李文靜

(重慶水利電力職業(yè)技術(shù)學(xué)院 智能制造學(xué)院，重慶402160)

西南地區(qū)是我國(guó)水力資源最為富集的地區(qū)，一直是我國(guó)水電開發(fā)的主戰(zhàn)場(chǎng)?！笆濉币詠恚L(zhǎng)江上游西南地區(qū)一大批大中型水電站工程相繼建成投產(chǎn)，形成了我國(guó)最大的優(yōu)質(zhì)清潔水電基地。水力發(fā)電站工程的建立與發(fā)展不僅為我國(guó)提供了大量廉價(jià)的電力資源，而且還肩負(fù)著防汛、抗旱、灌溉、保護(hù)環(huán)境的作用，推動(dòng)了國(guó)民經(jīng)濟(jì)的發(fā)展，為人們的正常工作和生活提供了重要的物質(zhì)保障。

然而，由于大多數(shù)水電站都建設(shè)在遙遠(yuǎn)偏僻、人口稀少、環(huán)境條件惡劣的地方，極易遭受到設(shè)備被盜、私挖電纜，火災(zāi)、高大建筑機(jī)械施工(塔吊長(zhǎng)臂觸線)等外力破壞[1-2]，人工管理或者常規(guī)管理相當(dāng)麻煩。國(guó)內(nèi)外因外力破壞導(dǎo)致電站發(fā)生事故的事例不勝枚舉。2011年6月，由于工作人員的疏忽，加之沒有強(qiáng)有力的防護(hù)措施，山西龍口電站大修期間發(fā)生了火災(zāi)。2011年8月4號(hào)，蘭州西固區(qū)某水電站庫(kù)房千米電纜線被盜，價(jià)值達(dá)40余萬(wàn)元。2016年7月，重慶獅子灘水電站工作人員在回吊電站上水泵電機(jī)過程中，發(fā)生吊運(yùn)電機(jī)擦掛集水井水泵控制屏的液晶屏面等事故。

發(fā)生此類事故的原因，除了人們法律觀念淡薄、操作施工機(jī)械時(shí)的大意疏忽等之外，最主要的原因是目前我國(guó)水電站的智能化建設(shè)方面相對(duì)滯后，采用傳統(tǒng)的視頻監(jiān)控技術(shù)和紅外探測(cè)技術(shù)，在實(shí)際應(yīng)用中都會(huì)產(chǎn)生大量的漏報(bào)警和誤報(bào)警，需要人工進(jìn)行判別處理，從而延誤處理時(shí)機(jī)[3]。因此，為了減少或消除水電站外力破壞事故，保障電網(wǎng)的安全穩(wěn)定，提出一種基于機(jī)器視覺的水電站防外力破壞系統(tǒng)。

1 系統(tǒng)總體設(shè)計(jì)方案

文中提出的水電站防外力破壞系統(tǒng)，采用分布式智能體系結(jié)構(gòu)、模塊化設(shè)計(jì)，主要由現(xiàn)場(chǎng)監(jiān)控裝置、數(shù)據(jù)傳輸、后臺(tái)監(jiān)控中心3部分組成。現(xiàn)場(chǎng)監(jiān)控裝置采用圖像處理與識(shí)別技術(shù)，完成水電站設(shè)施現(xiàn)場(chǎng)實(shí)時(shí)視頻采集、分析、報(bào)警和數(shù)據(jù)匯總，并通過安全接入平臺(tái)與指揮中心通訊，用戶可以通過局域網(wǎng)PC端實(shí)現(xiàn)查看現(xiàn)場(chǎng)視頻、接收?qǐng)D片等規(guī)定功能，同時(shí)可以通過廣域網(wǎng)MP端實(shí)現(xiàn)智能控制等高級(jí)應(yīng)用功能[4]。系統(tǒng)組成示意圖如圖1所示。

2 關(guān)鍵技術(shù)分析

2.1 Kalman濾波器背景建模法

Kalman濾波器是一種根據(jù)過去的信號(hào)，利用時(shí)變隨機(jī)信號(hào)的統(tǒng)計(jì)特性，以線性最小均方差作為最優(yōu)化準(zhǔn)則，對(duì)隨機(jī)信號(hào)的當(dāng)前、未來值做出盡可能接近真值估計(jì)的時(shí)域遞歸濾波方法[5-7]。

(2)

式中：A(x，y，tk)=1，H(x，y，tk)=1。式(1)為點(diǎn)(x，y)處的Kalman濾波器狀態(tài)估計(jì)方程，式(2)為像素點(diǎn)(x，y)的Kalman濾波器狀態(tài)預(yù)測(cè)方程。把圖像分為含有運(yùn)動(dòng)前景的區(qū)域與相對(duì)靜止的背景區(qū)域，為建立更加準(zhǔn)確的背景模型，對(duì)前景與背景圖像進(jìn)行分別加權(quán)更新，設(shè)Kalman增益為

