0引言

變電站巡檢攝像頭因其具備全天候測量等優(yōu) 勢,己成為智慧變電站內電力設備監(jiān)測的重要工具^[1]。然而,巡檢攝像頭投入變電站長期運行后,受到偏轉工作強度、傳動誤差、外界干擾、機械磨損等因素影響,其實際轉動角度可能偏離期望預置位,進而降低了有效巡檢圖像比例以及表計讀取等智能算法準確率^[2]。

巡檢攝像機設置預置位的目的是使云臺相機拍攝到滿足檢測識別要求的高質量巡檢圖像。文獻[3]利用圖像配準方法解出巡檢圖像與模板圖像間的像素誤差。文獻[4]使用裁剪的儀表模板圖像與大視場巡檢圖像配準,提升儀表讀數(shù)精度。然而,通過預置位糾偏對準相機的過程中,人工控制不能自動實現(xiàn)糾偏控制系統(tǒng)的調節(jié),難以滿足復雜場景下系統(tǒng)的實時糾偏需求,同時糾偏過程中巡檢目標識別的準確性是攝像頭自動調整的重要條件。文獻[5]中采用的圖像識別算法雖然能夠有效定位目標物體,但在復雜背景下精度有所下降,對目標檢測的泛化能力不夠,導致圖像偏差難以準確計算,使預置位糾偏工作效果低下。

為解決現(xiàn)有方法存在的不足,本文提出了一種基于圖像識別和PID控制的巡檢攝像頭預置位自動糾偏技術。該方法首先通過改進圖像識別算法將圖像目標框定出來,然后將該位置誤差輸入基于PID控制器的步進電機控制系統(tǒng)中,進行攝像頭預置位快速準確糾偏。

1巡檢攝像機預置位糾偏基本原理

1.1巡檢攝像機基本傳動原理

智慧變電站巡檢系統(tǒng)中用于收集圖像、視頻數(shù)據(jù)的智能球型攝像機是巡檢工作的關鍵部分。目前云臺大多采用具有傳動效率高、結構緊湊和傳動比準確等優(yōu)點的同步帶傳動方案。考慮到經(jīng)濟性和結構工藝,云臺傳動控制通常采用開環(huán)控制系統(tǒng)。

1.2傳統(tǒng)預置位糾偏實現(xiàn)方法

傳統(tǒng)的云臺控制軟件補償程序流程如圖1所示,即:

1)抓取當前位置圖像,確定云臺的位移量為圖片偏差所確定的補償值。

2)判斷云臺從當前位置到目標位置的水平位移量,精準控制云臺轉動,完成后重復步驟1)。然后判斷云臺從當前位置到目標位置的垂直位移量,精準控制云臺轉動。

對于巡檢工作的不同監(jiān)測 目標對象的需求,圖像中存在多個識別 目標時,通常需要人工識別判斷圖中目標后發(fā)送指令觸發(fā)不同的預置位軟件補償程序。在復雜的變電站巡檢場景下該過程通常需要大量的人工識別工作。針對該類問題,研究人員提出基于圖像分析的策略^[6]來提升定位精度,但犧牲了響應速度,也沒有解決預置位限制的問題。

2基于深度學習的圖像識別技術與圖像偏差計算方法

2.1 基于Fine Mask RCNN的圖像識別技術

為了能在背景復雜、光照多變的變電站運維環(huán)境下,準確識別變電設備中的儀表、絕緣子、母線、變壓器等,本文基于Mask RCNN目標檢測網(wǎng)絡^[7],提出了一種改進的Fine Mask RCNN目標識別算法。首先,利用ResNet—50和特征金字塔網(wǎng)絡(FPN)所組成的特征提取器來獲取變電站設備(隔離開關、表計、絕緣子等)的圖像特征;其次,通過區(qū)域建議網(wǎng)絡(RPN)和ROI Align進一步細化特征信息流,并采用信息融合模塊生成精細化特征圖;最終,通過分類回歸器對精細化特征圖進行分類、預測框回歸與掩膜生成。

2.2基于最大互相關匹配的圖像偏差計算方法

針對云臺控制無法實時追蹤的問題,本文采用了一種基于圖像分析的反饋控制策略,利用最大互相關匹配法計算出當前圖片與模板圖片的位置距離。圖片w大小為A×B,即當前圖片,設為p(x,y);圖片M大小為a×b,即模板圖片,設為g(x,y)。在w中找出與M相似的部分,記為C_x,y,其計算過程為:

