基于MST框架的PCNN輸電線路紅外熱故障區域提取方法

葛黃徐，鄭 雷，江 洪，郭一凡，周東國

基于MST框架的PCNN輸電線路紅外熱故障區域提取方法

葛黃徐1，鄭 雷2,3，江 洪1，郭一凡1，周東國4

（1. 國網浙江省電力有限公司嘉興供電公司，浙江 嘉興 314599；2. 國網電力科學研究院武漢南瑞有限責任公司，湖北 武漢 430074；3. 南瑞集團有限公司，江蘇 南京 211106；4. 武漢大學 電氣與自動化學院，湖北 武漢 430072）

針對輸電線路電氣設備紅外熱故障檢測，提出采用一種基于最大相似度閾值（Maximum Similarity Thresholding, MST）的脈沖耦合神經網絡（Pulse-coupled neural Network, PCNN）紅外圖像熱故障區域提取方法。在該方法中，利用脈沖耦合神經元對相似的鄰域神經元同步點火特性，通過引入最大相似度閾值框架，簡化了PCNN模型的閾值設置機制。同時，針對相似鄰域神經元的同步點火特性，采用最小聚類方差設置連接系數，使得PCNN模型在自適應迭代下最終獲取熱故障區域。最后通過真實輸電線路電氣設備紅外故障圖像測試，驗證了文中所提方法的有效性和適用性，為PCNN模型的推廣應用奠定了基礎。

MST框架；脈沖耦合神經網絡；輸電線路；紅外圖像；聚類

0 引言

在電力輸電線路巡檢中，紅外成像技術作為探測設備故障的遠距離檢測的重要工具，具有檢測非接觸式、安全性強、準確率高以及操作簡便等優點[1]。然而，因巡檢人員針對現場環境，需要實時錄入檢測到的故障信息等，不僅加長其巡檢時間，且極易出現漏檢、誤錄入等情況[2-3]，使得巡檢效率受到了不同程度的影響。

目前，圖像處理技術作為輔助手段已經成為提升巡檢自動化水平的重要一環。隨著巡檢無人機以及無人車在電力公司、電網公司的大力推廣使用，紅外圖像處理技術越來越受到關注。眾所周知，紅外輻射能量的強弱是與物體表面溫度大小密切相關的，當物體表面溫度越高，其紅外輻射強度越大，所體現在紅外圖像上的灰度值也越大。一般而言，輸電線巡檢中的電氣設備，其故障大多以高溫、高熱特性為主，為紅外圖像故障檢測提供了潛在的區分特性。早期，閾值劃定故障界限通常是研究人員最為關注的一種解決方法。例如，在文獻[4]中，提出一種采用經典的最大類間方差法（Otsu）自適應閾值圖像分割方法，顯然對于溫差比較大的區域而言，這種方式簡單高效。文獻[5]提出了一種新型閾值的選擇方法，該方法對目標圖像先擬合具有個相鄰點的線性模型計算斜率差的變化趨勢，通過在斜率差分布谷值中挑選適合不同類型故障區域的最佳閾值，以及利用形態學迭代腐蝕提取目標區域。針對紅外圖像背景復雜、信噪比低，文獻[6]提出了一種基于Otsu和區域生長相結合的故障分割方法，較好地提取出故障區域。實際上，區域生長是一種類似聚類的方法。基于此，文獻[7]提出了采用基于加權切比雪夫距離的K-means算法對輸電線路上的變電站電氣設備紅外圖像進行分割。進一步地，文獻[8]中提出了基于PCNN分層聚類迭代的故障區域自動提取方法，該方法需要通過設置PCNN模型內在參數并引入聚類機理，從而獲得較高的故障區域提取性能。此外，針對不同的紅外場景圖像，也涌現出了一系列圖像處理算法[9-13]。

然而，針對輸電線上不同紅外對象以及不同場景的紅外圖像，現有的一些算法適應性都在一定程度上具有局限，其主要體現在紅外圖像的特性上，例如故障區域的大小以及灰度分布范圍。通常，故障區域較小，閾值的選擇往往會偏向于低灰度值[14]；灰度分布范圍過大，則會將背景中的其他區域產生混疊，增加了閾值選擇難度。其次，故障區域與非故障區域存在一定的邊界，使得閾值機制得不到發揮。基于此，本文提出采用一種基于最大相似度閾值框架，并融合脈沖耦合神經元同步點火機制，使得脈沖耦合神經網絡（Pulse-coupled neural network）閾值以及參數得到進一步優化，從而使PCNN模型具有更好的圖像處理能力。最后通過真實電力設備紅外圖像驗證本文方法的有效性。

