0 引言

電力系統圖像監測技術是結合圖像技術和通信技術,對電力設備運行狀態進行遠程監控?；趫D像處理的遠程數字圖像監控系統是將遠程控制采集到的現場數字圖像信號實時傳送到監控中心的圖像處理服務器,并根據預設的需求對采集到的數字視頻圖像進行自動化分析和處理^[1]。遠程數字圖像監控系統包括遠程數字圖像采集系統和數字圖像處理系統兩部分,隨著信息通信技術的發展,兩者出現的問題可以作為整體進行考慮。在電力行業,主要是通過圖像采集系統對在運設備進行監測,運用圖像處理技術對電力設備標準圖像和監測畫面進行特征比對分析,獲取設備的運行狀態、運行環境等異常信息,如變電站開關變位、電塔傾斜、儀表指針變化、絕緣子污垢/覆冰、電塔傾斜和設備過熱形變等,實現電力系統的高度自動化無人值守,為運維監測提供了新的手段和可靠依據,有效節約系統運維成本^[2-4]。

隨著智能電力系統的不斷發展,越來越多的電力圖像監測系統不斷投入應用。在無人或少人值班的場所,監控系統代替值班人員監視電站設備的運行和安全情況,并提供事后分析事故的有關圖像資料。當前,對電力設備監視畫面的圖像特征分析主要集中在直方圖、輪廓提取以及幾何特征分析等方面,利用圖像分析設備狀態的前提是圖像采集器獲取到的電力設備監控圖像足夠精確。由于監控圖像質量的高低受電力監控設備工作機制和運行環境的影響,對于因運行環境、信號傳輸、數據存儲等因素導致的圖像劣化問題（圖像去噪、圖像去模糊和圖像增強等）,許多研究者對其進行了深入研究,通過建立不同的數學模型進行逆推導恢復出高質量的設備監控圖像^[5-8]。

另一種情況是由于傳感器、光學系統和數碼相機內部圖像處理器的差異,導致數碼圖像與真實拍攝環境存在差異。解決這種類型的圖像失真或者像差,需要從設備的運行結構上進行分析,通過圖像處理系統對采集到的設備圖像進行后期校正。圖像失真的程度取決于采集系統所采用的元器件的精度和集成系統的工作原理,失真程度低的圖像采集設備伴隨著高成本。在實際工程中,圖像采集設備多數采用消費級的攝像頭,限于鏡頭的工作方式,獲取到的圖像與實際圖像存在偏差。在正常拍攝條件下,數碼相機鏡頭邊緣部分的放大率與中心部分放大率不一致會引起圖像畸變,主要分為桶形畸變和枕形畸變^[9-10]。桶形失真是因光線的傾斜度大而引起的一種成像缺陷,像點會隨著與中心點距離的增大而移位。圖像桶形失真中的直線中間段向外彎曲,兩端則向中心彎曲,形成四角向內收縮,邊線中段則向外凸出,普通消費級數碼相機的桶形失真率通常為1%。枕形失真是指由鏡頭引起的畫面向中間“收縮”的現象,使用長焦鏡頭或變焦鏡頭的長焦端時,容易出現枕形失真現象,普通消費級數碼相機的枕形失真率通常為0.4%。圖像采集系統獲取到的畸形圖像如圖1所示,可以看出圖1b和圖1c中的鐵塔垂直線分別向外凸出和向內凹進。

圖1 圖像失真Fig.1 Image distortion

對于需要高精度監視的設備儀表、因設備內部異常導致細微外觀變化或電力設備器件制造過程中由于誤差而導致形變等場合,需要圖像監控系統能夠準確地反饋設備狀態的變化狀況。因此,對獲取到的監控圖像進行校正是很有必要的,有助于提高后續對設備狀況分析的精確度。

本文結合電力行業設備狀態監測的高精度性、異常反饋及時性、降低運行維護成本等需求,提出了一種基于消費級數碼相機的遠程監控方案。該方案結合網絡攝像頭和POC技術,可有效解決專用高精度圖像采集系統成本高、設備配置復雜以及傳統消費級圖像采集設備存在圖像失真等問題。自動化圖像監測系統工作流程如圖2所示。

圖2 自動化圖像監測系統工作流程Fig.2 Automation image monitoring system work flow

 1 圖像失真及校正

1.1 圖像失真

由于基于圖像處理技術的電力設備監測系統采用的圖像采集設備各異、運行環境多樣、焦距動態變化,獲取到的監測圖像存在畸形和像差,嚴重影響了對設備運行狀態的分析。尤其是精密設備儀表的刻度識別、電塔的穩定狀況分析以及設備采用部件的精度確認。絕緣子覆冰圖像失真如圖3所示,模擬了絕緣子在覆冰情況下的桶形失真圖像和枕形失真圖像。對比圖中的3種情況,可以直觀地看出失真圖像對絕緣子覆冰厚度的判別存在影響。同時,失真圖像表現出絕緣子本體的部分結構特征存在變形。

