一种剪刀式刀闸状态精确识别装置及判断方法与流程

1.本发明涉及电力刀闸状态检测技术，特别是涉及剪刀式刀闸状态精确检测，具体涉及一种剪刀式刀闸状态精确识别装置及判断方法。


背景技术：

2.刀闸，又称高压隔离开关，是变电站的一种主要设备，本发明所述剪刀式刀闸都是指单相剪刀式刀闸，一座三相剪刀式刀闸的每一相有一把剪刀式刀闸，三把剪刀式刀闸联动，本发明中，每个剪刀式刀闸两个交叉的剪刀臂。
3.在长期运行中，各种原因可能导致剪刀式刀闸合闸不到位。现有的合闸到位判别主要依靠剪刀式刀闸自带的辅助接点，由于剪刀式刀闸基本都是放置在户外进行工作，不得不面临着日晒雨淋以及金属腐蚀损坏、磨损的问题，辅助接点或其传动部分异常会导致分合位置误判，上传错误信号，威胁设备安全与生命周期，甚至造成大的电力事故，带来重大的人员伤亡和财产损失。
4.传统采用巡检人员肉眼判别合闸不到位故障。通过派遣巡检人员到现场用肉眼观察，但由于变电站多分布于较为偏僻的地方，每个变电站剪刀式刀闸的数目也较多，到现场观察不仅费时而且费力。再加之随着社会不断发展，变电站和所使用的剪刀式刀闸的数量也在不断增加，为了较快地同时检测到众多剪刀式刀闸的合闸情况，相比以往需要耗费更多的人力资源。这种人工双重检测方法耗用了大量的人力，实时性差，是变电站实现全自动化的短板，存在一定的危险性，巡检人员要近距离观察，合闸不到位时高压隔离开关发热，有可能产生放电火花甚至爆炸。
5.开发自动识别合闸不到位故障的双重校验方法极为必要，国家电网和南方电网最近都下发了相关通知。目前的分合闸状态识别方法只是简单的二值逻辑判断，而合闸未到位的特征不明显，合闸到位识别的难度远高于分合闸识别，需要精确识别装置和方法，目前已有的图像采集或视频监控法只能判断是否分合闸，不能精确判断是否合闸到位。其他各种方法也在研究中，如红外法、姿态传感器等，红外法要合闸之后通电一段时间，才能通过剪刀式刀闸发热异常判断，此时如果断电将造成一定的经济损失，影响电网的正常运行，属于一种事后补救的方法。姿态传感器需要另外在剪刀式刀闸上安装设备，要电网断电才能安装，其维护也要电网断电，影响电网运行。这些方法如今尚未达预期效果，亟需开发更好的双重校验方法。
6.目前我国变电站刀闸的型号和种类繁多，其工作的原理和外型相差甚大，剪刀式刀闸是目前变电站使用最为广泛的刀闸种类之一，本发明研究此种剪刀式刀闸的合闸到位状态识别。


技术实现要素：

7.为了克服上述现有技术中的缺陷，本发明提供一种剪刀式刀闸状态精确识别装置及判断方法，以解决上述问题。
8.本发明提供如下的技术方案：
9.一种剪刀式刀闸状态精确识别装置，其包括：
10.摄像头、剪刀式刀闸识别前端装置、剪刀式刀闸识别后台学习训练装置、数据及控制总线；
11.所述摄像头用于拍摄剪刀式刀闸的图像，图像通过数据及控制总线输出到剪刀式刀闸识别前端装置，所述摄像头的拍摄动作由剪刀式刀闸识别前端装置发出的控制信号控制；
12.所述剪刀式刀闸识别前端装置对剪刀式刀闸图像进行识别及剪刀交叉臂的合闸夹角检测，判断合闸是否到位，并将合闸是否到位的信号发给剪刀式刀闸识别后台学习训练装置，同时也将剪刀式刀闸的图像转发给剪刀式刀闸识别后台学习训练装置，剪刀式刀闸识别前端装置的识别参数由剪刀式刀闸识别后台学习训练装置提供并刷新；
13.所述剪刀式刀闸识别后台学习训练装置根据收到的剪刀式刀闸的图像进行深度学习训练，学习训练好的参数发给剪刀式刀闸识别前端装置，同时将合闸是否到位的信号转发调度中心，多个剪刀式刀闸识别前端装置能够共用一台剪刀式刀闸识别后台学习训练装置；
14.所述数据及控制总线用于在摄像头、剪刀式刀闸识别前端装置和剪刀式刀闸识别后台学习训练装置之间传递数据和控制信号。
