基于無線紅外熱成像儀的變電設備識別和檢測

2020-10-13 09:37:40王琦張永杰周競劉庸奇

微型電腦應用 2020年9期

王琦張永杰周競劉庸奇

摘要：對無線紅外熱成像儀所采集的海量紅外圖片的分析需要花費大量時間和精力，且診斷結果的正確性不高。為了解決這一問題，提出了一種對海量紅外故障圖像進行自動處理的可行方法。所提出的算法首先將圖像分割成超像素，然后采用卷積遞歸神經網絡進行智能識別。通過對預訓練程序、幾種無監督預訓練算法的效率以及不同網絡參數進行的實驗表明，該算法能夠基于紅外圖像對變電設備的運行狀態進行評估。

關鍵詞：卷積神經網絡; 紅外故障圖像; 電氣設備; k-means算法

中圖分類號： TP 399 ? ? ?文獻標志碼： A

Abstract： The analysis of the massive infrared images collected by the wireless infrared thermal imager requires a lot of time and effort， and the diagnostic results are not correct. In order to solve this problem， this paper proposes a feasible method for automatic processing of massive infrared fault images. The proposed algorithm first divides the image into superpixels and then uses the convolutional recurrent neural network for intelligent recognition. Experiments on the pre-training program， the efficiency of several unsupervised pre-training algorithms and different network parameters show that the algorithm can evaluate the operating state of electrical equipment based on infrared images.

Key words： convolutional neural network; infrared fault image; electrical equipment; k-means algorithm

0 引言

變電站巡檢人員采用無線紅外熱成像儀通過4G/Wifi等無線方式將現場采集的大量紅外圖像實時上傳至云端為評估變電站設備狀況提供了海量圖像數據。目前，紅外故障圖像分析主要是基于人工方式，這種方式對操作人員的專業素質要求很高，且效率不高。為了提高圖像的處理質量和效率，大多數電力公司傾向于使用人工智能方法對紅外圖像進行自動提取和分析[1-3]。為此，本文提出了一種圖像處理方法來自動檢測故障區域并識別其所屬的設備部件。該圖像處理方法的主要思路是利用超像素分割方法進行圖像分割，然后使用深度學習方法來識別存在故障的電氣設備。與其他針對邊緣或紋理的分割方法不同，超像素分割方法強調了小區域內部像素的相似性。其中像素相似性判斷是一個典型的模式識別問題，是由機器學習方法通過提取特征來應用的。與典型的視覺圖像特征描述方法不同，本文使用了深度學習方法[4]來識別故障圖像中的電氣設備。目前流行的深度學習方法包括深度置信網絡（DBN）[5]、卷積神經網絡（CNN）[6]、反卷積網絡（DNN）[7]等算法。其中CNN在圖像識別方面的性能已經被一些實際應用所證實[8-10]。因此，本文第一個貢獻是利用紅外圖像分割的成像特性。利用超像素分割使該方法適用于各種形狀的斷層區域;第二項貢獻是將深度學習算法融入到無監督變電設備識別中。該方法不依靠變電設備特征的主觀描述，使分類結果更加可靠。

1 故障區域檢測

從溫度矩陣和給定的調色板創建熱成像相機生成的紅外故障圖像。圖像可以分為三部分：a）背景區域;b）設備區域;c）故障區域。一般來說，故障區域在裝置區域內，與相鄰區域相比，具有顯著性。與傳統的可見光圖像不同，結構特征如紋理、標簽在常規紅外熱像中丟失。此外，每種區域內的像素是均勻的，具有相似的性質。因此，本文采用了超像素分割的概念。首先將原始紅外圖像分割為若干均勻區域。然后利用斷層區的洞察性來探測所需的區域。

1.1 故障區域分割

超像素算法將像素分組為感知上有意義的原子區域，可用于替換像素網格的剛性結構。我們在這里選擇三種流行的超像素算法進行比較：Turbopixel[11]、SLIC[12]和熵率超像素（ERS）[13]。樣本圖像的分割結果，如圖1所示。

