識別方法找出分合板位置，根據(jù)分合板顏色設定HSV系數(shù)，對圖像進行HSV顏色識別，再對識別后的二值圖進行高斯模糊和開運算以消除噪點，針對不同像素的圖片設置不同的掩膜，掩膜的大小選取以保證消除所有噪點為準，分別將“合”部分的HSV數(shù)值設置為紅色，將“分”部分的HSV數(shù)值設置為綠色，并提取相關像素點，分別獲得紅色與綠色部分的二值圖。

步驟3：尋找分合板端點，分別尋找紅色、綠色部分二值圖中白色部分距離圖像4個端點最近的各4個點作為分合板的端點。采用遍歷像素的方法，計算每個白色像素點到4個端點的距離，其中距離使用歐式距離。通過每個白色像素點到端點的距離大小進行排序，獲得白色像素點中到圖像端點距離最短的各個點。

設紅色部分二值圖中白色像素點到圖像4個端點距離最短的4個點從左上方逆時針分別記為A1、A2、A3、A4，設綠色部分二值圖中白色像素點到圖像4個端點距離最短的4個點從左上方逆時針分別記為B1、B2、B3、B4，那么在分合板二值圖中，A3、A4和B1、B2會重合，將這兩個重合點記為C5、C6，那么A1、A2、B3、B4為分合板的4個端點，C5、C6為分合板中紅色部分與綠色部分重合線的2個端點，如圖3所示。

圖3 二值圖端點

步驟4：提取、矯正分合板圖像。找到指示牌端點后，使用透視變換，從原圖像提取出分合板，并將傾斜的分合板矯正為矩形，獲得新的分合板圖片，如圖4所示。所述透視變換是通過四邊形的4個點坐標，將其轉化為矩形。

圖4 校正后的分合板矩形圖

步驟5：通過圖中的C5、C6點計算分合板分界線位置；設A1、A2、B3、B4、C5、C6點坐標分別為(a,b)、(a,c)、(d,b)、(e,c)、(f,b)、(f,c)，矯正后的分合板圖像寬為w，分界線到矯正后的分合板圖像左側的距離為h，分界線的位置公式如下：

找到分界線位置后，通過邊界線將分合板切割為分、合兩部分，如圖5和圖6所示。

步驟6：通過HSV顏色識別分別檢測“合”部分與“分”部分圖像中的黃色箭頭，并轉為二值圖。調整HSV參數(shù)，識別圖5、圖6中的箭頭部分，并轉為二值圖，如圖7所示。

圖5 分合板“合”部分

圖6 分合板“分”部分

圖7 箭頭二值圖

步驟7：通過計算二值圖中白色像素點個數(shù)，判斷分合狀態(tài)。通過遍歷像素點的方式分別計算兩部分圖像中白色像素點的個數(shù)，其中合部分白色像素點數(shù)記為num1，分部分白色像素點數(shù)記為num2。如果num1>num2，判斷結果為合；如果num1

另外，在尋找分合板端點時，可能會碰到分合板4個角都有不同程度缺損的情況，此時，可以使用霍夫直線變換方法擬合出分合板4條邊的線段，再對該4條邊線延長取交點，得出的4個交點即為分合板的4個端點，具體流程為：

步驟1：將原圖轉換為灰度圖。

步驟2：對灰度圖進行canny邊緣檢測提取所有邊緣。

步驟3：使用霍夫直線變換將最長的5條邊緣擬合為直線，即分合板的4條邊和中線。

步驟4：根據(jù)直線的位置關系篩選出4條邊線。

步驟5：延長這4條邊線獲得4個交點，將這4個交點作為分合板的端點。

這種方式也可以找到分合板端點。在實際情況中，缺損較嚴重的分合板使用該方法。

與現(xiàn)有技術相比，本方法的有益效果在于：(1)軌道變電站分合板圖像識別方法舍棄了直線檢測、邊緣檢測等容易因環(huán)境變化而造成較大誤差的算法，采用顏色識別的方式提取待識別目標，對環(huán)境亮度變化不敏感，在識別該種分合板時，具有更強的魯棒性、更高的精度以及更少的運算量。(2)軌道變電站分合板圖像識別方法采用遍歷像素方法，解決了因常規(guī)分合板邊緣不規(guī)則，很難擬合成矩形的問題。

4 結語

隨著計算機硬件設備性能的不斷提升以及人工智能、圖像信息處理等技術的不斷發(fā)展，通過軟硬件開發(fā)結合的方式把這些技術應用在多種傳統(tǒng)或新興的工業(yè)領域，推動社會的進步、產業(yè)的升級，是企業(yè)發(fā)展的必經(jīng)之路。軌道變電站分合板圖像識別方法通過對軌道變電站中分合板設備的智能檢測，能夠改善以往人工檢測的諸多弊端，對變電站的智能化提升具有實際意義。