15.优选的，所述摄像头的布置如下：3个摄像头的基座并列成一直线安装，分别拍摄一座三相剪刀式刀闸的每一相剪刀式刀闸，每个摄像头的中心分别对准一把剪刀式刀闸的两个剪刀交叉臂的交叉点，所述剪刀式刀闸都指单相剪刀式刀闸，一座三相剪刀式刀闸包含三把联动的单相剪刀式刀闸。
16.一种采用前述剪刀式刀闸状态精确识别装置的合闸状态判断方法，其特征在于，其包括如下步骤：
17.剪刀式刀闸图像获取及预处理：从摄像头获取包含剪刀式刀闸的图像，并进行图像预处理；
18.剪刀式刀闸目标识别：在一副含有背景信息的图像中找到所需要的剪刀式刀闸，滤除背景，将剪刀式刀闸从拍摄的图片中提取出来，用一个最小的矩形框选定了所需要进行检测的剪刀式刀闸；
19.边缘提取：在所述矩形框选定的范围之内将剪刀式刀闸的两个剪刀臂的轮廓线提取出来，以便采用几何方法对合闸的状态进行准确的检测；
20.合闸夹角检测：计算剪刀式刀闸的两剪刀臂的轮廓线的夹角，如果所述夹角和正确合闸夹角的误差超出给定的阈值，则发出合闸不到位信号，否则发出合闸成功信号，三相剪刀式刀闸的任意一把剪刀式刀闸合闸不到位，则整个三相剪刀式刀闸都归为合闸不到位。
21.优选的，所述剪刀式刀闸图像获取及预处理，包括如下步骤：
22.数据获取：发出拍摄指令，读取摄像头拍摄的剪刀式刀闸图像；
23.数据裁剪：不同的摄像头分辨率不同，为适应不同的摄像头，同时减少不必要的计算量，从摄像头获取照片后，统一裁剪为固定分辨率的图片；
24.图像噪声去除：采用滤波算法对裁剪后的图片进行滤波，对整幅图像进行加权平
均，每个像素点的值，都是由其本身和邻域内的其他像素值加权平均后得到，用高斯核扫描图像中的每一个像素，再计算高斯核所确定的领域内像素的加权平均灰度值，用其替代卷积中心像素的值，所述高斯核为一个奇数大小的高斯模板。
25.优选的，所述剪刀式刀闸目标识别包括如下步骤：
26.s1、将预处理好的图片传入预训练的神经网络中获得相应的feature map；
27.s2、通过feature map中的每一点设定roi，获得多个roi候选框；
28.s3、对这些多个roi候选框送到rpn中进行二值分类和bb回归，过滤掉一部分候选的roi；
29.s4、对剩下的roi进行roi align操作，即先将原图和feature map的pixel对应起来，然后将feature map和固定的feature对应起来；
30.s5、对这些roi进行n类别分类，bb回归和mask生成。
31.优选的，所述边缘提取包括如下步骤：
32.构建hed网络模型；
33.在hed网络模型上采用多尺度深度学习算法。
34.优选的，所述合闸夹角检测包括如下步骤：
35.关键像素提取：剪刀式刀闸交叉点下部内侧轮廓线的像素称为关键像素，进一步过滤掉无关区域，最终得到关键像素；
36.取像素点：a为剪刀臂轮廓线下部交叉点、b、c为左右剪刀臂轮廓内侧下端的2个点；
37.合闸夹角计算：设剪刀交叉臂下部的内侧轮廓线的夹角为α，由下式计算,其中a＝b点到c的像素距离，b＝a点到c的像素距离，c＝a点到b点的像素距离，
38.误差计算：设剪刀式刀闸合闸到位时的正确角度为β，则合闸角度误差为：α-β，如所述误差小于给定的阈值，则判定剪刀式刀闸完全合上，否则为合闸不到位。
39.本发明提供的剪刀式刀闸状态精确识别装置及判断方法，相对于现有技术具有如下的优点及效果：
40.1、能精确判断剪刀式刀闸的合闸是否到位；
41.2、安全性好，非接触式光学视频检测；
42.3、不用停电安装，不用停电维护，不影响电力系统的正常运行。
附图说明
43.图1是本发明实施例剪刀式刀闸状态精确识别装置的模块组成结构及原理示意图；
44.图2是本发明实施例合闸状态判断方法流程示意图；
45.图3是本发明实施例剪刀式刀闸目标识别处理后的示意图；