式中:σ(x,y)代表C_x,y與M的相關系數(shù);E為M的方差; cov(S_x,y,M)為S_x,y與M的協(xié)方差。

式中:S_x,y和M分別表示圖像sx,y和M的灰度均值; S_x,y(i,j)為S_x,y中第i行j列像素的灰度值;g(i,j)為M中第i行j列像素的灰度值。

圖2所示的兩幅圖片中,S_x,y是w中與M完全相同的區(qū)域。對圖像M進行掃描,確定最大的σ(x,y)對應的S_x,y的中心坐標,此中心坐標與w的中心坐標相減,可計算出當前圖片與模板圖片的位置距離(C_x,C_y)。

2.3 PID復合控制系統(tǒng)

本文所構建的攝像頭轉動步進電機是一個復雜的非線性系統(tǒng)模型,糾偏運行過程中參數(shù)會變化,且存在不確定性和嚴重的外部干擾。本文設計了一種基于PID復合控制策略的“二輸入三輸出”步進電機控制系統(tǒng)。控制過程中對PID參數(shù)進行自適應在線調 整,完成云臺電機的自動調整,從而實現(xiàn)巡檢攝像機的自動糾偏。PID算法控制規(guī)律為:

式中:u(t)為控制系統(tǒng)輸出量；∫0^t e(t)dt為被控對象在t時刻的誤差;Δe(t)為被控對象在t時刻的誤差變化率;K_P、K_I、K_D為比例、積分、微分增益。

在線整定K_P、K_I、K_D參數(shù)公式為:

式中:K_PP、K_II、K_DD為PID控制器的參數(shù)初始值;ΔK_P、ΔK_I、ΔK_D分別對應K_P、K_I、K_D三個參數(shù)的在線變化量。

3 實驗分析

3.1 圖像識別方法的有效性

為驗證所提出的Fine Mask RCNN識別算法的有效性,將其測試識別結果與Mask RCNN算法識別結果進行對比。如表1所示,相比Mask RCNN,本文算法在準確率和召回率上表現(xiàn)更好,Fine Mask RCNN準確率提升了4.44個百分點,召回率提升了3.1個百分點。本文所提算法圖像識別可滿足變電站復雜背景的識別需求。

不同算法檢測結果的對比情況如圖3所示。通過多次實驗發(fā)現(xiàn),MaskRCNN可將待檢測物體正確定位和分類,但是改變測試圖片采集角度會對該算法檢測結果產(chǎn)生影響。當被檢測物體存在部分遮擋時,圖(a)算法存在漏檢現(xiàn)象;而FineMaskRCNN識別能力更強,能夠精確地檢測出目標物體,如圖(b)所示。

3.2糾偏系統(tǒng)實際效果

在復雜變電站環(huán)境中存在大量干擾糾偏工作的因素,為驗證本文所提糾偏方法在實際工作中的控制效果和抗干擾能力,將該方法部署于糾偏系統(tǒng)中。采用基于圖像識別與PID控制策略的糾偏方法進行變電站巡檢攝像頭糾偏前后的圖像對比,結果表明糾偏效果可以滿足變電站巡檢需求,如圖4所示。

4結束語

本文構建了FineMaskRCNN圖像識別算法,并結合PID控制實現(xiàn)了巡檢攝像機預置位自動糾偏,主要得到以下結論:

1)本文所提的FineMaskRCNN在變電站實拍圖 片下的定位和識別效果優(yōu)于MaskRCNN;

2)本文構建了步進定位糾偏系統(tǒng)的系統(tǒng)傳遞函數(shù),設計了基于PID控制器的糾偏控制策略,提高了系統(tǒng)的糾偏精度和抗干擾能力。

[參考文獻]

[1]馬富齊,王波,董旭柱,等.電力工業(yè)安全影像解譯:基本概念與技術框架[J].中國電機工程學報,2022,42 (2):458—475.

[2] 萬吉林,王慧芳,管敏淵,等.基于FasterR—CNN和u—Net 的變電站指針式儀表讀數(shù)自動識別方法[J].電網(wǎng)技術,2020,44(8):3097—3105.

[3]劉晶,鐘力強,董娜.變電站巡檢機器人視覺精確定位算法研究[J].工業(yè)儀表與自動化裝置,2019(6):8—13.

[4]彭向陽,金亮,王銳,等.變電站機器人智能巡檢技術及應用效果[J].高壓電器,2019,55(4):223—232.

[5]REDMONJ,DIVVALAS,GIRSHICKR,etal.Youonlylookonce:unified,real—timeobject detection[C]//proceedingsof the IEEE conference on computervision and pattern recognition,2016: 779—788.

[6]劉萍萍,趙宏偉,臧雪柏,等.移動機器人定位圖像匹配的快速局部特征算法[J].儀器儀表學報,2009,30 (8):1714—1719.

[7]HEK,GKIOXARIG,DOLLARp,etal.Maskr—cnn[C]//proceedings of theIEEEinternationalconferenceon computer vision,2017: 2961—2969.

2024年第20期第20篇