视频图像智能识别技术在输变电系统中的应用研究综述.docx

          视频图像智能识别技术在输变电系统中的应用研究综述                    内蒙古自治区巴彦淖尔市 015000摘要：目前，电网存量摄像头最多的领域是电力输变电系统，主要有四大典型应用场景：输电线路固定摄像头监测、无人机移动摄像头巡检[引、变电站机器人巡检及变电站传统视频监控，这些场景通常是通过各种影像采集传感器，实现对电网设备(部件)和环境安全的智能巡检以及对人身安全的智能巡查关键词：输变电系统；图像数据；视频图像识别；深度学习；设备安全巡检；电网的数字化建设催生海量的数据，视频图像智能识别技术在输变电系统中的设备环境视频监控、无人化巡检等应用场景中，以强大的图像数据价值萃取能力引起广泛的关注因此，首先介绍视频图像智能识别技术的基本概念和基本研究框架，总结在电力输变电系统中常用的图像识别技术；然后从面向电网没备和环境安全监测的智能巡检以及面向人身安全监控的智能巡查2个角度出发，对视频图像智能识别技术在输变电系统中的四大应用研究场景分别进行综述一、输电线路固定摄像头监测输电线路视频图像监测系统是输电线路监测系统的子系统之一，该系统通过在输电杆塔等同定点安装摄像头，静态拍摄采集输电线路及其通道环境的视频图像数据，主要对线路外力破坏、植被安全距离、山火、导线覆冰厚度等进行监测。

视频图像智能识别技术能有效利用上述系统所得的海量数据，对这类环境隐患智能识别，且已有较多研究成果采用混合高斯模型实现对大型机械入侵输电线路通道的定向识别，并结合平台实现以需求为导向的分级管控智能推送，建立了线路防外力破坏监控新模式，有效预防大型机械破坏线路事故的发生；通过一系列无线摄像头监控，实时传送拍摄画面同传基站，再对入侵植被的高度、深度和宽度等自动识别，对该类隐患及时报警，以维护输电线路的安全运行；通过视频图像智能分析技术有效提升了山火的识别精度(≥97％)，并实现山火与线路相对距离的精准测算(500 m内误差≤6．6％)；提出了一种基于随机Hough变换计算输电导线覆冰厚度的方法，首先对导线的图像预处理，再利用随机Hough变换和最小二乘法确定导线边缘直线，最后根据覆冰前后导线图像的像素来计算覆冰厚度，显著地提高输电线路覆冰厚度的监测精度多采用传统图像处理分析的方法进行隐患识别，该类方法主要的缺陷在于对光照变化、背景变化等情况的抗干扰能力弱，算法鲁棒性差从工程应用的角度来看，目前众多摄像头采集的海量视频数据面临着所需储存容量大、通信成本高，以及由于摄像头功耗不宜过大导致的识别频率较低等问题。

在未来的研究中可考虑结合前端嵌入式低功耗芯片和边缘计算等技术，在摄像终端侧就完成图像处理和识别，这将推动视频图像智能识别技术在输电线路监测中的更广泛应用二、输电线路移动摄像头巡检1.输电线路移动摄像头巡检主要包括无人机巡检、直升机巡检和巡检机器人巡检日前较常用的无人机巡检，通过搭载摄像头，动态拍摄采集输电线路视频图像数据，主要对绝缘子、金具、杆塔等设备缺陷进行检测移动摄像头巡检采集到的视频图像数据，主要运用在设备缺陷识别，针对移动摄像机获取的绝缘子图像，采用基于YOLOv2网络，并结合边缘检测、直线检测、图像旋转和垂直投影等图像处理方法，对绝缘子进行自动识别和缺陷诊断，实验表明，YOLOv2网络具有较强的深度学习能力，可充分平衡识别精度和速度，并且在树木、土地等复杂背景下表现出较强的抗噪识别鲁棒性通过建立图像样本库，并提取样本图像HOG特征，构建SVM分类器，实现输电线路螺栓缺陷识别，可快速定位出高分辨率无人机图像中螺栓目标的位置通过空中巡检获得视频数据，采用LBP—HF特征训练SVM分类器进行输电线路绝缘子的破损缺陷识别，准确率可达93．33％，可精细辨识绝缘子破损的程度差异同时，红外图像等不可见光数据也对设备缺陷诊断起到很大作用，利用SLIC超像素图像分割技术对变电设备红外图像进行分割，通过HSV颜色空间转换后，动态设定色调(H)阈值，提取出发热故障区域，提高了红外图像的分析效率。

