泵站断路器手车状态智能检测方法.pdf

2023 年第 7 期213智能技术信息技术与信息化泵站断路器手车状态智能检测方法李记恒1 褚霄杨1 王 潇2,3,4 刘鹏宇2,3,4 袁 静2,3,4LI Jiheng CHU Xiaoyang WANG Xiao LIU Pengyu YUAN Jing 摘要 断路器是泵站的核心设备，负责对泵站电机的安全供电，对其手车开关状态的自动监测关乎泵站安全运维、正常运行，更是智慧泵站建设中的重要一环。当前泵站断路器状态检测多采用人工定期巡检，针对其中存在的成本高、隐患大、误差多等问题，研究并提出一种基于机器视觉的泵站断路器手车状态智能检测方法。首先，基于 VGG-16 特征提取框架融合弱监督学习，构建了字符级别的文字检测模型对断路器标志性文字进行检测；然后融合视频围栏算法实现断路器状态的分类检测。实验结果表明，提出的方法同时兼备检测速度快和检测精度高的特点，较好地克服了现有基于深度学习的图像分类算法对目标深度变化不敏感的弱点，并且在多种场景下对断路器手车推入、推出两种状态检测任务均具有良好的稳定检测性能。关键词 智能泵站；断路器；深度学习；视频围栏；文字检测doi：10.3969/j.issn.1672-9528.2023.07.0531.北京市南水北调团城湖管理处 北京 1001952.北京工业大学信息学部 北京 1001243.先进信息网络北京实验室 北京 1001244.计算智能与智能系统北京市重点实验室学 北京 1001240 引言断路器具有过载和短路保护的功能，在电路故障时能迅速切断故障电流，保证系统安全运行，是泵站电路系统的开关以及保护设备1，断路器机柜如图 1 所示。而一旦断路器发生故障导致不能及时隔离局部短路电流2，则极有可能造成大范围停电，带来严重的经济损失。图 1 断路器机柜图断路器常见的故障为机柜内断路器手车故障，导致断路器合闸状态异常。因此，断路器手车运行状态的定时监测和反馈是保障泵站正常运转的重中之重3，也是及时发现和排查设备故障的重要途径。目前我国北方泵站断路器手车运行状态监测多采用人工定期巡检的方式，普遍存在成本高、观测不连续的问题，且断路器位于高压室，带电设备较多，巡检员的频繁出入安全风险大4。因此，研究者们围绕断路器手车运行状态的自动监测技术提出了许多方法5-7。一些研究者通过提取断路器的机械特性参量并利用机器学习方法进行断路器手车运行状态的故障判别。2017 年，刘艳8等人采取通过提取正常与故障状态下断路器的位移传感器、压力传感器等机械参数进行计算分析，并输入至 SOM网络中进行故障诊断；2020 年，庞吉年等人9在断路器上安装加速度传感器，并采集传感器的加速度波形信号对故障状态进行判断。这些利用机械参数的检测方法可以有效避免人力巡检的缺点，但由于需要额外安装物理传感器，成本较高且操作较为复杂，其推广应用的效果并不理想10-11。事实上，利用机器视觉技术观测断路器手车状态，比聚焦于断路器物理参数更加直观、便捷，是进行断路器手车运行状态监测的有效途径。当前深度学习技术的迅猛发展为基于机器视觉的断路器手车运行状态智能监测带来了机遇12-13。本文中，研究并提出了一种泵站断路器手车状态智能检测方法。利用巡检摄像头14代替人工巡检的方式采集断路器手车状态视频，并融合深度学习技术分析监控视频，基于断路器手车视频平面上的标识符特征实现泵站断路器手车推入、推出两种状态下的有效检测和识别，断路器手车推入、推出状态如图2所示。经现场测试验证，该方法对于断路器手车的状态表现出了稳定的识别能力，具有良好的工程实用价值。2023 年第 7 期214智能技术信息技术与信息化 a)推入状态 b)推出状态图 2 断路器手车推入、推出状态图1 研究方法以我国北方某泵站为本研究示范地点，泵站断路器手车状态智能检测流程如图 3 所示。首先由巡检摄像头采集断路器手车的监控图像，通过视频围栏算法划定待检测的图像区域，并调用文字检测算法15进行断路器手车标识符检测。利用标识符平面特征判别断路器手车推入与推出两种状态。图 3 断路器手车状态检测流程图下面分别对文字检测算法、视频围栏算法、分类算法进行介绍。1.1 文字检测算法断路器手车在推入和推入两种状态下的区别在监测视频影像中主要表现为深度上的变化，且进深的变化并不显著。而现有基于深度学习的图像分类算法16难以捕捉与拍摄平面成垂直角度的深度方向上的变化，因此无法直接利用深度学习算法分析手车状态。经分析发现，由于两种状态下手车图像中标识符内容的位置和大小具有差异性，可以利用手车文字标识符的差异判断手车状态，进而实现泵站断路器状态的自动检测。1.1.1 网络结构通常的文本检测算法采用单词级别的数据集训练神经网络模型，这容易导致模型在检测弯曲、不规则等任意形状文本区域方面存在局限性17-18。本文算法通过检测每个字符和字符之间的联系来有效地检测文本区域，构建字符级检测器。字符级文本检测网络如图 4 所示。分为左中右三个部分，图 2 左侧部分为特征提取网络，用于对图像进行特征提取生成特征图，采用 VGG-1619的 backbone 结构进行下采样，将图像的分辨率不断降低，直到输入分辨率的 1/32，以获得语义信息。图 4 中间部分进行持续不断的特征融合，将多分辨率尺度的特征图相互融合用以获得包含精准语义特征与丰富空间特征的特征信息。