变电站巡检机器人保护装置识别关键技术研究

徐 波，张立群，刘朝欣

（国网江西省电力公司检修分公司，江西 南昌 330000）

0 引言

设备巡视作为变电运行维护常规工作之一，是工作人员掌握设备运行状态信息的重要途径，有助于评估设备状态、发现运行缺陷、进行缺陷管理，对确保设备连续安全运行具有十分重要的意义。

变电站机器人巡检技术是指将移动机器人应用于变电站环境，基于红外、可见光相机等获取设备红外热图、图像信息，基于智能分析算法自动识别设备状态，代替人工实现变电站设备状态的自动检测与预警分析［1］。与传统的人工巡视相比，机器人巡视具有以下优点：机器人巡视可以减轻运行维护人员工作负担，提高人员劳动效率，有利于运行维护一体化工作的开展；机器人巡视符合变电站无人值守技术的发展趋势；机器人的巡视质量较高，覆盖面较广，不受人员主观因素影响，且随着技术水平的提升，巡视质量可以进一步提高。当前，变电站巡检机器人主要是应用在变电站室外一次设备巡视方面，效果显著。以某500 kV变电站为例，巡检机器人一次设备识别率已达到99%以上，可以有效减轻运维人员负担，提高巡视质量。

然而，巡检机器人在保护装置巡视方面的应用较少，由于环境因素、识别算法、硬件配置等原因，变电站巡检机器人现阶段采集到的图像分辨率较低，无法分辨图片中物体的颜色，无法识别灯光等信号，因此尚没有在现场应用巡检机器人进行保护装置巡检的先例，从而限制了巡检机器人在变电站中的应用，不能实现机器人对全站设备的全覆盖，更不能满足变电站无人值守技术的发展要求。

基于以上情况，就变电站巡检机器人对室内保护装置巡视功能开展研究，针对压板、二次空气开关和指示灯3个主要反映保护装置实际运行状态的基本要素的识别方式，分别提出基于颜色特征对图像识别算法、多特征识别算法和基于灰度处理的图像阈值分割方法，以解决变电站巡检机器人对保护装置识别率低的问题，填补机器人对保护装置巡视技术方面的空白，深化机器人巡视技术的应用，适应未来无人值守变电站的发展要求。

1 保护装置状态识别方法

变电站巡检机器人保护装置识别技术，最重要的是对保护装置状态信息进行采集及分析处理，以实现对保护压板、二次空气开关、装置指示灯的识别。

变电站巡检机器人对保护装置进行信息采集，而后将巡检数据进行分析后反馈给运维人员，从而完成对保护装置的巡检任务，因此需要制定一个状态识别方案来实现变电站机器人智能识别保护装置。

由于机器人及其监控后台只能通过分析图像数据来识别保护装置状态，因此解决保护装置压板、二次空气开关、指示灯的识别问题，必须要涉及图像识别领域。图像识别，即图像的模式识别，是模式识别技术在图像领域中的具体应用，是对输入的信息建立图像识别模型，分析并提取图像的特征，然后建立分类器，根据图像的特征进行分类识别的一种技术［2］。根据图像提取方法的不同，图像识别可分为基于复杂模板智能的图像识别、基于简易计算智能的图像识别、基于感知智能的图像识别［3］。通过对以上3种方法的比较，为了降低成本，提高智能化程度，提升对保护装置识别率，增强保护装置巡检时效性，提高可靠性，实现对继电保护装置识别技术，选择智能化程度一般、识别率较好、时效性一般、成本低的基于简易计算智能的图像识别方法。

1.1 保护压板识别方法

考虑到保护压板颜色、形状各不相同，无法进行直接识别。因此，提出一种改进压板识别方案，即在压板上下两端贴绿色贴纸，在压板中间贴黄色贴纸，通过提取压板颜色特征进行识别。

基于颜色特征对图像进行识别，包括以下3个步骤：

1）选取合适的颜色模型，即选择颜色空间坐标系，如RGB颜色空间、HSV颜色空间等；2）选取有效的特征提取方法，即选择有效的算法，将图像的颜色特征与空间特征进行量化，从而进行比较；3）选取准确的特征匹配算法［1］，即选择相似度算法，计算图像之间的相似度。

针对步骤1），常用的颜色空间坐标系主要是RGB颜色空间和HSV颜色空间［4］。RGB颜色空间的模型是对采集到的图像中单个像素点输出RGB（RED、GREEN、BLUE）值，通过matlab等软件准确读出每一个x、y坐标下的RGB分量值，并输出一个数据表。但是，RGB颜色空间算法存在较大的弊端，一个像素点中的RGB值可能存在重合，仅依靠RGB颜色空间算法不能很好地对图像进行特征处理。