1.2 故障和設備區域驗證

如上所述，設備區域是圖像中的主要對象。要診斷故障，就應該知道故障發生的位置及其所屬的設備部分。本文選擇三個屬性來找到最可能的故障區域：平均亮度Ri（即平均灰度值Ri）、一致性SRi（即區域的面積與其最小凸出的面積之間的比率）、中心距離dRi（即從圖像中心到區域的距離）。

通過最大化目標函數，如式（2），可以提取故障區域，如圖3（c）所示，并標記為Rs。maxRiRiSRi/dRi

（2） ?二值化圖像如圖3（d）所示。由于故障區域位于設備區域內，因此可以通過將故障區域作為搜索中心來貪婪地搜索近似設備故障部分，如圖3（e）所示。

2 基于深度學習的電氣設備識別

在提取故障和設備區域之后，應該進一步識別熱成像圖像所屬電氣設備的類型。設備的類型與發熱原因和其他屬性密切相關。本文選擇最先進的深度學習算法來進行電氣設備識別。

本文所使用的卷積遞歸網絡（CRNN），如圖2所示。

網絡由兩個階段組成。第一階段是具有卷積和子采樣的CNN層，第二階段是多層RNN（遞歸神經網絡）[14]。最后兩個RNN層生成的特征完全連接到一個SoftMax分類器[15]。

2.1 預訓練

在接受CRNN網絡的訓練之前，卷積濾波器最好先接受無監督學習算法的預訓練。已有研究發現k-means算法在只有一個參數可調的情況下獲得最佳性能。還有一些研究提出了一種新的特征學習算法，稱為稀疏濾波。本文將通過實驗對K-Means、稀疏濾波和RICA算法進行比較。

2.2 訓練

CNN的主要思想是將濾波器卷積到輸入圖像上以提取特征。首先，將所有輸入樣本的大小調整為P╳P。然后將每個樣本與r╳r大小的K1濾波器卷積。當卷積步幅為S時，輸出特征尺寸為P1╳P1，P1=（p-r）/s+1。通過子采樣塊大小r1╳r1和步幅大小為s1的卷積，進一步生成大小為P2╳P2的特征，其中P2=（p1-r1）/s1+1。在第一個CNN階段之后，每個樣本的輸出特征大小為K1╳p2╳p2。在RNN階段，一個層中的所有特征都與下一層連接。每個圖層共享相同的權重，并逐漸減小特征尺寸，直到每個要素圖的最終響應大小為1╳1。假設局部接收特征的大小為l╳l，則每層中的RNN數量為K2。當梳理最后兩層輸出時，每個樣本的最終特征的大小是K2╳K1╳（l2+1）。

3 實驗結果和數據分析

為了驗證所提方法的有效性和處理效率，將上述圖像處理方法應用于無線紅外熱像儀所采集的紅外圖像。實驗所用的設備為美盛D系列云熱像儀系統。該熱成像儀具有無線連接功能，能夠實時將所采集的紅外圖像上傳至阿里云中，同時在阿里云主機中部署上述圖像處理算法對實時上傳的紅外圖像進行處理，并把處理結果反饋至變電站控制中心。圖像分析的性能主要取決于故障區域檢測、已知設備類型的設備部件識別。收集了大量含有各種設備部件的紅外樣品進行評估。

3.1 圖像分割

三幅電氣設備圖像的分割過程。如圖3所示。

圖3（a）是輸入的紅外圖像，圖3（b）是H值灰度圖像，圖3（c）是經過驗證的故障區域，圖3（d）是設備區域的二值化圖像，圖3（e）是檢測到的故障區域及其定位的設備部分。實體框代表故障區域的邊界框，虛線框代表深度學習步驟中需要分類的設備部分。在H值灰度圖像中，超像素分割保證了均勻區域內的像素平滑，分割區域與背景區域的對比度足夠強。因此，可以方便地提取故障區域和電氣器件區域。結果表明，該分割方法適用于不同位置、形狀和尺寸的圖像分割。

