基于圖像分析的電力設備故障檢測技術研究

摘 要： 電力設備過熱故障可以通過采集的紅外圖像進行識別。因此，提出基于紅外熱圖像分析的電力設備熱故障檢測技術，該技術下的電力設備熱故障檢測系統由圖像采集模塊和紅外圖像檢測模塊構成。通過紅外圖像配準方法，確保電力設備紅外圖像的采集位置同原始位置一致，提高總體熱故障檢測的精度。依照數據庫中已經完成設置的電力設備圖像特征點位置，采集完成紅外圖像配準區域的溫度信息。憑借溫度信息相互對比獲取的結果，實現電力設備熱故障檢測，并且發出警報。給出了拉普拉斯銳化算法的關鍵代碼，以實現對電力設備紅外圖像的銳化處理，提高圖像清晰度。實驗結果說明，所提出的技術在檢測電力設備熱故障過程中，具有較高的檢測精度和魯棒性。

關鍵詞： 紅外圖像； 電力設備； 熱故障； 拉普拉斯銳化算法

中圖分類號： TN911.73?34； TP301 文獻標識碼： A 文章編號： 1004?373X（2015）24?0007?05

Research on power equipment fault detection technology based on image analysis

FENG Jun

（Changshou Power Supply Company of Chongqing Electric Power Corporation， State Grid Corporation of China， Chongqing 401220， China）

Abstract： The overheat fault of power equipments can be recognized by the acquired infrared image. Therefore， the overheat fault detection technology based on the infrared thermal image analysis is proposed for the power equipments， by which the heat fault detection system of the power equipments is constituted of image acquisition module and infrared image detection module. The infrared image registration method can ensure the acquisition position of power equipment infrared image in accordance with original position， and improve the accuracy of the overall heat fault detection. According to the location of image feature points of the power equipment set in database， the temperature information in the infrared image registration area is collected. In combination with the results coming from the comparison among temperature information， the overheat fault detection of power equipments is achieved， and the alarm is raised. The key code of Laplace sharpening algorithm is provided to realize the sharpening processing of power equipment infrared image， and improve the image resolution. The experimental results indicate that the proposed technology has high detection accuracy and robustness in the process of detecting the overheat fault of power equipments.

Keywords： infrared image； power equipment； heat fault； detection； Laplace sharpening algorithm

0 引 言

隨著經濟的快速發展，電力系統規模不斷擴大，人們對電力系統的依賴性和安全性要求逐漸增強。熱故障檢測是避免高壓電力設備絕緣材料過熱老化以及持續電流過負荷，而產生事故的關鍵方法。因此，對電力設備熱故障進行實時檢測，對確保電力設備的安全運行具有重要意義[1?3]。紅外熱成像方法是將物體的熱輻射掃描成像的一種非接觸檢測技術。基于紅外圖像分析的電力設備熱故障檢測具有操作安全和檢測效率高的優勢[4?6]。

當前存在較多電力設備故障檢測方法，但都存在相關的問題。文獻[7]中塑造電力設備在不同溫度情況下，不同部件的熱像灰度直方圖特征庫，明確不同檢測點在不同溫度情況下的發熱等級，完成熱故障的有效檢測，但是該種方法存在檢測效率低和誤差高的弊端。文獻[8]提出采用紅外熱像測溫方法檢測電力設備熱故障，該方法采集檢測點輻射出的遠紅外波，分析遠紅外波長獲取檢測點的溫度，實現熱故障檢測，但是其只能檢測處于傳感器直視區域中的檢測點溫度，具有較高的局限性。文獻[9]中通過分析電力設備檢測點的相對溫差同其接觸電阻的相對偏差關系，檢測電力設備中的熱故障，該方法存在較高的偏差。文獻[10]基于絕緣子在電阻劣化情況下的發熱規律和運行條件下的熱像特征，檢測電力設備的熱故障，該方法需要消耗較高的能量，成本較高。

為了有效處理上述方法存在的弊端，本文提出了基于紅外圖像分析的電力設備熱故障檢測技術。該技術下的電力設備熱故障檢測系統由圖像采集模塊和圖像檢測模塊構成。通過紅外圖像配準方法，提高總體熱關注檢測的精度。在分析電力設備紅外熱圖像及電力設備熱故障特點的基礎上，通過圖像處理和模式識別理論對電力設備紅外熱圖像的目標進行識，實現電力設備熱故障的實時和準確檢測。實驗結果說明，所提技術在檢測電力設備熱故障過程中，具有較高的檢測精度和魯棒性。

