电力系统作业监护中的视频智能分析应用研究

王永辉，朱红岷，赖 峰

(珠海优特电力科技股份有限公司，广东 珠海 519000)

0 引言

采用调控一体化管理模式后，大部分变电站都改造为无人值守变电站，并将原有的集控中心(监控中心)改造为运维中心，负责区域范围内所有变电站的倒闸操作以及设备巡检。变电站管理结构如图1所示。运维中心一般会根据管辖范围大小，配置相应数量的运维人员，在正常情况下，基本能够满足日常工作要求；但当遇到全站检修或多个变电站同时检修等特殊情况时，由于操作任务较多，如果仍按传统的2人(即监护人和操作人)操作模式，运维中心工作负荷较大，可能由于人手不足，导致工作效率低，延长停送电时间，或压缩检修任务工作时间，影响设备及电网运行安全。另外，由于运维中心下辖变电站数量多、分布广，各变电站的设备不尽相同，也给工作人员的巡检工作带来较大的困难。通过革新传统操作方式，比如通过防误电脑钥匙、手持视频终端、巡检仪、智能辅助PDA等简化操作，可在保证操作安全的前提下提高工作效率。但由此出现的变电站手持终端越来越多，造成变电站重复投资，工作人员需学习多种智能设备的使用，会使建设成本、管理成本以及学习成本提高，且可能存在信息孤岛现象，导致管理困难。

现通过集成上述各手持终端功能，开发了变电站单人操作及智能巡检仪系统，如图2所示，在站端或运维中心系统工作站实现数据管理、人机交互、权限管理等系统性功能，还实现变电站业务功能，包括电子操作票、防误以及智能巡检等功能。该手持智能巡检仪终端在保留防误操作钥匙功能的基础上，增加了视频采集、流媒体转发、视频智能分析、语音提示和视频分析等功能，从而实现视频辅助防误、虚拟操作监护、智能巡检等高级应用。视频智能分析服务器对站端多路视频提供实时智能分析和识别服务。视频存储服务器对变电站站端操作过程中的视频数据提供集中存储服务。作为其中一种操作对象，智能压板实时监测压板投退状态，将压板的操作步骤纳入电子操作票中管理，对压板投退正确性进行判断并语音提示。视频智能分析对压板状态进行识别，判断是否操作到位，提供二次确认。

图1 变电站管理结构

图2 单人操作及智能巡检仪系统组成

电力系统运维及作业监护过程中的视频智能分析应用，通过视频图像分析处理技术，实现对操作对象或场景的实时监测；通过视频智能分析服务器，对多路高清球摄像机、枪摄像机实时视频进行分析，可实现站端设备场景的周期性或针对性的巡视功能。通过将此应用集成在手持巡检仪中，可实现巡检作业过程中的目标识别、操作结果确认以及监护人提醒等功能。目前，主要实现的应用包括智能保护压板状态识别、设备/间隔指示牌内容识别、隔离开关/刀闸状态识别以及安全帽佩戴识别。

1 电力系统视频智能分析研究现状

图像处理、计算机视觉等研究领域已经积累了几十年的经验和成果，并且已大量应用在安防、公共交通、公安系统等领域。但由于环境的多样性、复杂性及领域相关目标的特殊性等，目前电力行业的视频智能分析产品仍然有限，没有充分利用最新技术成果为该行业日常管理维护工作带来便利。比如，文献[1]利用金字塔光流法计算图像中的光流值和速度，实现输电导线舞动的自动检测。文献[2]实现了一种变电站防误操作功能，采用Hough变换、字符分割和神经网络等技术对工作间隔的标志牌进行分析识别，以避免工作人员走错间隔。文献[3]提出了一种基于图像平滑、离散小波变换和多级树集合分裂编码算法的电能质量数据压缩方法，提高了数据的信噪比。文献[4，5]则利用安装在杆塔上的摄像机采集的图像，通过图像对比增强、滤波、阈值分割、轮廓提取及LoG边缘检测等方法，计算线路和绝缘子的覆冰厚度，以提供相应的预警机制。文献[6，7]分别利用机载摄像机或固定监控摄像机采集的视频图像，应用颜色直方图统计、形态学连通域等基本方法，对输电线路上的绝缘子进行检测和缺陷分析。文献[8]利用形状特征的模板匹配技术实现了图像中变压器的定位识别。

2 电力系统视频图像分析功能

上述研究分别利用各项图像处理技术对电力系统的不同设备实现了定位、分析、识别等功能，但目标功能基本比较单一，且容易受到各种环境条件限制和影响。针对电力系统作业监护中涉及的相关设备目标，实现了如下视频图像分析功能。