因此借用另一种颜色模型—HSV颜色空间模型［5］。HSV颜色空间模型与RGB不同，其根据色泽、明暗和色调来定义颜色（HUE，SATURATION，VALUE），更适合基于机器视觉的颜色表达。由于亮度在变电站巡检机器人识别保护装置的图像特征提取过程中影响甚微，因此只提取H、S分量，RGB到HSV的转换过程如下：

式中：θ为中间变量，无量纲；H、S分别为 HSV颜色空间模型的色调和饱和度；G、R、B分别为绿、红、蓝3 分量像素值；min（R，G，B）为 R、G、B 3 个分量中的最小值。每个颜色分量包括3个颜色矩，转换为H和S两分量共能得到6个特征向量。

图像识别的上述3个步骤之中，采用颜色直方图算法［3］，通过描述不同色彩在整个图像或单个颜色区间所占的比例，即在所选区域中出现的颜色以及各种颜色出现的概率。该方法适用于具有3种确定的颜色贴纸的压板状态识别。

1.2 二次空气开关识别方法

针对二次空气开关断开、闭合状态下颜色、形状特征不明显的情况，在空气开关手柄上增加红色贴纸，来进行辅助识别。当空气开关为闭合状态时，无法看到红色贴纸；当空气开关为断开状态时能够看到红色贴纸，故可通过红色在把手处所占的比率，来判断空气开关的状态。多特征识别算法是用颜色矩方法提取其颜色特征向量，提取其形状特征向量，然后对颜色特征向量和形状特征向量分别赋权值，进行加权运算，组成一个新的特征向量，以此来实现目标的识别，由于图像的颜色信息主要集中在低阶矩中，因此利用颜色的一阶矩、二阶矩和三阶矩可以完全表征图像的颜色分布［6］。其中，一阶矩表达了图像的均值信息，也就是图像的整体概况；二阶矩表达了图像的方差信息，即图像细节变化情况；三阶矩表达了图像的斜度信息。图像颜色的3个低阶矩分别为：

式中：Pxy是指图像中第y个像素的第x个颜色分量，μx是指第 x个颜色分量的一阶矩，σx是指第 x个颜色分量的二阶矩，Sx是指第x个颜色分量的三阶矩。

1.3 指示灯识别方法

由于装置指示灯在不同状态下，亮度、颜色的差异会比较大。因此，采用优选法进行分析，根据所选特征量的不同，指示灯识别算法主要分为基于模糊度阀值的图像分割方法、基于彩色度的图像识别方法和基于灰度处理的图像阈值分割方法［7］。

基于灰度处理的图像阈值分割方法，其关键判据是最大类间方差。最大类间方差是统计模式识别中一种用于自动无参数无监督聚类的重要依据，基于最大类间方差的图像阈值分割方法由日本的著名学者大津展之提出，称为最大类间方差方法（OTSU）［8］。该方法将原始图像依据其灰度分为目标和背景2个类，并使其类间方差最大化。从统计模式识别的角度来说，该方法产生的阈值能够使类间方差最大化，因而从类间方差的角度来说其产生的分类是最优分类。

输入图像，指示灯行数为2，列数为16，矩形区域如图1所示，此时的status为全0的2行16列状态表格，则可得到初步的指示灯网格高gridH=2和网格宽 gridW=16。

图1 指示灯矩形区域

将彩色图像转换为灰度图像，如图2所示。

图2 灰度图像

统计灰度图像的直方图，实际上就是计算直方图的灰度均值、方差，得到初步分割的OTSU阈值，再以此阈值将直方图分成2部分，对每部分再次计算直方图的灰度均值和方差，得到每部分的OTSU阈值，迭代此计算过程，从而得到可对灰度图像最佳分割的多个阈值，利用这些阈值得到初步的亮灯区域和暗灯区域［10］，如图 3 所示。

图3 初步的亮和暗灯区域

根据初步暗灯区域的目标点（白色）及其8邻域［9］，寻找暗灯区域图像中的连通区域，对于每一个目标点，搜索顺序如图4所示。将连通区域按照面积大小进行排序，筛选出暗灯区域图像中面积和外接矩形长宽均在阈值范围内的连通区域。同理，对初步亮灯区域也进行如上所述的相同处理。根据亮灯区域和暗灯区域中面积最大的连通区域的外接矩形，判断分割出的暗灯和亮灯是否与背景连成一片。若暗灯区域与背景连成一片，则清空暗灯区域的连通区域，对亮灯区域的连通区域进行筛选，仅保留面积1＜area＜gridH×gridW的连通区域。若亮灯区域与背景连成一片，则清空亮灯区域的连通区域，对暗灯区域的连通区域进行筛选，按面积大到小，筛选出前2×16个连通区域。若亮灯和暗灯区域与背景均不连成一片，则将两者的连通区域叠加，按面积大到小进行排序，筛选出面积在1＜area＜gridH×gridW范围内的前2×16个连通区域。计算每个连通区域的质心和所在区域的索引，根据最小二乘法拟合，更新连通区域所在矩形区域的坐标及长宽，得到每个指示灯所在的区域［10］。

