基于视频异常特征提取的变电站安全智能控制研究_夏睿.pdf

收稿日期:2022-03-01基金项目:国网江苏省电力有限公司科技项目资助(深化变电站智能辅助控制系统设计研究,J2021106)作者简介:夏睿(1978-),男,江苏人,硕士,高级工程师,主要研究方向为电力系统自动化。基于视频异常特征提取的变电站安全智能控制研究夏 睿1,徐 铼1,汤 昊2,李 毅2(1.国网江苏省电力有限公司,南京 210024;2.国网江苏省电力有限公司扬州供电分公司,江苏 扬州 225009)摘 要:为准确识别无人值守变电站异常行为,保证变电站安全运行,提出基于视频异常特征提取的变电站安全智能控制方法。使用基于改进数学形态学滤波的变电站监控图像增强方法,改善变电站监控图像质量;使用变电站监控图像特征提取方法,提取增强处理后变电站监控图像的颜色特征与纹理特征;由基于异常特征分类的变电站监控图像异常检测方法,将所提取的变电站监控图像特征作为分类目标,提取异常特征,完成变电站视频监控图像异常识别,从而启动应对措施,实现安全智能控制。经实验验证:所提方法可改善变电站监控图像质量、提取视频图像中的异常特征,异常特征提取准确率高于 90.2%,能够准确识别变电站异常行为,虚警率低于 5.24%,保证变电站安全运行智能控制。关键词:视频;异常特征提取;变电站;安全;智能控制;图像增强 中图分类号:TP273;TM08 文献标识码:A DOI 编码:10.14016/ki.1001-9227.2023.01.130Research on substation safety intelligent control based on video anomaly feature extractionXIA Rui1,XU Lai2,TANG Hao3,LI Yi4(1.State Grid Jiangsu Electric Power Co.,Ltd.,Nanjing 210024,China;2.State Grid Jiangsu Electric Power Co.,Ltd Yangzhou Power Supply Company,Yangzhou 225009,China)Abstract:In order to accurately identify the abnormal behavior of unattended substation and ensure the safe operation of substation,a substation safety intelligent control method based on video abnormal feature extraction is proposed.The substa-tion monitoring image enhancement method based on improved mathematical morphology filtering is used to improve the quality of substation monitoring image;Using the feature extraction method of substation monitoring image,the color features and tex-ture features of substation monitoring image after enhancement processing are extracted;The substation monitoring image a-nomaly detection method based on anomaly feature classification takes the extracted substation monitoring image features as the classification target,extracts the anomaly features,and completes the anomaly recognition of substation video monitoring im-age,so as to start the countermeasures and realize the safety intelligent control.The experimental results show that the pro-posed method can improve the quality of substation monitoring image and extract abnormal features from video image.The ac-curacy of abnormal feature extraction is higher than 90.2%,can accurately identify substation abnormal behavior,and the false alarm rate is lower than 5.24%,so as to ensure the safe operation and intelligent control of substation.Key words:video;anomaly feature extraction;substation;safety;intelligent control;image enhancement0 引言目前我国变电站的值守模式大多是无人值守或者少人值守,在此条件下,为了保证电网运行不出现异常,变电站会安装视频监控系统,以此实现变电站智能巡检,人工巡检的模式也逐渐淡出变电站安全保护工作1-2。图像处理技术是变电站安全智能控制中的核心技术,图像处理技术能够在变电站视频监控中主动监测异常事件,实现变电站智能监控。