91学术服务平台

您好,欢迎来到91学术官网!站长邮箱:91xszz@sina.com

发布论文

论文咨询

基于SIFT算法的水电站出线场区域视频巡检

  2024-11-28    111  上传者:管理员

摘要:针对出线场视频巡检缺陷识别准确率低的问题,提出了一种基于SIFT算法的水电站出线场区视频巡检方法。通过图像腐蚀算法对出线场巡检图片进行清洗,以消除噪声数据对图像数据识别造成的影响;然后采用Sobel算法对设备图像区域进行框定,并采用SIFT算法提取巡检图片特征。最后,采用卷积神经网络识别出线场设备缺陷。应用结果显示:该方法的缺陷识别准确率达到98.3%,验证了方法的有效性。

  • 关键词:
  • FCN
  • SIFT算法
  • 出线场
  • 水电站
  • 视频巡检
  • 加入收藏

大型水电站的出线场区域运行管理普遍采用无人值守方式,实现了电气参量的实时监控,但设备的外观状态仍需水电站运维人员周期性的巡检。大型水电站出线场(以下简称出线场) 通常位于地理位置偏远的地区,人工巡检花费在路程上的时间较长,若出现突发事件,人员无法及时赶到、难以及时快速获取现场信息,因此,亟需对出线场进行智能化巡检。

许多学者对出线场的巡视做了大量研究。文献[1]提出了一种出线场智能视频巡检方法,通过视频技术对出线场的设备进行了智能巡检。文献[2]通过建筑信息模型(building information modeling, BIM)对出线场进行智能巡检。文献[3]提出了一种基于深度学习的出线场视频巡视方法,通过图片分割与全卷积网络(fully convolutional networks, FCN)对出线场的图片进行智能巡检。文献[4]通过人工智能图片分析技术对出线场进行智能巡检。由此可见,出线场巡检方法多样,但摄像头在拍摄出线场巡检图片时,存在每次拍摄的角度、光线差异问题,导致巡检中,缺陷识别准确率低。

为解决出线场视频巡检缺陷识别准确率低的问题,提出了一种基于尺度不变特征变换(Scale-invariant feature transform, SIFT)算法的水电站出线场区视频巡检方法。该方法通过摄像头采集出线场预制点位的巡检图片,然后,采用图片加框的方法,提高框内出线场设备的检测灵敏度。在此基础上,采用SIFT算法识别出线场设备的缺陷。


1、出线场区域视频巡检方法


出线场区域视频巡检方法包括:出线场巡检图片预处理、出线场巡检特征提取和出线场缺陷识别三部分内容。

1.1 出线场巡检图片预处理

1.1.1 采集出线场巡检图片

2018年开始,出线场开始大规模安装视频摄像头,以满足远程巡视的需求。摄像头主要巡视出线场的区域包括设备场地、气体绝缘变电站(gas insulated substation, GIS)、变压器、电容器等[5]。通过对变电设备环境设施和设备进行定期巡视,形成巡视检查记录,提高对设备状态及周边感知能力、控制能力。

采集出线场预制点位巡检图片数据Dp为

式中:m为出线场视频巡检的阈值点位数量;d1,d2,……,dm为不同出线场预制点位的巡检图片。

1.1.2 巡检图片清晰度检测

在摄像头进行出线场预制点位拍摄设备图片时,需要进行镜头对焦,若设备图像的对焦不准确,那拍摄的出线场设备就会变模糊,摄像头对焦通过清晰度指标进行评估,若拍摄的图片不满足清晰度要求,则算法控制摄像头再次采集出线场预制点位信息。

梯度滤波器法是一种对焦的评价方法,该方法仅通过计算单方向梯度,即可求解二阶梯度灰度之差,从而判断对焦是否准确。该方法具有效率高的特点[6],因此选择梯度滤波器法进行巡检图片清晰度评价。

巡检图片清晰度qa为

式中:na为梯度滤波器检测的出线场设备巡检点数;f为梯度滤波器函数;ai、bi分别为不同的纵横坐标检测点。该方法对梯度进行平方后,可提高清晰度检测能力。若不满足清晰度要求,则进行出线场设备巡检图片的补拍,直至满足清晰度要求。

1.1.3 图片噪声过滤

在摄像头拍摄出线场设备图片的过程中,受到雨、雪、大雾等环境因素影响,会造成图像识别的误差,因此,在进行出线场设备缺陷识别前,对摄像头拍摄的设备图片进行噪声过滤。

图像腐蚀算法可实现出线场巡检图片中区域的噪声数据缩小[7],因此采用图像腐蚀算法进行出线场巡检图像噪声过滤。

出线场巡检图片过滤后Ra为

Ra={e|sv⊆Rs} (3)

