基于图像的换流站用避雷器仪表识别

崔家瑞 纪建才 胡广大 何红太 张 波 刘广一

（1.北京科技大学自动化学院 北京 100083 2.北京国网富达科技发展有限责任公司 北京 100070 3.中国电力科学研究院 北京 100192）

1 引言

随着电力需求的持续增长、传统能源的短缺和电力市场的开放，寻求一种高效、灵活、智能和可持续的电网发展方式才能适应未来的技术需求。可持续性是未来电网的基础特征，其本质表现为分布式能源（distributed energy resources，DER）尤其是可再生能源的规模化接入与应用[1]。可是DER 的大量接入将对配电网造成广泛的影响，配电网的根本性变化使得某些继电保护系统受到不同程度的影响。换流站用避雷器作为电力系统中重要的过电压设备，同样会受到分布式电源的影响[4]，目前国内避雷器监测，用人工抄表记录的方式，来监视避雷器泄漏电流的大小和变化趋势，工作量大，且读取繁琐。因此为了确保这种新型的电网安全运行，对避雷器的动作次数和泄露电流进行监测就显得尤为重要[5-7]。

目前，国内外对于类似避雷器的数字式动作次数仪表和指针式泄露电流表的识别系统进行了大量的研究，取得了一定的成果。对于数字式仪表，文献[8]采用区域生长法定位字符块，然后对分割出的单个数字图像用竖线穿越3 次和横线穿越6 次，分别统计两个方向上的穿越次数作为数字特征。文献[9]描述了近年来国外人脸识别、字符识别等的研究成果。文献[10]运用模糊与混沌理论进行图像处理与识别，对每个数字图像提取一组特征，采用基于模糊识别的最大隶属原则，构造分类器进行识别。对于指针式仪表，Correa Alegria 等在文献[11]中详细论述了基于机器视觉对指针式仪表的识别过程，但是这种算法很难保证两幅图像在同一个拍摄平面，会影响最终的指针读数。国内较早的进行指针式仪表识别的是哈尔滨工业大学的李铁桥教授对压力表读数识别的研究，他以刻度盘圆心为极点，仪表下限刻度为极轴按顺时针方向建立极坐标系，用表盘粗刻度线及指针对应极角的大小确定指针所指示的压力值[12]。文献[13]提出了同心圆搜索法，此算法虽然简单易行，但是识别精度比较低。这些方法存的缺点主要有：1）采集的图像在进行预处理之前没有图像矫正的过程，造成识别精度降低。2）在进行仪表读数识别时，存储空间大、计算时间长，导致识别的实时性较差。3）稳定性和抗干扰能力较差。

基于换流站用避雷器仪表的特点，本文提出了一种以图象处理为基础的仪表识别算法来对避雷器动作次数和泄露电流进行识别，流程简单、思路明确，克服了现有仪表识别方法的不足，并通过仿真实验验证了所提算法的正确性和有效性。

2 算法描述

2.1 图像畸变矫正

实际应用中，由于换流站用避雷器仪表的安装位置特殊性，导致采集到的图像发生几何失真，目标像素点的坐标发生变化，如使矩形变成梯形、平行四边形等。本文用透视变换[14]对失真图像进行矫正，选取的辅助矩形是避雷器仪表矩形表盘，由仪表矩形表盘顶点这四个特征点可以算出矫正后得到的新矩形的长度和宽度，从而求出正视图中对应于四个特征点的坐标，通过透视变换原理得到避雷器仪表的矫正图。设原图像是平面I′ 上的四边形A′B′C′D′，发生畸变后的图像位于平面I 上的四边形ABCD，则透视畸变过程如图1所示。

图1 透视畸变原理图Fig.1 Perspective distortion principle diagram

2.2 图像预处理

图像预处理是对避雷器仪表图像进行识别前的必要技术之一，目的就是把原本不清晰的图像变得清晰，或者抑制图像的某些特征而使另外一些特征得到增强，使处理后的图像质量得到改善，增加图像的信噪比，或者增强图像的视觉效果。

通过图像灰度化、中值滤波、直方图均衡化、基于最大类间方差法的二值化、数学形态学处理对图像进行增强处理，使图像的对比度增强，以便提取出要识别的目标部分。

2.3 数字式动作次数表的识别

完成避雷器动作次数仪表图像的增强与粗定位后，为了进行下一步的识别，采用垂直投影法[15]对字符进行分割。垂直投影法是按照行列像素的统计特性分割的一种方法，实质就是把图像的像素分布特性简化为X轴和Y轴的两个一维函数，通过对这两个函数的分析找到每个数字的边缘，记录其坐标。