1 基于紅外圖像分析的電力設備熱故障檢測技術

1.1 系統總體結構

本文設計的基于紅外圖像分析的電力設備熱故障檢測系統，包括圖像采集模塊以及圖像檢測模塊構成。圖像采集模塊包括圖像采集設備定位模塊和紅外圖像采集模塊。圖像檢測模塊包括電力設備現場檢測模塊、數據庫管理模塊和紅外自動檢測模塊。圖像檢測模塊對總體檢測系統的工作進行調控，并在獲取圖像采集模塊的電力設備紅外圖像后，對圖像進行配準分析，收集圖像特征點的溫度，判斷溫度是否高于設定閾值，對熱故障進行報警。系統總體結構如圖1所示。

圖1 系統總體結構

1.2 基于紅外圖像配準算法的電力設備檢測技術

本文檢測系統中的圖像檢測模塊，采用紅外圖像分析技術，實現電力設備熱故障的有效檢測。通過紅外熱成像技術采集到的圖像可有效描述電力設備區域各點的溫度情況，為電力設備熱故障檢測提供了可靠的分析依據。但是因為本文系統中的圖像采集模塊采用攝像機采集電力設備圖像，攝像頭在不同條件下，獲取的電力設備圖像存在一定的差異，應對紅外圖像進行配準處理，保證檢查區域無偏差，提高了設備熱故障檢測精度。

1.2.1 電力設備檢測過程

基于紅外圖像分析的電力設備熱故障檢測過程如圖2所示。

圖2 基于紅外圖像分析的電力設備熱故障檢測過程

（1） 紅外線圖像的收集工作，通常使用可取得圖像采集設備來完成。該采集設備可被操縱在特殊規定的范圍內，并依照電力設備熱故障的類別和數量上的迥異，采集設備會留在各個地方進行紅外圖像的收集。在各種各樣的電力設備內存在著許許多多可以檢測的特征點，因此當采集設備工作時，需要從各個收集位置中獲取紅外圖像，來逐個查看各檢測點的溫度情況。收集圖像的采集設備可以在規定的路徑上從頭走到尾。一個一個逐步從電力設備的特征點上實行紅外圖像采集。圖像收集時前后過程銜接，使得整個電力設備熱故障檢測在不間斷運行。

（2） 檢測過程中應用的采集設備畢竟為硬件設施，誤差的出現自然不可避免。這些微小的差別必定使紅外圖像的采集位置有所區別，不可能與原始位置完全相同。若不對剛剛收集的紅外圖像進行配準，則會影響接下來的操作計算，導致特征點的溫度準確率大幅下降。綜上所述，在電力設備熱

故障檢測過程中的關鍵步驟就是紅外圖像配準技術，掌握此項技能

可以保障整個電力設備熱故障檢測技術的準確性。

（3） 依照數據庫中已經完成設置的特征點位置，采集完成紅外圖像配準區域的溫度信息。不僅對采集的溫度信息與其他特征點的溫度信息相互對比，也要將采集的溫度信息與數據庫中原始存留的溫度信息進行對比分析。

（4） 憑借溫度信息相互比較后得到的結果，實現電力設備熱故障檢測，并且發出警報。

1.2.2 圖像配準算法流程

本文采用依據模板匹配方法對采集的電力設備紅外圖像進行配準。該方法將參照圖像中的關鍵區域制作成模板，在新獲取電力設備紅外圖像中搜索同模板匹配的區域，再基于兩區域在新圖像和參照圖像中的位置，調整圖像坐標，塑造參照圖像同新紅外圖像特征點間的對應關系。具體的配準過程是：先采用基于閾值的圖像分割方法實現電力設備紅外圖像的分割，通過外圍鏈碼的角點檢測方法，收集紅外圖像特征點，使用基于距離約束點特征匹配方法，完成紅外圖像的特征匹配分析，再將當前獲取的圖像同參考圖像進行配準，獲取坐標對應關系。總體流程圖如圖3所示。

圖3 基于模板匹配的算法流程圖

（1） 圖像分割算法

圖像配準算法首先利用圖像分割算法，分割出電力設備紅外圖像中的特征區域。特征區域有獨特的形態和屬性，其實特征區域就是系統檢測電力設備中一些部件的范圍。然后通過下一個算法對特征區域來分析、采集，并完成配準。本文采用基于閾值的圖像分割算法，實現電力設備紅外圖像的有效分割，進而快速壓縮電力設備紅外圖像數據與存儲量，縮短后續的電力設備紅外圖像分析與處理流程。