2.1 保护压板投退状态识别

保护压板是一组M行N列的开关矩阵，该识别算法是在现场运维人员人工进行压板投退操作后，通过视频画面的分析，自动识别矩阵中被操作的压板行列位置及其当前的投/退状态。现有的基于图像处理的压板投退识别一般需要标定设置行列数，在压板数量庞大的情况下将极大地增加配置工作。本文提出的保护压板投退状态识别方案仅需选定压板矩阵区域，如图3a所示。矩阵的行列分布由扫描识别自动获取，首先图片经过灰度转换和高斯平滑处理，并进行轮廓提取，所有描绘的轮廓如图3b所示。从图3b中可以看出，每个压板的轮廓都有明显聚集现象，基本上每个轮廓曲线都是非闭合的，而且相互重叠，有很多轮廓曲线来自非压板物体。对于每个轮廓曲线i，计算其最小的外接矩形Ri，选择相应的矩形将其填充：

其中：IRi为矩形Ri对应的图像区域；Wi和Hi为Ri的宽高；Wmin，Wmax，Hmin，Hmax分别为对应宽高的上下限阈值。

式(1)通过排除外接矩形宽高过长或过短的轮廓，并填充剩余外接矩形使有重叠的轮廓合并。如图3c所示已排除压板面板上第1行上方及第2行下方的分割线和画面左上角因视频时间标签产生的大部分轮廓。进一步对合并后的各前景区块计算外接矩形，按宽高排序选取中间1/2矩形，结果如图3d所示。从图3d中可以看出，大部分压板位置可以正确定位，虽然有部分丢失但未识别错误的压板位置。通过连接第1行矩形最高点和最低点，自上而下平行扫描图3d，以压板行间平分空隙作为矩阵的行分割线。同样，通过连接每行第1列矩形左边缘的最左点和最右点，自左向右平行扫描，矩阵列的分割线须满足每一列中出现的压板个数在[0.5, 1+0.5]个宽度之间。最后，若某行存在相邻列间隙大于图3d中压板矩形平均宽度，则插入平均宽高尺寸的压板矩形并均分两侧间隙。

图3a绘制了压板矩阵行列扫描的红色分割线。

当压板矩阵扫描完成后，即可实时监控分析被操作过发生变化的压板位置及其操作后的状态。首先，通过高斯混合模型前景检测方法找到操作后发生变化的图像区块，若检测的前景尺寸跨越多行/列，说明当前操作员仍在场景中，应略过当前帧的分析并暂停更新高斯背景。当操作员离开后，发生变化的压板前景可对比压板矩阵分布，计算其对应的行列位置。而压板的当前状态由其拨片的倾斜度决定，通过Canny和霍夫直线检测指定行列中的最长直线段，通过该直线的斜率和阈值比较判断当前的投/退状态。绿色和蓝色压板行列中检测的压板边缘红色直线如图3a中所示，行列单元格的边框颜色分别指示了该压板当前的投/退状态。

图3 保护压板矩阵扫描及状态识别

2.2 指示牌识别

指示牌识别主要利用光学字符分析技术识别各间隔、设备的标识牌文字(见图4)，用于判断巡检的目标位置、操作的设备是否和巡检任务/操作票等相符，防止走错间隔、漏/误巡视等情况的出现。

图4 指示牌示例

此功能的实现核心是利用开源Tesseract光学字符分析 (Optical Character Recognition,OCR）引擎，该引擎可支持识别多达60种以上语言。Tesseract字符分割和识别主要包括4个步骤：

(1) 分析连通区域，检测出字符区域的区域轮廓和子轮廓，集成为块区域；

(2) 找到块区域，检测出字符轮廓，得到文本行，再通过空格得到单词；

(3) 找到文本行和单词，采用自适应分类器，分析单词，进行再次单词分拆；

(4) 得出(识别)文本，识别含有模糊的空格、笔画高度、小写字母等。

引擎可通过图片编解码器支持各类主流图片格式的识别，如jpg，png，tif，gif以及从摄像头获取的实时视频帧。

图4a对应的文字识别结果如图5所示，可以看出，数字、汉字、英文字母都能准确识别。

图5 指示牌识别结果

2.3 隔离开关刀闸识别

隔离开关刀闸状态分析的算法功能可应用在户外隔离开关和接地柜刀闸的场景中，户外刀闸状态分析判断结果如图6所示。该功能主要通过对指定区域内的直线检测过滤等技术，实现分合状态的判断，可以有2种方式确定待分析的区域：矩形目标区域，或沿隔离开关边缘所作的辅助线。

