基于机器视觉应用的电力设备识别技术研究

许臻，吴王强，罗雪红，朱大伟，陈相吾

（1.陕西省地方电力（集团）有限公司渭南供电分公司，陕西渭南，714000；2.陕西能源研究院有限公司，陕西西安，710061）

机器视觉技术近年来的迅猛发展，为巡检工作提供了有效的技术支持。众所周知，巡检进程中会生成海量的图像信息，人工检测的力量毕竟有限，难以针对这些海量的图像信息进行筛选，而通过机器视觉技术的应用，能够全面提高信息数据的处理效率，在短时间内寻找到相关的信息内容，以此来针对电力设备进行准确的识别，为故障诊断、处理奠定基础。近年来各种新兴技术的不断应用，机器视觉技术也在这个过程中不断突破，尤其是深度学习、人工智能等新兴技术的应用，机器视觉在各个领域的应用越来越广泛[1]。对电力行业来说，机器视觉是推进电力系统智能化建设的重要技术，基于机器视觉进行电力设备识别，能够为电力系统提供稳定、实时的监测支持，对电力系统安全、稳定运行具有重要的意义。

1 基于机器视觉的图像处理与识别目标提取技术

图像处理技术作为模式识别领域当中至关重要的一部分，其是机器视觉技术应用的基础所在。从当前机器视觉发展动态来看，常用的基于机器视觉的模式识别流程如图1所示。

图1 机器视觉处理流程

从当前广泛应用的图像识别技术来看，具体的识别过程主要包含以下几个部分：首先，图像获取。综合利用各种传感器，如光学摄像机，让系统能够获取与视觉世界完全对应的二维图像信息。其次，图像预处理。系统针对原始图像进行预处理，包括二值化、灰度化、变换、去噪、增强、变换等，使得预处理完成的成像质量可以满足后期各种处理。再者，特征提取。从表面上来看，图像特征呈现为一维的数字向量，而向量当中的数字组合能够针对图片当中的内容进行描述[2]。综合利用几何学、统计学实施处理，选择性提出能够尽可能完整表达识别对象内在特征的相关描述算子，最终获取图像特征向量[3]。最后，识别与分类。通过选择科学的及其学习分类器，针对图片进行分类处理，最终完成图像识别的任务。

■1.1 图像预处理

基于机器视觉应用的电力设备识别技术，图像一般是通过视频采集卡、工业摄像机、光电转换设备等设施进行采集，然后针对相关信息进行储存，抑或是直接同步到远程系统当中。因为电力设备本身所处的外部环境相对较为复杂，各种外部干扰因素，会导致信号传输产生负面影响，导致图像质量受到影响[4]。与此同时，图像采集设备存在问题，都会导致最终图像质量较差，如不良曝光问题、噪点问题等。图像质量过低，不仅会对人类视觉产生影响，对机器视觉同样会造成负面影响[5]。因此，针对图像预处理就成为机器视觉识别的关键所在，综合利用图像去噪，全面提升图像的细节部分，使得信噪比得以显著提升，让图片信息变得更为清晰、干净，为后续机器视觉识别奠定良好的基础。根据当前常用的图像预处理技术来看，主要包含图像灰度化、图像分辨、图像去噪、边缘检测、图像增强、数学形态学处理等。

■1.2 图像特征提取

门型隔离开关位于背景相对较为复杂的变电站环境，变电站内部各式各样的电气设备也非常复杂，同时各个电气设备的外形较为类似，相互之间又存在遮挡现象，导致识别难度非常高。要想满足上述复杂环境下的电力设备识别，首要任务在于针对刀闸实施分析处理，寻找到能够有效描述身份特征的算子，然后实施特征提取[6]。对于该特征算子的要求主要在于两个方面：一方面，选择的特征要可以针对设备进行精准的描述，同时可以与其他电气设备进行区分。另一方面，特征提取必须要满足机器视觉识别过程的实时性要求，同时要能够满足准确率方面的要求。图像特征作为图像内容的一种表达式，其是进行图像识别的重中之重。从当前广泛应用的图像特征来看，主要包含轮廓、颜色、纹理等。

2 基于机器视觉应用的电力设备识别系统设计

为进一步分析基于机器视觉应用的电力设备识别系统，本研究以电气控制柜压板开关状态识别为例进行分析。众所周知，电气控制柜开关作为电力设备当中不可或缺的一部分，实现电气控制柜压板开关状态识别，无疑是基于机器视觉应用的电力设备识别系统全面应用的基础[7]。从基于机器视觉应用的电力设备识别系统所需的设备来看，主要包含图像处理器、光源、镜头等，详细设计方案如下：

