0 引言

以人工方式对大型变电站的继电保护硬压板进行核对，耗时长，任务繁重^[1]。为了降低运行人员的劳动强度及投退的错误率，电力工作者提出了多种对继电保护硬压板（以下简称压板）状态进行核对和管理的方法，如简单图像比较方法或图像匹配方法^[2-3]。文献[4]提出在每一个压板上都设置开关量以监控其位置信息。该方法的不足之处是增加了二次电缆的复杂程度，降低了可靠性。基于计算机图像识别方法，文献[5]主要从变电站视频监控系统中获取保护屏上压板的静态有效帧，自动识别给定有效区域内压板的状态。但是直接采用像素的方法无法在有限次的数据训练中获得特殊区域的编码信息^[6]。本文采用在人脸识别领域有良好效果的、以加权投票为机制的AdaBoost算法来学习区分压板的投退状态，经过200次迭代即可达到98%的准确率^[7]。

1 基于AdaBoost算法的图像核对基本原理

AdaBoost算法是1995年由Freund和Schapire提出的一种快速人脸检测算法。经过实践验证，与Boosting算法相比更适于解决实际问题，它不依赖于样本空间的分布情况，每次自学后不仅能够自行调整分布，而且可以更新权值，进而降低错误率。该方法在大量样本和特征的基础上进行足够多次的训练，就可以使错误率无限趋于零。

AdaBoost算法的基本原理是先找出检测窗口内所有的矩形特征f，对于每个特征f，利用积分图像法计算出所有训练样本的特征值，并将其排序。扫描所有特征值，可以确定1个最优阈值，最优阈值对应的弱分类器将该样本之前的所有样本确定为正样本，该样本之后所有样本为负样本。针对每1个特征f得到1个弱分类器后，检测每1个图像时，强分类器会让所有弱分类器进行投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终结果。

1.1 积分图像法

积分图像法是累加原始图像中一点（x，y）左上方的全部像素值作为当前点（x，y）的像素值。即：

(1)

式中i—原始图像；

ii—积分图像。

利用上述积分图像法，可得到原始图像中任意矩形区域内像素点的像素和值。已知图 1中D区域的积分图像，根据积分图像的特点，利用公式（2）可以得到D区域内像素的和值。

(2)

式中S_D—原始图像中给定D区域内的像素和值；

f₁、f₂、f₃、f₄—积分图像中像素点1、2、3和4的像素值。

1.2 特征与特征值计算

在AdaBoost算法中，若特征向量是由矩形组成的，则称为矩形特征。矩形特征可以对一些诸如边缘、线段的简单图形结构进行粗略描述。对于1个24×24检测窗口来说，其中矩形特征数量为162 336个。特征的选择就是从1个较大的特征集合中通过特定的组合方式或算法精细选取关键的少量特征。

一般来说，某个特征的特征值是白色矩形像素和值减去黑色矩形像素和值的数值。采用积分图像法可使得检测速度大大提高。

1.3 AdaBoost算法

AdaBoost算法的自学过程可概述为“最佳特征的投票过程”，即基于加权投票机制，对于某1个问题的答案通过大量的分类函数的加权组合来判定。效果较优的分类器的权值在每1次计算迭代中增大，而效果相对差的分类器的权值在逐渐减小。

1.4 分类器 1.4.1 弱分类器

可通过数量巨大的假设集合来构造且检测准确率大于50%的分类器定义为弱分类器。1个弱分类器h（x，f，p，θ）如公式（3）所示。这个假设集合可以通过一些简单规则的重组和对样本集合的性能评估生成。

(3)

式中x—待检测图像；

p—不等号方向；

θ—1个阈值，由训练样本决定；

f（x）—用特征f对待测图像进行特征提取所得的特征值。

1.4.2 强分类器

将弱分类器按照一定方法提升（Boosting）得到的且准确率随着弱分类器数量的增加而提高的分类器定义为强分类器。专家不仅提出了弱学习算法与强学习算法之间的等价变换问题^[6]，而且得到了利用足够数据将弱分类器改造为强分类器的结论。改造过程如下。

1.4.2.1 训练样本、初始化权重

指定一系列训练样本（x₁，y₁），（x₂，y₂），…，（x_n，y_n），其中y_i=0表示负样本（非压板），y_i=1表示正样本（压板）。n为总的训练样本数量。

