基于變電站視頻圖像的變壓器冷卻風(fēng)機運行狀態(tài)識別方法研究

汶愛文，王印松，常政威

(1.華北電力大學(xué)，河北 保定 071003；2.國網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610072)

基于變電站視頻圖像的變壓器冷卻風(fēng)機運行狀態(tài)識別方法研究

汶愛文1，王印松1，常政威2

(1.華北電力大學(xué)，河北 保定 071003；2.國網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610072)

基于OpenCV2圖像處理技術(shù)，提出了兩種針對變壓器冷卻風(fēng)機轉(zhuǎn)動情況判斷的方案：①連通區(qū)域質(zhì)心分析法：結(jié)合閾值算法和分水嶺算法得到感興趣區(qū)域的連通區(qū)域，并求其質(zhì)心，通過分析質(zhì)心位置的變化情況判斷風(fēng)機轉(zhuǎn)動與否；②直方圖統(tǒng)計分析法：通過求取圖像直方圖信息判斷風(fēng)機轉(zhuǎn)動與否。實驗結(jié)果和實驗相關(guān)數(shù)據(jù)的分析驗證了兩種方案的可行性和實用性。

OpenCV2；連通區(qū)域；質(zhì)心；直方圖

0 引 言

變壓器是電網(wǎng)中的重要設(shè)備之一，而變壓器冷卻問題是其中一個重要的問題。溫升過高，變壓器將長期處于高溫狀態(tài)，尤其是變壓器滿負(fù)荷運行且環(huán)境溫度也較高時，易使絕緣材料老化加速，必將影響變壓器的使用壽命和安全可靠性，甚至導(dǎo)致短路，造成事故，給用戶帶來安全隱患。

目前，變電站對變壓器冷卻風(fēng)機(以下簡稱風(fēng)機)轉(zhuǎn)動情況的監(jiān)視沒有一個很好的手段，當(dāng)風(fēng)機停止轉(zhuǎn)動導(dǎo)致油溫升高到一定程度從而引發(fā)報警，然后才采取相應(yīng)的措施。這樣處理問題存在延時性，并且會造成變壓器壽命縮短等問題，所以及時地檢測風(fēng)機的轉(zhuǎn)動情況是一種非常有意義的解決方案。

隨著電網(wǎng)技術(shù)的發(fā)展，目前國內(nèi)越來越多的變電站特別是智能變電站，能遠(yuǎn)程對變電站的電氣設(shè)備及運行狀態(tài)進(jìn)行遙測、遙信、遙控和遙調(diào)(即傳統(tǒng)的“四遙”)，從而可實現(xiàn)變電站的無人值守。而“第五遙”(遙視方面)，視頻監(jiān)控系統(tǒng)也已大量建設(shè)。

如果能有效利用視頻監(jiān)控系統(tǒng)，通過視頻處理、圖像處理技術(shù)等將采集到的視頻信息用于判斷風(fēng)機的轉(zhuǎn)動情況，這或許是未來一個發(fā)展的方向。

1 對象特性分析

研究對象風(fēng)機整體相對于地面處于靜止?fàn)顟B(tài)，而目前被大量研究的為目標(biāo)跟蹤問題，其研究對象相對于地面處于運動狀態(tài)。另一方面，風(fēng)機整體呈灰色調(diào)，彩色信息單一?；谏鲜鰞蓚€難點，將嘗試兩種方案用于判斷風(fēng)機扇葉相對于風(fēng)機是否處于轉(zhuǎn)動狀態(tài)。

2 連通區(qū)域質(zhì)心分析法

原理：如果扇葉轉(zhuǎn)動，則圖像中像素分布會發(fā)生變化；而如果扇葉沒有轉(zhuǎn)動，則圖像中像素分布基本不發(fā)生變化。對于一幅圖像，通過提取其二值圖像的連通區(qū)域，然后計算連通區(qū)域的質(zhì)心，當(dāng)視頻序列圖像在發(fā)生變化時，其相應(yīng)的連通區(qū)域的質(zhì)心也會發(fā)生變化。圍繞對象的這個顯著特征，下面通過求取圖像中連通區(qū)域的質(zhì)心的變化情況進(jìn)行風(fēng)機轉(zhuǎn)動與否的判斷。

