CN102314615B - 基于变电站巡检机器人的断路器状态模板匹配识别方法 - Google Patents

Abstract

本发明公开了一种基于变电站巡检机器人的断路器状态模板匹配识别方法。它利用变电站巡检机器人自动采集断路器的图像，并利用模板匹配方法对其状态进行识别，其具体步骤如下：首先使用模板匹配的方法，分别提取“分”、“合”字符所在区域为模板，对后续拍摄的图像进行匹配。接着对分、合模板及匹配窗口分别使用最大类间方差(OTSU法)进行图像分割，得到包含目标和背景的二值图像；然后，基于模板与匹配窗口的目标的差异度，综合判断设备最终的状态。通过实验表明，该算法处理速度快，可靠性高，对于给出的分合结论，没有误判，能够满足现场巡视实时性，高可靠度要求。

Description

基于变电站巡检机器人的断路器状态模板匹配识别方法

技术领域

本发明涉及一种变电站断路器的状态识别方法，尤其涉及一种基于变电站巡检机器人的断路器状态模板匹配识别方法。

背景技术

变电站高压断路器担负着控制高压线路的断开/连接，以及保护隔离开关的双重任务，是变电站最重要的开关设备，也是变电站内日常巡检任务必须巡视的设备。设备的状态通过状态显示箱以“分”、“合”字符标识。

变电站高压断路器主要巡视方式及存在的问题：

1、人工巡视。

人工巡视存在以下几点缺陷：劳动强度大、工作效率低；巡视/核查不到位；与现有管理信息系统对接周期长等。这些缺点，严重影响变电站的自动化运行。

2、在线监测。

目前的断路器在线监测模式存在下述问题[刘宝生，闫莉萍，周东华.几种经典相似性度量的比较研究[J].计算机应用研究，2006，11：1-3]，采样信号较少、数据不足；对运动过程缺乏记录；分析精度不高，诊断结论缺乏说服力等缺点。

3、变电站巡检机器人巡视。

国家知识产权局2010年4月28号公布的专利号CN201442264U，名称为“变电站智能巡检机器人”，国家知识产权局2011年6月1号公布的申请号201010508300.2，名称为“变电站设备智能巡检机器人系统”的专利中都提出了变电站智能机器人巡检的技术方案，但都还不具备变电站断路器状态自动识别方法，只能依靠视频图像进行人工判断，效率较低。

发明内容

本发明的目的就是为解决上述问题，提供了一种基于变电站巡检机器人的断路器状态模板匹配识别方法，它运算速度快，图像识别率高，可满足现场的实时巡视要求。

为实现上述目的，本发明采用如下技术方案：

本发明利用变电站巡检机器人自动采集断路器的图像，并利用模板匹配方法对其状态进行识别，其具体步骤如下：

1)分别建立断路器的分闸、合闸状态下的分、合模板；

2)利用成像设备获取待检测图像；

3)分别计算待检测图像与分、合模板的最佳匹配窗口；

4)对分、合模板及匹配窗口分别使用自适应的二值化方法进行图像分割，得到包含目标和背景的二值图像；

5)统计目标差异度D(x，y)；

$D(x,y)=\frac{1}{w\·h}{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}(\mathrm{BT}(x^{\′},y^{\′})\⊕\mathrm{BI}(x+x^{\′},y+y^{\′}))$

其中，BT，BI分别为模板图像和匹配窗口图像二值化后的图像，BT(x′，y′)、Bi(x+x′，y+y′)取值均为0或1，x′、y′为模板图像的像素坐标，有0≤x′＜w，0≤y′＜h，w，h分别为模板图像的宽度和高度，x，y为匹配窗口在待识别图像中的位置；

通过对两幅二值图像取异或，即BT(x′，y′)与BI(x+x′，y+y′)相等时，异或结果为0，两者不等时，异或结果为1，对异或结果进行累加，统计信息不一致的像素点个数占据模板面积的比例值；

6)根据计算的两模板与各自匹配窗口的目标差异度，判断：如果两个模板的差异度D均大于阈值，认为图像中没有目标或目标太模糊无法识别；

若否，判断合闸的匹配度是否大于分闸的匹配度；若否，则转入步骤7)；若是，则判断合闸与分闸的差异度大小，如果合闸的差异度小于分闸的差异度，则判断为合闸装态；如果合闸的差异度大于分闸的差异度，则判断为分闸状态；