图6是以所作矩形框方式确定待分析区域，该区域的选择应满足刀闸在分合状态下可见明显内容变化。分析的结果为：当前处于合状态，因为区域内可检测到直线目标。通过直线检测方式，可避免环境光线对画面色彩产生的影响，状态判断更加准确稳定。

在背景比较复杂、干扰较多的情况下，可选用辅助线的方式确定待分析刀闸位置。夜间户外三相隔离开关以及接地柜内的刀闸如图7所示，近似沿刀闸开关边缘作辅助线，通过检测直线与之的夹角、距离是否平行，可以判断当前刀闸的状态。通过三相同时分析，可对分合状态进行多次校验；通过在分合位置分别作辅助线，可对刀闸分合是否到位进行判断。

图6 户外隔离刀闸分合状态分析

图7 夜间户外刀闸、接地柜刀闸状态分析

2.4 安全帽佩戴识别

根据安全规范，在现场作业中运维检修人员都必须佩带安全帽。安全帽佩带识别的核心是对场景内的移动目标进行跟踪。前景移动物体通过高斯混合模型检测，在该模型中每个像素被建模为K个高斯分布的集合，在第N帧上某特定像素的值为XN的概率可表示为：

其中：wj为第k个高斯内核的权重系数；η(XN;θi)是对应的正态分布。

其中：μk为均值；∑K=σ2kl，为第k个内核的方差。K个高斯分布按值wk/σk排序并取前B个分布作为背景模型。

其中：阈值T为背景模型的最小占比，即为场景中出现背景像素的最小先验概率。背景抠除，则计算为标记距离任意一个高斯分布大于2.5倍标准方差的前景像素。

在高斯混合背景模型提取场景内的前景移动目标后，目标表示为各连通图像区域。基于OpenCV的cvBlob算法，可实现在图像序列中同时跟踪多个连通区域，当前帧内各连通区域所属目标由连通区域质心间距、运动方向梯度等信息决定。通过cvBlob算法可对各前景运动物体进行长时间跟踪，并标定每帧中物体的检测位置(见图8)。

图8 运动物体检测

在图8a所示的视频画面中，选定矩形框作为分析区域，图8b为高斯混合背景模型检测的前景检测结果，图8c目标框为利用cvBlob算法目标跟踪识别的前景连通域位置。

在移动目标能准确检测跟踪的前提下，进一步检测安全帽并判断其与移动目标的相对位置，从而识别安全帽是否佩戴于目标顶部位置。安全帽通常以红、黄、蓝、白颜色为主，对视频画面进行HSV颜色直方图统计，并以相应颜色区块的面积、形状信息为辅助，可定位安全帽所在位置。

3 结束语

在电力系统作业监护中，利用各种计算机技术实现自动化管理后，极大减轻了巡检运维人员的工作量和误操作。通过实现基于图像处理的各类智能分析功能，自动监控识别保护压板和隔离刀闸设备状态;识别标识牌文字来定位操作和巡视位置;作业现场实时判断人员是否佩戴安全帽。同时，通过实验分析验证了功能的正确性和有效性。下一步，将发掘更多的视频智能分析应用业务需求，充分利用图像处理领域的相关技术加强电力系统的智能监控方式和自动化水平。

1 黄新波，陶保震，冯 玲．基于光流场的输电导线舞动 监测方法[J]．电力自动化设备，2012，32(7):99-103.

2 乐 健，蔡 伟，靳 超，等．基于图像识别技术的变 电站防误操作系统的研制[J]．电力自动化设备，2011， 31(7):131-135.

3 管 春，周雒维，卢伟国，等．基于图像平滑算法的电 能质量数据压缩方法[J]．电力自动化设备，2011，(8): 77-80.

4 冯 玲，黄新波，朱永灿．基于图像处理的输电线路覆 冰厚度测量[J]．电力自动化设备，2011，31(10):76-80.

5 李福鹏，梁国坚，杜鑫峰，等．基于图像处理技术的险 情识别智能巡检机器人的研究[J]．自动化与仪器仪表， 2017，(6):10-12.

6 林聚财，韩 军，陈舫明，等．基于彩色图像的玻璃绝 缘子缺陷诊断[J]．电网技术，2011. 35(1):127-133.

7 葛玉敏，李宝树，梁 爽．数学形态学在绝缘子图像边 缘检测中的应用[J]．高压电器，2012. 48(1):101-104.

8 张 浩，王 玮，徐丽杰，等．图像识别技术在电力设备 监测中的应用[J]．电力系统保护与控制，2010，38(6): 88-91.