2.1 連通區(qū)域質(zhì)心分析法判斷步驟

(1)求取連通區(qū)域

首先，(第一幀圖像)選取風(fēng)機所在位置作為感興趣區(qū)域，并通過閾值函數(shù)cv::threshold進(jìn)行閾值處理，得到合適的閾值threshold_value，并再次在上述感興趣區(qū)域中選取一部分作為進(jìn)行連通區(qū)域質(zhì)心分析的感興趣區(qū)域rect。

然后，采用cv::cvtColor函數(shù)將感興趣dstImg圖像灰度化，得到binary灰度圖像。并用cv::threshold函數(shù)得到binary圖像的二值圖像binary。

下面開始進(jìn)行分水嶺處理。首先需要識別出確定屬于前景的像素和確定屬于背景的像素。用標(biāo)簽255標(biāo)記前景像素，用標(biāo)簽128標(biāo)記背景像素，其他像素用0標(biāo)記。

腐蝕和膨脹是最基本的形態(tài)學(xué)運算。形態(tài)學(xué)濾波通常使用二值圖像，在此用高(白色)像素表示前景物體，用低(黑色)像素表示背景。

前景圖像fg直接取binary即可。

對binary二值圖像先進(jìn)行cv::dilate函數(shù)膨脹處理并調(diào)用cv::threshold函數(shù)即可得到背景圖像bg。生成的黑色像素對應(yīng)的是背景像素。這就是膨脹之后的閾值化運算將像素賦值為128的原因。組合使用fg與bg圖像形成標(biāo)記圖像markers。

圖1 標(biāo)記圖像

接著調(diào)用cv::watershed函數(shù)進(jìn)行分水嶺分割，從而使輸入的標(biāo)記圖像得到更新，生成最終的分水嶺分割。

標(biāo)記圖像得到更新，每個零像素被賦值為輸入標(biāo)簽之一，而隸屬于當(dāng)前發(fā)現(xiàn)的邊界的像素被賦予-1，生成最終的分水嶺分割，經(jīng)過處理得到最終的連通區(qū)域圖像segment。

(2)提取連通區(qū)域質(zhì)心信息

提取連通區(qū)域的輪廓需要二值圖像，故先使用cv::threshold進(jìn)行閾值化處理，得到二值圖像contour。

圖2 segment

使用cv::findContours函數(shù)提取連通區(qū)域輪廓。該函數(shù)輸入的為一幅二值圖像，輸出的是輪廓的向量，而輪廓本身是cv::Points的向量。所以定義contours為std::vecotr的std::vector作為第二個參數(shù)。第三個參數(shù)CV_RETR_LIST檢索所有的輪廓，并將其放入list中。

然后遍歷所有輪廓，求取它們的力矩，并將質(zhì)心坐標(biāo)轉(zhuǎn)化為整數(shù)得到二維點point_mom。統(tǒng)計視頻序列前max_COUNT幀中每一幀圖像的point_mom和contours.size()的大小，并計算contours.size()為1時的point_mom點坐標(biāo)的x和y變量的變動情況。

圖3 連通區(qū)域質(zhì)心分析法程序流程示意圖

因為選取的感興趣區(qū)域rect很小，強制限定了rect.width=12，rect.height=12，所以基本保證了這個區(qū)域中contours.size()的大小基本為1、2、3或者不存在連通區(qū)域(即contours向量為空)，為1的概率比較大，從而統(tǒng)計分析contours.size()為1時的point_mom點坐標(biāo)的x和y變量的變動情況可以反應(yīng)風(fēng)機扇葉的轉(zhuǎn)動情況。當(dāng)風(fēng)機轉(zhuǎn)動時，由于像素分布的變化，會使感興趣區(qū)域的連通區(qū)域發(fā)生變化，從而質(zhì)心位置發(fā)生移動；而風(fēng)機不轉(zhuǎn)動時，連通區(qū)域基本不改變，從而質(zhì)心位置基本也不移動。這樣，通過計算坐標(biāo)變量x和y位移大小占整個感興趣區(qū)域的比例，便可以判斷風(fēng)機轉(zhuǎn)動情況，從而完成所做判定。