7)如果合闸的差异度大于分闸的差异度，则判断为分闸状态；如果小于，则判断为合闸状态。

所述步骤1)中，分、合模板的建立方法为：使用一般光照条件下断路器分、合状态图像的字符区域作为模板，提取字符的最小外接矩形区域为模板区域。

所述步骤3)中，分别使用分、合模板这两幅模板图像与待检测图像利用归一化互相关系数(NCCC)进行匹配，并搜索匹配度最大的位置，作为分、合模板的最佳匹配窗口。

所述步骤4)中，自适应的二值化的方法为最大类间方差(OTSU法)[Otsu N.Athreshold selection method from gray-level histograms.IEEE Trans，1979，SMC9(1)：62～66]。

所述步骤6)中，D(x，y)的阈值取0.3，该阈值的选择需要大于模板图像中目标区域占模板总面积的比例，当分、合模板的D(x，y)均大于0.3时，则认为两个匹配关系都是错误的，判断为图像质量太差。

本发明的工作原理为：

模板匹配可以分为两种类型：基于特征的模板匹配和基于模板的模板匹配。其中，基于特征的匹配通过提取模板和图像的特征，如边缘、SIFT[Lowe D，G.Distinctive.Image features from scale-invariant keypoints[J].International Journal ofComputer Vision，2004，60(2)：91-110.]点等，通过寻找特征点之间的匹配关系，来确定模板匹配窗口；基于模板的匹配，通常利用整个模板与源图像灰度像素值的相关性，寻找模板在待检测图像中可能的位置。

模板图像通过滑动窗口的形式遍历整幅图像，同时计算模板图像和窗口图像的差异度或相似度，通过计算差异度的最小值或相似度的最大值来确定匹配的窗口位置。常见的相似性度量函数有绝对差(Sum of absolute differences，SAD)，平方差(Sum of squared difference，SSD)，归一化互相关(NormalizedCross Correlation，NCC)，及归一化互相关系数(Normalized Cross-CorrelationCoefficient，NCCC)等。然后计算其最小值或最大值来确定匹配窗口位置，这里分别计算绝对差(SAD)和平方差(SAD)的最小值，归一化互相关(NCC)和归一化互相关系数(NCCC)的最大值。

绝对差(SAD)定义为：

R(x，y)＝∑_x′y′|T(x′，y′)-I(x+x′，y+y′)|                                           (1)

平方差(SSD)定义为：

R(x，y)＝∑_x′y′[T(x′，y′)-I(x+x′，y+y′)]²                                          (2)

归一化互相关(NCC)定义为：

R(x，y)＝∑_x′y′[T(x′，y′)·I(x+x′，y+y′)]/∑_x′y′T(x′，y′)²·I(x+x′，y+y′)²   (3)

归一化互相关系数(NCCC)定义为：

$R(x,y)=\frac{{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}[T(x^{\′},y^{\′})-E\left(T\right)]\·[I(x+x^{\′},y+y^{\′})-E\left(I\right)]}{\sqrt{{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}{(T(x^{\′},y^{\′})-E\left(T\right))}^2\·{(I(x+x^{\′},y+y^{\′})-E\left(I\right))}^2}}---\left(4\right)$

其中， $E\left(T\right)=\frac{1}{w\·h}{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}T(x^{\′},y^{\′}),$ $E\left(T\right)=\frac{1}{w\·h}{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}I(x+x^{\′},y+y^{\′}).$

通过对上述几种相关性函数的比较，在信噪比较低的时候，归一化互相关系数(NCCC)归一化互相关(NCC)算法优于平方差(SSD)和绝对差(SAD)[刘宝生，闫莉萍，周东华.几种经典相似性度量的比较研究[J].计算机应用研究，2006，11：1-3]。归一化互相关系数(NCCC)对白噪声抗干扰能力强，对光照引起的灰度变化和轻微的几何畸变有较高的鲁棒性[刘锦峰.图像模板匹配快速算法研究[D].湖南：中南大学，2007]。因此，本发明采用归一化互相关系数(NCCC)作为相关性的计算方法。