图 4 右侧部分最终得到原图大小 1/2 的 2 个通道特征图，进行标识符目标框位置的预测，分别为 1）区域得分，表述单字符中心区域的概率和 2）亲和度得分，表示相邻字符之间空间的中心概率，用于将字符链接到一个组中。图 4 文字检测网络结构图在推理阶段，通过后续处理步骤创建字符级别的文字目标检测边界框。首先设置一个阈值（超参数）对区域得分和亲和度得分进行筛选，算法将得分数值大于阈值的像素区域作为文字部分候选区域；然后再进行单词组件的连接；最后通过寻找四个顶点确立一个四边形，以最小的面积包围每个标签对应的连接分量，得到文字检测目标框的位置1.1.2 弱监督学习单词级别的文本检测数据集训练得到的神经网络模型对于文本发生弯曲或形变时检测效果不佳，而通过字符级别数据集训练神经网络，可以使得模型聚焦于字符间的联系，对复杂场景具有更好的泛化性。但由于目前的文本检测数据集大多都是基于单词级别，很少有基于字符级别的标注，为解决这个问题，本算法使用合成数据生成字符级别的标注，并且训练过渡模型估计真实图像的字符级标注。再利用弱监督学习框架从真实文本图像数据的单词级标注中生成字符级标注来微调训练模型20-21。当提供带有单词级标注的真实图像时，根据标注将单词图像剪裁下来，送入由合成数据训练的中间模型来预测字符区域得分以生成字符级标注，其中单词标注的长度可以用来评估中间模型预测的置信度。每个词框的置信度与检测到的字符数除以字符真值的数量成正比作为权重。弱监督学习流程如图 5 所示。图 5 弱监督学习流程图1.2 视频围栏算法由于检测图像中标识符数量过多，不同标识符的位置与大小不同，会对断路器手车状态分类的判别造成干扰。基于工程经验，利用视频围栏来解决此问题，将全局监测问题转 2023 年第 7 期215智能技术信息技术与信息化化为限定待检区域问题。先对断路器手车图像中的检测范围进行划分，再进行后续标识符检测任务。视频围栏算法设计流程如图 6 所示，首先规定待检测区域的范围，获取警戒区域的像素坐标范围；再对于警戒区域内的图像内容进行后续处理。主要流程包括标定围栏区域的范围、设置围栏警戒区域、后续图像处理过程。图 6 视频围栏算法流程图（1）标定范围：标定是视频电子围栏系统计算的先决条件。具体操作为基于图像内容，选取图像的四个像素点，将待检测的图像区域标定在四个像素点顺序连接后形成四边形区域之中，作为警戒区域范围。（2）生成围栏：标定完成，考虑到由于手动划归的警戒区域可能存在视觉误差，导致检测区域不完整。因此将划定的围栏区域向外进行扩展并获取在图像中的像素坐标，以扩展后的像素坐标连接成的区域作为最终警戒区域生成围栏。（3）后续图像处理：仅对警戒区域内的标识符特征物进行检测。而将警戒区域外的图像内容屏蔽。1.3 分类算法本方法选择基于判别函数的传统分类器算法，通过检测出的标识符目标框坐标信息，统计各个断路器样本分别在两种状态下的目标框面积，作为参数手工设计二分类的判别函数，并利用该判别函数直接对断路器样本的状态进行分类。该分类算法具有耗时短、准确度较高的优势。根据图 2 的手车图示可知推入状态下标识符目标框面积较小，推出状态下其面积较大。因此统计各个断路器样本在推入状态下标识符目标框面积的最大值与推出状态下标识符目标框面积的最小值，取二者的平均值 M。根据待检测图像中标识符目标框面积与均值 M 比较。若本次面积值大于 M，则分类为推出状态，否则分类为推入状态。状态判别流程图如图 7 所示。图 7 状态判别流程图2 实验流程和结果2.1 数据集构建在断路器手车进出状态识别中，获取大样本数据，构建一个大规模、高质量、格式规范的数据集，是实现对手车状态快速、准确检测的首要任务，也是影响模型学习性能的关键因素。以文字检测比赛常用的公开图像数据集为基础，本文构建了分辨率多样、种类多样的文字图像数据集。最终获取 81 万张文字图像数据，按照 8:1:1 的比例进行网络训练、验证和测试。数据集中包括合成数据集 SynthText 与真实场景数据集 ICDAR2019-art 两大种类22。选用的合成数据集通过合成的方式利用计算机自动生成大量的文字图像，为训练模型提供数据支撑。选用真实场景数据集中真实场景拍摄的文字图像，利用真实的文字图像数据进行训练，以提高模型的对于真实复杂场景的泛化性能，并且用来验证算法的检测效果。2.2 实验结果测试环境配置表见表 1，在此环境中模拟多种情况下的断路器手车状态图像进行测试以保证不同实际拍摄条件下算法的适应性。具体包括：明暗环境、高低分辨率、角度左右偏移和拍摄时未对焦而造成的模糊共七类模拟情况。具体的测试结果见表 2，结果表明算法能够在明暗拍摄环境、不同分辨率、角度偏移和图像模糊（未对焦）等多种情景下正确分类断路器手车的状态。在算法执行过程中文字检测模型初始化的过程耗时相对较长，而初始化后检测耗时相对较短。因此对于检测耗时的性能测试，单张断路器图像的状态判断平均检测耗时为秒级；而对于两张及以上图像做连续判断的批量检测平均检测耗时为仅为毫秒级，极大提高了检测效率。具体性能测试结果见表 3。3 结论本文基于计算机视觉技术针对断路器手车推入、推出状态判断进行研究，设计并实现了一套泵站断路器手车状态智能检测方法，首次将文字检测算法运用到图像状态分类任务上，将图像深度空间维度上的变化转化为文字水平维度上的变化来判断图像状态，重点解决了二维图像分类算法对于深度维度空间上产生的变化难以识别的问题。