圖4 風(fēng)機不轉(zhuǎn)動時連通區(qū)域質(zhì)心坐標(biāo)變化情況

圖5 風(fēng)機轉(zhuǎn)動時連通區(qū)域質(zhì)心坐標(biāo)變化情況

整個程序流程示意圖如圖3所示。

2.2 數(shù)據(jù)結(jié)果分析

表1 風(fēng)機不轉(zhuǎn)動數(shù)據(jù)統(tǒng)計表

表2 風(fēng)機轉(zhuǎn)動數(shù)據(jù)統(tǒng)計表

說明：point_1、point_2、point_3分別表示一幅圖像只有一個、兩個、三個質(zhì)心point時的總和，point_oth統(tǒng)計不屬于上述情況的Point總和；x_avr、y_avr表示 (x,y)坐標(biāo)(平均)跳動幅度占rect()的百分比；x_per、y_per表示(x,y)坐標(biāo)(整體)跳動幅度占rect()的百分比。

由表1、表2結(jié)果可以看出，當(dāng)風(fēng)機在轉(zhuǎn)動時，質(zhì)心位置偏移比較大，從而x_avr、y_avr、x_per、y_per值偏大。當(dāng)風(fēng)機轉(zhuǎn)動時，質(zhì)心位置變化比較大，而且連通區(qū)域的個數(shù)有時候也在交替變化。圖4、圖5為風(fēng)機不轉(zhuǎn)動與轉(zhuǎn)動時質(zhì)心坐標(biāo)的變化情況，由圖4可以明顯地看出當(dāng)風(fēng)機不轉(zhuǎn)動時質(zhì)心坐標(biāo)變化不大，坐標(biāo)較為集中，而由圖5看出當(dāng)風(fēng)機轉(zhuǎn)動時質(zhì)心坐標(biāo)變化很大，坐標(biāo)分布很分散。這種方法最適合于閾值化后圖像中扇葉與其他部分區(qū)分比較明顯的場合。

3 直方圖統(tǒng)計分析法

原理：假設(shè)兩幅圖像完全一致，則它們采用cv::addWeighted函數(shù)相加后所得結(jié)果的圖像的直方圖會呈現(xiàn)“稀疏”現(xiàn)象，即在某一區(qū)段內(nèi)，直方圖中偶數(shù)容器的有值，而奇數(shù)容器的值為零。當(dāng)兩幅圖像不完全相同時，采用上述方法得到的直方圖呈現(xiàn)“密集”現(xiàn)象，即在某一區(qū)段內(nèi)，直方圖奇數(shù)偶數(shù)容器的值基本都不為零。利用這個現(xiàn)象即可判斷風(fēng)機的轉(zhuǎn)動與否。

3.1 直方圖統(tǒng)計分析法判斷步驟

首先，(第一幀圖像)選取風(fēng)機一部分作為感興趣區(qū)域rect，并限定rect.width=12，rect.height=12。

循環(huán)讀取每相隔5幀的兩幅圖像的灰度圖像origgray和origgray1，將它們進(jìn)行cv::addWeighted運算處理，得到add圖像。cv::addWeighted函數(shù)計算兩數(shù)組的加權(quán)值的和(注意所有的數(shù)組必須有相同的類型和相同的大小)。

dst(i)=src1(i)*alpha+src2(i)*beta+gamma;

然后用cv::calcHist函數(shù)統(tǒng)計add圖像的直方圖信息。

直方圖是一個簡單的表，它給出了一幅圖像或一組圖像中擁有給定數(shù)值的像素數(shù)量。因此，灰度圖像的直方圖有256個容器。0號容器給初值為0 的像素個數(shù)，1號容器給出值為1的像素個數(shù)，以此類推。

比如一幅圖中1、2、3號容器有值，剩余的值為零。兩幅完全相同的圖像通過cv::addWeighted相加(假設(shè)alpha=1.0，beta=1.0，gamma=0.0)，則值不為零的容器變?yōu)?、4、6號容器了，直方圖由原來的“連續(xù)”變?yōu)椤伴g斷”，即由“密集”(圖6(b))變?yōu)椤跋∈琛?圖6(a))。

圖6 直方圖的變化

通過統(tǒng)計視頻序列前max_COUNT幀圖像中感興趣區(qū)域通過cv::addWeighted函數(shù)后直方圖呈現(xiàn)的特征，并對其特征進(jìn)行分析，即可判斷風(fēng)機的轉(zhuǎn)動情況。