图4 8邻域及搜索顺序

对初步的亮灯区域计算其连通区域的质心和所在区域的索引，筛除面积过小及质心与所在区域中心较远的连通区域，筛除后，若所在区域存在连通区域，则status为1，结果lightStatus为1。lightStatus为0表示亮灯区域与背景连成一片。同理，对暗灯区域进行相同的处理，但需对其status进行反转如图5所示，更新后的矩形区域，将指示灯区域分成多个小块，对每一小块的灰度图像再次进行一次OTSU分割，筛选出分割后面积最大的连通区域，若亮灯连通区域的质心在暗灯连通区域的内部，则status为1。此处，原始程序分割时采用的是灰度图像，改进后利用彩色空间，结果localStatus，最终的status为light-Status、darkStatus、localStatus 的“或” 结果，status 为1，则代表该区域有一个亮的指示灯，实现对保护装置指示灯的图像识别，将图像信息转换为数字量，传至监控后台对信息进一步分析处理。

图5 显示结果

2 方法验证

2.1 基于颜色直方图的压板识别能力分析

基于颜色直方图的压板识别算法实施流程如图6所示。在本地监控后台开发了识别软件，进行240次试验，得到压板识别率过程能力如图7所示。由图7可知，该直方图图形近似对称分布，为正常型直方图，可判定工序运行正常，处于稳定状态，TU=100，TL=96.2，标准差σ=0.531 3，过程能力指数=1.19，1.33＞1.19＞1， 工序等级为 2级， 过程能力尚可，可以判定压板识别率处于稳定状态。机器人保护压板识别率达到了98%以上，且效果稳定。

图6 压板识别方法实施流程

图7 压板识别率过程能力

2.2 融合颜色和形状特征的多特征识别能力分析

融合颜色和形状特征的多特征识别算法实施流程如图8所示，然后，在本地监控后台开发了识别软件，进行了240次试验，得到空气开关识别率过程能力如图9所示。该直方图图形近似对称分布，为正常型直方图，可判定工序运行正常，处于稳定状态，TU=99.5，TL=97，标准差σ=0.411 2，过程能力指数GP==1.13，工序等级为2级，过程能力尚可，可以判定空气开关识别率处于稳定状态，机器人二次空气开关识别率达到了98%以上，且效果稳定。

图8 空气开关识别方法实施流程

图9 空气开关识别率过程能力

2.3 基于灰度处理的图像阈值分割能力分析

基于灰度处理的图像阈值分割方法实施流程如图10所示，然后，在本地监控后台开发了识别软件，进行了100次试验，得到指示灯识别率过程能力如图11所示。该直方图图形近似对称分布，为正常型直方图，可判定工序运行正常，处于稳定状态，TU=99.8，TL=97，标准差σ=0.5313，过程能力指数GP==1.10，工序等级为2级，过程能力尚可，可以判定指示灯识别率处于稳定状态，机器人装置指示灯识别率达到了98%以上，且效果稳定。

图10 指示灯识别算法实施流程

图11 指示灯识别率过程能力报告

3 现场验证

在500 kV变电站对机器人巡检保护装置的功能进行了现场试验，通过在本地监控后台对机器人下发巡视任务，由机器人自主完成整个巡视过程，并将巡视结果反馈至本地监控后台。

在试验阶段的720多次结果中随机抽取样本，抽取100次巡检结果绘制机器人巡检保护装置的识别率试验结果折线图，如图12所示。

试验结果表明，机器人巡检保护装置的识别率达到A级标准（98%以上），机器人巡检机器人智能识别保护装置，可以减轻了运维人员的工作负担，有利于运维一体化工作的开展。此外，巡检机器人可以对事故快速响应，有利于事故处理，减小损失。

图12 保护装置识别率试验结果

4 结语

对变电站巡检机器人及巡检后台进行改进，利用图像识别算法，实现了巡检机器人保护装置识别，且识别率达到98%以上，将为变电站保护装置识别提供理论依据与数据支撑，实现变电站巡检机器人人工替代，减轻运维人员工作负担。该算法对保护装置指示灯的颜色仍旧存在适应性问题，针对不同颜色的指示灯必须使用不同的算法［10］，导致实际应用中有诸多不便，需进一步对算法进行深入研究。