基于特征匹配的高压断路器指示灯图像识别*

刘 艳, 李 昌

0 引 言

随着大数据与人工智能时代的到来,变电站作为电力资源的输送纽带,其智能化建设的步伐也倍道而进[1]。智能变电站正在从原来由监控人员负责值守的监控中心逐渐向无人值守的智能监控转换。目前,在智能监控的变电所内,使用辅助监控系统或巡检机器人[2]收集各种不同智能化设备通过网络传递过来的关于环境、设备(如照明设备)等的监测数据,从而实现远程遥控、视频追踪调度等功能。此外,辅助监控系统或巡检机器人还可以辅助实现安全防护报警、门禁管理等智能化建设,有效地预防了事故的发生,保障了财产安全,保证了系统的稳定运行,从整体上把变电站的安全防范技术水平提升一个层次。

在智能化变电站内,为减少因误操作所带来的人员伤亡和财产损失,文献[3]将图像识别技术应用于智能化检测系统中,研制出一种防误操作系统。结果表明,在智能化检测系统中采用图像识别技术可以有效地降低变电站内的错误操作,提高变电操作的安全性。

在图像识别技术的应用中,智能化检测系统的有效性受图像特征提取质量的制约。文献[4]为准确地提取出远离分类边界的特征,提出了一种能有效地降低误差值的“基于对抗正则化的图像特征提取方法”。在样本有限的前提下,为了得到较好的训练模型,文献[5]提出基于随机掩码构造对应的缺失-完整数据方法,并将真实数据集与合成数据集相结合,采用交替训练模型的策略,解决了因配对“缺失-完整”RGB-D数据集不足而无法对端对端深度图像补全模型进行训练的问题。

为提高图像识别效率,文献[6]在服务器中用包含大约五千张图片建立了一个数据集,采用精度较高的目标识别算法,实现了智能视频机房监控,极大地提高服务器检测的准确率。文献[7]利用图像处理相关算法对产品界面进行灰度化、中值滤波、二值化等预处理,有效地增强了目标区域。

高压断路器是高压电路的重要元器件,其开、合状态控制着高压电路的运行。文献[8]采用SIFT、Hough变换、k-NN等算法,研发了一种能自动识别断路器、隔离开关开、合状态的专用智能机器人,并通过在机器人上安装雨刷和使用图像增强算法等,在很大程度上解决了由于天气恶劣等环境因素所导致的断路器、隔离开关的图像失真问题。文献[9]为处理图像失真,提出图像增强的方法。先用多尺度Retinex算法提高图像的清晰度和对比度;再使用二维最小误差法提取能够进行灰密程度判别的特征;最后,利用神经网络做出仿真预测。文献[10]提出模板匹配进行定位的方法,解决了绝缘子图像偏移问题。文献[11]将红外和可见光的图像像素叠加合并,实现设备的预警监视。在断路器识别方面,采用几何特征算法,把断路器分合状态指示牌提取几何特征,进行训练图片和验证图片,采用二值灰度构造方法对实时图片进行在线实时识别[12]。

本文选取的断路器指示灯图片来源于运行中的铁路变电所运行巡检,识别对象为高压室的断路器分、合指示灯,对视频巡检过程中位置和角度有一定要求,在图片中的位置尽量居中,易于图片的匹配及定位。工程中通常多个指示灯像素总和不小于图片总像素的30%,并且每个图片需要识别的指示灯不多于10个。本文首先挑选一组图片来切割出对象的区域,划分出边界;然后用部分历史图片,采用6值灰度构造方法,构造图片的色彩特征,对不同情况下的图片进行特征采集、分类,得到专家知识库,作为图片识别的判断依据。最后,根据专家知识库,对实时图片进行在线实时识别。算例采用某铁路牵引变电所的无人值守变电所数据,进行断路器分、合状态的图像识别,在识别率及效率方面进行了分析。

1 断路器状态模型

变电所巡视过程中,会产生大量的图片,把视频巡检图片划分为3类:指示灯参考图片、形成知识库的训练图片、六值方法检验图片。

参考图片只需要一张,选择白天气象环境良好情况下的图片,该图片质量较好,清晰,没有背光及其他光源反射、遮盖、角度太偏等异常情况,根据识别需要,把图片的多个断路器指示灯按照位置进行编码,记录图片断路器指示灯坐标信息及图片颜色明亮对应分合信息。

Tgre=(Zrect,RGB)