本发明的有益效果是：

(1)通过实验表明，该算法处理速度快，可以满足现场巡视实时性的要求；

(2)可靠性高，对于给出的分合结论，没有误判；

(3)应用范围广，它适用于固定拍摄距离和拍摄角度、焦距固定的情况，并允许存在误差，在固定点监控系统以及移动机器人巡检系统中都可以使用。

附图说明

图1a为分状态断路器图像；

图1b为合状态的断路器图像；

图2a为分模板；

图2b为合模板；

图2c为分模板所在的原始图像；

图2d为合模板所在的原始图像；

图3为模板匹配结果；

图4a为合模板图像；

图4b为合模板匹配窗口分割后的结果；

图4c为分模板图像；

图4d为分模板匹配窗口分割后的结果；

图5a为受光照影响较小的图像；

图5b为光照正常的图像；

图5c为光线影响较大的图像；

图6为5种不同角度拍摄的断路器图像；

图7为本发明的流程图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

图7中，一种基于变电站巡检机器人的断路器状态模板匹配识别方法，它利用变电站巡检机器人自动采集断路器的图像，并利用模板匹配方法对其状态进行识别，其具体步骤如下：1)分别建立断路器的分离、合闸状态下的分、合模板；

2)利用成像设备获取待检测图像；

3)分别计算待检测图像与分、合模板的最佳匹配窗口；

4)对分、合模板及匹配窗口分别使用自适应的二值化方法进行图像分割，得到包含目标和背景的二值图像；

5)统计目标差异度D(x，y)；

$D(x,y)=\frac{1}{w\·h}{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}(\mathrm{BT}(x^{\′},y^{\′})\⊕\mathrm{BI}(x+x^{\′},y+y^{\′}))$

其中，BT，BI分别为模板图像和匹配窗口图像二值化后的图像，BT(x′，y′)、BI(x+x′，y+y′)取值均为0或1，x′、y′为模板图像的像素坐标，有0≤x′＜w，0≤y′＜h，w，h分别为模板图像的宽度和高度，x，y为匹配窗口在待识别图像中的位置；

通过对两幅二值图像取异或，即BT(x′，y′)与BI(x+x′，y+y′)相等时，异或结果为0，两者不等时，异或结果为1，对异或结果进行累加，统计信息不一致的像素点个数占据模板面积的比例值。

通过对两幅二值图像取异或，即BT(x′，y′)与BI(x+x′，y+y′)相等时，异或结果为0，两者不等时，异或结果为1，对异或结果进行累加，统计信息不一致的像素点个数占据模板面积的比例值。

6)根据计算的两模板与各自匹配窗口的目标差异度，判断：如果两个模板的差异度D均大于阈值，认为图像中没有目标或目标太模糊无法识别；

若否，判断合闸的匹配度是否大于分闸的匹配度；若否，则转入步骤7)；若是，则判断合闸与分闸的差异度大小，如果合闸的差异度小于分闸的差异度，则判断为合闸装态；如果合闸的差异度大于分闸的差异度，则判断为分闸状态；

7)如果合闸的差异度大于分闸的差异度，则判断为分闸状态；如果小于，则判断为合闸状态。

所述步骤1)中，分、合模板的建立方法为：使用一般光照条件下断路器分、合状态图像的字符区域作为模板，提取字符的最小外接矩形区域为模板区域。

所述步骤3)中，分别使用分、合模板这两幅模板图像与待检测图像利用归一化互相关系数(NCCC)进行匹配，并搜索匹配度最大的位置，作为分、合模板的最佳匹配窗口。

所述步骤4)中，自适应的二值化的方法为最大类间方差(OTSU法)[Otsu N.Athreshold selection method from gray-level histograms.IEEE Trans，1979，SMC9(1)：62～66]。

所述步骤6)中，D(x，y)的阈值取0.3，该阈值的选择需要大于模板图像中目标区域占模板总面积的比例，当分、合模板的D(x，y)均大于0.3时，则认为两个匹配关系都是错误的，判断为图像质量太差。

实施例1

高压断路器的日常巡检内容，主要是判断开合状态是否与运行方向一致。不同厂家生产的断路器外形各异，但大都使用以绿色作为底色的“分”、以红色作为底色的“合”字来标识断开或连接状态，有的也附加”On”或“Off”英文单词标识。图1a和图1b分别给出了两种不同外形的断路器显示窗口图像。

