燃气发电厂占地面积较大，厂房内存在大量的交叉线、机柜和电缆线等电力设备[1]，为了确保工作人员及时发现燃气发电主厂房中存在的异常现象，工作人员需要经常巡检设备，但设备数量较多，不仅增大了工作人员的巡检工作量，且容易出现漏检和误检的现象，为了提高巡检效率和巡检精度，可利用智能巡检机器人代替人力巡检工作[2]。

国外对于异常问题图像识别报警的研究起步较早，主要是通过相关软件分析与识别存在异常的位置，以此结合异常位置判断结果实现基于巡检机器人的异常问题图像识别报警。国内对于异常问题图像识别报警这一问题的研究起步较晚，但是也出现了较多优秀的研究成果，例如李宏伟[3]等人通过引入相似度概念对基本信度分配函数进行修正，实现D-S证据理论改进。利用改进的D-S证据理论对多传感器图像信息进行融合处理，同时将隶属度函数Sigmf作为变电站火灾监测传感器的基本概率函数，可对火灾不同阶段的特征进行监测和提取，结合预警阈值实现异常预警。该方法采集图像时容易受到光照条件的影响，采集到的图像质量较差。邱建都[4]等人通过最小线性二乘方法融合传感器采集的数据，根据融合数据确定巡检机器人位姿信息，通过粒子滤波算法优化机器人在世界坐标系下的位姿，在覆盖栅格的基础上获得燃气发电主厂房的全局环境地图，结合设备运行信息实现异常报警。该方法报警所需的时间较长，且报警精准度较低。

为了解决上述方法中存在的问题，提出基于巡检机器人的燃气发电主厂房异常问题图像识别报警方法。

1、基于巡检机器人的异常问题图像识别报警

1.1巡检机器人性能要求

(1）电源适应性：将磷酸铁锂电池作为巡检机器人的电源，将电压幅值偏差控制在-20%～20%之间。

(2）运动性能要求：智能巡检机器人在燃气发电主厂房内采用轮式运动方式，在导航定位控制过程中需要将误差控制在20 mm以内。为了使智能巡检机器人适应燃气发电主厂房的环境，机器人需要具备原地转向功能。

(3）云台性能要求：在高精度定位下云台可以一次性完成图像采集，在图像采集过程中不受智能巡检机器人主体部位遮挡的影响。

(4）自动导航定位要求：将三维激光无轨导航方式作为智能巡检机器人的主要导航方式，在燃气发电厂主厂房内巡检时，将导航定位误差控制在10 mm以内。

(5）通信性能要求：智能巡检机器人在传输信号和控制信号时需要具备抗干扰能力，提高信号的穿墙性能。在燃气发电主厂房内实现智能巡检机器人的无死角遥控；确保智能巡检机器人采集的信息可安全及时地传输到监控后台中。

以当前石油燃气化工厂站所使用的智能巡检机器人为ACR-1A型防爆巡检机器人。具体如下图1所示。

图1 智能巡检机器人示例图

1.2厂房设备图像预处理

燃气发电主厂房异常问题图像识别报警基础是对智能巡检机器人采集到的厂房设备图像进行预处理，以提高采集图像的质量，进而提高异常问题图像识别报警的精准度与效率。利用HM模型将巡检机器人采集的图像进行分解，根据权重重新组合分解后的图像，在不同光照情况下完成图像预处理。

(1）颜色空间转换

将智能巡检机器人采集的图像分解为H、V、S三个分量，这些分量之间不存在关联，是互相独立的。燃气发电主厂房的环境较为复杂，采用HM模型中的HSV颜色空间代替智能巡检机器人采集的图像，以避免图像受到环境的干扰[5-6]。

在颜色空间转变过程中，用蓝色、绿色和红色分量组成智能巡检机器人采集的图像，分别用B、G、R表示，每个像素在图像中的B分量值、G分量值、R分量值分别用B(i,j)、G(i,j)、R(i,j)表示，三种分量的有效值均控制在[0,255]以内，假设用min(i,j)、max(i,j)表示分量值在图像中的最小值和最大值，此时下述公式成立：

在HM模型中，用H分量H(i,j)、S分量S(i,j)和V分量V(i,j)分别表示不同颜色之间的差异、颜色纯度和颜色亮度，其表达式如下：

式中：P=V(i,j)-min(i,j)表示图像饱和度，C=B(i,j)-R(i,j)表示蓝色分量和红色分量间的对比度，D=R(i,j)-G(i,j)表示红色分量和绿色分量间的对比度，Q=G(i,j)-B(i,j)表示绿色分量和蓝色分量间的对比度。

(2）灰度图像重建

为了避免燃气发电主厂房的光照条件对智能巡检机器人的图像采集结果产生影响，重新组合H(i,j)、S(i,j)和V(i,j)，燃气发电主厂房中智能巡检机器人异常报警方法采用通过下式逆向处理H(i,j):

在范围内归一化处理逆像，获得分量的系数矩阵：

式中，a、b分别代表的是逆像的最小值和最大值。

在重建图像过程中将S(i,j)加入V(i,j)中，获得重建的灰度图像F(i,j):