Zrect=Z1(x1,y1)→Z2(x2,y2)

RGB=(R,G,B)

R=H(r(i,j),m,k)i∈m,j∈k

G=H(g(i,j),m,k)i∈m,j∈k

B=H(b(i,j),m,k)i∈m,j∈k

(1)

式中:Tgre——参考图片断路器指示灯信息;

Zrect——包含识别指示灯的矩形区域;

Z1(x1,y1)、Z2(x2,y2)——两个坐标顶点;

RGB——颜色信息,由R、G、B三色组成,R、G、B由Zrect内所有像素点的三色平均值计算出。

r(i,j)、g(i,j)、b(i,j)——Zrect内像素点(i,j)的三色值;

m、k——区域x、y方向的像素最大值;

H(·)——六值灰度函数。

形成知识库的训练图片需要20～50张,可以根据需要选择多种气象、多种温/湿度、多个时间段及是否辅助照明等多条件下的样本,根据参考图片信息,标注出训练图片断路器指示灯的状态,映射指示灯RGB颜色信息。

(2)

式中:Fcolor——断路器指示灯分割区域颜色特征信息;

Flag——断路器指示灯状态信息,有两种状态:open、close;

Ttrain——知识库的训练图片断路器指示灯信息。

Fcolor有F1～F6共6个值,分别对应分割区域的灰度六值。

六值方法检验图片需要多张,选择方法同训练图片,在多种温/湿度、气象、时间及是否反光等多条件下计算断路器指示灯图片颜色特征,根据专家知识库信息,识别出验证图片断路器指示灯的状态。

(3)

式中:Siden——六值方法检验图片断路器指示灯信息;

rState——断路器指示灯识别状态信息。

Flag和rState都有分、合两种状态。Fcolor有F1～F6共6个值,分别对应验证图片分割区域的灰度六值,如果识别值rState等于图片的当前Flag值,证明有效性,否则需要调整知识库。

2 图像识别数学模型

为了识别高压断路器指示灯的分、合状态,首先选取参考图片确定特征区域,然后在特征区域中找到特征点,再根据特征点确定识别区域,最后使用本文所构建的六值灰度算法及其对应的目标函数完成图像识别。

2.1 识别区域选择

同一图片可能有多个识别区域,而每个识别区域则对应一个特征区域。高压指示灯参考图片如图1所示。图1(a)参考图片中有4个指示灯需要识别,对应就要圈出4个特征区域。由于4个特征区域的选择方法相同,这里仅以第一个指示灯的特征区域为例,如图1(b)。

图1 高压指示灯参考图片

2.2 六值灰度算法

实际应用中,通常采用二值灰度算法进行图像识别。为了能够在不同环境下准确地识别出指示灯的分合状态,本文采用六值灰度算法。

(4)

式中:n——灰度区间的数量;

η——区间的最大颜色差异值;

R、G、B——当前像素点(x,y)的三色灰度值落入的区间序号[0,n-1];

λ1、λ2、λ3——点(x,y)的三色灰度区间值的调整系数;

H(x,y)——像素点(x,y)的六值灰度函数;

RGB(r,g,b).r——识别区域的像素点(x,y)的r值;

RGB(r,g,b).b——识别区域的像素点(x,y)的b值;

RGB(r,g,b).g——识别区域的像素点(x,y)的g值。

2.3 目标函数

计算识别区域中各个像素点的H(x,y)值,根据H(x,y)值的大小放入灰度区间数组num中。映射关系为

num(i)++if(H(x,y)==i+1)

i,j∈[0,5]

(5)

n=6时,各个灰度区间的像素点必将落入数组元素num(i)中。然后,根据num数组结果对n个元素进行拟合,最终建立目标函数F(t)为

(6)

式中:Ai——各灰度区间像素点个数num(i)在整个识别区域中所占的比例;

F(t)——当前t时刻识别区域的目标函数值。

2.4 图像训练

选取不同时间、不同环境(包括反光、灯照、干扰等)下指示灯分、合的训练样本图片若干,得到若干个F(t),并且标记训练图片的断路器分、合状态State。

2.5 图像识别

读取验证图片,在其特征区域内找到特征点,并根据特征点确定识别区域。再使用式(4)与式(6)计算出识别区域的目标函数值F(t),并通过2.4节训练结果来分析当前断路器指示灯的分、合状态。