3.2 不同參數的比較

本文以電流互感器為例進行分析。根據外觀和故障可控性，將電流互感器分為三部分：接頭、內接頭和套管。每個部分有3 000幅樣本圖像用以訓練參數，樣本圖像總共有9 000幅。選擇1 500幅圖像進行測試。

依據前述，實驗定義樣本大小為67╳67，過濾器大小為8╳8，步長為1。卷積后，輸出特征映射大小為60╳60。第2階段的特征地圖大小為27╳27。將RNN階段的接收區域設定為3╳3，經過3層大小變為1╳1。通過定義的多層特征輸出，每個樣本生成的最終特征尺寸為K2╳K1╳10。

以K1為64時，3種預訓練算法的優化濾波器如圖4所示。在這一過程中，當利用稀疏濾波時，發現目標函數很難收斂。

因此，預訓練方法和參數決策主要集中在RIC算法和K-means算法上。在實驗中，K1從16變為128，分類精度如圖5所示。然后將K1固定為64，將K2從16改為128，結果如圖5所示。

由圖5可知，K-means的性能遠遠優于RICA。當K1大于64且K2大于64時，濾波器和RNN的數量不會有太大影響。因此，訓練算法的參數選定為：K1 = 64和K2 = 64。

3.3 實驗結果的討論

本文的研究對象是由熱成像相機在不知道其原始溫度矩陣的情況下生成的紅外圖像。在這種實驗背景下，通過對紅外圖像的區域檢測和識別，可以知道故障區域、故障設備、故障設備的位置。因此基于上述研究結果可以認為，通過紅外熱成像圖像分析和處理評估電氣設備運行狀態是可行的。

4 總結

本文提出了一種變電站設備智能紅外故障圖像分析的新方法。首先使用一個超像素分割方法來近似分割一個紅外圖像到多個均勻區域。為了對故障進行深入分析，采用CRNN網絡對其所屬的電氣設備進行分類，這也是紅外熱成像圖像自動分析的關鍵。實驗結果表明，本文所提出的算法具有較高的精度，可以適用于不同變電站設備的紅外圖像分析。

參考文獻

[1] 馮振新，周東國，江翼，等.基于改進MSER算法的電力設備紅外故障區域提取方法[J].電力系統保護與控制，2019，47（5）：123-128.

[2] 劉齊，王茂軍，高強，等.基于紅外成像技術的電氣設備故障檢測[J].電測與儀表：2019，3（28）：1-7.

[3] 周正欽，馮振新，周東國，許曉路，谷凱凱.基于擴展Meanshift電氣設備發熱故障區域提取方法[J].紅外技術，2019，41（1）：78-83.

[4] 張曉春，歐陽廣澤，何洪英，等.基于紅外圖像匹配的零值絕緣子檢測[J].電測與儀表：2019，（1）24：1-7.

[5] 付煒平，施鳳祥，王偉，等.基于顏色矩陣的絕緣子單片紅外圖像故障診斷方法[J].電瓷避雷器，2018（5）：226-232.

[6] 劉航，謝婷，冉建，等.基于熱紅外圖像的服務器設備檢測[J].信息技術，2018，42（8）：48-51.

[7] 漆燦，李慶武，鄭云海，等.基于智能視覺物聯網的變電站紅外監測系統[J].電力系統保護與控制，2018，46（15）：135-141.

[8] 谷凱凱，周東國，許曉路，等.一種基于局部特征的PCNN電力故障區域提取方法[J].計算機工程，2018，44（7）：291-296.

[9] 毛峽，石天朋.光伏熱斑圖像有效區域分割算法研究[J].太陽能學報，2018，39（5）：1270-1276.

[10] 李鑫，崔昊楊，許永鵬，等.電力設備IR圖像特征提取及故障診斷方法研究[J].激光與紅外，2018，48（5）：659-664.

[11] 蘆竹茂，王天正，俞華，等.基于紅外圖像分析的電力設備熱故障檢測技術研究[J].現代電子技術，2017，40（11）：123-126.