初始化权重ω_{1, i}=D（i），对于正样本可设置为，对于负样本可设置为，其中，l、m分别为正样本和负样本的数量，m+l=n。

1.4.2.2 最佳弱分类器

对以上得到的权重进行归一化处理：

(4)

式中q_t，i—归一化处理后的权重。

对于每一个特征f，训练1个弱分类器h（x，f，p，θ），进而计算每一个特征f的弱分类器h（x，f，p，θ）的加权错误率，最终得到最小错误率ε_t对应的最佳弱分类器。

假设用特征f计算训练正样本（x₁，x₂，…，x_n）的特征值，并从小到大排序，得到特征序列（f₁，f₂，…，f_n），取θ=f_i（i=1，2，…，n），计算每个i的以下对应值：

（1） 全部正样本的权重和T_i⁺；

（2） 全部负样本的权重和T_i^-；

（3） 特征值在θ前面的正样本权重和S_i⁺；

（4） 特征值在θ前面的负样本权重和S_i^-。

此时阈值带来的对训练样本的分类误差为：

(5)

通过式（5）可选出ε_i的最小值ε_t对应的θ。

1.4.2.3 强分类器

经过T次迭代后可获得T个最佳弱分类器h₁（x），h₂（x），…，h_T（x），按式（6）组成1个强分类器：

(6)

其中，。

1.4.3 级联分类器

级联分类器是指多个强分类器通过依次串联组合成1个级联结构的分类器系统（见图 2），它使用前端的强分类器进行粗略检测，使用后端的强分类器进行精细检测，进而提升目标检测的速度。

2 压板核对系统 2.1 系统的结构与建立

压板核对系统主要分为离线训练和实时检测2个部分，离线训练部分采用VS2010+OPENCV2.4.1平台进行样本训练，而实时检测部分则采用Eclipse软件下的sdk4.1.2安卓平台。实时检测部分还具有用户登录、人员信息维护、变电站信息维护、保护屏及压板信息维护等功能。可将1个变电站的人员及设备信息都输入安卓平台进行管理。该平台还具有数据储存及提取功能，进而可将检测结果以文字、图像、表格的方式传递给运行人员。

2.2 压板核对方法

压板核对方法如下：首先，在获取大量的压板图像后，进行人为判断并将样本分为正样本和负样本。然后用已知类别的图像样本来进行AdaBoost训练，进而得到分类器，分类器对建立的样本中所有图像均可正确分类。将该分类器和算法嵌入在线检测软件中，便可以对任意图像进行检测。最后，得到压板的投退状态和位置信息后输出识别结果给用户（如图 3所示）。

2.3 较优特征的选取

AdaBoost算法从1个较大的特征集合中选择少量的优质特征，应尽量以区分度和独立性作为判别重点。本文将圆形局部二值模式（Local Binary Pattern，LBP）算子和方向梯度直方图（Histogram of Oriented Gradient，HOG）特征作为候选特征进行压板识别训练，在训练过程中HOG特征在检测效果上明显优于LBP特征（如图 4所示）。由图 4可看出，对于圆形压板检测的是其闭合状态，并且HOG特征具有较好的识别效果。因此，在此后的检测中将使用HOG特征为训练特征。

3 应用实例

采用该压板检测系统对蒙西电网继电保护硬压板进行检测。首先进行样本采集工作，并建立共200 × 200个正样本的图像库。经过大量样本训练获得分类器。

在获得分类器后，建立图像识别试验的硬件材料，即1面4行9列的压板平面框架，如 5 图所示。针对压板退出率的不同进行多次试验，并统计试验结果，如表 1所示。其中弱试验的检测结果与实际位置不符合，将其定义为检测失败，并统计检测失败的原因。若对图像的1次检测中有错检和漏检现象，则在错检和漏检的统计数据中累加1次。

对蒙西电网某220 kV变电站压板图像核对过程中，该压板核对系统体现出很好的灵活性和较高的准确率。1面继电保护屏的平均检测时间为10 s，完全可以满足实际工作中的要求。

4 结束语

无论从技术方面还是管理方面来讲，基于AdaBoost的保护压板投退位置的识别是满足现场应用需求的一种方法。这种方法可以降低继电保护硬压板漏投、误投造成事故的风险，并可提供直观有效的压板位置核对及管理方法，为运行人员提供了可靠的技术支持。