基于特征匹配的高壓斷路器指示燈圖像識別*

劉 艷, 李 昌

0 引 言

隨著大數據與人工智能時代的到來,變電站作為電力資源的輸送紐帶,其智能化建設的步伐也倍道而進[1]。智能變電站正在從原來由監控人員負責值守的監控中心逐漸向無人值守的智能監控轉換。目前,在智能監控的變電所內,使用輔助監控系統或巡檢機器人[2]收集各種不同智能化設備通過網絡傳遞過來的關于環境、設備(如照明設備)等的監測數據,從而實現遠程遙控、視頻追蹤調度等功能。此外,輔助監控系統或巡檢機器人還可以輔助實現安全防護報警、門禁管理等智能化建設,有效地預防了事故的發生,保障了財產安全,保證了系統的穩定運行,從整體上把變電站的安全防范技術水平提升一個層次。

在智能化變電站內,為減少因誤操作所帶來的人員傷亡和財產損失,文獻[3]將圖像識別技術應用于智能化檢測系統中,研制出一種防誤操作系統。結果表明,在智能化檢測系統中采用圖像識別技術可以有效地降低變電站內的錯誤操作,提高變電操作的安全性。

在圖像識別技術的應用中,智能化檢測系統的有效性受圖像特征提取質量的制約。文獻[4]為準確地提取出遠離分類邊界的特征,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,為了得到較好的訓練模型,文獻[5]提出基于隨機掩碼構造對應的缺失-完整數據方法,并將真實數據集與合成數據集相結合,采用交替訓練模型的策略,解決了因配對“缺失-完整”RGB-D數據集不足而無法對端對端深度圖像補全模型進行訓練的問題。

為提高圖像識別效率,文獻[6]在服務器中用包含大約五千張圖片建立了一個數據集,采用精度較高的目標識別算法,實現了智能視頻機房監控,極大地提高服務器檢測的準確率。文獻[7]利用圖像處理相關算法對產品界面進行灰度化、中值濾波、二值化等預處理,有效地增強了目標區域。

高壓斷路器是高壓電路的重要元器件,其開、合狀態控制著高壓電路的運行。文獻[8]采用SIFT、Hough變換、k-NN等算法,研發了一種能自動識別斷路器、隔離開關開、合狀態的專用智能機器人,并通過在機器人上安裝雨刷和使用圖像增強算法等,在很大程度上解決了由于天氣惡劣等環境因素所導致的斷路器、隔離開關的圖像失真問題。文獻[9]為處理圖像失真,提出圖像增強的方法。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行灰密程度判別的特征;最后,利用神經網絡做出仿真預測。文獻[10]提出模板匹配進行定位的方法,解決了絕緣子圖像偏移問題。文獻[11]將紅外和可見光的圖像像素疊加合并,實現設備的預警監視。在斷路器識別方面,采用幾何特征算法,把斷路器分合狀態指示牌提取幾何特征,進行訓練圖片和驗證圖片,采用二值灰度構造方法對實時圖片進行在線實時識別[12]。

本文選取的斷路器指示燈圖片來源于運行中的鐵路變電所運行巡檢,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域,劃分出邊界;然后用部分歷史圖片,采用6值灰度構造方法,構造圖片的色彩特征,對不同情況下的圖片進行特征采集、分類,得到專家知識庫,作為圖片識別的判斷依據。最后,根據專家知識庫,對實時圖片進行在線實時識別。算例采用某鐵路牽引變電所的無人值守變電所數據,進行斷路器分、合狀態的圖像識別,在識別率及效率方面進行了分析。

1 斷路器狀態模型

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

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

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域;

Z1(x1,y1)、Z2(x2,y2)——兩個坐標頂點;

RGB——顏色信息,由R、G、B三色組成,R、G、B由Zrect內所有像素點的三色平均值計算出。

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

m、k——區域x、y方向的像素最大值;

H(·)——六值灰度函數。

形成知識庫的訓練圖片需要20～50張,可以根據需要選擇多種氣象、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,根據參考圖片信息,標注出訓練圖片斷路器指示燈的狀態,映射指示燈RGB顏色信息。

(2)

式中:Fcolor——斷路器指示燈分割區域顏色特征信息;

Flag——斷路器指示燈狀態信息,有兩種狀態:open、close;

Ttrain——知識庫的訓練圖片斷路器指示燈信息。

Fcolor有F1～F6共6個值,分別對應分割區域的灰度六值。

六值方法檢驗圖片需要多張,選擇方法同訓練圖片,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,根據專家知識庫信息,識別出驗證圖片斷路器指示燈的狀態。

(3)

式中:Siden——六值方法檢驗圖片斷路器指示燈信息;

rState——斷路器指示燈識別狀態信息。

Flag和rState都有分、合兩種狀態。Fcolor有F1～F6共6個值,分別對應驗證圖片分割區域的灰度六值,如果識別值rState等于圖片的當前Flag值,證明有效性,否則需要調整知識庫。