式中:Rs为输入的出线场巡检图片;sv为图像腐蚀模板;e为图像腐蚀函数。

1.2 出线场巡检特征提取

1.2.1 设备边缘点检测与框定

Sobel算法是一种图像边缘特征检测方法,通过出线场设备图像中的亮度、景深差异点来提取设备的边缘特性,从而识别设备的区域[8]。该方法具有检测准确率高的特点,因此选用Sobel算法进行出线场设备边缘点检测。

出线场设备边缘点Za为

式中,lx、ly分别为出线场设备图像中的亮度、景深差异点横坐标值和纵坐标值。

在完成出线场设备边缘点检测后,将此部分区域进行自动加框,提高框内算法的检查灵敏度。

1.2.2 设备图像特征提取

SIFT算法是一种图像特征提取方法,该方法在空间尺度上具有不变的特征,可有效实现旋转、缩放尺度、旋转等图像的特征提取。因此,采用SIFT算法提取出线场设备的关键特征。

出线场设备的特征Sa为

Sa=Gb×B(x, y) (5)

式中:Gb为出线场设备的高斯函数;B为出线场设备的框定区域;x, y为出线场设备的横、纵坐标。

然后,进行出线场设备的极值检测,出线场设备的极值ua为

ua=B(x, y,ω)-B(x, y) (6)

式中,ω为出线场设备图像的高斯差异函数。

1.3 出线场缺陷识别

将当前的出线场设备图片与缺陷样本进行特征比对,若两者特征相同,则说明该出线场设备存在缺陷。

卷积神经网络(convolutional neural networks,CNN)是一类前馈神经网络,CNN网络具有深度结构,可进行监督与非监督学习。CNN网络内部隐含层的卷积核层之间具有稀疏性,因此,在计算格点化特征时,计算量较少,计算准确率高[9],因此,采用CNN网络进行出线场设备缺陷识别。

将出线场设备图片输入CNN网络后,经过卷积输出的出线场设备图片Pnew为

式中:Pold为输入CNN网络的出线场设备特征图片;cs为卷积核的大小;oa为CNN网络的补零层数;bs为CNN网络中的步幅大小。

在完成卷积后,对出线场图片进行池化,以降低CNN网络处理的数据量;经过多层卷积和池化操作后,将出线场设备的特征图片按顺序展开,连接成向量并输入全连接网络,形成出线场设备图片的特征,并将其与缺陷样本进行比对,判断其是否存在缺陷。若比对特征一致,则CNN网络输出缺陷结果。


2、应用案例及分析


2.1 场景与参数设定

为验证基于SIFT算法的水电站出线场区域视频巡检方法的有效性,在某河流域水电公司的5座出线场进行应用。出线场内的设备包括:GIS、主变、电容器等。

基于SIFT算法的水电站出线场区域视频巡检算法采用python开发。软件部署在水电公司的机房服务器中,服务器的操作系统为windows server2019,服务器处理器为Intel Xeon Platinum8347C,处理器有36个核心;运行频率2.1GHz;运行内存128GB。文中用于训练CNN网络的图片为水电公司历年来的缺陷图片,共计127 296张。巡检的点位数为312处,卷积层数为4层,卷积核心大小为6 268。与文中方法比对的是支持向量机(support vector machine,SVM)方法[10],该方法是水电站出线场视频巡检中广泛使用的人工智能方法,缺陷识别准确率高,通用性强。

2.2 结果分析

2.2.1 出线场区域视频巡检性能分析

出线场区域视频巡检耗时为从输入模型巡检图片起到形成缺陷识别结果的时间段。出线场区域视频巡检耗时越短,则表明出线场区域视频巡检性能越好。

选择水电公司5座出线场,分别采用所提基于SIFT算法的水电站出线场区域视频巡检方法与SVM方法比较视频巡检性能,比较结果如表1所示。

由表1可见,文中所提基于SIFT算法的水电站出线场区域视频巡检方法平均巡检耗时为8.4min,短于SVM方法,因此,基于SIFT算法的水电站出线场区域视频巡检方法性能更优。

表1 出线场区域视频巡检性能

2.2.2 模型训练误差

选择水电公司历史数据对出线场视频巡检模型进行训练,bath大小设置为130,模型学习率为0.002,训练中包含300次迭代。在模型训练的过程中,各卷积层不更新权重,直至训练完成。出线场视频巡检模型的误差图如图1所示。