在进行识别的算法设计时，考虑到传统的数字识别方法的复杂性和局限性和神经网络识别速快、准确度高，所以采用改进的BP 神经网络法进行字符识别如图2所示。BP 神经网络是一种有导师的学 习方法，在输入了M个样本后，输出结果为y0，y1，…，yp，并且和对应的导师t0，t1，…，tp通过来判断实际输出与要求输出之间的 误差来改变神经网络的连接权值和节点阈值。

图2 改进的BP 神经网络结构图Fig.2 BP neural network structure improvement

本文设计了一个改进的BP 神经网络分类器来对样本进行训练。在调整加权系数时，取输出误差二次方为性能目标函数，利用速度下降法修正神经网络加权系数，即根据目标函数对加权系数负梯度方向搜索。为了避免网络学习陷入局部最小，引入了运动项，即

式中，wij是权系数，α是动量因子，μ是学习步长，k为训练次数。使用运动项后，不但可以在维持算法稳定的情况下使用更高的学习速率；而且当误差轨迹进入某一一致方向后，可以加速收敛。

2.4 指针式泄漏电流表的识别

在对避雷器指针仪表进行指针提取时，采用的是图像减影法，该方法需要输入两幅不同的读数的仪表的二值图像，假设这两幅图像是M(x,y)、N(x,y)，两幅图像的差值图像P(x,y)反映的是两幅图像的两个指针，由P(x,y)和M(x,y)做逻辑与运算可以提取出N(x,y)的指针，同理，P(x,y)和N(x,y)做逻辑与运算可以提取出M(x,y)的指针。

考虑到Hough 变换提取直线时受直线中的间隙和噪声影响较小，具有很好的容错性和鲁棒性[16]所以采用Hough 变换提取指针直线。Hough 直线检测的原理：对图像的所有每个有效像素点（x,y）按式（2）进行某种形式的坐标变换，标记所有可能经过它的直线信息（用（ρ,θ）信息对），标记完成以后，在（ρ,θ）信息空间查看标记结果，再找出峰点累加数最大值（ρ,θ），此时的ρ为从坐标原点到直线的距离，θ为直线与x轴正向的夹角，就可以确定指针所在的直线y=kx+b。

本文在标准Hough 变换的基础上，根据避雷器泄漏电流仪表的特点，从以下两个方面进行了改进：

1）对参数θ的遍历区间进行了约束，本文只对一定角度和一定区域的像素进行累加器计数。

2）Hough 变换的θ取值范围[−90°,90°]，将仅含指针边缘的图像进行顺时针旋转90°，使得指针旋转范围是[−90°,90°]的子区间，保证了进行Hough 变换时θ取值的连续性。设指针仪表的相对于水平方向x轴负方向偏转角度是β，则

在读数的识别过程中，为了减少读数的误差，采用如下的角度法进行读数计算。设刻度hi对应的角度为θi，hi+1对应的角度为θi+1，仪表的读数为T，由于指针指向的位置不同，进行仪表读数分为以下两种情况。

若指针在两个刻度hi和hi+1之间，指针所对应的角度为β（θI＜β＜θi+1），则

整个算法的流程图如图3所。

3 实验结果及分析

为了验证算法的正确性和可行性，以换流站用避雷器仪表为例进行实验。对于采集到的畸变图像，选取矩形表盘的四个顶点作为特征点，矫正后的避雷器仪表如图4、5 所示，避雷器泄动作次数表和泄露电流表已成为正视图。

图4 避雷器动作次数表原图及矫正图Fig.4 Lightning arrester action frequency instrument artwork and image correction

图5 避雷器泄漏电流表原图及矫正图Fig.5 Lightning arrester leakage current meter and image correction

3.1 数字式动作次数表识别结果及分析

完成图像增强与粗定位后，再将数字区域分成单个字符，可采用垂直投影法。因为字符部分是白色，其他部分是黑色，这里使用垂直投影法逐个统计每行每列中所包含的白色像素的数量，在各个字符的间隙处的白色像素很少，甚至为0。所以可以先由行垂直投影切割掉没有白色像素的多余部分，得到字符的高度，再由列垂直投影切掉字符间列像素点累计为0 的部分，得到每个字符的宽度，最后得到的分割，结果如图6所示。