（2） 特征點采集算法

特征點是在圖像配準時，可以代替外圍曲線屬性的相關點，并且能充分體現曲線中的信息，進而反應電力設備紅外圖像的外圍屬性。本文基于角點實現電力設備紅外圖像配準，通過外圍鏈碼的角點檢測方法，采集電力設備紅外圖像特征點。該方法的實現過程為：第一步對電力設備紅外圖像進行預分割；第二步實現分割后獲取的電力設備紅外圖像外圍點的順序編碼，取得外圍鏈碼；第三步通過外圍碼反映和采集電力設備紅外圖像中的角點。根據不同限度濾波的角點檢測方式，基于不同形狀的高斯窗完成電力設備紅外圖像外圍的卷積計算，再運算不同外圍點曲率值，對極值點進行檢索，來定位電力設備紅外圖像的角點，從而限制角點檢測時噪聲因素的不利干擾。

（3） 特征點匹配

本文采用基于距約束點特征匹配方法，完成電力設備紅外圖像的特征匹配分析。該方法假設從參考紅外圖像中采集到n個特征點[vi（x，y）（0≤i≤n）]，在待配準紅外圖像中各特點獲取m個候選特征點[ui（x，y）（0≤i≤m）]，并且最優候選點為[uo（x，y）]。基于距約束點特征匹配方法的具體過程為：

① 運算參考電力設備紅外圖像中n個特征點[vi（x，y）]兩兩間的距離[Dvi，j]；

② 運算待配準電力設備紅外圖像中m個最優候選點[ui（x，y）]兩兩間的距離[Dui，j]；

③ 對各點[ui（x，y）]到其他點[uj（x，y）]的距離以及參考電力設備紅外圖像中[vi（x，y）]到其他特征點[vj（x，y）]具有同等距離的點的數量N，如果[N≥23n]，則說明[ui（x，y）]為[vi（x，y）]的正確匹配點。

④ 如果[ui（x，y）]是特征點[vi（x，y）]的錯誤特征點，則通過過程（2）和過程（3）分析[vi（x，y）]的其他候選點[ui（x，y）]是否為正確的匹配點。如果都不是，則說明該點不存在正確的匹配點。

（4） 采用對應參數

完成電氣紅外圖像特征點匹配后，系統可獲取一組電力設備紅外圖像的一組特征點對，分析全部特征點對偏移量的均值，進而獲取參考電力設備紅外圖像同待配準圖像坐標間的映射關系，完成電力設備發熱圖像配準，實現電力設備熱故障的準確檢測。

2 代碼設計

本文方法在采集和傳遞電力設備紅外圖像時，受到噪聲的干擾，將導致圖像出現模糊現象。為了提高圖像的清晰度，本文采用拉普拉斯銳化算法，對電力設備圖像進行銳化處理，消除圖像模糊，其實現關鍵代碼為：

for（i = iInterimNX；i < lAltdtude ? iInterimA + iInterimNX + 1；i++）

{

for（j = iInterimNY；j < lBreadtA ? iInterimB +

iInterimNY + 1；j++）

{

UmEin = （signless cAar*）lpNeDBIDBits +

lRowBytes * （lAltdtude ? 1 ? i） + j；

kOutcome = 0； min=（*UmEin）； max=（*UmEin）；

for （k = 0；k < iInterimA；k++） //運算

{

for （l = 0；l < iInterimB；l++）

{

UmGke = （signless cAar*）lpDIBBits+lRowBytes*（lAltdtude ?1?i+iInterimNX?k）

+j?iInterimNY+l；

if（min>（*UmGke）） min=（*UmGke）；

if（max<（*UmGke）） max=（*UmGke）；

kOutcome += （* UmGke） * fpBlock[k * iInterimB + l]；

//存儲象素值

}

}

if（（min+max）！=0） nada=（（drift）（max?min））/（（drift）（max+min））；

extra nada=0.0； //運算對比度

if（（nada>=0.2）||（nada<=0.9））

{

kOutcome = （drift ） fabs（kOutcome）； //取絕對值

if（kOutcome > 322） * UmEin = 322；

else * UmEin = （signless cAar） （kOutcome + 0.7）；

}

}

}

3 實驗分析

為了驗證本文方法的有效性，需要進行相關的實驗分析。實驗采用的對比方法為主動式傳感器的電力設備熱故障檢測方法。實驗分析對象為某地區的電力設備熱故障檢測。實驗分別采用兩種方法對實驗電力設備過熱區域的故障進行檢測，獲取的電力設備過熱區域標記結果如圖4所示。