1 MST框架

針對紅外圖像，灰度閾值分割機制通常具有高效性，便于快速檢測，其中最大相似度閾值（Maximum Similarity Thresholding，MST）[15]機制起源于Otsu算法。不失一般性，可將Otsu算法規則定義為：

式中：(,())表示對原始圖像提取的圖像信息和在閾值下獲得的圖像信息()之間的相似度度量，即：

式中：x和w分別對應圖像和中第個像素值；和表示圖像和的均值。從式中不難看出，當＝1時表示當圖像和相同；相反，其值越小，代表差異越大，即越不相似。

考慮到不同的相似度度量函數對圖像處理性能的差異性，例如Otsu方法，采用的類間方差最大或類內方差最小的原則建立閾值選擇機制。然而，在式(1)直接度量下，極易發生閾值偏移引發欠分割或過分割。為了增強相似度度量的普適性，MST框架定義為：

式中：和表示轉換函數，通常在實際圖像處理中，轉換函數和需要做相應的設置。不同的轉換函數，其處理的結果必然存在一定的差異性，這也使得模型變得更加靈活。

2 MST框架下PCNN紅外圖像分割模型

2.1 PCNN簡化模型

脈沖耦合神經網絡模型（PCNN）[16-17]作為第三代神經網絡，其內在的同步點火特性受到了國內外學者的青睞，特別是在圖像分割、區域提取等領域，PCNN模型可以通過一定程度的簡化，配合內在參數的優化，使得模型的有效性和適用性大大提升。圖1為一種經典的簡化PCNN模型[16]。

在圖1中，這種經典的PCNN模型中輸入層、耦合層以及脈沖發放層是一個循環級聯的架構，神經元其內在活動激勵隨著迭代不斷調節，直到神經元同步發放脈沖不再變化為止。因此，相比于其他神經網絡圖像處理，其不再需要訓練和學習，只需要內在參數的調節，即可獲得最終的輸出。

圖1 PCNN簡化模型圖

其次，耦合層調節當前點火神經元的鄰域神經元的活動項，這種機制有助于將具有相同特性的神經元進行聚類，從而便于分割圖像區域。

此外，脈沖發放層是閾值分割機制的體現，是提升圖像處理效率較為關鍵的一個環節，在一定程度上最終奠定了圖像的分割結果。

為了更好地描述圖1的PCNN簡化模型，輸入層由反饋輸入Y和外部激勵I組成，其中外部輸入I與圖像區域中第個像素的灰度值一一對應，即：

而反饋輸入Y通過內在的權重W，形成連接輸入L：

式中：代表迭代次數索引；為神經元和之間的連接權系數矩陣。通常，相鄰神經元歐氏距離的倒數作為權重系數值[16]，即：

在耦合層，連接輸入和外部輸入通過線性耦合方式調節鄰域神經元內在活動項U：

U[]＝F[]{1＋L[]} (7)

式中：為連接強度系數。

由于PCNN的迭代結果的輸出最終由閾值進行控制。在閾值調節機制上，更多考慮區域特性以及熵等規則[8,16]。通常，可將閾值設置為：

連接系數，其主要作用是調節鄰域神經元的內部活動激勵，如式(7)所示。為了能夠捕獲鄰域相似神經元，本文采用聚類方差最小方式設置系數：

式中：0表示當前點火區域的8鄰域像素，即為具備內在激勵的神經元；1表示未點火區域的8鄰域像素；0()和1()分別代表未點火區域和點火區域在當前迭代時刻的均值。由此，通過搜素值，使得式(9)具有最小值，代表局部區域神經元聚類方差最小。

然后，通過閾值機制，得到脈沖輸出：

即當內部活動項U大于閾值時，神經元點火，輸出脈沖；反之，輸出值Y[]為零。

此外，關于迭代次數的選擇，在現有的一些文獻中[16]，通常依賴于判斷規則，即在PCNN脈沖輸出序列中尋找判斷規則決定最佳的脈沖輸出。然而，這種規則的好壞，決定了最終的提取結果。

2.2 MST框架下的PCNN模型閾值的改進

在閾值部分，PCNN模型通常采用式(8)所示的閾值估計，即采用區域的均值替代估計，從而使得PCNN模型在迭代過程中能夠合理地將鄰域相似的神經元進行聚類。然而，由于紅外圖像邊界的模糊性，容易引起低灰度值的像素進行聚類，從而引起均值[]發生偏差，使得迭代過程變得冗長，并導致最終得不到較好的分割結果。