46.图4是本发明实施例剪刀式刀闸边缘提取处理后的示意图。
具体实施方式
47.下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
48.实施例
49.参见图1，本发明实施例提供的剪刀式刀闸状态精确识别装置，其包括：摄像头、剪刀式刀闸识别前端装置、剪刀式刀闸识别后台学习训练装置、数据及控制总线，路由器；
50.假定某个变电站有n座剪刀式刀闸，图1中画出了用于拍摄剪刀式刀闸1的左、中、右3个摄像头和拍摄剪刀式刀闸n的左、中、右3个摄像头，为简便起见，图1用一根虚线表示还有其他剪刀式刀闸。左、中、右3个摄像头的基座并列成一直线安装，分别拍摄一座三相剪刀式刀闸的每一相，每个摄像头的中心分别对准每一相的一把剪刀式刀闸的两个剪刀交叉臂的交叉点，一座三相剪刀式刀闸的某一相的一把剪刀式刀闸的图像如图3，绿色框中有两个剪刀交叉臂，其中心为两个臂的交叉点，一座三相剪刀式刀闸有三把这样的剪刀式刀闸。
51.图1中，一座三相剪刀式刀闸配备一个剪刀式刀闸识别前端装置，当剪刀式刀闸识别前端装置发出拍摄信号时，左中右3个摄像头拍摄的3个剪刀式刀闸图像通过数据及控制总线输出到剪刀式刀闸识别前端装置；
52.剪刀式刀闸识别前端装置采用深度学习的算法对剪刀式刀闸图像进行识别，再计算剪刀交叉臂轮廓线的夹角，判断合闸是否到位，并将合闸是否到位的信号发给剪刀式刀闸识别后台学习训练装置，同时也将剪刀式刀闸的图像转发给剪刀式刀闸识别后台学习训练装置，剪刀式刀闸识别前端装置的深度学习网络参数由剪刀式刀闸识别后台学习训练装置提供并刷新；图1中有n座三相剪刀式刀闸，但只需要一台剪刀式刀闸识别后台学习训练装置，因为这些剪刀式刀闸识别前端装置的深度学习网络参数都相同，进一步，多个变电站都可以共用一台剪刀式刀闸识别后台学习训练装置，因此图1中剪刀式刀闸识别前端装置通过一台路由器连接到数据及控制总线，这是一种目前先进的云边融合架构。
53.剪刀式刀闸识别后台学习训练装置根据收到的剪刀式刀闸的图像进行深度学习训练，学习训练好的参数发给剪刀式刀闸识别前端装置，同时将合闸是否到位的信号转发调度中心。
54.图1中的数据及控制总线可采用通用的有线以太网或无线wifi，摄像头都为网络摄像头、剪刀式刀闸识别前端装置和剪刀式刀闸识别后台学习训练装置都有网络接口，任何设备之间都可以通过网络传递数据和控制信号。调度中心也可以不通过剪刀式刀闸识别前端装置，直接获取剪刀式刀闸图像以监视剪刀式刀闸。
55.图2为剪刀式刀闸状态精确识别装置的合闸状态判断方法的流程图，本发明实施例提供的剪刀式刀闸状态精确识别装置的合闸状态判断方法，具体包括如下步骤：
56.s1、剪刀式刀闸识别前端装置发出拍摄指令给左中右3个摄像头，一起拍摄某个合闸完毕的三相剪刀式刀闸，摄像头将3个剪刀式单相刀闸的图像通过数据及控制总通过数据及控制总线发给剪刀式刀闸识别前端装置；
57.s2、剪刀式刀闸识别前端装置调用图像预处理子程序模块对图像进行数据裁剪和噪声去除；
58.s3、剪刀式刀闸识别前端装置调用剪刀式刀闸目标识别子程序模块，在一副含有背景信息的图像中找到所需要的剪刀式刀闸，滤除背景，将剪刀式刀闸从拍摄的图片中提
取出来，用一个最小的矩形框选定了所需要进行检测的剪刀式刀闸，如图3所示；
59.s4、剪刀式刀闸识别前端装置调用边缘提取子程序模块，在所述矩形框选定的范围之内将剪刀式刀闸的两个剪刀臂的轮廓线提取出来，本发明采用hed网络模型，在hed网络模型上采用多尺度深度学习算法；
60.s5、剪刀式刀闸识别前端装置调用合闸夹角检测子程序模块，计算剪刀式刀闸的下部剪刀臂的轮廓线夹角α，如果所述误差超出给定的阈值，则发出合闸不到位信号，否则发出合闸成功信号，三相剪刀式刀闸的任意一把剪刀式刀闸合闸不到位，则整个三相剪刀式刀闸都归为合闸不到位。