整個程序流程示意圖如圖7所示。

圖7 直方圖統(tǒng)計分析法程序流程圖

3.2 數(shù)據(jù)結(jié)果分析

由表3可以看出，當(dāng)兩幅圖像差異大時，p_chg值會偏大，即偏向于100%，因為直方圖容器有值的區(qū)間，不管奇數(shù)還是偶數(shù)容器都是有值的，所以趨于100%；而當(dāng)兩幅圖像差異很小時，p_chg值會偏小，50%左右。由這個現(xiàn)象，就可以通過p_chg值的大小變化判斷風(fēng)機轉(zhuǎn)動與否。圖8可以更直觀的反應(yīng)p_chg的變化情況，當(dāng)兩圖像差異大，即風(fēng)機轉(zhuǎn)動時，p_chg曲線偏向于上端100%(曲線y1、y2)；反之，p_chg曲線偏向于下端50%左右(曲線y3、y4)。上述判斷結(jié)果跟實際情況也基本符合，而且這個方案使用簡單且適用范圍也較廣。

表3 直方圖數(shù)據(jù)統(tǒng)計表

說明：p_chg表示直方圖從非零元素開始到結(jié)束中非零元素個數(shù)；p_60、p_85、p_95分別表示p_chg小于60%、大于85%、大于95%時的圖像個數(shù)。

圖8 p_chg變化情況

4 總結(jié)與展望

連通區(qū)域質(zhì)心分析法有時不準(zhǔn)確，其原因可能是因為這個方法中涉及到腐蝕、膨脹、閾值化和分水嶺分割等操作，這些操作本身會改變圖像，累加在一起有時候就會出現(xiàn)結(jié)果可能不準(zhǔn)確現(xiàn)象。如果能夠?qū)B通區(qū)域有2個、3個等質(zhì)心時的變化情況更加詳細(xì)的進(jìn)行分析，則可以更好地判斷風(fēng)機轉(zhuǎn)動與否，判斷風(fēng)機轉(zhuǎn)動的結(jié)果將更加準(zhǔn)確，適用場合將更加廣泛。

兩種方案各有優(yōu)缺點，而對于兩種方法，都存在如何去定義轉(zhuǎn)動與不轉(zhuǎn)動的界限問題及感興趣區(qū)域大小的選定問題。如果能夠采集大量的視頻信息，并結(jié)合統(tǒng)計分析法等數(shù)學(xué)方法進(jìn)行研究，可以更有效地定義風(fēng)機轉(zhuǎn)動與不轉(zhuǎn)動的界限，從而更廣泛地適用于風(fēng)機轉(zhuǎn)動與否的判斷。僅僅給出了兩種思路，或許還可以結(jié)合兩者的優(yōu)點，再結(jié)合目前已有的跟蹤算法如光流法、均值漂移算法等，然后通過大量的實驗使其更加具有廣泛實用性。

[1] 劉瑞禎,于仕琪.OpenCV教程——基礎(chǔ)篇[M].北京:北京航空航天大學(xué)出版社,2007.

[2] (加)Robert Laganiere著;張靜譯.OpenCV 2計算機視覺編程手冊[M].北京:科學(xué)出版社,2013.

[3] 高楊. 視頻質(zhì)量診斷算法研究與實現(xiàn)[D].沈陽：東北大學(xué)，2011：13-14.

[4] (美)布拉德斯基,克勒著;于仕琪,劉瑞禎譯.學(xué)習(xí)OpenCV[M].北京:清華大學(xué)出版社,2009:1-16,351-355.

[5] 岑銀.基于OpenCV的智能視頻監(jiān)控設(shè)計[J].電子元器件應(yīng)用,2010，12(7):47-49,52.

Two schemes are proposed which are the judgments about the rotation of transformer cooling fan based on OpenCV2 image processing technology. One is centroid analysis of connected region: combined with threshold algorithm and watershed algorithm, the interested connected region is obtained to get its centroid, and then the changes of centroid′s position are analyzed to judge whether the fan rotates or not. The other one is histogram statistical analysis: through calculating the histogram information of images, it is determined whether the fan rotates or not. The experiment results show that the proposed two schemes are feasible and practical.

OpenCV2; connected region; centroid; histogram

國網(wǎng)四川省電力公司研究開發(fā)項目(52199713506h)

TM85

A

1003-6954(2015)01-0009-05

2014-09-17)

汶愛文(1990)，碩士，主要研究方向為變電站視頻質(zhì)量診斷相關(guān)技術(shù)研究；

王印松(1967)，博士生導(dǎo)師，主要研究方向為先進(jìn)控制策略及其在電力系統(tǒng)中的應(yīng)用、清潔能源發(fā)電控制技術(shù)；

常政威(1981)，博士，高級工程師，主要研究方向為智能電網(wǎng)技術(shù)研究。