為此，本文采用MST框架，對PCNN閾值設置進行優化，利用式(3)的優化方式替代式(8)的閾值，即：

考慮到紅外圖像中故障區域與非故障區域存在邊界，因此將轉換函數選擇為梯度邊界函數：

式中：*表示卷積；?為梯度算子；表示尺度大小；為高斯函數：

由此可以看出，當圖像經T變換后，得到的結果與圖像中梯度信息密切相關。顯然，區域分割結果的變換函數要求具備邊界信息。本文采用形態學算子對分割后的二值圖像進行處理，則得到：

()＝－(Q) (14)

式中：為閾值下的二值圖像；為形態學算子（4鄰域）；Q表示腐蝕算子。

為了便于實現，圖2給出了整個算法的處理流程，最終通過選擇最大相似度的PCNN時間序列輸出作為故障區域提取結果。

圖2 算法流程框圖

3 實驗結果及分析

為了驗證文中方法的圖像處理性能，圖3給出了5幅在輸電線路巡檢中獲取的具有代表性的紅外圖像及其梯度圖像，并與經典的Otsu，MST[15]以及現有的PCNN模型[8]進行比較，所有算法均在Intel(R) Core(TM) i5 CPU 4GB內存PC機Matlab (2010b)上編程實現。

圖4～圖10分別給出了Otsu、MST、現有的PCNN模型以及本文PCNN模型得到的結果圖。由于經典的Otsu算法閾值的選取依賴于類內方差最小或類間方差最大原則，因此，得到的閾值并不與圖像邊界等特征信息有關聯，使得其分割結果與期望結果產生偏差，如圖4所示。而MST方法在此基礎上融入了相似度法則，經過T變換和H變換，再通過相似度來選擇閾值，使得閾值的選擇融合了圖像的邊界以及區域特性，相對來講，這種方式有利于提取具有邊界的目標區域。然而，對于紅外圖像，得到的結果更傾向于分離背景，而實際的故障區域被目標區域所覆蓋，引起故障區域得不到分離，如圖5中圖像2，圖像4和圖像5的結果。另外，從圖6所得到的閾值相似度曲線不難發現，圖6(b)，(d)和(e)所得到的曲線存在兩個峰值，這代表故障區域和非故障區域也存在邊界，表明采用最佳的閾值相似度并不能較好地分割故障區域。

圖7為文獻[8]中PCNN分層聚類方法分割結果，其得到的分層結果均較為理想。然而，從第3幅圖像的分割結果中，連接端子部分因PCNN閾值和連接系數的相關性，使得閾值設置發生了一定的偏移，導致該區域未被分割出來，如圖8所示。而本文方法融入了MST框架，在PCNN自適應迭代獲得分割結果后（如圖9），再根據閾值相似度原則設置PCNN閾值，重新再迭代后得到最終的結果，從而避免了閾值設置的不當，最終結果如圖10所示。進一步地，從表1中不難發現，重新迭代后的相似度結果在很大程度上要優于最先的PCNN迭代后的結果，進而表明本文方法參數設置的有效性，具有較好分離故障區域與非故障區域的能力。

圖3 紅外檢測圖像（第一行為原始圖像，第二行為梯度圖像）

圖4 OTSU方法分割結果

Fig.4 Segmentation results of OTSU method

圖5 MST方法分割結果

圖6 MST下相似度結果

圖7 文獻[8]PCNN方法迭代聚類分割結果

Fig.7 The segmentation results of PCNN method with reference [8]

圖8 文獻[8]PCNN方法最終分割結果

圖9 本文PCNN方法第一次迭代結果

Fig.9 Segmentation results of our PCNN model at first PCNN iteration

圖10 本文PCNN方法最終結果

Fig.10 Final Segmentation results of our PCNN model

表1 閾值相似度評價

此外，表2給出了各個方法在時間復雜度上的對比。Otsu方法時間消耗最小，而當融合相似度計算時，即采用MST方法時，其時間消耗就會有所增加。而文獻[8]PCNN方法中，需要對整幅圖像進行分層聚類，最后再通過合并等操作，因此，其時間復雜度最高。相比于文獻[8]的方法，本文PCNN方法在融合MST框架后，其時間復雜度明顯得到了降低。