圖3 絕緣子覆冰圖像失真Fig.3 Ice-coated insulator image distortion

1.2 失真圖像校正

針對圖像失真,各種各樣的失真圖像校正的方法被提出,并取得了不錯的效果^[11-15]。校正的主要思路是通過建立原始圖像坐標和畸變圖像坐標之間的對應關系,對畸變圖像進行坐標變換,從而得到校正后的圖像?；儓D像校正需要考慮坐標的對應位置以及因形變導致的圖像結構放大或縮小。傳統的桶形校正模型可表示為：

 (2)

式中,k₁為圖像比例系數,k_2x和k_2y分別為x方向和y方向上的校正系數,  為x方向和y方向上對k₁的修正系數。

在圖像校正過程中,參數的設定直接影響到校正后圖像的質量,需對失真參數進行準確預測。同時,現有的操作流程需要事先判斷輸入圖像屬于哪一類型的失真。

 2 電力設備器件圖像校正

由于電力設備運行環境的多樣性和復雜性,對于大型設備（電塔、IGBT等）圖像校正系數的預測存在難點,對于參照模型的設計還處于研究階段。本文主要針對小型設備及部件,構建有效的預測模型校正設備圖像,為后續的研究分析提供精確、直觀的資料。

2.1 基于POC的圖像畸變檢測及校正

相位相關法是高精度的圖像配準方法,在圖像認證、三維測量、計算機視覺技術等方向有很廣泛的應用。相較于傳統的相關方法,POC方法具有易實現、速度快、對由噪聲和細微旋轉導致的差異有良好的魯棒性等優勢。假設兩幅圖像的情況下,首先分別對各圖像進行離散傅立葉變換,然后聯合構造互相位頻譜函數。最后,解決圖像匹配問題的POC函數變成互相位頻譜函數的二維逆離散傅立葉變換。

為了解決校正系數預測的問題,本文提出采用隨機點圖像和POC算法構建校正系數預測模型。首先將隨機點圖像的背景設置成黑色,然后對隨機點圖像進行圖像采集并處理,最后聯合已知的隨機點參考圖像進行各像素點的位移預測以獲取校正模型^[16]。隨機點圖像如圖4所示,展示了參考隨機點圖像和圖像采集系統對隨機點圖像進行圖像采集獲取到的照片。

圖4 隨機點圖像Fig.4 Random dot image

由于被監測設備和攝像頭的位置固定,因此每次對設備或器件進行監測時不需要重新進行校正系數預測,可以直接采用前期構建好的校正模型進行圖像校正。器件圖像校正如圖5所示。

圖5 器件圖像校正Fig.5 Device image correction

2.2 高精度圖像校正

根據2.1節提出的方法,可以對畸形的圖像進行有效校正。但考慮到電力設備穩定運行狀態的重要性,對于設備部件的結構需要很高的精確度。因此,為了更準確地分析設備的狀況,提出基于多攝像頭的圖像校正系統對電力器件圖像進行校正,具體流程如下：

1）將隨機點圖像標記成n×n塊,并采用n×n個攝像頭對標記后的隨機點圖像進行拍攝;

2）提取按照分塊規則切割的圖像塊,調整參照圖像和拍攝圖像的尺寸,逐個進行基于POC的校正系數推測,獲取校正模型;

3）對各小塊進行圖像校正,并根據分塊規則逆向組合成一個整體圖片。

為了防止圖像信息丟失,參考圖像和拍攝圖像在基于事先確定的分塊規則的基礎上擴大一定的邊界后再進行分塊校正。由于各攝像頭的位置、角度、拍照環境存在差異,導致各小塊進行校正之后圖像的DPI存在不統一的現象。為了統一DPI,對于校正完之后的圖像,按照設定的分塊規則再進行一次圖像分割。圖像切割如圖6所示。

圖6 圖像切割Fig.6 Image segmentation

最后,通過相似性分析,對于塊與塊之間重合的部分進行拼接處理去除重合的部分,使得校正后各小塊圖像的DPI一致。圖像拼接如圖7所示。

圖7 圖像拼接Fig.7 Image mosaic

 3 實驗結果

本文實驗基于隨機點參考圖像、多攝像頭拍攝和POC算法構建的電力設備精度檢查系統,對其有效性進行評估分析。對于章節2.2中提出的多攝像頭架構,采用16臺網絡攝像頭（4×4）進行拍攝。首先對每臺網絡攝像頭拍攝的局部圖像進行失真校正,然后將校正后的圖像按照各個網絡攝像頭對應的位置進行圖像拼接,最后計算參考圖像和校正圖像的誤差。本次實驗運行環境為MATLAB R2014a(CPU為Intel Core i5-6200U,2.30 GHz)。實驗參數見表1所列。

表1 實驗參數Tab.1 Experimental parameters

表2 對比結果Tab.2 Comparison results

校正后的圖像如圖8所示。

圖8 校正后的圖像Fig.8 Corrected image

為確認本文提出方法的精度,比對使用1臺攝像頭進行校正的實驗結果和使用16臺攝像頭進行圖像校正的實驗結果。當最大誤差為0.5 mm以下時,可