图1 出线场视频巡检模型训练误差图

由图1可见,随着出线场视频巡检模型训练次数增加,训练误差减少,在训练次数为230次附近,训练误差稳定在0.1%。

2.2.3 出线场区域视频巡检准确性

出线场区域视频巡检准确性分析是缺陷识别的关键指标。随机模拟缺陷图片,并采用模型识别缺陷,若模型识别的结果和模拟缺陷图片一致,则说明出线场缺陷识别准确,其比值为出线场缺陷识别准确率。

在5个出线场中,各开展10次视频巡检,每次巡检的点位数量为312,并随机在巡检过程中模拟缺陷图片。采用所提基于SIFT算法的水电站出线场区域视频巡检方法与SVM方法比较视频巡检缺陷识别准确率,比较结果如表2所示。

表2 视频巡检缺陷识别准确率

由表2可见,文中所提基于SIFT算法的水电站出线场区域视频巡检方法缺陷平均识别准确率为93.6%,高于SVM方法,因此,文中所提方法缺陷识别更准确。


3、结语


为解决出线场视频巡检缺陷识别准确率低的问题,提出了一种基于SIFT算法的水电站出线场区视频巡检方法。该方法采用了梯度滤波器法和图像腐蚀算法对出线场巡检图片进行了清洗,通过SIFT算法提取巡检图片特征,并采用卷积神经网络识别缺陷。在某水电公司出线场的应用表明,该方法能有效识别出线场设备缺陷。


参考文献:

[1]季石宇,王德兵,徐涵.水电站视频智能技术研究[J].四川水力发电,2021,40(3):71-73,97.

[2]江浩,吴穹,田振兴.剑科水电站安全管理数字化系统设计与研发[J].水力发电,2021,47(10):100-103,122.

[3]刘伟,江山,马天,等.基于深度学习图片分割技术的小水电站生态基流识别方法研究[J].小水电,2022(4):51-55.

[4]袁璞,郭歌,王莹,等.基于AI视频图像处理的水电机组运转监测与智能报警技术研究[J].电网与清洁能源,2022,38(1):121-127,134.

[5]曾林,高彦波,王胜涛,等.基于机器人视频监控的变电站多维巡检技术研究[J].自动化与仪表,2021,36(2):105-108.

[6]杨艳春,裴佩佩,党建武,等.基于交替梯度滤波器和改进PCNN的红外与可见光图像融合[J].光学精密工程,2022,30(9):1 123-1 138.

[7]胡笑天,王克俭,唐浩,等.一种自适应逐级开运算的原木端面识别方法[J].西北林学院学报,2022,37(5):202-209.

[8]范明亮,郭子涵,柴晓楠,等.面向FT-M7002的Sobel边缘检测算法优化实现[J].计算机工程,2022,48(6):193-199.

[9]唐冬来,蒋刚,王一茗,等.基于深度卷积网络的微电网经济运行状态评估方法[J].电力信息与通信技术,2022,20(5):30-37.

[10]蔡正梓,程海兴,陈茜,等.基于PSO-SVM的变电站视频监控火灾识别算法[J].自动化与仪表,2022,37(7):58-62,67.


基金资助:中国长江电力股份有限公司科研项目资助(项目编号4122011004);


文章来源:曾广栋,刘刚,夏建华,等.基于SIFT算法的水电站出线场区域视频巡检[J].水电与新能源,2024,38(11):28-31.

分享:

91学术论文范文

相关论文

推荐期刊

网友评论

加载更多

我要评论

水电与新能源

期刊名称:水电与新能源

期刊人气:947

期刊详情

主管单位:湖北省科学技术协会

主办单位:湖北省水力发电工程学会,湖北能源集团股份有限公司

出版地方:湖北

专业分类:水利

国际刊号:1671-3354

国内刊号:42-1800/TV

创刊时间:1987年

发行周期:月刊

期刊开本:16开

见刊时间:1-3个月

论文导航

查看更多

相关期刊

热门论文

【91学术】(www.91xueshu.com)属于综合性学术交流平台,信息来自源互联网共享,如有版权协议请告知删除,ICP备案:冀ICP备19018493号

微信咨询

返回顶部

发布论文

上传文件

发布论文

上传文件

发布论文

您的论文已提交,我们会尽快联系您,请耐心等待!

知 道 了

登录

点击换一张
点击换一张
已经有账号?立即登录
已经有账号?立即登录

找回密码

找回密码

你的密码已发送到您的邮箱,请查看!

确 定