基于視頻AI識別的智能變電站安全智能巡視方法研究

陳超人 冉夢東 郜曉娜 田 地 陳家輝

（貴州電網有限責任公司遵義供電局）

0 引言

電網規模擴大，變電站運行方式也需要升級，建設智能的變電站是構建智能電網的重要環節。穩定的電力運行是保證社會經濟建設的重要環節，這與人們的日常生活息息相關，而變電站的相關儀器是保證電能損耗正常運行、提高電力使用效率的關鍵一環［1］。戶外變電站與電網運行是當下需要關注的重點，若日常的維護工作沒有跟上進度，變電站的設備就會出現故障，影響整體電網系統運行。為了減少變電站發生事故的概率，平日巡視的環節就異常重要。數據集成以及無人化的自動巡視技術是智能變電站現在配備的標準應用。視頻識別的AI技術可以應用在智能變電站的安全監控，在變電站實際工程中智能的AI技術也可以抵抗惡劣天氣環境造成的干擾，智能變電站巡視方法可以針對特定場景制定AI智能化方案［2］。視頻AI識別主要是根據變電站設備巡視要求進行操作，利用高清傳感器將巡視的視頻傳輸到后臺，后臺處理并記錄巡視的數據，若是監測到異常情況則發出警告。視頻AI識別的巡視監測，可以清晰地處理收錄的視頻圖像信息點，并針對目標進行進一步的分析，最后將分析的數據傳到總部，達到巡視的目的。

1 智能變電站巡視方法

1.1 視頻圖像采集及預處理

變電站的氣壓表指針以及開關刀閘分合閘等細小的變化就能引發安全問題，若想通過遠程監控進行巡視的安全檢查，就需要提前對目標進行視頻采集。視頻采集是智能變電站安全巡視的首要任務，以變電站的氣壓表為例，視頻采集需要錄入氣壓表盤的信息，將表盤變化通過智能化的技術顯示出來［3］。通過攝像頭獲取的視頻是BGR色彩組成的多個圖像疊加的，這些彩色視頻的像素點主要由紅色、藍色和綠色構成。采集的彩色圖像的每個像素點的圖像信息由于疊加的通道色階增加了視頻處理的難度，因此需要在攝像頭對視頻進行一系列的圖像采集后集中灰度化處理。灰度化處理能將紅綠藍三色通道信息轉換為黑白信息，剔除彩色顏色特征的圖像會減少圖像處理的運算量。色彩圖像轉化為單通道灰度化的操作一般選擇最大值法測定，具體的計算公式如下：

式中，Gray（i，j）表示采集視頻相關圖像的灰度值；R表示攝像頭采集的視頻紅色通道數值；G表示采集彩色視頻圖像的綠色通道數值；B表示采集彩色視頻圖像的藍色通道數值。三種通道的最大值為采集圖像的灰度值，但這樣處理得到整體灰度也會偏大，容易丟失細節，因此需要對采集視頻目標進行前景提取［4］。針對攝像頭采集的變電站的表盤視頻，確定具體表針指向表盤的相關數據，剔除其他干擾背景，本文采用的視頻圖像分割，是將視頻圖像的前景和背景進行切割，得到高精度的前景圖層。視頻的邊緣分割，主要是根據視頻圖像的某些特征劃分出相似點和不同點，一般來說，灰度值的邊緣檢測是圖像邊緣分割的首選。圖像邊緣分割選取視頻圖像中心點像素點，設定水平方向和垂直方向，以網格形式得到對應的亮度差分相近值［5］。動態視頻圖像灰度化處理的每個關鍵幀都進行邊緣切分的操作后，才完成對變電站巡視視頻圖像的預處理。

1.2 AI識別目標及目標匹配

經過上述視頻圖像預處理后，對預處理后的目標進行分析。目標分析的關鍵是將變電站所有的設備都要一一識別出來，并標注出設備所在的位置和狀態。視頻AI識別可以在視頻中找到目標并進行分類，視頻AI識別在對目標進行分析時，通過綜合的攝像頭點位將目標進行全覆蓋，檢測到變電站的各個開關，再對巡視的點位進行循環的巡視，視頻AI識別目標監測只需要一次掃描就能完成目標的分析。視頻AI識別結合特征網絡提取目標，特征網絡框架如圖1所示。