为了提高识别结果的可靠性，本发明对断路器分、合状态分别提取模板，采用一般光照条件下断路器“分”、“合”字符区域作为模板。不同的断路器显示窗口外形不一，为了方法的通用性，选取字符的最小外接矩形区域为模板区域。

图2a、图2b为两种状态对应的两个模板，图2c、图2d分别为图2a、图2b模板所在的原始图像。

分别使用两幅模板图像与待检测图像进行模板匹配，然后计算匹配度最大的位置，得到匹配窗口。图3给出了使用上文中提取的模板的匹配结果，其中，白色框为“合”模板的匹配窗口，黑色框为“分”模板的匹配窗口。可见，分模板的匹配窗口是正确的，合模板的匹配窗口是错误的。同时得到两模板与匹配窗口的归一化互相关相系数，其中，分模板匹配度最大值为0.90947，合模板的匹配度最大值为0.516928。可见，正确的匹配关系具有较高的匹配度(归一化互相关系数)。

由于受室外天气及噪声等因素影响，图像存在模糊的情况，仅依靠匹配度大小来判断分合状态，会存在误判。因此，进一步考虑模板图像中的目标和匹配窗口内的目标的差异，来判断匹配结果的正确性。本文对模板图像和匹配窗口图像分别进行自适应二值化后，得到目标的二值图像。本文使用最大类间方差法(OTUS法)[Otsu N.A threshold selection method from gray-level histograms.IEEE Trans，1979，SMC 9(1)：62～66]自动获取分割阈值，得到包含目标和背景的二值图像。

图5a、图5b、图5c、图5d图像，分别为“合”、“分”模板图像和匹配窗口分割后的结果。可见，分模板的匹配窗口分割后与分模板分割后的信息较为一致，而合模板的匹配窗口，由于是错误的，分割后，与模板信息差异十分大。

为了获得分割后模板的二值信息与匹配窗口的二值信息的差异性，定义目标差异度D(x，y)为：

$D(x,y)=\frac{1}{w\·h}{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}(\mathrm{BT}(x^{\′},y^{\′})\⊕\mathrm{BI}(x+x^{\′},y+y^{\′}))---\left(2\right)$

其中，BT，BI分别为模板图像和匹配窗口图像二值化后的图像，BT(x′，y′)、BI(x+x′，y+y′)取值均为0或1，x′、y′为模板图像的像素坐标，有0≤x′＜w，0≤y′＜h，w，h分别为模板图像的宽度和高度，x，y为匹配窗口在待识别图像中的位置。通过对两幅二值图像取异或，即BT(x′，y′)与BI(x+x′，y+y′)相等时，异或结果为0，两者不等时，异或结果为1，对异或结果进行累加，统计信息不一致的像素点个数占据模板面积的比例值。

为了确保识别结果的可靠性，对于匹配窗口分割后与模板图像分割后差异度大于0.3的图像，认为匹配关系是错误的，一般是由于字符区域受光照影响较大造成的，此时一般无法得到正确匹配。

对于分、合状态的判断，依照以下原则：判断“分”、“合”模板的匹配度大小关系与目标差异度大小是否一致，如果一致，认为匹配度大的为最终状态，否则，则认为目标差异度值较小模板为最终状态。这里的一致是正确的匹配模板与待检测图像较大的匹配度、较小的差异度。例如，分模板的匹配度大于合模板的匹配度，分模板对应的差异度较合模板大时，则认为匹配度大小没有正确反映匹配的正确性，将差异度小的合模板代表的状态视为最终状态。

实施例2：

图5a、图5b、图5c为某变电站220kV某线路断路器A相同日不同时刻(10时、14时、16时)采集的断路器图像，由于太阳光的强度和照射角度不同，使得图像灰度分布差异较大。图5a、图5b、图5c分别是受光照影响较小的图像、光照正常的图像、光照影响较大的图像。图5c中，阳光光线造成设备表面镜面反射，图像字符信息很少，人眼也无法正确判断。

对上述3幅图像分别使用本文算法进行识别，表1给出了具体的实验结果，其中，R合、R分分别是合模板、分模板在待识别图像中对应的最大匹配值；D合、D分分别是合模板、分模板对应的匹配窗口图像的目标差异度。

