基于机器人视频监控的变电站多维巡检技术研究

曾 林，高彦波，王胜涛，徐燕宁，朱俊飞

（1.国网台州供电公司，台州318000；2.国网浙江台州市黄岩区供电有限公司，台州318020；3.国网浙江玉环市供电有限公司，台州318000）

目前，研究变电站多维立体协同巡检技术，在变电站的运维管理中具有重要意义，相关的变电站多维立体协同巡检技术研究受到人们的极大关注[1]。变电站多维立体协同巡检的设计建立在对变电站的运维信息特征分析基础上，结合视频特征分析技术，采用信息化特征提取和视频监控识别的方法，实现变电站多维立体协同巡检[2]。

传统方法中，对变电站多维立体协同巡检的方法主要有基于机器视觉特征分析的变电站多维立体协同巡检方法[3]、基于信息度特征提取的变电站多维立体协同巡检方法[4]，以及基于智能PID控制的变电站多维立体协同巡检技术等[5]，然而传统方法对变电站多维立体协同巡检的智能性不佳，视频识别水平不高。故在此提出了基于机器人和视频监控的变电站多维立体协同巡检技术，在原有的研究资料和文献的支撑下，解决上述传统方法存在的问题，实现对变电站多维立体协同巡检。

1 视频信息采集和模糊度辨识特征量提取

1.1 视频信息采集

为实现基于机器人和视频监控的变电站多维立体协同巡检，首先利用机器人实现视频信息智能采集，根据采集结果进行DSP 集成信息处理，通过人机交互接口实现对巡检信息的人机交互设计，并设计数据存储模块和GUI 人机交互模块[6]。根据上述分析，得到变电站多维立体协同巡检的视频信息采集模型如图1所示。

图1 视频信息采集模型Fig.1 Video information acquisition model

在图1所示的视频信息采集模型中，利用单帧向量融合方法，构建视频信息分帧模型[7]，得到视0频图像采集的边缘模糊度信息分量Ω为

式中：hj（x）为视频信息分帧模型；j为帧数。基于模糊粗糙集理论构建变电站巡检的仿真场景模型，结合视频在线融合方法及机器人识别技术，实现变电站多维立体协同巡检的图像跟踪和信息融合处理[8]，得到变电站多维立体协同巡检的传播距离和散射系数分布强度为

式中：t为变电站巡检时间；ln b为变电站巡检的图像跟踪和信息融合函数。根据变电站巡检的自适应跟随参数模型，得到变电站巡检的散射强度信息分量α。利用规则形状融合和智能识别的方法，得到变电站巡检的点目标重构模型为

根据上述分析，利用机器人实现变电站巡检的视频信息智能采集，对采集的视频图像信息进行信息融合和智能参数识别[9]。

1.2 模糊度辨识特征量提取

在变电站巡检图像的分解过程中，采用频域滤波分析的方法[10]，得到变电站巡检的主成分特征值为

式中：β为频域滤波系数。利用合适的融合规则对变电站巡检视频监控图像进行协同滤波，Xm，n为（m，n）位置处像素点的各成分分量，得到变电站巡检的模态分量为

在迭代和筛选过程中，建立变电站巡检的视频监控模型，在N×M 维空间中采用机器人识别技术，得到变电站巡检的局部极大值点分布为

式中：λ为机器人识别次数；x为变电站巡检视频图像信息。结合智能识别方法，得到变电站巡检的特征匹配集。利用相应的滤波器得到视频监控信号滤波，建立变电站巡检的主成分融合模型，得到主成分分布的特征量为