61.s6、剪刀式刀闸识别后台学习训练装置收集所有的剪刀式刀闸识别前端装置的合闸判断信号，通过界面呈现，并转发给调度中心。
62.上述图2流程中，所述图像预处理子程序模块，细节步骤如下:
63.数据裁剪：不同的摄像头分辨率不同，为适应不同的摄像头，同时减少不必要的计算量，从摄像头获取照片后，统一裁剪为固定分辨率像素的图片；
64.图像噪声去除：采用公知的滤波算法对裁剪后的图片进行滤波，对整幅图像进行加权平均，每个像素点的值，都是由其本身和邻域内的其他像素值加权平均后得到，用高斯核扫描图像中的每一个像素，再计算高斯核所确定的领域内像素的加权平均灰度值，用其替代卷积中心像素的值，所述高斯核为一个奇数大小的高斯模板，在此，使用的是5*5的高斯模板。
65.上述图2流程中，所述剪刀式刀闸目标识别子程序模块，细节步骤如下：
66.s1、将预处理好的图片传入预训练的神经网络中获得相应的feature map；
67.s2、通过feature map中的每一点设定roi，获得多个roi候选框；
68.s3、对这些多个roi候选框送到rpn中进行二值分类和bb回归，过滤掉一部分候选的roi；
69.s4、对剩下的roi进行roi align操作，即先将原图和feature map的pixel对应起来，然后将feature map和固定的feature对应起来；
70.s5、对这些roi进行n类别分类，bb回归和mask生成。
71.图3的绿色方框即由剪刀式刀闸目标识别子程序得到，更多的细节参见mask r-cnn算法。
72.图4由边缘提取子程序模块得到，参见hed算法。
73.上述图2流程中，所述合闸夹角检测子程序模块，细节步骤如下：
74.关键像素提取：剪刀式刀闸交叉点下部内侧轮廓线的像素称为关键像素，进一步过滤掉无关区域，最终得到关键像素；
75.取像素点：a为剪刀臂轮廓线下部交叉点、b、c为左右剪刀臂轮廓内侧下端的2个点；
76.合闸夹角计算：设剪刀交叉臂下部的内侧轮廓线的夹角为α，由下式计算,其中a＝b点到c的像素距离，b＝a点到c的像素距离，c＝a点到b点的像素距离；
77.误差计算：设剪刀式刀闸合闸到位时的正确角度为β，则合闸角度误差为：α-β，如
所述误差小于给定的阈值，则判定剪刀式刀闸完全合上，否则为合闸不到位。
78.图1中的剪刀式刀闸识别后台学习训练装置由一台深度学习服务器作为硬件，安装了本发明中与剪刀式刀闸相关的深度学习软件，包括剪刀式刀闸目标识别、边缘提取。剪刀式刀闸识别后台学习训练装置根据收到的剪刀式刀闸的图像进行深度学习训练，学习训练好的参数发给剪刀式刀闸识别前端装置，没有这些参数，剪刀式刀闸识别前端装置中的相应程序无法正确运行。
79.剪刀式刀闸识别后台学习训练装置的另一个功能是将多个剪刀式刀闸识别前端装置发来的合闸是否到位的信号汇总，通过界面呈现，并转发给调度中心，一个变电站的多个剪刀式刀闸识别前端装置能共用一台剪刀式刀闸识别后台学习训练装置，甚至多个变电站都可以共用一台剪刀式刀闸识别后台学习训练装置。
80.本发明上述实施例针对剪刀式刀闸是变电站中极其重要的设备，长期的使用会导致剪刀式刀闸结构的异常，从而造成合闸不到位，引起发热乃至爆炸等严重事故的问题，本发明重点是采用云边融合的架构，利用mask r-cnn网络进行目标识别，再使用hed方法进行边缘提取，并在此基础上提出了一个检测合闸不到位的方法，从而实现了剪刀式刀闸状态的精确识别，可以替代人工巡检，节约了人力，提高了安全性。
81.以上所述仅为本发明的示例性实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。