摘要：針對變電站攝像頭在自主巡檢時位置偏離預(yù)置位的問題，提出一種基于圖像識別和PID控制的巡檢攝像頭預(yù)置位自動糾偏技術(shù)。首先，分析了巡檢攝像機基本傳動原理及傳統(tǒng)預(yù)置位糾偏方法；然后，利用改進的Mask RCNN的目標(biāo)識別算法進行目標(biāo)定位；最后，設(shè)計基于PID控制的步進電機糾偏運動方法，實現(xiàn)對攝像機偏移位置誤差的自動校正操作。結(jié)果表明，所提方法在變電站復(fù)雜巡檢場景中檢測目標(biāo)識別準確率高、預(yù)置位糾偏效果較好。

關(guān)鍵詞：巡檢攝像頭；圖像識別；Mask RCNN；PID控制；預(yù)置位自動糾偏

中圖分類號：TP391.41 文獻標(biāo)志碼：A 文章編號：1671-0797（2024）20-0085-04

DOI：10.19514/j.cnki.cn32-1628/tm.2024.20.020

0 引言

變電站巡檢攝像頭因其具備全天候測量等優(yōu)勢，已成為智慧變電站內(nèi)電力設(shè)備監(jiān)測的重要工具[1]。然而，巡檢攝像頭投入變電站長期運行后，受到偏轉(zhuǎn)工作強度、傳動誤差、外界干擾、機械磨損等因素影響，其實際轉(zhuǎn)動角度可能偏離期望預(yù)置位，進而降低了有效巡檢圖像比例以及表計讀取等智能算法準確率[2]。

巡檢攝像機設(shè)置預(yù)置位的目的是使云臺相機拍攝到滿足檢測識別要求的高質(zhì)量巡檢圖像。文獻[3]利用圖像配準方法解出巡檢圖像與模板圖像間的像素誤差。文獻[4]使用裁剪的儀表模板圖像與大視場巡檢圖像配準，提升儀表讀數(shù)精度。然而，通過預(yù)置位糾偏對準相機的過程中，人工控制不能自動實現(xiàn)糾偏控制系統(tǒng)的調(diào)節(jié)，難以滿足復(fù)雜場景下系統(tǒng)的實時糾偏需求，同時糾偏過程中巡檢目標(biāo)識別的準確性是攝像頭自動調(diào)整的重要條件。文獻[5]中采用的圖像識別算法雖然能夠有效定位目標(biāo)物體，但在復(fù)雜背景下精度有所下降，對目標(biāo)檢測的泛化能力不夠，導(dǎo)致圖像偏差難以準確計算，使預(yù)置位糾偏工作效果低下。

為解決現(xiàn)有方法存在的不足，本文提出了一種基于圖像識別和PID控制的巡檢攝像頭預(yù)置位自動糾偏技術(shù)。該方法首先通過改進圖像識別算法將圖像目標(biāo)框定出來，然后將該位置誤差輸入基于PID控制器的步進電機控制系統(tǒng)中，進行攝像頭預(yù)置位快速準確糾偏。

1 巡檢攝像機預(yù)置位糾偏基本原理

1.1 巡檢攝像機基本傳動原理

智慧變電站巡檢系統(tǒng)中用于收集圖像、視頻數(shù)據(jù)的智能球型攝像機是巡檢工作的關(guān)鍵部分。目前云臺大多采用具有傳動效率高、結(jié)構(gòu)緊湊和傳動比準確等優(yōu)點的同步帶傳動方案?？紤]到經(jīng)濟性和結(jié)構(gòu)工藝，云臺傳動控制通常采用開環(huán)控制系統(tǒng)。

1.2 傳統(tǒng)預(yù)置位糾偏實現(xiàn)方法

傳統(tǒng)的云臺控制軟件補償程序流程如圖1所示，即：

1）抓取當(dāng)前位置圖像，確定云臺的位移量為圖片偏差所確定的補償值。

2）判斷云臺從當(dāng)前位置到目標(biāo)位置的水平位移量，精準控制云臺轉(zhuǎn)動，完成后重復(fù)步驟1）。然后判斷云臺從當(dāng)前位置到目標(biāo)位置的垂直位移量，精準控制云臺轉(zhuǎn)動。