图6 字符切割结果Fig.6 Character segmentation results

神经网络训练过程中，要有足够的模板，建立输入量和输出量，输入量是每一个字符样本，输出量是这个样本所对应的数据输出。然后，开始建立训练网络，设置好一些参数，当满足训练次数和训练精度任意一个时，就可以停止训练，这时网络训练成功。BP 神经网络的参数设置和训练时间如表1所示。加载训练好的BP 神经网络，输入待识别的字符，试验结果表明：此分类器的构建是很有效的，能很快的识别标准的数字，正确的识别出了避雷器的动作次数1773。

表1 BP 神经网络的参数设置和训练时间Tab.1 Parameter setting and the training time of BP neural networks

分析表2，此分类器对于结构特征较明显的识别效果比较好，如数字2、5、7，识别率接近100%。而对于数字0、6、9 这三个数字识别较差，因为这三个数字在结构上相似。算法的识别率不能达到100%是因为在实际应用中，识别系统的识别率与仪表图片质量和图像拍摄质量密切相关，还会受到各种因素影响。识别错误情况：一是一些仪表上的数字存在严重的干扰（如褪色、污染）；二是部分字符的形状相似性。

表2 换流站不同数字仪表的识别结果统计Tab.2 Different digital instrument recognition result statistics in converter station

3.2 指针式泄露电流表识别结果及分析

由于避雷器泄漏电流仪表上除了指针以外，还含有很多复杂的干扰信息，很难提取出感兴趣的指针信息，采用减影法将采集到的仪表图像和指针指向零刻度线的图像进行相减，可以较好的提取出两条指针信息，再将其与指针指向零刻度线的仪表二值化图像取与运算得到待识别的一条指针信息，经过数学形态学膨胀、腐蚀操作，得到图7。

图7 减影法定位指针Fig.7 Position the pointer base on subtraction method

利用改进Hough 变换并运用角度法进行仪表读数确定之前，需要根据表盘实际情况建立角度与读数之间的对用关系（如表3），由表3 知，θ的取值范围是[−53°,67°]，从而设置角度双阈值来减少要计算的像素点，进行Hough 变换后得知θ=51°，所以避雷器泄漏电流大小为0.8。

表3 角度与读数之间的对应关系Tab.3 The corresponding relationship between the angle and reading

图8 检测结果Fig.8 Detection result

为了体现改进Hough 变换较传统Hough 变换算法的有效性，从检测速度和识别精度上验证了它的识别效率。

表4 算法速度对比Tab.4 The speed comparison of the algorithm

由表4 看出，改进的Hough 变换直线检测算法，在直线检测环节比改进前节省了27.17%，整个仪表读数识别时间也缩短了10.55%。

仪表的读数与指针角度具有直接对应关系，以角度作为检测结果能够客观反映算法的精确度。从表5 可知，改进前后算法得出的读数误差基本相同，且相对误差在1%以下。

表5 算法精度比较Tab.5 The accuracy comparison of the algorithm

由表4、表5 可知，改进的Hough 变换算法不但保证了识别精度，而且提高了识别效率。

4 结论

本论提出了一种基于图像的避雷器仪表的识别算法，克服了现有识别方法的缺点，体现出了此算法优越性和创新之处。

1）本文提出了基于透视变换的图像矫正技术将透视畸变图矫正为标准的正视图提高了仪表识别的准确性。

2）采用改进的BP 神经网络，在保持算法稳定的情况下，可以让学习速率随着误差变化量的大小和趋势而更新，从而提高收敛速度，不仅不受噪声和字体大小的影响，而且速度快。

3）改进的双阈值Hough 变换的识读方法在保证了识别精度的前提下，大大地缩减了识读所用时间，实时性显著提高。

本文所讨论的算法简单、实用、执行速度快，有利于实际应用中的实时化要求。通过对换流站仪表的实时监测，不但可以确保电网的正常运行，还解决了人工读数的复杂性，适应了新的电网发展方式。由于提取指针时受光照影响较大，目前该算法还不是很理想，但是这种仪表的识读方法很好的满足了实时性和准确性的要求。

[1]Djapic P,Ramsay C,Pudjianto D,et al.Taking an active approach[J].IEEE Power and Eenergy Magazine,2007,5(4):68-77．

[2]Walling R,Saint R,Dugan R C,et al.Summary of distributed resources impact on power delivery systems[J].IEEE Trans on Power Delivery,2008,23(3):35-68.