表1  识别结果

由表1可知，图5a中，合模板与其匹配窗口的匹配度为0.99446，分模板的匹配度为0.99394，可见，合的匹配度大于分的匹配度，计算对应的目标差异度分别为0.430，0.133，分模板的差异度却小于合模板，根据算法流程得到判断结果为分。对于图5c，人眼无法识别的情况，给出了图像质量差的判断。

使用上述方法对多种断路器设备图像进行测试，图6给出了5种不同角度拍摄的图像。

表2  5组图像的识别结果

表2给出了5组图像的实验统计数据，共140幅断路器图像，按照人眼是否能正确识别为检验标准，正检率为95.56％，分合状态判断的正确率为100％，漏检率小于5％。漏检的图像，都是强光反射在字符上、图像过于模糊等原因，造成字符信息不完整，使得两个模板都没有找到正确的匹配窗口，被判别为图像质量差，但人眼可以根据综合信息识别出分合状态。此类情况，可以通过改变机器人停靠位置，减少阳光对图像质量的过度影响来避免。

Claims (5)

1.一种基于变电站巡检机器人的断路器状态模板匹配识别方法，它利用变电站巡检机器人自动采集断路器的图像，并利用模板匹配方法对其状态进行识别，其具体步骤如下：

1)建立断路器的分离、合闸状态下的分、合模板；

2)利用成像设备获取待检测图像；

3)分别计算待检测图像与分、合模板的最佳匹配窗口；

4)对分、合模板及匹配窗口分别使用自适应的二值化方法进行图像分割，得到包含目标和背景的二值图像；

5)统计目标差异度D(x，y)；

$D(x,y)=\frac{1}{w\·h}{\mathrm{\Σ}}_{x^{\′}{y}^{\′}}(\mathrm{BT}(x^{\′},y^{\′})\⊕\mathrm{BI}(x+x^{\′},y+y^{\′}))$

其中，BT，BI分别为模板图像和匹配窗口图像二值化后的图像，BT(x′，y′)、BI(x+x′，y+y′)取值均为0或1，x′、y′为模板图像的像素坐标，有0≤x′＜w，0≤y′＜h，w，h分别为模板图像的宽度和高度，x，y为匹配窗口在待识别图像中的位置；

通过对两幅二值图像取异或，即BT(x′，y′)与BI(x+x′，y+y′)相等时，异或结果为0，两者不等时，异或结果为1，对异或结果进行累加，统计信息不一致的像素点个数占据模板面积的比例值；

6)根据计算的两模板与各自匹配窗口的目标差异度，判断：如果两个模板的差异度D均大于阈值，认为图像中没有目标或目标太模糊无法识别；

若否，判断合闸的匹配度是否大于分闸的匹配度；若否，则转入步骤7)；若是，则判断合闸与分闸的差异度大小，如果合闸的差异度小于分闸的差异度，则判断为合闸装态；如果合闸的差异度大于分闸的差异度，则判断为分闸状态；

7)如果合闸的差异度大于分闸的差异度，则判断为分闸状态；如果小于，则判断为合闸状态。

2.如权利要求1所述的基于变电站巡检机器人的断路器状态模板匹配识别方法，其特征是，所述步骤1)中，分、合模板的建立方法为：使用一般光照条件下断路器分、合状态图像的字符区域作为模板，提取字符的最小外接矩形区域为模板区域。

3.如权利要求1所述的基于变电站巡检机器人的断路器状态模板匹配识别方法，其特征是，所述步骤3)中，分别使用分、合模板这两幅模板图像与待检测图像利用归一化互相关系数NCCC进行匹配，并搜索匹配度最大的位置，作为分、合模板的最佳匹配窗口。

4.如权利要求1所述的基于变电站巡检机器人的断路器状态模板匹配识别方法，其特征是，所述步骤4)中，自适应的二值化的方法为最大类间方差OTSU法。

5.如权利要求1所述的基于变电站巡检机器人的断路器状态模板匹配识别方法，其特征是，所述步骤6)中，D(x，y)的阈值取0.3，该阈值的选择需要大于模板图像中目标区域占模板总面积的比例，当分、合模板的D(x，y)均大于0.3时，则认为两个匹配关系都是错误的，判断为图像质量太差。

Images