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(nèi)電力設(shè)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(zhuǎn)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(zhuǎn)動角度可能偏離期望預(yù)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(shè)置預(yù)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(zhì)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(yù)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(diào)節(jié),難以滿足復(fù)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(diào)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(fù)雜背景下精度有所下降,對目標檢測的泛化能力不夠,導(dǎo)致圖像偏差難以準確計算,使預(yù)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(yù)置位自動糾偏技術(shù)。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(yù)置位快速準確糾偏。

1巡檢攝像機預(yù)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(guān)鍵部分。目前云臺大多采用具有傳動效率高、結(jié)構(gòu)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(jié)構(gòu)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(yù)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(dāng)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(dāng)前位置到目標位置的水平位移量,精準控制云臺轉(zhuǎn)動,完成后重復(fù)步驟1)。然后判斷云臺從當(dāng)前位置到目標位置的垂直位移量,精準控制云臺轉(zhuǎn)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(yù)置位軟件補償程序。在復(fù)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(yīng)速度,也沒有解決預(yù)置位限制的問題。

2基于深度學(xué)習(xí)的圖像識別技術(shù)與圖像偏差計算方法

2.1 基于Fine Mask RCNN的圖像識別技術(shù)

為了能在背景復(fù)雜、光照多變的變電站運維環(huán)境下,準確識別變電設(shè)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(luò)^[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(luò)(FPN)所組成的特征提取器來獲取變電站設(shè)備(隔離開關(guān)、表計、絕緣子等)的圖像特征;其次,通過區(qū)域建議網(wǎng)絡(luò)(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(yù)測框回歸與掩膜生成。

2.2基于最大互相關(guān)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(guān)匹配法計算出當(dāng)前圖片與模板圖片的位置距離。圖片w大小為A×B,即當(dāng)前圖片,設(shè)為p(x,y);圖片M大小為a×b,即模板圖片,設(shè)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(guān)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(yīng)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(dāng)前圖片與模板圖片的位置距離(C_x,C_y)。

2.3 PID復(fù)合控制系統(tǒng)

本文所構(gòu)建的攝像頭轉(zhuǎn)動步進電機是一個復(fù)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(shè)計了一種基于PID復(fù)合控制策略的“二輸入三輸出”步進電機控制系統(tǒng)?？刂七^程中對PID參數(shù)進行自適應(yīng)在線調(diào) 整,完成云臺電機的自動調(diào)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(yīng)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(jié)果與Mask RCNN算法識別結(jié)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(fù)雜背景的識別需求。

不同算法檢測結(jié)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(jié)果產(chǎn)生影響。當(dāng)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(fù)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(jié)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(jié)束語

本文構(gòu)建了FineMaskRCNN圖像識別算法,并結(jié)合PID控制實現(xiàn)了巡檢攝像機預(yù)置位自動糾偏,主要得到以下結(jié)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(gòu)建了步進定位糾偏系統(tǒng)的系統(tǒng)傳遞函數(shù),設(shè)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(shù)框架[J].中國電機工程學(xué)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(shù),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(shù)及應(yīng)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(xué)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