高压断路器的主要作用在于确保电网运行的安全性。若能很好地进行操控, 可顺利实现电能的转移、连接、关闭和运送;一旦问题出现, 便可及时将开关关闭, 如此可减少大范围事故发生的可能性。通过高压断路器运动特性监测可判定其工作状态是否正常, 有利于其未来发展[1]。在电力系统快速发展、电气设备日益开发和完善的情况下, 机械运动特性检测方法逐渐引起人们的关注[2,3]。本文提出了一种对焦算法方案, 并在断路器操作机构机械运动特性检测中得以广泛应用。
1 断路器操作机构运动特性测量目标
本文不仅对高压断路器的可视联动杆进行测量, 对其运动状态也予以了高度的重视。联动杆合闸过程中目标条纹自左而右运动, 而在分闸过程中则为自右而左运动。在跟踪分析目标条纹的基础上, 可实现对联动杆机械运动特性的有效解析, 此处提及的运动特性除合闸和分闸的时间之外, 主要还包括其运动速度和运动位, 在此基础上可得位移-时间曲线[4]。
基于对联动杆机械特性的有效检测, 当下较为常见的可跟踪测量目标条纹的传感器主要有接触式传感器、非接触式传感器两类。因工业现场的环境本身具备了较高的复杂性, 加之狭小的可视窗口的联动杆上无法对接触式传感器进行安装, 因此优先考虑非接触式传感器的使用。就本文而言, 主要对高速成像传感器进行了运用, 在联动杆的表面贴上需要匹配的目标条纹纸, 即可顺利实现整个测试过程。此类传感器的组成部分, 可大致归纳为线阵CCD、三可调电动镜头、采集卡、解码器、LED光源、目标条纹。
2 对焦策略介绍
对焦清晰的图像拥有清晰的边界和频域内较多的高频分量, 但从过渡带的宽度来看却相对较窄;而模糊图像恰恰相反, 它的边界相对模糊, 但过渡带的宽度要大于清晰图像。目前实现模糊图像转变的方法主要有梯度函数算子、边缘检测算子两种, 而在聚焦评价函数中, 应用较为广泛的除了方差函数和熵函数之外, 主要还包括Brenner、Tenengrad和Laplacian等函数。本文将侧重于介绍基于边缘检测算子和梯度函数的对焦算法[5]。
基于梯度函数的对焦算法的使用, 通常是通过能量梯度、Brenner这两个函数来加以体现的。后者主要对相差两个单位的两个像素点间的灰度差进行计算, 而前者的值则为灰度差平方的和值, 图像在点 (x, y) 上的灰度值记为I (x, y) , 计算公式为f (I) =ΣxΣy[I (x+2, y) -I (x, y) ]2。
事实上, 能量梯度函数和Brenner函数具有一定的相似之处, 它们在计算某点的梯度强度时, 通常都会借助相邻点的差分值。其具体计算公式可归纳为f (I) =ΣxΣy[I (x+2, y) -I (x, y) ]2+ΣxΣy[I (x+2, y) +I (x, y) ]2。
边缘检测算子是以图像边缘过渡带的宽窄为参考依据, 对图像的清晰与否进行判断的, 图像清晰的标准是边界清晰, 且过渡带较窄, 并非图像的大部分点都具备良好的评价值。如图1所示, 相较于模糊图像的过渡带, 清晰图像要窄得多。图像中黑白像素点的灰度值分别为255和0。因此, 可通过图像边缘的像素点数量来对图像的清晰与否进行判断。
3 实验效果测试
本文通过以下方式来采集实验所需的图像数据:在目标条纹前方100~300cm处的任意位置放置测量系统, 对目标物经过成像系统后形成的图像进行观察, 在此基础上进行对焦调整, 进而得到所需的清晰和模糊图像, 并对其进行梯度函数和边缘检测。比较分析以上两种检测方法, 得出对本系统而言最优的对焦算法。若使用基于梯度函数的对焦算法, 可得出两个函数中最大函数值所对应的最清晰的图像;而通过基于边缘检测算子的对焦算法, 可对目标物的具体位置进行确定, 并对输入图像的边缘过渡带的宽度进行计算, 可知宽度值最小图像的聚焦效果反而最佳。
3.1 距离目标条纹102cm处
此距离采集的图像共计8幅, 参与比较分析的图像为4幅 。通过基于梯度函数的对焦算法来加以计算, 可得到如图3所示的结果, 图中横坐标表示图像序号, 纵坐标表示对焦函数值。通过基于边缘检测对焦算法来计算, 应首先结合黑条纹 (也就是第一个黑条纹) 和中心黑条纹 (也就是第三个黑条纹) 进行进行分析, 分析结果见图4。图中横坐标表示图像序号, 纵坐标表示边界过渡带的宽度。
在对实验采集图像进行观察和比较分析的基础上, 可知最清晰的图像出现在序号3上, 与人眼的主观评价最相符。从图3可知, 基于梯度函数的两种对焦算法中, 其峰值均在序号为3的图像上出现, 由此可见二者均可以得到正确的清晰图像, 同时具备了较好的无偏性, 在极点附近的尖锐性也是极好的。从图4中可知, 通过边缘检测算法得到的最小值出现在序号3上, 这一结果与以上两种梯度函数的计算结果相符。
3.2 距离目标条纹120cm处
在这一距离上采集的图像共有10幅, 选择其中的5幅进行比较分析。通过两种梯度函数得到的结果可参考图5。
图5所示为基于边缘检测算法所得到的结果。通过对该组实验图像的观察和比较分析, 可知序号4上的图像最为清晰, 与人眼的主观评价最相符。从图6中不难看出, 基于梯度函数的两种对焦算法中其峰值均在序号为4的图像上出现, 可知二者均可以得到正确的清晰图像, 而且具备了较好的无偏性, 极点附近的尖锐性也是极好的。从图6中不难看出, 基于边缘检测算子的聚焦算法的最小值在序号为4的图像上出现, 这一结果与以上两种梯度函数的计算结果相符。
3.3 实验结果分析
通过两次实验的对比分析不难发现, 基于Energy和Brenner函数的对焦曲线可对清晰图像进行准确判断, 而焦平面附近的峰值又具备了唯一特性, 即便是从峰值两侧的单调性来看, 也是极好的。通过边缘检测算法, 同样可以准确判断出两组图像中最为清晰的那一幅, 而且峰值两侧的单调性一样很好, 且其单峰性特征较为显着。据实验结果显示, 若图像的过渡带宽度值≤4个像素点, 可知其较为清晰。
相较于边缘检测算法梯度函数算法存在两方面缺陷:一是基于工业环境的复杂性特征, 对焦图像的质量远远不如实验采集的图像, 以至于出现局部峰值的现象, 从而使整个判断过程的复杂度大大增加, 此时要得到最大的对焦函数值, 就必须经过多层判断和分析;二是其计算量远大于边缘检测算法, 以至于其耗时较多。
基于前文分析, 可知边缘检测算法才是本系统的最优对焦算法。在边缘过渡带宽度像素点≤4的情况下, 可判断其对焦成功, 否则应继续控制步进电机转动来判定最优对焦图像。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.