[3]Bommareddy C,Makram E,Power quality studies in the presence of DG[C]// Proceedings of the power systema Conference:Advanced metering,Ptotection,Control,Communication and Distributed Resource(PS’06),March 14-17,2006,Clemson,SC,USA:224-229.

[4]韦钢,吴伟力,胡丹云.分布式电源及其并网时对电网的影响[J].高电压技术,2007,33(1):36-40.

Wei Gang,Wu Weili,Hu Danyun.Distributed generation and its impact on the power grid[J].High Voltage Engineering,2007,33(1):36-40.

[5]沈祥,祝项英,金乃正.无人值班变电站远方监控系统的设计和应用[J].电力系统自动化,2004,28(2):89-90.

Shen Xian,Zhu Xiangying,JinNaizheng.Design and application of control and watch systems for keeping watch self-service substation[J].Automation of Electric Power Systems,2004,28(2):89-90.

[6]谷定燮,周沛洪,修木洪,等.交流1 000 kV 输电系统过电压和绝缘配合研究[J]. 高电压技术,2006,32(12):1-6.

Gu Dingxie,Zhou Peihong,Xin Muhong,et al.1 000 kV AC transmission system study on overvoltage and insulation coordination[J].High Voltage Engineering,2006:32(12):1-6.

[7]鲁守银,钱庆林,张斌,等.变电站设备巡检机器人的研制[J].电力系统自动化,2006,30(13):94-98.

Lu Shouyin,Qian Qinglin,Zhang Bin,et al.Deve- lopment of a mobile robot for substation equipment inspection[J].Automation of Electric Power Systems,2006:30(13):94-98.

[8]申小阳,唐铁峻,姜柏军,等.仪表的数字字符识系统[J].仪表技术与传感器,2005:55-77.

Shen Xiaoyang,Tang Tiejun,Jiang Baijun,et al.The instrument digital character recognition system[J].Instrument Technique And Sensor,005:55-77.

[9]Kim J Y,Kim L S.An advanced contrast-enhanc ement using partiallyoverlapped sub-block histog ram equalization[J].IEEE Trans Circuits and Video Tech- nology,2001,11(4):475-484.

[10]李士林,尹成群,尚秋峰,等.基于图像识别理论的混沌特性判别方法[J].中国电机工程学报,2003,23(10):47-50.

Li Shilin,Yin Chengqun,Shang Qiufeng et al.A method of identifying chaotic nature based on image recognition[J].Proceedings of the CSEE,2003,23(10):47-50.

[11]F.Correa Alegria,A.Cruzz Serra.Automatic calibra- tion Anderson of analog and digital measuring instru- ments using computer vision[J].IEEE Transaction on Instrumentation and Measurement,2000,49(1):94- 99.

[12]张宏,李铁桥.指针式压力表全自动检定系统的研制[J].仪器仪表学报,1999,20(4):345-347.

Zhang Hong,Li Tieqiao.Development of pointer type pressure meter automatic verification system[J].Chinese Journal of Scientific Instrument,1999,20(4):345-347.

[13]孙凤杰,郭凤顺,范杰清,等.基于图像处理技术的表盘指针角度识别研究[J].中国电机工程学报,2005(16):73-78.

Sun Fengjie,Guo Fengshun,Fan Jieqing,et al.Study on the ial pointer angle recognition based on image processing technology[J].China Journal of Electrical Engineering,2005(16):73-78.

[14]段汝娇,赵伟,黄松岭,等.一种基于改进 Hough变换的直线快速检测算法[J].仪器仪表学报,2010,31(12):2774-2780.

Duan Rujiao,Zhao Wei,Huang Songling,et al.Fast inedetection algorithm based on improved Houg htrans formation[J].Chinese Journal of Scientific Instrument,2010,31(12):2774-2780.

[15]李小平,曲大成,任江兴,等.车辆牌照识别系统可靠性问题的研究[J].北京理工大学学报,2001,21(1):11-14.

Li Xiaoping,Qu Dacheng,Ren Jiang Xing,et al.Study on the reliability of vehicle license plate recognition system[J].Journal of Beijing Institute of Technology,2001,21(1):11-14.

[16]黄颖怡,汪仁煌,岳利军.机器视觉仪表识别方法的研究进展[J].自动化仪表,2009,30(8):58-60.

Huang Yingyi,Wang Renhuang,Yue Lijun.Research progress of machine vision instrument recognition[J].AutomationInstrumentation,2009,30(8):58-60.