在视频图像中提取模糊度辨识特征量后，结合空间区域融合滤波的方法，实现变电站多维协同控制和巡检的图像特征分析[11]。

2 变电站多维协同巡检优化

2.1 视频监控和机器人自动控制模型构建

在变电站巡检过程中，利用机器人视频跟踪和信息识别技术，并结合模式识别方法，提取视频图像中的关联特征量，得到图像像素模糊度生成序列为

式中：1，2，…，I为视频监控的角点信息。结合多维参数识别技术，得到变电站多维立体协同巡检的自相关特征量为

式中：f（x）为变电站多维立体协同巡检滤波器组频率参数；φ为调幅-调频成分；y为变电站多维立体协同巡检的视频融合参数；ε为图像的频谱信息。

采用一维经验小波生成算法对视频监控图像进行计算，得到变电站巡检视频图像融合的学习迭代步数为

式中：δ为视频监控图像的边缘分布阈值。使用行滤波器并结合特征识别方法，得到变电站多维立体协同巡检的子带图像为

式中：Gj（x）为子带图像信息分帧模型。根据多个高频子带图像的滤波结果，构建视频监控和机器人自动控制模型，提高变电站多维立体协同巡检的自动化控制能力。

2.2 可靠性视觉跟踪识别模型构建

在机器人视觉的辅助下，构建可靠性视觉跟踪识别模型。变电站巡检过程分量为J，结合多模态融合识别方法，得到变电站多维立体协同巡检的演化特征量为

构建变电站巡检视频监控的稳态特征分布集，得到边缘像素分布像素值。构造变电站巡检视频监控图像的相似度特征分辨模型，结合像素分布矩阵实现变电站巡检的三维视觉重建[12]，两幅源图像整体轮廓信息为

式中：θ为相似度特征分辨值；ω为重建次数。设置灰度像素集，根据各分量的融合结果，得到深度学习迭代式为

式中：η为边缘亮度；φ为稀疏特征分量；s为源图像的细节信息；u为子带信息。根据上述分析，构建可靠性视觉跟踪识别模型，实现对变电站多维立体协同巡检。

3 仿真测试分析

为验证本文方法在实现变电站多维立体协同巡检中的应用性能，进行试验测试分析，结合Visual C++和MatLab 进行变电站多维立体协同巡检的仿真测试和算法设计。对变电站多维立体协同巡检视频监控信息采样的时间间隔为0.45 s，融合背景先验特征分布强度为25 dB，机器人视觉信息跟踪的帧长度为800，多维立体协同巡检的块匹配大小为1212，相似度系数为0.34，梯度系数为0.18。根据上述参数设定，实现变电站多维立体协同巡检仿真，变电站巡检环境仿真如图2所示。

图2 变电站巡检环境仿真Fig.2 Substation patrol environment simulation

根据图2的采样结果，为证明所提方法的应用效果，对比本文方法、文献[3]提出的基于机器视觉特征分析的变电站多维立体协同巡检方法、文献[4]提出的基于信息度特征提取的变电站多维立体协同巡检方法的输出结果，得到变电站多维立体协同巡检输出对比图，如图3所示。

图3 变电站多维立体协同巡检输出结果Fig.3 Output results of multi dimensional and three dimensional collaborative inspection in substation

分析图3得知，本文方法的巡检图像输出准确率达到92%以上，高于文献[3]和文献[4]方法；在机器人视觉的辅助下建立的可靠性视觉跟踪识别模型，使故障特征点定位跟踪识别能力得到有效提高，变电站多维立体协同巡检的可靠性更好，提高了对变电站的视觉故障跟踪识别能力。

采用不同方法实现变电站多维立体协同巡检，得到对比结果见表1。由表1分析可知，本文方法实现变电站多维立体协同巡检的定位精度较高，巡检能力较好。

表1 不同方法的定位精度对比Tab.1 Comparison of positioning accuracy of different methods

4 结语

在变电站的运维管理过程中，结合在线视频监控技术，实现变电站智能巡检，提高变电站的运维管理能力，提出基于机器人和视频监控的变电站多维立体协同巡检技术。根据视频信息的采集结果进行DSP 集成信息处理，通过人机交互接口实现对巡检信息的人机交互设计，利用频域滤波分析方法，得到变电站巡检的主成分特征分量，结合模式识别方法，提取视频图像中的关联特征量，构造视频监控图像的相似度特征分辨模型，构建可靠性视觉跟踪识别模型，实现多维立体协同巡检。分析得知，本文方法对变电站多维立体协同巡检的智能性较高，稳定性较好。