图像识别技术在变电站智能巡检机器人中的应用

戴维义

（天津龙源风力发电有限公司，天津）

引言

从2017 年开始，人工智能的研究开始正式被纳入到国家战略，国家电网公司对电网智能化研究和应用方案进行了规划和部署，致力于推进人工智能技术在电力生产领域的广泛应用。变电站中的电气设备种类多样，分布也比较密集，不同设备在外观和状态方面都表现出了明显的差异。在对这些电气设备进行巡检的时候，除了可以运用传统人工巡检的手段之外，还可以依托于人工智能技术和大数据技术构建智能巡检机器人，并通过图像识别技术来实现图像信息的识别。

1 图像识别技术与变电站智能巡检机器人的原理

图像识别技术指的是通过图像识别算法，在大量的图像信息当中将那些需要对图像识别和筛选出来，或者在特定的图像当中提取出有效的信息。与人工识别相比，图像识别技术的应用可以提高图像识别的效率和准确性。

对式(1)进行整理后得

式（2）中展开式的第一项是关于象素点（z、y）的源图象的能量公式；第二个参数为模板与原始图像相对应的区域之间的关系，该关系随着像素素点的位置（z、y）的位置而改变，在与源图像中的目标图像相匹配时，该模型的取值最大；第三个参数是一个不依赖于象素位置的模板能量公式，参数值为恒量。

根据以上的分析，假定式（2）展开式的第1 个项是不变的，不会出现误差，只有第2 个项用于匹配，而在第2 个项中的最大值时，在原始图像中，该模板与目标图像相一致。但假定第一个项是不变的，而如果出现一个大的误差，就会造成匹配失败，那么可以把标准化的互相关用作误差的平方和，也即是

图1 是模板匹配的示意图。假定源图象f（x、y）和模版图象t（j、k）均位于左上方，则从式（3）中的任一源图像f（x、y）中的象素（z、y）都可以得到R（z、y）。如果象素（x、y）的位置改变，则在源图象区内运动t(j、k)，则可以得到R(x、y）的全部数值。如果R（z、y）为最大值，则此位置是与模板图像相匹配的最佳位置，而从此位置开始，获取与模板尺寸完全一致的子图像，即为所获得的匹配影像。

图1 模板匹配的示意

变电站智能巡检机器人在执行巡检任务的时候按照既定路线的行走离不开传动系统的支持，该系统也可以看作是机器人的执行机构，可以对路径规划子系统的运动指令进行解析，并对驱动轮的速度进行动态化控制[2-3]。

2 图像识别技术用于电气设备目标检测识别

本研究采用卷积神经网络模型，该方法能够有效地改善目标电器的定位和识别准确率，并能提高系统的探测稳定性。具体而言，首先利用CNNs-AlexNet 模型提取电力设备的特征，再利用随机树算法进行识别，从而提高了系统的识别精度[7]。并利用CNNs 算法精确地判定了隔离开关的绝缘子和刀片的位置，并通过测量刀闸区域的长度比对断路器的接触面和断路器的接触面连接情况来判定断路器的断路情况，从而可以在复杂的环境中有效地解决断路器的故障。

利用AlexNet 模型对1 个随机选择的装置进行深度特征提取，其中第一个和第五个卷积层的前端36个输出特征。在第五个卷积层中，综合了具有类区域特性的区域信息，从而获得了能够反映整体图像特性的特征，该特征对于大多数输入的局部改变都是恒定的，输出特征的抽象性比卷积层高。

为了检验特征抽取的有效性，本文采用随机森林分类器，对FCL1（第一个完全连接层输出特征）、FCL2（第二个完全连接层输出特征）、FCL1+FCL2（前面两个完全连接层输出特征）和CNN-RF（本文的特征选取）。在测试中，随机树的数目是100。在图2 中显示了各种特征的结合得到的识别正确率的结果。

图2 不同特征组合所得识别准确率结果

3 图像识别技术在变电站智能巡检机器人中的应用方法

3.1 对仪表图像进行预处理

3.1.1 灰度化处理

变电站智能巡检机器人所拍摄的图像通常为含有三通道的彩色图像，这些图像所占据的存储空间是比较大的。通过灰度化处理，可以使这些图像由RGB的彩色形式转化为单通道的灰度形式，实现了存储空间的压缩，同时也将仪表中重要的信息保留了下来，能够满足指针识别的实际要求，同时还可以使后续图像处理的速率得到提高[8]。

3.1.2 高斯滤波操作

变电站中各类仪表所处的环境是比较复杂的，智能巡检机器人所拍摄的图像容易受到噪声等因素的影响，这会对最终的识别效果产生影响。因此，在对图像进行灰度化处理的基础上还要通过滤波操作来对噪声进行抑制。目前在变电站智能巡检机器人领域所使用的高斯平滑滤波器是一种二维零均值离散高斯函数。采用高斯滤波器对图像滤波处理过程应满足：高斯滤波=以高斯函数为卷积核的图像卷积，高斯滤波器的函数及图像见图3。

图3 高斯滤波图

一维高斯函数

采用高斯函数处理过程中，通常采用3×3、标准差为0.7 的高斯模板进行滤波处理，然后经过程序运行，从而得到滤波效果图。

3.1.3 自适应阈值分割

在对图像进行处理的时候，阈值分割法是一种最为常用的方法。在应用该方法的时候，要先选择一个特定的阈值，然后将该阈值与图像中各个像素点的灰度值进行比较，通过比较结果将像素划分为前景或者背景。在实际操作的过程中发现，只有合适的阈值才能对分割的效果产生积极的影响，提高分割的准确性，同时也使后续图像描述和图像分析结果都更为准确。目前常用的阈值分割方法包括实验法、迭代选择阈值法、最小方差阈值法以及最大类间方差法等。与变电站智能巡检机器人较为适用的方法为最大类间方差法，这种方法的计算比较简单，稳定性较强，可以实现阈值的自动选择，不需要设定其他的参数。

3.2 计算指针读数

对于指针式仪表来说，变电站智能巡检机器人在读数计算的时候可以采用距离法和角度法这两种方法。机器人的仪表识别系统可以检测出表盘刻度小于360°的圆形仪表，同时可以规定表盘中心点所在水平线的角度为0°和180°。在这个基础上，可以确定0°逆时针方向与中心点所在竖直直线90°范围内的角度值为负，而0°顺时针方向与中心点所在竖直直线270°范围内的角度值为正，具体见图4。

图4 指针读数方法示意

3.3 形成仪表数据集

在仪表数据集读数计算的时候，要明确仪表的量程，明确仪表起始刻度与终止刻度的角度值。如果每次对读数计算的时候都运用图像识别技术来对参数进行处理与搜集，不仅计算量大，同时也会使误差累加。由于不同仪表在预处理环节所设置参数的大小存在明显的差异，因此为了优化识别的效果，系统要导入不同仪表信号的参数并进行预处理，这些处理算法的参数设定也应该按照仪表的顺序被记录在仪表数据集中。

4 结论

综上所述，本文在现有研究资料的基础上探究了图像识别技术在变电站智能巡检机器人中的应用，通过构建视觉终端的形式实现了对变电站设备的控制。研究发现，在应用图像识别技术的时候，智能巡检机器人要先对图像进行预处理，然后计算指针读数并建立仪表数据集，最终通过霍夫变换得到仪表指针识别结果。当前，在识别表计类设备读数、对电气设备进行目标检测识别以及电气设备红外图像识别等领域，图像识别技术已经广泛应用。在未来，这一应用范围还将进一步拓展，智能巡检机器人的功能也将更为完善。