對于巡檢工作的不同監(jiān)測目標(biāo)對象的需求，圖像中存在多個識別目標(biāo)時，通常需要人工識別判斷圖中目標(biāo)后發(fā)送指令觸發(fā)不同的預(yù)置位軟件補償程序。在復(fù)雜的變電站巡檢場景下該過程通常需要大量的人工識別工作。針對該類問題，研究人員提出基于圖像分析的策略[6]來提升定位精度，但犧牲了響應(yīng)速度，也沒有解決預(yù)置位限制的問題。

2 基于深度學(xué)習(xí)的圖像識別技術(shù)與圖像偏差計算方法

2.1 基于Fine Mask RCNN的圖像識別技術(shù)

為了能在背景復(fù)雜、光照多變的變電站運維環(huán)境下，準確識別變電設(shè)備中的儀表、絕緣子、母線、變壓器等，本文基于Mask RCNN目標(biāo)檢測網(wǎng)絡(luò)[7]，提出了一種改進的Fine Mask RCNN目標(biāo)識別算法。首先，利用ResNet-50和特征金字塔網(wǎng)絡(luò)（FPN）所組成的特征提取器來獲取變電站設(shè)備（隔離開關(guān)、表計、絕緣子等）的圖像特征；其次，通過區(qū)域建議網(wǎng)絡(luò)（RPN）和ROI Align進一步細化特征信息流，并采用信息融合模塊生成精細化特征圖；最終，通過分類回歸器對精細化特征圖進行分類、預(yù)測框回歸與掩膜生成。

2.2 基于最大互相關(guān)匹配的圖像偏差計算方法

針對云臺控制無法實時追蹤的問題，本文采用了一種基于圖像分析的反饋控制策略，利用最大互相關(guān)匹配法計算出當(dāng)前圖片與模板圖片的位置距離。圖片W大小為A×B，即當(dāng)前圖片，設(shè)為p（x，y）；圖片M大小為a×b，即模板圖片，設(shè)為g（x，y）。在W中找出與M相似的部分，記為Cx，y，其計算過程為：

Cx，y（i，j）=p（x+i-1，y+j-1），

i=1，2，…，m；j=1，2，…，n （1）

σ（x，y）= （2）

式中：σ（x，y）代表Cx，y與M的相關(guān)系數(shù)；E為M的方差；cov（Sx，y，M）為Sx，y與M的協(xié)方差。

Ex，y=Sx，y（i，j）-

x，y2 （3）

E=g（i，j）-

2 （4）

cov（Sx，y，M）=Sx，y（i，j）-

x，yg（i，j）-

（5）

式中：x，y和分別表示圖像Sx，y和M的灰度均值；Sx，y（i，j）為Sx，y中第i行j列像素的灰度值；g（i，j）為M中第i行j列像素的灰度值。

圖2所示的兩幅圖片中，Sx，y是W中與M完全相同的區(qū)域。對圖像M進行掃描，確定最大的σ（x，y）對應(yīng)的Sx，y的中心坐標(biāo)，此中心坐標(biāo)與W的中心坐標(biāo)相減，可計算出當(dāng)前圖片與模板圖片的位置距離（Cx，Cy）。

2.3 PID復(fù)合控制系統(tǒng)

本文所構(gòu)建的攝像頭轉(zhuǎn)動步進電機是一個復(fù)雜的非線性系統(tǒng)模型，糾偏運行過程中參數(shù)會變化，且存在不確定性和嚴重的外部干擾。本文設(shè)計了一種基于PID復(fù)合控制策略的“二輸入三輸出”步進電機控制系統(tǒng)。控制過程中對PID參數(shù)進行自適應(yīng)在線調(diào)整，完成云臺電機的自動調(diào)整，從而實現(xiàn)巡檢攝像機的自動糾偏。PID算法控制規(guī)律為：

u（t）=KPe（t）+KIe（t）dt+KDΔe（t） （6）

式中：u（t）為控制系統(tǒng)輸出量；e（t）dt為被控對象在t時刻的誤差；Δe（t）為被控對象在t時刻的誤差變化率；KP、KI、KD為比例、積分、微分增益。