■2.1 基于机器视觉应用的电力设备识别系统架构

基于机器视觉应用的电气控制柜压板开关识别系统主要包含图像采集系统、目标开关位置识别、状态识别算法等功能，详细结构如图2所示。

图2 电气控制柜压板开关识别系统架构图

2.1.1 图像信息采集与开关信息收集

针对电气控制柜压板开关进行图像数据采集通常可以引入两种方案：其一，基于导航机器人完成自动采集，通过在电力柜前方进行机器人导轨的安装，同时为机器人设置监测相机，基于实时拍摄模式来获取相关数据，最终利用网络将对应的信息传输到机器视觉处理器。另外一种则是直接利用智能前端采集数据，通过在智能前端中植入机器视觉技术，通过前端处理以后将对应的信息传输到系统。

2.1.2 开关位置监测与状态识别

电气控制柜压板开关识别系统获取的信息当中不仅包含开关，同时也包含标签信息。从当前较为主流的目标监测算法来看，当前都是基于深度学习模型来建立机器视觉，通过卷积神经网络针对电气控制柜压板开关图像的对应特征图进行识别，接着通过上述特征图实施分类处理，使得开关状态识别任务能够直接转化为二分类任务[8]。

2.1.3 后期结果处理及报警

基于机器视觉应用的电力设备识别技术研发，主要目的在于针对人力成本进行有效的控制，同时提升电力设备识别的精准度。因此，对于基于机器视觉应用的电气控制柜压板开关识别系统来说，后期结构处理及报警同样是至关重要的环节，系统需要根据监控获取的图像信息进行综合判断，以此来进行结果处理。基于机器视觉应用的电气控制柜压板开关识别系统进行结果处理的第一步任务在于去重，接着实施排序操作处理，分贝将识别结果与电控制柜上面的开关进行对应。去重的主要目标在于获取检测结果的欧氏距离，基于经验闭值的设置，判断两个检查结果之间是否存在重复问题，最终保留目标预测概率相对较大的检测结果。倘若漏检的比例高于提前设置的阈值，即证明该次识别结果无效，应当再次进行识别。系统最后将排序结果与开关识别进行融合之后，将相关信息传输到系统当中，保障系统设置与处理结果之间能够保持一致，倘若存在偏差，系统可以直接进行报警[9]。

■2.2 目标开关位置识别

针对目标开关位置所进行的识别涉及以下两个流程：其一是针对目标开关实施定位；其二是针对目标开关状态实施监测识别。基于机器视觉应用的电气控制柜压板开关识别系统，主要是采用RPN网络，其可以划分为卷积神经网络、RPN网络，卷积神经网络的作用在于针对图像特征图进行提取输入，RPN网络则是针对提取完成的特征图实施区域监测。综合参考基于机器视觉应用的电气控制柜压板开关识别系统，可以设定5层卷积输出大小为39×39×256的特征图，最终保障系统整体的识别质量。

■2.3 目标开关状态识别

正如上文所述，基于机器视觉应用的电气控制柜压板开关识别系统主要是利用二分类卷积神经网络完成识别，最终利用模型参数的完善，针对开关状态进行准确的判断。因此，对于目标开关状态的识别，主要流程如图3所示。

图3 电气控制柜压板开关状态识别流程

2.3.1 训练样本集制作

图像分类是针对开关状态进行识别的先决条件，图像分类当前是参考已经给定的图像属性级别开展计算工作，因为电器柜压板排序多个开关目标，必须要利用计算法把不同排列方向的开关实施定位分割处理，并将其作为卷积神经网络的输入。实际在图片分类方面能够把断开状态的图片用“0”进行开头，闭合状态的开关图片则用“1”表示。在此基础上，为进一步保障识别的精准度，还应当尽可能采集多个光照、多个角度的图片信息。

2.3.2 开关状态识别网络模型

为针对模型本身的准确性进行检验，可以选择1000张开关图片当中训练集，当中闭合与断开图片完全相同，采用SGD（Stochastic Gradient Descent）作为训练的优化算法，相应的学习策略制作为步进学习，基础学习率设置为0.01，每历经300个迭代次数，基础学习率减小一个数量级，最终选择CPU模式针对神经网络进行训练。此外，为进一步机器视觉识别系统的智能化程度，还可以将深度学习融入到系统中来，通过基于变换色彩空间训练集的深度学习训练，进一步提升系统的灵敏度、精确度，并在能够在不断应用的过程中提升系统的智能化水平[10]。

3 结语

图4 基于变换色彩空间训练集的深度学习流程

市场对电力供应的需求、稳定性呈现为不断增长的趋势，变电站数量也呈现为逐年增长的势头，对电力设备稳定性的要求越来越高。电力设备故障诊断作为保障电网稳定运行的基础性工作，面临不断增长的电力设备与变电站，电力设备故障诊断正在面临巨大的挑战。传统人工巡检本身的工作量大，同时管理成本相对较高，尤其是面临当前日益复杂的电力系统，传统人工诊断模式显然已经无法满足需求。机器视觉技术、人工智能技术、深度学习技术的不断发展，为电力系统智能化管理提供了有效的支持，基于机器视觉应用的电力设备识别技术，能够进一步提升系统识别的智能化水平、自动化水平，实现远程识别、远程监控、智能处理的目标，为电力行业高质量发展奠定良好的基础。