(3）图像亮度调整

由于普通光源在暗光线条件下存在点光源补光缺陷，智能巡检机器人采集的图像会存在光照点或光斑，影响异常报警结果[7-8]，因此在检测普通光源的亮度时，通过HM模型获取的S分量和V分量，在暗光线条件下对智能巡检机器人采集图像进行光照调整，用Vp表示分量V在图像F(i,j)中的平均亮度，其表达式为：

式中，v(i)是像素在亮度值i中的数量。

设Sp代表的是分量S在图像F(i,j)的平均亮度，可通过下式计算得到：

式中，s(i)是像素在饱和值i中的数量。

通过式（6）和式（7）判断图像的亮度条件，根据判断结果调整图像的补光强度，使智能巡检机器人在相同光照条件下采集图像，保证图像采集结果的稳定性和一致性。

1.3仪表指针图像区域特征提取

燃气发电主厂房的设备图像有时会包括设备的仪表指针显示信息。因此，在对设备图像预处理的基础上，应用区域特征提取（MSER）方法[9-10]对厂房设备的仪表指针进行进一步的定位与处理，以为设备运行状态判断提供依据，实现异常问题图像识别报警。对智能巡检机器人采集的灰度图像做二值化处理，MSER区域指的是面积随着阈值提高变化较小的区域，设表示连通区域阈值变化量，B(i)代表的是面积变化率，其计算公式如下：

式中，Wi、Wi+、Wi-分别表示为第i、i+、i-个连通区域对应的面积，当连通区域的B(i)低于阈值，表明其属于MSER，上述过程属于MSER+检测。

通过上述过程获得的MSER内部灰度值通常低于图像边界值，MSER-检测过程即为反转图像的过程，在MSER+检测结果的基础上对图像再次展开MSER检测。

采用MSER检测方法检测仪表指针区域的具体过程如下：

(1）分别采用MSER+检测和MSER-检测方法获得图像I1、I2，确定指针区域在图像中对应的面积S1、S2。

(2）用IO表示完成MSER检测的图像，设定面积阈值Sm:

当S1≥Sm,S2≥Sm时，存在IO=I1+I2;

当S1≥Sm,S2≤Sm或S1≤Sm,S2≥Sm时，存在IO=max(I1+I2)。

仪表中的指针通常具有末端细和始端粗的特点，燃气发电主厂房中智能巡检机器人异常报警方法采用Zhang细化算法对指针展开细化处理。

待判断点A1的八邻域如图2所示。

图2 八邻域

分别用0和1表示背景点和目标点，指针细化处理的具体过程如下：

(1）在图像中消除满足下式的像素点：

式中，D(A1)为A1八邻域点的变化次数；N(A1)为非零点的数量。

(2）在图像中消除符合下式的像素点：

(3）按照上述过程消除指针区域中存在的点，剩余的点即为指针的骨架，完成设备的仪表指针定位，为设备的运行状态判断与异常问题图像识别报警提供依据。

1.4异常问题图像识别报警

为了提升异常问题图像识别报警质量，结合统计分析方法和灰度共生矩阵[11-12]提取设备图像的时空特征，用f(x,y)表示灰度级别为Ng、大小为M×N的异常问题图像，通过下式提取图像的时空特征P:

式中：d表示i、j的像素点在图像中存在的距离；代表的是空间角度方向；Θ代表的是元素在集合中的数量。

利用沙普利加法特征归因聚类算法计算图像时空特征的贡献度，对计算结果展开可视化分析，根据分析结果划分设备在燃气发电主厂房中的运行状态，实现问题图像识别报警。

通过简单模型h解释预测模型f的预测结果：

式中，M0代表的是图像时空特征的数量；表示简单模型数量；φ0是解释模型中存在的常数；φi是Shapley值。

将智能巡检机器人采集的图像分为带标签数据，分别是故障类和正常类，用下述矩阵F表示智能巡检机器人采集的图像：

式中，N0代表的是设备的图像数量。

在极端梯度提升模型的基础上划分特征F的类别，并设置对应的标签，设置异常问题图像判断阈值，分别是异常（0），正常（1），警告（3）和注意（4），设φi,j代表的是特征对应的贡献度，则设置异常问题图像判断阈值计算公式如下：

结合异常问题图像判断阈值识别厂房设备运行状态，根据识别结果实现发电主厂房中智能巡检机器人异常报警。

2、实验与分析

为验证基于巡检机器人的燃气发电主厂房异常问题图像识别报警方法的整体有效性，需要对其展开测试。

2.1异常报警方法图像质量分析

以主厂房的设备图像为例，采用所提方法、文献[3]方法和文献[4]方法采集并处理在正常光照条件下与反光条件下的燃气发电设备图像，图像处理结果如图3所示。

图3 不同方法的图像采集结果

由图3可知，无论是在正常光照条件下还是反光条件下，所提方法均可获得较为清晰的燃气发电设备图像，原因是方法对厂房设备图像预处理过程中进行了颜色空间转换、灰度图像重建、图像亮度调整，避免图像采集结果受光照条件的影响。说明所提方法在厂房设备的图像处理环节的性能更优，处理后的厂房设备图像质量更高。