在線整定KP、KI、KD參數(shù)公式為：

KP=KPP+ΔKP，

KI=KII+ΔKI，

KD=KDD+ΔKD （7）

式中：KPP、KII、KDD為PID控制器的參數(shù)初始值；ΔKP、ΔKI、ΔKD分別對應(yīng)KP、KI、KD三個參數(shù)的在線變化量。

3 實驗分析

3.1 圖像識別方法的有效性

為驗證所提出的Fine Mask RCNN識別算法的有效性，將其測試識別結(jié)果與Mask RCNN算法識別結(jié)果進行對比。如表1所示，相比Mask RCNN，本文算法在準確率和召回率上表現(xiàn)更好，F(xiàn)ine Mask RCNN準確率提升了4.44個百分點，召回率提升了3.1個百分點。本文所提算法圖像識別可滿足變電站復(fù)雜背景的識別需求。

不同算法檢測結(jié)果的對比情況如圖3所示。通過多次實驗發(fā)現(xiàn)，Mask RCNN可將待檢測物體正確定位和分類，但是改變測試圖片采集角度會對該算法檢測結(jié)果產(chǎn)生影響。當(dāng)被檢測物體存在部分遮擋時，圖（a）算法存在漏檢現(xiàn)象；而Fine Mask RCNN識別能力更強，能夠精確地檢測出目標(biāo)物體，如圖（b）所示。

3.2 糾偏系統(tǒng)實際效果

在復(fù)雜變電站環(huán)境中存在大量干擾糾偏工作的因素，為驗證本文所提糾偏方法在實際工作中的控制效果和抗干擾能力，將該方法部署于糾偏系統(tǒng)中。采用基于圖像識別與PID控制策略的糾偏方法進行變電站巡檢攝像頭糾偏前后的圖像對比，結(jié)果表明糾偏效果可以滿足變電站巡檢需求，如圖4所示。

4 結(jié)束語

本文構(gòu)建了Fine Mask RCNN圖像識別算法，并結(jié)合PID控制實現(xiàn)了巡檢攝像機預(yù)置位自動糾偏，主要得到以下結(jié)論：

1）本文所提的Fine Mask RCNN在變電站實拍圖片下的定位和識別效果優(yōu)于Mask RCNN；

2）本文構(gòu)建了步進定位糾偏系統(tǒng)的系統(tǒng)傳遞函數(shù)，設(shè)計了基于PID控制器的糾偏控制策略，提高了系統(tǒng)的糾偏精度和抗干擾能力。

[參考文獻]

[1] 馬富齊，王波，董旭柱，等.電力工業(yè)安全影像解譯：基本概念與技術(shù)框架[J].中國電機工程學(xué)報，2022，42（2）：458-475.

[2] 萬吉林，王慧芳，管敏淵，等.基于Faster R-CNN和U-Net的變電站指針式儀表讀數(shù)自動識別方法[J].電網(wǎng)技術(shù)，2020，44（8）：3097-3105.

[3] 劉晶，鐘力強，董娜.變電站巡檢機器人視覺精確定位算法研究[J].工業(yè)儀表與自動化裝置，2019（6）：8-13.

[4] 彭向陽，金亮，王銳，等.變電站機器人智能巡檢技術(shù)及應(yīng)用效果[J].高壓電器，2019，55（4）：223-232.

[5] REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：Unified，real-time object detection[C]// Proceedings of the IEEE conference on computer vision and pattern recognition，2016：779-788.

[6] 劉萍萍，趙宏偉，臧雪柏，等.移動機器人定位圖像匹配的快速局部特征算法[J].儀器儀表學(xué)報，2009，30（8）：1714-1719.

[7] HE K，GKIOXARI G，DOLLAR P，et al.Mask r-cnn[C]// Proceedings of the IEEE international conference on computer vision，2017：2961-2969.

收稿日期：2024-06-12

作者簡介：李軍（1983—），男，湖北秭歸人，工程師，從事電力系統(tǒng)運行工作。

吳喜春（1990—），男，湖北武穴人，碩士研究生，高級工程師，從事電力系統(tǒng)運行工作。