分析圖4可以看出，本文方法標注的電力設備過熱區域同實際結果基本一致，而主動式傳感器方法標注的過熱區域明顯大于實際的過熱區域，具有較高的偏差。因此，可以看出采用本文提出的紅外圖像分析方法，可對電力設備熱故障區域進行準確標準，進而實現有效檢測，本文方法是有效的。

實驗以正常、低溫過熱、中溫過熱、高溫過熱以及局部放電5種電力設備熱故障為分析對象。分別采用本文方法和主動式傳感器檢測方法檢測實驗電力設備的熱故障，結果如表1所示。分析表1可知，在10個檢測點中，采用本文方法檢測的錯誤個數是2個，而采用主動式傳感器檢測方法檢測的錯誤個數是7個，說明本文方法對電力設備熱故障進行檢測具有較高的檢測準確度。

圖4 不同方法標注的電力設備過熱區域

表1 電力設備熱故障檢測結果

為了進一步驗證本文方法的有效性，分別采用本文方法和主動式傳感器檢測方法，對100組實驗電力設備熱故障樣本進行挖掘，結果如圖5所示。分析圖5可得，采用本文方法檢測準確率始終高于主動式傳感器檢測方法，并且變化幅度較小，說明本文方法具有較高的檢測精度和魯棒性。

4 結 語

本文提出基于紅外熱圖像分析的電力設備熱故障檢測技術，該技術下的電力設備熱故障檢測系統，由圖像采集模塊以及圖像檢測模塊構成。通過紅外圖像配準方法，確保電力設備紅外圖像的采集位置同原始位置一致，提高總體熱關注檢測的精度。依照數據庫中已經完成設置的特征點位置，采集完成紅外圖像配準區域的溫度信息。憑借溫度信息相互對比獲取的結果，實現電力設備熱故障檢測，并且發出警報。給出了拉普拉斯銳化算法的關鍵代碼，以實現對電力設備圖像的銳化處理，提高圖像清晰度。實驗結果說明，所提技術在檢測電力設備熱故障過程中，具有較高的檢測精度和魯棒性。

圖5 本文方法和主動式傳感器檢測方法準確率比較

參考文獻

[1] 危正東.試論紅外檢測技術在電力設備故障診斷中的應用[J].中國電子商務，2013（20）：220?221.

[2] 戴文遠.基于紅外熱圖像的故障診斷方法綜述[J].紅外，2013，34（2）：16?21.

[3] 閆光輝，楊立，范春利，等.基于紅外測溫的電氣控制柜內部元件熱缺陷溫度與方位的三維反問題識別[J].紅外與激光工程，2013，41（11）：2909?2915.

[4] 宋一杰，趙晴，楊凱文，等.基于QI標準的無線充電傳感器網絡節點設計[J].電子設計工程，2014（21）：121?123.

[5] 趙軒.電力設備狀態檢修故障診斷中紅外技術的應用[J].科技創新與應用，2013（33）：9?10.

[6] ATHANASOPOULOS N G， BOTSARIS P N. A comparative analysis of detecting bearing fault， using infrared thermography， vibration analysis and air?borne sound [M]// Anon. Advances in Condition Monitoring of Machinery in Non?stationary Operations. Heidelberg， Berlin： Springer，2014： 171?181.

[7] 夏清，胡振琪.一種新的紅外熱像儀圖像邊緣檢測方法[J].紅外與激光工程，2014，43（1）：318?322.

[8] 張國燦，蘇東青，葉玉云，等.紅外成像技術在電力設備狀態檢測中的應用[J].電工技術，2012（12）：48?49.

[9] 羅云林，章翔.基于紅外熱成像與集成SVM的航空器電子板卡故障檢測[J].測控技術，2012，31（12）：41?44.

[10] 陳健，陳媛媛.電力設備紅外在線監測與診斷管理研究[J].安徽電氣工程職業技術學院學報，2013（1）：13?17.

[11] 劉強，周建平，楊澤剛.圖形化外場通用故障診斷模型開發平臺設計與實現[J].現代電子技術，2015，38（7）：12?15.