2 圖像識別數學模型

為了識別高壓斷路器指示燈的分、合狀態,首先選取參考圖片確定特征區域,然后在特征區域中找到特征點,再根據特征點確定識別區域,最后使用本文所構建的六值灰度算法及其對應的目標函數完成圖像識別。

2.1 識別區域選擇

同一圖片可能有多個識別區域,而每個識別區域則對應一個特征區域。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,對應就要圈出4個特征區域。由于4個特征區域的選擇方法相同,這里僅以第一個指示燈的特征區域為例,如圖1(b)。

圖1 高壓指示燈參考圖片

2.2 六值灰度算法

實際應用中,通常采用二值灰度算法進行圖像識別。為了能夠在不同環境下準確地識別出指示燈的分合狀態,本文采用六值灰度算法。

(4)

式中:n——灰度區間的數量;

η——區間的最大顏色差異值;

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

λ1、λ2、λ3——點(x,y)的三色灰度區間值的調整系數;

H(x,y)——像素點(x,y)的六值灰度函數;

RGB(r,g,b).r——識別區域的像素點(x,y)的r值;

RGB(r,g,b).b——識別區域的像素點(x,y)的b值;

RGB(r,g,b).g——識別區域的像素點(x,y)的g值。

2.3 目標函數

計算識別區域中各個像素點的H(x,y)值,根據H(x,y)值的大小放入灰度區間數組num中。映射關系為

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

i,j∈[0,5]

(5)

n=6時,各個灰度區間的像素點必將落入數組元素num(i)中。然后,根據num數組結果對n個元素進行擬合,最終建立目標函數F(t)為

(6)

式中:Ai——各灰度區間像素點個數num(i)在整個識別區域中所占的比例;

F(t)——當前t時刻識別區域的目標函數值。

2.4 圖像訓練

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

2.5 圖像識別

讀取驗證圖片,在其特征區域內找到特征點,并根據特征點確定識別區域。再使用式(4)與式(6)計算出識別區域的目標函數值F(t),并通過2.4節訓練結果來分析當前斷路器指示燈的分、合狀態。

3 算例分析

算例選自于合安新建高鐵某牽引變電所的1#進線高壓柜指示燈,如圖1。

3.1 圖片介紹

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

3.2 區域選擇

3.3 六值灰度計算

本文采用六值灰度算法,即將每個像素點的三原色R、G、B的灰度值分成6個區間,據2.2節式(4)計算得到區間大小η為int(255/6+0.5)=43,6個區間分別為[0,42],[43,85],[86,128],[129,171],[172,214],[215,255]。計算識別區域內各像素點的r、g、b三色灰度值所落入的灰度區間值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的灰度區間值H(x,y)。

3.4 目標函數計算

根據前面得到的H(x,y),統計識別區域內落入各灰度區間的像素點的數量,得到數組num(i),i∈[0,5]。再利用數組num(i)的值,計算F(t)得出。本算例中,首先根據3.3節中式(6)對訓練圖片的識別區域進行統計計算,得到num(i),i∈[0,5]和A(i),i∈[0,5]兩個數組中各元素的值。識別區域統計值如表1所示。

表1 識別區域統計值

將得到的數組A(i)，i∈[0,5]代入到式(6),最終得到所有訓練圖片的識別區域的目標函數值F(t)。

3.5 訓練結果

選取了不同時間、不同環境下的70張已標注的訓練樣本圖片,得到了目標函數值F(t)。訓練樣本目標函數值的分布如圖2所示。當高壓斷路器為分開狀態時,目標函數值分散在(0,15)區間內;當高壓斷路器為閉合狀態時,目標函數值分散在(20,30)區間內。

圖2 訓練樣本目標函數值的分布

3.6 識別效率

經實驗證明,算例中再次選取70張樣本圖片,訓練總時間約為2 s,平均每一張樣本圖片的識別時間大約為0.03 s,基本達到了無人值守變電所斷路器分、合狀態識別的實時在線要求。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,雖然經實驗證明是可行并實用的,但從發展的視角來看,還存在一定不足。

(1) 本算法僅適用于偏移較小的場景。在實際應用中,訓練圖片和驗證圖片與參考圖片的識別物偏移較大,尤其特征區域不包含特征點時,將無法準確找到識別區域,從而導致圖像識別數據錯誤。

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

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

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

4 結 語

本文根據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識別問題。算法中首先根據參考圖片確定特征區域,特征區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。在特征區域內按照一定的標準找到特征點,并根據特征點確定識別區域。對識別區域內的各像素點的灰度值進行處理和計算,最終得到目標函數值,根據目標函數值來判斷指示燈的開/關,由指示燈的開/關最終推斷出斷路器的分、合狀態。經實驗驗證,本算法所采用的指示燈圖像識別方法是可行的,效率上滿足實時在線識別要求,在實際中具有一定的實用性。