上述文献多采用机器学习的方法对设备缺陷进行识别分类，识别效果普遍优于传统图像处理方法，但由于设备典型缺陷的图像样本数量往往仍然无法满足神经网络的需求，限制了算法识别精度的进一步提升此外，在工程应用中，受恶劣天气、云台抖动、机身倾斜晃动等因素影响，该类巡检方式所拍摄的视频图像质量不佳，常有较多噪声，导致图像模糊、对比度低、纹理信息不明显等，影响设备缺陷识别的正确率针对这类问题，可结合各种图像恢复和处理技术，如去雾算法、运动模糊复原等，可以取得较好的效果2.变电站视频监控有关变电站日标检测及跟踪方面的研究目前尚处于起步阶段，需要开发更加快速智能的算法以满足实时准确的监控需求此外，针对安全帽、安全带、工作服等识别，应因地制宜，引入现阶段较为成熟的深度学习图像识别算法，充分考虑变电站环境的特殊性，提高识别的精度，满足巡检任务的实时性要求与此同时，通过视频监控系统进行变电站设备及环境异常状态智能识别的研究较少，其难点同样在于有效训练样本不足电力系统安全性高，设备缺陷及环境异常等样本的规模远远达不到深度学习训练的需求未来可在工程应用巾收集足够数量和质量的样本，为变电站设备状态及环境状态的深度学习训练模型奠定数据基础。

三、变电站机器人巡检智能巡检机器人常用于变电站中的设备状态检测，检测手段主要包括可见光巡检、红外图像测温、局部放电检测、气体监测等在可见光巡检及其视频图像智能识别技术方面，针对现场保护装置压板等反映变电站实际运行状态的基本要素，对变电站巡检机器人室内保护装置巡视功能展开研究，其基于颜色直方图的压板识别最终取得A级标准(98％)以上的识别率以HOG特征作为特征描述器，经过滤波计算等操作，对变电站巡检机器人所得图片中仪器仪表进行定位在大量变电设备异常发热的监测上，采用带有红外热像检测技术的巡检机器人进行智能检测，运用深度学习算法体系中基于区域建议网络的FasterR—CNN算法来判断设备可能潜存的故障设计的变电站巡检机器人系统携带高清摄像头、红外测温仪和拾音器等传感器，通过模板匹配或椭网拟合确定表盘位置再进行指针识别，提高了仪表、刀闸等识别精度，同时还可以采集、识别现场噪声将变电站巡检机器人应用于道路场景的识别巾，提出了全卷积道路识别网络，该网络主要由相对浅层的编码网络和镜像结构与跳层融合结构相结合的解码网络组成，通过编码网络提取图像特征后由解码网络识别出图像目标信息，与同类型网络SegNet．basic相比，其识别精度与效率都有较大提升。

目前，变电站巡检机器人应用范围较小，多处于试点应用阶段，原因在于机器人造价高，同时对机器人本身的越障能力、导航能力以及机器人自主充电能力要求较高未来要使其更好地落地推广应用必须在多方面提高技术，例如其导航系统应逐步发展为基于激光雷达与视觉等多传感器融合的方式，优化视觉SLAM技术提高定位导航精度，此外还需提升巡检机器人运动控制系统的鲁棒性和可靠性等总之，随着当前人工智能技术发展，计算机计算性能的提高及电网视频图像数据的大规模获取，为输变电系统的安全管理工作带来了颠覆性的影响通过将视频图像处理技术结合电力场合进行应用，以保障电网输变电系统中设备和人员及其所处环境的安全，是未来电力系统提升感知能力的必然趋势参考文献：[1]王秀兰，视频图像智能识别技术在输变电系统中的应用研究.2019.[2]刘大鹏，关于视频图像智能识别技术在输变电系统中的应用研究综述.2020.  -全文完-。