基于消费级数码相机的电力设备外观监测

0 引言

电力系统图像监测技术是结合图像技术和通信技术,对电力设备运行状态进行远程监控。基于图像处理的远程数字图像监控系统是将远程控制采集到的现场数字图像信号实时传送到监控中心的图像处理服务器,并根据预设的需求对采集到的数字视频图像进行自动化分析和处理^[1]。远程数字图像监控系统包括远程数字图像采集系统和数字图像处理系统两部分,随着信息通信技术的发展,两者出现的问题可以作为整体进行考虑。在电力行业,主要是通过图像采集系统对在运设备进行监测,运用图像处理技术对电力设备标准图像和监测画面进行特征比对分析,获取设备的运行状态、运行环境等异常信息,如变电站开关变位、电塔倾斜、仪表指针变化、绝缘子污垢/覆冰、电塔倾斜和设备过热形变等,实现电力系统的高度自动化无人值守,为运维监测提供了新的手段和可靠依据,有效节约系统运维成本^[2-4]。

随着智能电力系统的不断发展,越来越多的电力图像监测系统不断投入应用。在无人或少人值班的场所,监控系统代替值班人员监视电站设备的运行和安全情况,并提供事后分析事故的有关图像资料。当前,对电力设备监视画面的图像特征分析主要集中在直方图、轮廓提取以及几何特征分析等方面,利用图像分析设备状态的前提是图像采集器获取到的电力设备监控图像足够精确。由于监控图像质量的高低受电力监控设备工作机制和运行环境的影响,对于因运行环境、信号传输、数据存储等因素导致的图像劣化问题（图像去噪、图像去模糊和图像增强等）,许多研究者对其进行了深入研究,通过建立不同的数学模型进行逆推导恢复出高质量的设备监控图像^[5-8]。

另一种情况是由于传感器、光学系统和数码相机内部图像处理器的差异,导致数码图像与真实拍摄环境存在差异。解决这种类型的图像失真或者像差,需要从设备的运行结构上进行分析,通过图像处理系统对采集到的设备图像进行后期校正。图像失真的程度取决于采集系统所采用的元器件的精度和集成系统的工作原理,失真程度低的图像采集设备伴随着高成本。在实际工程中,图像采集设备多数采用消费级的摄像头,限于镜头的工作方式,获取到的图像与实际图像存在偏差。在正常拍摄条件下,数码相机镜头边缘部分的放大率与中心部分放大率不一致会引起图像畸变,主要分为桶形畸变和枕形畸变^[9-10]。桶形失真是因光线的倾斜度大而引起的一种成像缺陷,像点会随着与中心点距离的增大而移位。图像桶形失真中的直线中间段向外弯曲,两端则向中心弯曲,形成四角向内收缩,边线中段则向外凸出,普通消费级数码相机的桶形失真率通常为1%。枕形失真是指由镜头引起的画面向中间“收缩”的现象,使用长焦镜头或变焦镜头的长焦端时,容易出现枕形失真现象,普通消费级数码相机的枕形失真率通常为0.4%。图像采集系统获取到的畸形图像如图1所示,可以看出图1b和图1c中的铁塔垂直线分别向外凸出和向内凹进。

图1 图像失真Fig.1 Image distortion

对于需要高精度监视的设备仪表、因设备内部异常导致细微外观变化或电力设备器件制造过程中由于误差而导致形变等场合,需要图像监控系统能够准确地反馈设备状态的变化状况。因此,对获取到的监控图像进行校正是很有必要的,有助于提高后续对设备状况分析的精确度。

本文结合电力行业设备状态监测的高精度性、异常反馈及时性、降低运行维护成本等需求,提出了一种基于消费级数码相机的远程监控方案。该方案结合网络摄像头和POC技术,可有效解决专用高精度图像采集系统成本高、设备配置复杂以及传统消费级图像采集设备存在图像失真等问题。自动化图像监测系统工作流程如图2所示。

图2 自动化图像监测系统工作流程Fig.2 Automation image monitoring system work flow

 1 图像失真及校正

1.1 图像失真

由于基于图像处理技术的电力设备监测系统采用的图像采集设备各异、运行环境多样、焦距动态变化,获取到的监测图像存在畸形和像差,严重影响了对设备运行状态的分析。尤其是精密设备仪表的刻度识别、电塔的稳定状况分析以及设备采用部件的精度确认。绝缘子覆冰图像失真如图3所示,模拟了绝缘子在覆冰情况下的桶形失真图像和枕形失真图像。对比图中的3种情况,可以直观地看出失真图像对绝缘子覆冰厚度的判别存在影响。同时,失真图像表现出绝缘子本体的部分结构特征存在变形。