3 算例分析

算例选自于合安新建高铁某牵引变电所的1#进线高压柜指示灯,如图1。

3.1 图片介绍

图1中的1#进线高压柜有红、绿、白、黄共4种指示灯,实际工作中,通过指示灯的明暗来判断高压断路器的分、合状态,即指示灯亮表示高压断路器处于闭合状态,指示灯暗表示高压断路器处于分开状态。每个指示灯的开关要分别进行判断,其判断的方法相同,本文以红色指示灯为例来进行算例分析。

3.2 区域选择

3.3 六值灰度计算

本文采用六值灰度算法,即将每个像素点的三原色R、G、B的灰度值分成6个区间,据2.2节式(4)计算得到区间大小η为int(255/6+0.5)=43,6个区间分别为[0,42],[43,85],[86,128],[129,171],[172,214],[215,255]。计算识别区域内各像素点的r、g、b三色灰度值所落入的灰度区间值R、G、B,然后计算H(x,y)中,本文λ1、λ2、λ3,取值分别为1,0,0。最终计算出所有像素点的灰度区间值H(x,y)。

3.4 目标函数计算

根据前面得到的H(x,y),统计识别区域内落入各灰度区间的像素点的数量,得到数组num(i),i∈[0,5]。再利用数组num(i)的值,计算F(t)得出。本算例中,首先根据3.3节中式(6)对训练图片的识别区域进行统计计算,得到num(i),i∈[0,5]和A(i),i∈[0,5]两个数组中各元素的值。识别区域统计值如表1所示。

表1 识别区域统计值

将得到的数组A(i)，i∈[0,5]代入到式(6),最终得到所有训练图片的识别区域的目标函数值F(t)。

3.5 训练结果

选取了不同时间、不同环境下的70张已标注的训练样本图片,得到了目标函数值F(t)。训练样本目标函数值的分布如图2所示。当高压断路器为分开状态时,目标函数值分散在(0,15)区间内;当高压断路器为闭合状态时,目标函数值分散在(20,30)区间内。

图2 训练样本目标函数值的分布

3.6 识别效率

经实验证明,算例中再次选取70张样本图片,训练总时间约为2 s,平均每一张样本图片的识别时间大约为0.03 s,基本达到了无人值守变电所断路器分、合状态识别的实时在线要求。算例中所采用的图像识别方法,在仅考虑少量偏差的情况下,识别的准确率大于98%。此外,本算法不仅适用于本文所提到的高压断路器分、合状态指示灯图像识别,而且适用于摄像头与识别物相对固定的基于灰度值的图像识别场景。

3.7 算法存在不足

本文所采用的六值灰度图像识别算法,是针对算例中摄像头与高压柜位置都相对较为固定的情况提出的,虽然经实验证明是可行并实用的,但从发展的视角来看,还存在一定不足。

(1) 本算法仅适用于偏移较小的场景。在实际应用中,训练图片和验证图片与参考图片的识别物偏移较大,尤其特征区域不包含特征点时,将无法准确找到识别区域,从而导致图像识别数据错误。

(2) 本算法中要求识别物的面积要大于特征区域面积的80%。如果特征区域选取过大,不仅会降低算法的效率,也会直接影响特征点的确定。如果识别物过小,识别区域中可计算的像素点将大大减少,将会严重地影响识别结果的准确率。

(3) 本算法仅适用于识别物为规则形状的情景。本算例中识别的指示灯为规则的圆形,无论是特征点的确定,还是识别区域的选取,都较为方便。如果识别物为非规则形状,特征点和识别区域都将无法准确定位。

(4) 本算例中所选取的训练样本不足,无法做到穷举。若验证图片的目标函数值介于图2的两条曲线之间,即中间状态,本文算法将无法完成图像识别。

4 结 语

本文根据视频图像的色彩特征,采用六值灰度算法,解决了无人值守变电所中高压断路器的状态识别问题。算法中首先根据参考图片确定特征区域,特征区域的选择是在允许少量偏移的前提下要求一定包含特征点。在特征区域内按照一定的标准找到特征点,并根据特征点确定识别区域。对识别区域内的各像素点的灰度值进行处理和计算,最终得到目标函数值,根据目标函数值来判断指示灯的开/关,由指示灯的开/关最终推断出断路器的分、合状态。经实验验证,本算法所采用的指示灯图像识别方法是可行的,效率上满足实时在线识别要求,在实际中具有一定的实用性。