用户不仅能够远程监控变电站设备、环境的运行状态,还可以实时收到变电站现场的报警信息3。现在很多变电站设备状态主要使用传感器实施安全智能监控与控制,此类应用形式下,如果传感器的抗扰性较差,将导致监控结果存在延迟或者误差。近年来,遥视技术的出现,为变电站安全智能控制工作提供了不少帮助,遥视系统可以让工作人员远程监控变电站运行情况,但是遥视系统需要配备视频图像自动分析技术。根据调查资料显示,目前视频图像自动分析技术不在少数,文献4王妤等人使用改进Faster RCNN 算法识别变电站监控图像目标的异常行为,文献5胡正平等人使用时空深度特征 AP 聚类方法识别图像异常行为特征,此类研究的目的都是实现视频图像异常检索,但是未曾考虑监控图像质量对图像特031基于视频异常特征提取的变电站安全智能控制研究 夏 睿,等征提取的影响,导致特征提取效果有待提升。研究一种基于视频异常特征提取的变电站安全智能控制方法,该方法通过图像增强、图像特征提取、异常特征分类三环节,实现变电站监控图像的异常识别,为变电站安全智能控制工作提供有效协助。1基于视频异常特征提取的变电站安全智能控制方法1.1 基于改进数学形态学滤波的变电站监控图像增强方法使用结构元素 A(x,y)将一幅变电站视频监控图像G(x,y)实施膨胀处理:G x,y()A x,y()h,z()=max G x-h,y-z()+A x,y()h,z()(1)其中,G(x,y)在结构元素 A x,y()的处理下完成腐蚀,则:G x,y()A x,y()h,z()=maxG x-1,y-1()-A x,y()h,z()(2)其中,h,z()是变电站监控图像腐蚀面积尺寸(长与宽)。在图像实施腐蚀计算之前的膨胀计算,简称为开运算:G x,y()A x,y()h,z()=G x,y()A x,y()A x,y()(3)在图像实施膨胀计算之后的腐蚀计算,简称为闭运算:G x,y()A x,y()h,z()=G x,y()A x,y()A x,y()(4)开运算可以筛掉变电站监控图像中存在孤立性的毛刺,可以保证图像目标原信息不变,图像平滑效果显著。但是,若图像中比邻域像素灰度值小的噪声点分布密度较高,结构元素大小比噪声之间距离大,开运算会导致图像质量变差。闭运算能够填充变电站监控图像目标之间的空洞,但是如果噪声点分布密度较高,且大于邻域像素灰度值,滤波效果也差强人意6。变电站视频监控图像在小波分解处理后,便可获取变电站监控图像低频区域 ZZ,高频区域中存在大量水平、垂直、对角细节分量 KZ、ZK、KK,如图 1 所示:图 1 小波分解处理细节低频区域是整个图像的噪声点分布密度较低区域,而高频区域体现了图像边缘轮廓等细节信息。针对 ZZ来讲,噪声点呈水平分布;针对 ZK 来讲,噪声点呈垂直分布;KK 的分布状态是 45与 135。针对变电站视频监控图像,按照图像噪声分布状态,依次使用和噪声分布状态差异不大的滤波元素,便可优化图像滤波效果7-10。因此,设计新型形态学滤波器实现图像滤波,详情如图 2 所示。图 2 新型形态学滤波器综上所述,变电站监控图像增强步骤是:(1)将变电站监控图像实施二维小波转换,经过直接小波包分层分解,提取高频与低频小波分解系数。(2)使用图 1 滤波器将高频与低频小波分解系数实施滤波处理。若图像中比邻域像素灰度值小的噪声点分布密度较高,则采用闭运算;若比邻域像素灰度值大的噪声点分布密度较高,则采用开运算。(3)使用自适应同态滤波算法提高变电站监控图像对比度,自适应同态滤波算法的滤波器是:K s,r()=11+E0/1+E s,r()(5)其中,滤波器截止频率是 E0;E s,r()属于变电站监控图像随机一点 s,r()至滤波中心点的长度。(4)通过直方图均衡化处理模式,优化变电站监控图像小波低频系数的灰度信息分布状态。(5)将第(3)步骤与第(4)步骤处理后高频与低频小波分解系数实施重构处理,以此完成变电站视频监控图像增强,增强后图像表达成 O。1.2 变电站监控图像特征提取方法将 2.1 小节增强后的变电站视频监控图像中的颜色与纹理依次设成 B、W,则增强后图像 O=B,W。1.2.1 变电站监控图像颜色特征提取在 O 的全部颜色空间中,CIELAB 颜色空间能够把亮度分量与色度分量实施分割,也由此被计算机视觉领域作为颜色特征的描述体11-13。统计增强后变电站图像 O 的超级像素区 j 的颜色直方图,可以准确提取颜色特征 cielabj=Lj,Aj,Bj(),其中,Lj、Aj、Bj分别代表图像的亮度、从红色到绿色的范围。分析 O 的各个超级像素区域,因为各个超级像素中的像素颜色值差异不大,采用单个高斯分布 S,()拟合各个颜色分量的直方图分布,其中,表示均值与标准差。通过高通滤波器 Kg()去除低频区域的直方图分布,则处理后的颜色特征131自动化与仪器仪表2023 年第 1 期(总第 279 期)变换成:cielabjg=cielabjK g()(6)1.2.2 变电站监控图像纹理特征提取使用灰度共生矩阵设成增强后变电站监控图像纹理的描述算子。设置增强后变电站监控图像 O 的灰度是 Qi,它的灰度共生矩阵 L a,b,e,()是:L a,b,e,()=,(),+E,+E()(7)Qi,()=a(8)Qi+E,+E()=b(9)其中,()表示像素位置;a、b 是增强后变电站监控图像灰度级别;灰度共生矩阵的设计步长与灰度共生矩阵的设计方向依次表示成 e、;,()的偏移量依次是 E、E。通过二次统计量判断灰度共生矩阵的能量、关联性、对比度、同质性。先将灰度共生矩阵实施归一化操作,归一化之后的灰度共生矩阵 L a,b e,()是:L a,b e,()=L a,b,e,()EEa,ba,b,e,()EE(10)依次运算变电站视频监控图像统计特征量能量 R1、对比度 R2、相关性 R3、同质性 R4:R1=a,bL a,b e,()2EE(11)R2=a,b