图3 绝缘子覆冰图像失真Fig.3 Ice-coated insulator image distortion

1.2 失真图像校正

针对图像失真,各种各样的失真图像校正的方法被提出,并取得了不错的效果^[11-15]。校正的主要思路是通过建立原始图像坐标和畸变图像坐标之间的对应关系,对畸变图像进行坐标变换,从而得到校正后的图像。畸变图像校正需要考虑坐标的对应位置以及因形变导致的图像结构放大或缩小。传统的桶形校正模型可表示为：

 (2)

式中,k₁为图像比例系数,k_2x和k_2y分别为x方向和y方向上的校正系数,  为x方向和y方向上对k₁的修正系数。

在图像校正过程中,参数的设定直接影响到校正后图像的质量,需对失真参数进行准确预测。同时,现有的操作流程需要事先判断输入图像属于哪一类型的失真。

 2 电力设备器件图像校正

由于电力设备运行环境的多样性和复杂性,对于大型设备（电塔、IGBT等）图像校正系数的预测存在难点,对于参照模型的设计还处于研究阶段。本文主要针对小型设备及部件,构建有效的预测模型校正设备图像,为后续的研究分析提供精确、直观的资料。

2.1 基于POC的图像畸变检测及校正

相位相关法是高精度的图像配准方法,在图像认证、三维测量、计算机视觉技术等方向有很广泛的应用。相较于传统的相关方法,POC方法具有易实现、速度快、对由噪声和细微旋转导致的差异有良好的鲁棒性等优势。假设两幅图像的情况下,首先分别对各图像进行离散傅立叶变换,然后联合构造互相位频谱函数。最后,解决图像匹配问题的POC函数变成互相位频谱函数的二维逆离散傅立叶变换。

为了解决校正系数预测的问题,本文提出采用随机点图像和POC算法构建校正系数预测模型。首先将随机点图像的背景设置成黑色,然后对随机点图像进行图像采集并处理,最后联合已知的随机点参考图像进行各像素点的位移预测以获取校正模型^[16]。随机点图像如图4所示,展示了参考随机点图像和图像采集系统对随机点图像进行图像采集获取到的照片。

图4 随机点图像Fig.4 Random dot image

由于被监测设备和摄像头的位置固定,因此每次对设备或器件进行监测时不需要重新进行校正系数预测,可以直接采用前期构建好的校正模型进行图像校正。器件图像校正如图5所示。

图5 器件图像校正Fig.5 Device image correction

2.2 高精度图像校正

根据2.1节提出的方法,可以对畸形的图像进行有效校正。但考虑到电力设备稳定运行状态的重要性,对于设备部件的结构需要很高的精确度。因此,为了更准确地分析设备的状况,提出基于多摄像头的图像校正系统对电力器件图像进行校正,具体流程如下：

1）将随机点图像标记成n×n块,并采用n×n个摄像头对标记后的随机点图像进行拍摄;

2）提取按照分块规则切割的图像块,调整参照图像和拍摄图像的尺寸,逐个进行基于POC的校正系数推测,获取校正模型;

3）对各小块进行图像校正,并根据分块规则逆向组合成一个整体图片。

为了防止图像信息丢失,参考图像和拍摄图像在基于事先确定的分块规则的基础上扩大一定的边界后再进行分块校正。由于各摄像头的位置、角度、拍照环境存在差异,导致各小块进行校正之后图像的DPI存在不统一的现象。为了统一DPI,对于校正完之后的图像,按照设定的分块规则再进行一次图像分割。图像切割如图6所示。

图6 图像切割Fig.6 Image segmentation

最后,通过相似性分析,对于块与块之间重合的部分进行拼接处理去除重合的部分,使得校正后各小块图像的DPI一致。图像拼接如图7所示。

图7 图像拼接Fig.7 Image mosaic

 3 实验结果

本文实验基于随机点参考图像、多摄像头拍摄和POC算法构建的电力设备精度检查系统,对其有效性进行评估分析。对于章节2.2中提出的多摄像头架构,采用16台网络摄像头（4×4）进行拍摄。首先对每台网络摄像头拍摄的局部图像进行失真校正,然后将校正后的图像按照各个网络摄像头对应的位置进行图像拼接,最后计算参考图像和校正图像的误差。本次实验运行环境为MATLAB R2014a(CPU为Intel Core i5-6200U,2.30 GHz)。实验参数见表1所列。

表1 实验参数Tab.1 Experimental parameters

表2 对比结果Tab.2 Comparison results

校正后的图像如图8所示。

图8 校正后的图像Fig.8 Corrected image

为确认本文提出方法的精度,比对使用1台摄像头进行校正的实验结果和使用16台摄像头进行图像校正的实验结果。当最大误差为0.5 mm以下时,可