圖1 系統(tǒng)組成示意圖

K(x，y，tk)=αc(x，y，tk)+β[1-c(x，y，tk)]

(3)

(4)

(5)

式中：c(x，y，tk)為背景模型估計(jì)的前景標(biāo)識(shí)；β、α分別為背景和前景因子；Th(tk)表示提取前景目標(biāo)的分割閾值。

其中α為d(x，y，tk)>Th(tk)時(shí)的Kalman增益；β為d(x，y，tk)≤Th(tk)時(shí)的Kalman增益；背景自適應(yīng)性是由α與β值決定，考慮到算法的實(shí)時(shí)性，實(shí)際應(yīng)用中根據(jù)經(jīng)驗(yàn)來取一些固定的值?；贙alman濾波法的背景估計(jì)流程圖如圖2所示。

圖2 Kalman濾波器背景估計(jì)流程圖

2.2 人工神經(jīng)網(wǎng)絡(luò)火災(zāi)識(shí)別

火災(zāi)火焰燃燒狀態(tài)受諸多因素的影響，具有很強(qiáng)的隨機(jī)性。因此，火災(zāi)火焰信號(hào)是一種非線性信號(hào)，以BP神經(jīng)網(wǎng)絡(luò)作為火災(zāi)圖像識(shí)別的模型，以提高火災(zāi)火焰識(shí)別的準(zhǔn)確性和可靠性[8]。

1)神經(jīng)網(wǎng)絡(luò)輸入信號(hào)

根據(jù)火災(zāi)火焰圖像的形狀、動(dòng)態(tài)特征及顏色信息，確定火焰區(qū)域面積、圓形度以及尖角數(shù)、顏色一階矩等參數(shù)值作為輸入信號(hào)。

2)神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)

采用如下公式計(jì)算隱含層節(jié)點(diǎn)數(shù)

(6)

式中：y為隱含層節(jié)點(diǎn)數(shù)；c為輸出節(jié)點(diǎn)數(shù)(或分類數(shù))；r為輸入節(jié)點(diǎn)數(shù)(或特征向量維數(shù))。

3)神經(jīng)網(wǎng)絡(luò)輸出信號(hào)

按照想要分類的數(shù)目將神經(jīng)網(wǎng)絡(luò)的輸出層對(duì)應(yīng)“干擾物體”“火災(zāi)火焰”“林區(qū)景物”3個(gè)神經(jīng)元。

4)學(xué)習(xí)樣本

對(duì)于火焰識(shí)別，火災(zāi)圖像樣本庫(kù)也是必不可少的。圖3所示為BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別框圖。

圖3 BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別框圖

3 實(shí)驗(yàn)與結(jié)果分析

3.1 目標(biāo)入侵檢測(cè)

防止人或大型動(dòng)物進(jìn)入危險(xiǎn)區(qū)域、防止室內(nèi)外重要設(shè)備被盜或破壞、防止高大建筑機(jī)械施工(塔吊長(zhǎng)臂觸線)破壞都屬于目標(biāo)入侵檢測(cè)。該水電站防外力破壞系統(tǒng)利用基于Kalman濾波的背景減除法實(shí)時(shí)檢測(cè)水電站內(nèi)、線路桿塔附近等環(huán)境中是否有人或大型動(dòng)物進(jìn)入危險(xiǎn)區(qū)域，是否有設(shè)備被盜、私挖電纜、大型機(jī)械野蠻施工撞擊桿塔、塔吊觸線等電力事故的發(fā)生。

目標(biāo)入侵檢測(cè)算法，首先需要對(duì)視頻圖像進(jìn)行預(yù)處理，包括監(jiān)控區(qū)域的設(shè)定、圖像增強(qiáng)、濾波、轉(zhuǎn)換等，使其有利于后續(xù)檢測(cè)的實(shí)現(xiàn)。其次，利用基于Kalman濾波背景估計(jì)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行提取、背景更新，再通過形態(tài)學(xué)運(yùn)算、陰影去除、區(qū)域連通的方法等對(duì)提取目標(biāo)進(jìn)行后處理。最后，獲取目標(biāo)的面積及外接矩形，并通過設(shè)定面積閾值、目標(biāo)外接矩形長(zhǎng)寬比閾值來識(shí)別目標(biāo)。在特定監(jiān)測(cè)區(qū)域檢測(cè)到對(duì)水電站電力系統(tǒng)安全造成威脅的動(dòng)物、行人或大型機(jī)械等，則啟動(dòng)報(bào)警。圖4所示為目標(biāo)入侵檢測(cè)算法流程圖。

