图像和视频分析在电力设备监控系统中的应用

图像和视频分析在电力设备监控系统中的应用
发表时间：2020-09-23T11:18:03.497Z 来源：《基层建设》2020年第17期作者：张晗[导读] 摘要：数字图像处理与识别技术的迅速发展，给电力系统在线监测的自动化提供了良好的契机，电力设备的运行状态是否正常对系统的安全可靠运行意义重大。

深圳供电局有限公司罗湖供电局 518001 摘要：数字图像处理与识别技术的迅速发展，给电力系统在线监测的自动化提供了良好的契机，电力设备的运行状态是否正常对系统的安全可靠运行意义重大。

本文对图像识别技术进行了简要分析，总结了图像识别与视频监控在电力设备异常状态检测的具体运用。

1引言
远程数字视频监控与图像识别系统是指能接收在远程现场采集到的数字视频信号，并实时传送到监控中心，在监控中心对现场进行远程监视，控制远程摄像机动作，并能根据需要对采集到的数字视频图像进行分析、处理和识别的系统。

它主要由远程数字视频监控和数字图像识别两部分组成。

视频采集时采用标准的数字视频压缩格式，如MPEG-2、MPEG-4、H.261、H.263、MJEPG等，视频传输时广泛采用Web技术体系，支持Internet技术标准，包括支持TCP/IP、HTTP、FTP、SMTP等协议，客户可用浏览器进行访问。

整个监控网络能直接与计算机局域网、企业内部的Intranet或Internet相联，可直接采用数字图像识别技术对采集到的视频图像进行处理。

因此，将数字视频监控与数字图像识别技术相结合成为数字图像处理研究的热点。

2.图像识别技术分析
在进行图像采集的过程中，由于CCD（电荷耦合元件）的畸变、聚焦效果差以及环境等方面的因素通常会引入噪声，导致图像质量降低，增加图像识别和分析的难度。

控制中心在接收到图像之后，首先对图像进行预处理，然后将目标电力设备从图像中分割出来，以提高图像中目标电力设备的识别精度。

2.1图像预处理
首先，将原图像进行灰度化处理，然后对灰度图进行平滑滤波处理，从而消减图像噪声。

这里引入加权系数的平滑模板对灰度图进行平滑滤波处理，可以很好地消减图像噪声，提高图像质量。

图像平滑滤波处理的过程所采用的是低通滤波，能够过滤图像的高频噪声信号，这种方式在减少图像噪声的同时，由于图像边缘部分的高频噪声被过滤掉，会导致图像边缘模糊化，影响图像的整体质量。

针对这一问题，可以在图像平滑滤波处理之后对其进行直方图均衡处理，通过这样的处理方式，能够在抑制图像噪声的同时，减少图像边缘模糊化问题的出现。

2.2图像分割
图像分割将图像表示为具有物理意义的多连通区域集合。

通过对图像的纹理、颜色、亮度等特征信息进行分析，结合这些特征的差异性分割图像。

图像分割能够更好地识别和分析图像，分割的准确性将会直接影响到后续工作的有效性，因此，须充分保证图像分割的精度。

图像分割时根据图像的灰度、颜色以及几何性质等特性将图像中含义不同的区域分割开，这些区域互不相交，每个区域都具有能够满足特定区域的一致性。

比如对统一物体的图像，通常将图像中属于该物体的像素从背景图像中分离出来，将属于不同物体的像素点区分开。

分割出来的区域应该同时满足以下几个条件：第一，相邻区域之间应该存在某种明显的差异性；第二，分割区域边界应该具有较高的完整性，且保证边缘具有较高的空间定位精度；第三，分割之后的区域应该具有均匀性和连通性，其中的均匀性主要是指区域内的所有像素点在灰度、纹理以及色彩特征等方面具有一定的相似性，连通性则是指该区域内存在连接任意两点的路径。

根据实现分割的具体原理，图像分割的方法主要包括基于阈值选取、基于区域、基于边缘检测以及模糊分割4种图像分割方法。

其中阈值选取的图像分割方法主要是通过图像灰度频率的分布数据实现对图像区域的分割，由于阈值化方法较为简单而且稳定性较高，使其成为图像分割的基本技术。

该方法主要是利用了图像中要提取的目标对象与背景灰度值的差异，将图像视为具有不同灰度等级的区域组合，通过选取合适的阈值，将目标区域从背景图像中分割出来。

在使用该方法的过程中，要对灰度图进行二值化处理，以提高分割结果的准确性，提高图像分析的效率。

图像二值化的方法主要包括全局阈值法、局部阈值法和动态阈值法3类。

其中，全局阈值二值化方法虽然相对较为简单，但是容易受到噪声的干扰，光照不均匀，直方图不呈双峰分布的图像二值化效果明显较差；局部阈值二值化方法则能够有效克服光照不均匀的问题，但是转换速度较慢，难以保证目标区域的连通性；动态阈值二值化方法的阈值选择不仅取决于该像素灰度值以及周围像素的灰度值，同时还与该像素的坐标有关。