2.2异常情况识别效果比较

比较了三种方法的异常情况识别效果，正常情况下的厂房图像如图4所示。

在发生线路异常燃烧情况下的不同方法的识别效果如图5所示。

图4 正常情况下的厂房图像

图5 异常情况识别效果比较

分析图4与图5可知，与正常情况下的厂房图像相比，设备最右侧的线路出现了异常燃烧情况。文献[3]方法与文献[4]方法在巡检过程中拍摄到了相关图像，但是识别结果均是无异常，并未发现燃气发电主厂房设备线路异常燃烧情况。而所提方法的识别结果为异常，发现了燃气发电主厂房的线路异常燃烧情况，并正确标注出其位置，以此证明该方法的异常识别效果好。

2.3异常报警精准度对比分析

采用三种方法在相同条件下展开燃气发电主厂房异常报警测试，对比不同方法的精准度，测试结果如图6所示。

由图6可知，三种方法的报警精准度随着设备数量的增加均呈现出了下降趋势。所提方法的精准度曲线更为平稳一些，报警精准度基本保持在85%至94%之间；文献[3]方法的报警精准度基本保持在77%至92%之间；而文献[4]方法的报警精准度基本保持在74%至85%之间。相比之下，所提方法的报警精准度更高，说明所提方法能够更为精准地完成燃气发电主厂房中异常问题图像识别报警。

图6 精准度测试结果

2.4异常报警响应时间对比分析

在同样的测试环境中，记录不同试验次数下，应用三种方法在异常检测过程中从发现故障到报警的响应时间，对比结果如图7所示。

图7 报警响应时间

在不同的实验次数下，相比其他两种对照方法，所提方法的响应时间曲线的波动性更低，稳定性更强,从发现故障到报警的响应时间在1.2 s至1.75 s之间；文献[3]方法从发现故障到报警的响应时间在1.85 s至2.55 s之间；而文献[4]方法从发现故障到报警的响应时间在2.8 s至3.5 s之间。相比之下，所提方法可在短时间内完成报警，将损失尽可能降到最小。

3、结束语

在安全事故预防领域中，异常报警属于重要措施，当燃气发电主厂房中出现故障时，如果处理不及时可能会引起火灾，造成重大损失，因此研究燃气发电主厂房异常报警方法具有重要意义，提出基于巡检机器人的燃气发电主厂房异常问题图像识别报警方法，该方法避免了光照对图像采集产生的影响，通过提取图像时空特征完成燃气发电主厂房异常问题图像识别报警，解决了目前方法中存在的问题，为燃气发电主厂房的运行提供了安全保障。实验结果证明，方法具有较高的异常报警精准度以及较短的报警响应时间，对于巡检机器人在燃气发电主厂房中的异常报警精度与效率的提升发挥了很大的作用。

参考文献:

[1]钟旭,孙伟华,别秀玲.电力设备检修三维仿真集成系统的研究[J].自动化技术与应用,2021,40(3):137-140,147.

[2]董翔宇,季坤,朱俊,等.对特高压变电站巡检机器人路径规划改进蚁群算法的研究[J].电力系统保护与控制,2021,49(18):154-160.

[3]李宏伟,张宋彬,李婧,等.基于改进D-S证据理论的变电站火灾监测报警技术研究[J].微型电脑应用,2022,38(5):45-48.

[4]邱建都,吴娟,金书奎,等.基于优化Fast-SLAM的煤矿水泵房巡检机器人研究[J].煤炭工程,2021,53(7):139-145.

[5]刘寿鑫,龙伟,李炎炎,等.基于HSV色彩空间的低照度图像增强[J].计算机工程与设计,2021,42(9):2552-2560.

[6]杨鸽,郑嘉龙,王莹.基于HSV与RGB颜色空间的人体检测与跟踪算法[J].自动化技术与应用,2022,41(9):17-20,28.

[7]温德圣,许燕,周建平,等.自然光照影响下基于深度卷积神经网络和颜色迁移的杂草识别方法[J].中国科技论文,2020,15(3):287-292.

[8]孙继平,范伟强.基于视频图像的瓦斯和煤尘爆炸感知报警及爆源判定方法[J].工矿自动化,2020,46(7):1-4,48.

[9]段文双,闫书佳,单鸿涛,等.高压设备放电紫外图像光斑区域特征提取[J].计算技术与自动化,2022,41(1):129-135.

[10]苏本娅,李彩林,王佳文,等.基于MSER和NCC的轨枕数字编码识别方法[J].机床与液压,2021,49(9):89-93,108.

[11]高树国,王丽丽,田源,等.基于振动时频信号灰度共生矩阵的有载分接开关触头状态检测方法研究[J].电工电能新技术,2022,41(1):69-77.

[12]李金凤,赵雨童,黄纬然,等.基于灰度共生矩阵的多尺度分块压缩感知算法[J].激光与光电子学进展,2021,58(4):100-108.

文章来源:王晓晖,兰建辉,韩玉鑫,等.基于巡检机器人的燃气发电主厂房异常问题图像识别报警方法[J].自动化技术与应用,2024,43(09):64-68.