為驗(yàn)證算法的可行性，利用上述目標(biāo)檢測(cè)算法對(duì)某桿塔附近人員爬塔、吊臂觸線進(jìn)行檢測(cè)，如圖5及圖6所示。

圖5(a)所示為虛擬檢測(cè)區(qū)域的選取，圖5(b)為使用本文提出的目標(biāo)入侵檢測(cè)算法對(duì)某桿塔附近人員爬塔進(jìn)行檢測(cè)的效果圖。如圖5所示，該檢測(cè)現(xiàn)場(chǎng)環(huán)境背景較為復(fù)雜，單純依靠傳統(tǒng)的視頻監(jiān)控，監(jiān)控人員用肉眼很難看出運(yùn)動(dòng)人體目標(biāo)，而本文提出的目標(biāo)入侵檢測(cè)法能夠精確地檢測(cè)到運(yùn)動(dòng)目標(biāo)，并對(duì)運(yùn)動(dòng)目標(biāo)做標(biāo)記，傳送到后臺(tái)進(jìn)行預(yù)警。圖6為水電站附近施工吊臂觸線檢測(cè)的效果圖，算法能夠精確地檢測(cè)到導(dǎo)線附近異物入侵，并及時(shí)報(bào)警。

圖4 目標(biāo)入侵檢測(cè)算法流程圖

(a)虛擬檢測(cè)區(qū)域的選取(b)桿塔附近人員爬塔檢測(cè)效果圖圖5 目標(biāo)入侵檢測(cè)圖

3.2 火災(zāi)識(shí)別

由于水電站大部分時(shí)間處于無火災(zāi)狀態(tài)，因此針對(duì)該監(jiān)控系統(tǒng)設(shè)計(jì)的水電站火災(zāi)識(shí)別算法，首先通過背景差分法檢測(cè)是否具有異常以檢測(cè)疑似區(qū)域；在檢測(cè)到具有火災(zāi)疑似區(qū)域的基礎(chǔ)上，通過閾值分割等一系列算法，精確提取目標(biāo)區(qū)域，以便下一步的檢測(cè)與識(shí)別?；鹧嫣卣鞯臋z測(cè)包括對(duì)面積、動(dòng)態(tài)特征(尖角、圓形度)以及顏色等的提取，并設(shè)定各自的閾值，將每個(gè)檢測(cè)結(jié)果和預(yù)設(shè)閾值進(jìn)行比較。最后通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)一步精確識(shí)別、判斷火災(zāi)。如果檢測(cè)到有火災(zāi)發(fā)生的趨勢(shì)，則立即啟動(dòng)報(bào)警，運(yùn)行人員則對(duì)其進(jìn)行重點(diǎn)監(jiān)控并及時(shí)通知巡檢人員趕赴現(xiàn)場(chǎng)查看或?qū)嵤缁?。否則，重復(fù)進(jìn)行以上步驟?；馂?zāi)識(shí)別流程圖如圖7所示。

圖6 異物入侵檢測(cè)效果圖

圖7 火災(zāi)識(shí)別算法流程圖

為驗(yàn)證算法的可行性，利用本文所提出的算法對(duì)某火災(zāi)現(xiàn)場(chǎng)圖像進(jìn)行處理，如圖8所示。

圖8(a)為某火災(zāi)現(xiàn)場(chǎng)圖片，圖8(b)為利用本文提出的算法進(jìn)行火災(zāi)識(shí)別效果圖。該算法能夠精確提取火災(zāi)圖像，并反饋火災(zāi)面積大小數(shù)據(jù)，及時(shí)啟動(dòng)報(bào)警。

4 結(jié)語(yǔ)

為有效減少或避免水電站外力破壞事故的發(fā)生，設(shè)計(jì)了水電站防外力破壞系統(tǒng)總體方案，討論了系統(tǒng)現(xiàn)場(chǎng)監(jiān)控裝置、數(shù)據(jù)傳輸、后臺(tái)監(jiān)控中心3部分的組成及其實(shí)現(xiàn)的功能。并重點(diǎn)分析了基于數(shù)字圖像處理的目標(biāo)入侵檢測(cè)、火災(zāi)識(shí)別圖像處理的步驟及方法。實(shí)驗(yàn)結(jié)果表明，本文中所設(shè)計(jì)的算法能夠精確檢測(cè)目標(biāo)入侵，識(shí)別火災(zāi)煙霧，可以廣泛應(yīng)用于水電站智能監(jiān)控，為水電站的安全穩(wěn)定運(yùn)行提供有力保障。

(a)某火災(zāi)現(xiàn)場(chǎng)圖

(b)火災(zāi)識(shí)別效果圖圖8 火災(zāi)識(shí)別前后效果圖