圖1 AI特征網絡框架

整個卷積神經網絡共分為三部分，分別為3×3卷積層、BN激活層和RelU池化層，最終輸出神經網絡的分類結果。視頻AI識別網絡通過不斷地深度學習完成對目標的識別，具體如下：卷積層結構對輸入的視頻完成特征提取，在卷積結構中確保AI視頻提取的各層的關鍵點的尺寸相同，這是為了前一層的輸出與后一層輸出的向量，各個變電站特征圖像或者輸入的視頻進行右移運行，設置移動窗口向右移動和向下移動的步幅進行卷積的操作。每一層的深度必須和上一層輸出視頻數據的深度保持一致。進行此層操作還需設置激活層，所有的輸出AI運算使用相應的激活函數［6］。在神經網絡結構中如果不使用激活層，輸出的信息只有線性的變化，也就失去意義。通過激活層的使用，可以使視頻AI神經網絡能夠理解復雜的和非線性的數據信息，使網絡增加非線性的特性。池化層主要進行輸出維度的縮小和冗雜信息的去除。對數據進行特征提取之后，此層會對提取之后的數據進行維度的縮小，完成對視頻特征的壓縮以及簡化。在卷積輸出的特征圖上根據指定的池化窗口選擇窗口中數據最大值，然后滑動窗口再繼續選擇下一個窗口最大值，并且保留網絡結構模型的復雜度。再提取到輸入數據高層的語義信息，此層將優化的視頻特征得到的信息反饋到前臺，完成對視頻提取到的目標點信息進行分類［7］。

提取完視頻的特征點，為了區分特征點的特性，每個特征點的對應向量描述也就是視頻目標象征點的關鍵，以變電站的表盤為例，表針的走動角度就是變電站儀表的特征點。特征點的方向和大小通過小波響應表示出來，小波濾波器示意如圖2所示。

圖2 小波濾波器模板示意圖

黑色數值為-1，白色數值為1，這兩個濾波器分別計算小波響應，計算小波響應合成水平強度和豎直強度，并生成一張小波響應的點位圖。點位圖以扇形窗口形式進行滑動，扇形圖層涵蓋視頻特征點主方向。確定主方向后，需要在特征點周圍提取像素變化的趨勢，根據像素點變化情況匹配特征點［8］。

特征點是否匹配，這需要計算描述向量的差異大小。匹配算法采用歐式距離衡量方法，歐式距離放置在二維和三維坐標系中，主要是判斷坐標點直線物理距離的變化情況。對于特征向量DESa和DESb來說，歐式距離計算公式如下：

為保證特征點匹配的準確性，算法加入了參數，具體如下：

式中，d1為待檢測視頻圖像特征點歐式距離最小的點；d2為待檢測圖像距離第二小的點。當兩個點距離的比值大于一定值，兩個特征點沒有明顯的聯系，算法不會匹配。相反，兩個特征點在一定范圍值之內，才看作匹配成功的特征點。實際應用的范圍值在0.4～0.6之間。

完成特征點匹配后，將視頻圖像特征點的匹配坐標代入式（4）中：

式中，［x y1］和［x＇y＇1］分別為監測視頻儀器圖像和特征點匹配特征點的坐標；H是透視矩陣，通過這個矩陣將映射的關鍵點坐標［h11h12h13］等投入到待匹配的變電站視頻表盤圖像上，以此完成整體特征點匹配的工作。

1.3 反饋巡視的數據信息

在實現變電站視頻圖像處理和目標特征點匹配后，需要將巡視到的數據反饋到主機上，方便工作人員對變電站進行后期的管理和維護。變電站管理主控室集中一臺服務器，要遠程管理多個設備，由于智能變電站視頻采集的關鍵幀的數量較多，內部信息占據內存過大，為了避免平臺崩潰，出現數據漏洞，反饋巡視數據信息要在無操作情況下讓傳輸基本保持休眠狀態。除此之外，還需要對視頻AI識別的持久數據層進行備份處理，即使后期平臺出現故障，也能夠保證后備數據的查詢。這樣的處理，讓變電站的巡視數據可以完整運行，從視頻圖像采集到目標獲取之間實現科學的整合，提高變電站整體巡視信息運輸效率，完成智能巡視服務的目標。

2 對比實驗

為了驗證新設計的基于視頻AI識別的智能變電站巡視方法的有效性，測試變電站在傳統方法和結合視頻AI識別技術方法所耗費的時間。哪種方法所耗時間越少，證明哪種方法的效率就越高。

2.1 實驗準備

基于視頻AI識別的智能變電站內測需要部署在不同智能網關平臺上，具體配備的硬件環境如下表所示。

表 智能變電站網關硬件環境

測試的變電站與使用AI的相關電纜進行對接后，實現并網和后續的測控。

2.2 實驗結果

為了驗證所設計的方法的有效性，選取相同的變電站進行多次實驗，測試兩種巡視方法的所耗時間，具體的實驗結果如圖3所示。

圖3 實驗對比結果

如圖3所示，結合視頻AI識別的智能變電站安全巡視方法所耗時間不超過20s，比傳統方法所耗時間減少了1／2。因此得出結論，新設計的基于視頻AI識別的智能變電站安全巡視方法更有效率，可以應用在實際的變電站巡視環節中。

3 結束語

本文主要利用視頻AI識別技術完成針對變電站的智能巡視。視頻AI識別技術可以快速對巡視的視頻圖像進行處理，通過AI算法抓取目標關鍵點并對目標的關鍵點進行匹配，極大地提高了巡視處理的時間。盡管本文作者受到學術水平的限制，提出的操作性觀點還需要進一步優化，但還是希望本文設計的針對智能變電站的巡視方法可以應用到實際中，提升變電站巡視的效率。