本文提出的方法不仅能够快速高效地对断路器状态进行判别,对于单张手车状态图像判断耗时达到秒级，而对于批量检测平均检测耗时更是达到毫秒级。在此基础上，实现了多场景下的手车状态准确分类，依靠深度学习的框架保证了手车状态判别的准确性，节省了断路器状态监测的人力成本。2023 年第 7 期216智能技术信息技术与信息化表 1 测试环境配置表序号设备硬件环境软件环境1计算机CPU：Intel(R)Core(TM)i7-9750HGPU：RTX3070内存：8G硬盘：1T操作系统：Window10/Linux表 2 各个模拟场景状态判别结果表 3 检测耗时参考文献：1 宋晓亮.低压断路器健康状态监测和故障诊断研究 J.自动化应用,2022(05):98-100.2 路玉锋.起高压断路器手车护套放电故障原因分析及处理方法 J.安徽水利水电职业技术学院学报,2022,22(01):35-37.3 朱可.低压断路器故障监测与诊断研究 J.科技创新与应用,2022,12(15):131-134.4 蒋云平.高压断路器故障检修及状态监测探究 J.无线互联科技,2020,17(24):85-86.5 SHEN Y,QIAN T,LI W,et al.Maintenance decision of circuit breaker based on fuzzy probability mixed reliability evaluationC/2021 IEEE Sustainable Power and Energy Conference(iSPEC).Nanjing:IEEE,2021:2875-28826 Liu Z,DUAN X,LIAO M,et al.Investigation on information monitoring technology for intelligent vacuum circuit breaker C/2016 27th International Symposium on Discharges and Electrical Insulation in Vacuum(ISDEIV).Suzhou:IEEE,2016:1-4.7 YE X Y,YAN J,WANG Y X,et al.A novel capsule convolutional neural network with attention mechanism for High-Voltage circuit breaker fault diagnosis J.Electric power systems research,2022(08):209-216.8 刘艳,陈丽安.基于 SOM 的真空断路器机械故障诊断 J.电工技术学报,2017,32(05):49-54.9 庞吉年,王洪寅,周福举,等.基于神经网络的真空断路器状态诊断 J.科学技术创新,2020(06):44-47.10 WANG Y X,YAN J,YE X,et al.Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosisJ.IEEE transactions on industry applications,2022,58(3):3353-3360.11CARO E,CONEJO A J,ABUR A.Breaker status identifi cation J.IEEE transactions on power systems,2010,25(2):694-702.12 叶嘉欣.基于深度学习的两阶段目标检测算法综述 J.互联网周刊,2023(05):16-18.13 彭熹,肖奕,崔卓,等.基于卷积神经网络的电力开关柜柜门开合状态图像识别研究 J.科技通报,2019,35(11):94-98.14 王强,许瑛.计算机监控系统在泵闸站现代化改造中的应用 J.陕西水利,2020(05):152-154.15 张高明.基于质心感知的自然场景文字检测技术 J.科技与创新,2022(08):166-168.16 蒋博文.基于改进 ResNet 模型的图像分类方法 J.现代信息科技,2022,6(12):83-85.17PANHWAR M A,MEMON K A,ABRO A,et al.Signboard detection and text recognition using artificial neural networksC/2019 IEEE 9th International Conference on Electronics Information and Emergency Communication(ICEIEC).Beijing:IEEE,2019:16-19.18LU M H,LENG Y,CHEN C L,et al.An improved differentiable binarization network for natural scene street sign text detectionJ.Applied sciences,2022,12(23):12120-12129.