由于动态阈值二值化方法对每个像邻域的特征进行了充分考虑，因此，能够更好地表现出目标的边界与背景图像，对噪声具有较强的抗干扰能力，虽然时间和空间复杂度较高，但是当前计算机的性能完全能够满足其处理要求。

最大类间方差阈值分割方法是经典的无参数、无监督动态阈值分割方法，不须其他先进知识，只是利用图像的灰度直方图，然后通过该阈值对图像进行分割。

通过对全局阈值法二值化之后的图像与采用最大类间方差阈值化之后的二值图像进行对比可以发现，后者在图像分离上的效果更好，同时还能在一定程度上适应不同对比度的图像。

3.图像识别与视频监控在电力设备异常状态检测的运用
为了实现监测分析方案在实际工作中的应用，提升现有视频监测系统的功能，建立电力设备运行状态的实时监测和分析系统，在采集到的图像中准确快速地识别出电力设备之后，须进一步判断电力设备的运行状态，找出图像中存在畸变的电力设备。

当监测到电力设备运行状态变化之后，及时发出报警信号提醒工作人员，方便工作人员尽快到达设备故障处进行检修。

3.1配电设备的图像监测
图像识别监测是配电设备巡视未来发展的主要趋势，虽然当前已经建立了多智能配电房设备，但是简单地采集和传输电房及设备的图像信号难以满足当前电网快速发展的需求。

所以，首先应对配电设备实时采集的图像进行分类，然后对这些分类图像进行分析，根据分析结果判断是否须对这些图像进行传输。

当设备处于正常运行时，不传输监测图像，只传输分析结果；而当配电设备运行状态发生畸变时，则将特定的图像信号和报警信息传送给配网检修人员。

配网检修人员在确认报警信号之后，再结合系统发出的提示找到对应的配电设备图像进行观察和处理。

通过这种方式，能够大幅度减轻配网检修人员的工作强度，同时不须考虑在通信信道拥挤时对数据的压缩问题。

利用成像设备对配网设备的关键图像进行采集，然后利用计算机对图像进行截取、识别和分析，能够获取关键电力设备的大量运行参数。

该技术涉及测量规程、视觉理论以及人工智能等多学科的知识，能够为监测自动化中某些难题的解决提供有效支持。

3.2电力设备状态检测与分析
根据前面提出的监测和分析方案，对所采集的电力设备图像进行预处理，选择合理的方法和算子去除图像的噪声，提高图像质量，然后再对图像中的电力设备进行识别。

图像识别和理解是计算机视觉处理电力设备图像的主要目标，主要通过电力设备图像的纹理特征、颜色特征以及模板匹配的方法对电力设备进行识别。

从图像中准确识别出电力设备之后，为了应用到实际中，判断电力设备的在线运行状态，须对设备图像进行进一步的处理，然后与原本数据库中的保准图像进行对比。

本文采用减法运算监测图像设备运行状态是否产生变化，具体计算公式为∆Pi(x，y)=Pi(x，y)－P(x，y)，其中Pi(x，y)表示当前有待进行判别处理的图像，P(x，y)表示数据库中存储的标准图像。

当结果为0时，则表明当前图像无异常，设备处于正常运行状态；而当结果不为0时，则电力设备处于异常运行状态，图像中的某些部分会出现突变，比如产生毛刺、突起的边缘等。

结语
将图像和视频分析技术应用于电力设备图像的识别和分析中，是监测电力设备运行状态的一种新方法，特别在高压、危险以及恶劣的环境中，能够实时获取电力设备的运行状态，减轻调度员的工作负担，大大提高了在线监测的自动化程度。

参考文献：
[1]超高压输电铁塔运行监测分析平台研究[J].龚志勇.电力信息化.2006(12)
[2]基于视频监视系统的运动目标检测技术的实现[J].李然,高会生,王成儒.电力系统通信.2003(07)
[3]计算机视觉技术及其在电力系统自动化中的应用[J].龚超,罗毅,涂光瑜.电力系统自动化.2003(01)。