表2 時間復雜度度量

4 結語

本文提出了一種基于MST框架的PCNN模型輸電線路紅外圖像熱故障區域提取方法。該方法融合了MST框架技術，為PCNN閾值最優設置提供了理論基礎。同時，在鄰域像素同步點火參數的設置上，采用最小聚類方差，使得PCNN模型的參數能夠進一步優化，最終獲取紅外圖像中熱故障區域。最后針對電氣設備紅外圖像，且與一些常用的算法以及現有的PCNN模型相比，本文方法能較好地提取故障區域。此外，本文方法在圖像處理時間上，要優于現有的PCNN方法。在下一步工作中，我們也將繼續對此進行優化，使得本文方法能夠更好地應用于現場。

[1] Jadin M S, Taib S. Recent progress in diagnosing the reliability of electrical equipment by using infrared thermography[J]., 2012, 55(4): 236-245.

[2] 楊先明, 葉玉堂, 方亮, 等. 紅外電路故障檢測系統[J]. 紅外與激光工程, 2006, 35(3): 262-266.

YANG Xianming, YE Yutang, FANG Liang, et al. Infrared detection tester for electronic circuit fault[J]., 2006, 35(3): 262-266.

[3] 周正欽, 馮振新, 周東國, 等. 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.

ZHOU Zhengqin, FENG Zhenxin, ZHOU Dongguo, et al. Fault region extraction of electrical equipment in infrared image by using an extended Mean Shift method[J]., 2019, 41(1):78-83.

[4] 井金劍, 翟春艷, 李書臣, 等. 基于紅外圖像識別的電氣設備故障診斷[J].電子設計工程, 2014, 22(12): 171-173.

JING Jinjian, ZHAI Chunyan, LI Shuchen, et al. Fault diagnosis of electrical equipment based on infrared image recognition[J]., 2014, 22(12): 171-173.

[5] 趙慶生, 王雨瀅, 王旭平, 等. 基于新型閾值選擇方法的變電站紅外圖像分割[J]. 光學學報, 2019, 39(8): 101-108.

ZHAO Qingsheng, WANG Yuying, WANG Xuping. Substation infrared image segmentation based on novel threshold selection method[J]., 2019, 39(8): 101-108.

[6] 余成波, 曾亮, 張林. 基于OTSU和區域生長的電氣設備多點故障分割[J]. 紅外技術, 2018, 40(10): 1008-1012.

YU Chengbo, ZENG Liang, ZHANG Lin. Multi point fault segmentation of electrical equipment based on OTSU and region growth[J]., 2018, 40(10): 1008-1012.

[7] 王啟銀, 薛建東, 任新輝. 一種自適應的變電站設備紅外圖像分割方法[J]. 紅外技術, 2016, 38(9): 770-773.

WANG Qiyin, XUE Jiandong, REN Xinhui. An Adaptive Segmentation Method of Substation Equipment Infrared Image[J]., 2016, 38(9): 770-773.

[8] 許曉路, 周文, 周東國, 等. 基于PCNN分層聚類迭代的故障區域自動提取方法[J]. 紅外技術, 2020, 42(8): 809-814.

XU Xiaolu, ZHOU Wen, ZHOU Dongguo. Automatic Fault region extraction using PCNN hierarchical clustering[J]., 2020, 42(8): 809-814.

[9] 王旭紅, 李浩, 樊紹勝, 等. 基于改進SSD的電力設備紅外圖像異常自動檢測方法[J]. 電工技術學報, 2020, 35(z1): 302-310.

WANG Xuhong, LI Hao, FAN Shaosheng. Infrared image anomaly automatic detection method for power equipment based on improved single shot multi box detection[J]., 2020, 35(z1): 302-310.

[10] 馮振新, 許曉路, 周東國, 等. 基于局部區域聚類的電力設備故障區域提取方法[J]. 電測與儀表, 2020, 57(8): 45-50.

FENG Zhenxin, XU Xiaolu, ZHOU Dongguo. Extraction method of power device fault region based on local clustering algorithm[J]., 2020, 57(8): 45-50.

[11] 王曉飛, 胡凡奎, 黃碩. 基于分布信息直覺模糊c均值聚類的紅外圖像分割算法[J].通信學報, 2020, 41(5): 120-129.

WANG Xiaofei, HU Fankui, HUANG Shuo. Infrared image segmentation algorithm based on distribution information intuitionistic fuzzy c-means clustering[J]., 2020, 41(5): 120-129.

[12] GUO Zhengkun, SONG Yong, ZHAO Yufei, et al. An adaptive infrared image segmentation method based on fusion SPCNN[J]., 2020, 87(115905): 1-9.

[13] TANG Qingju, GAO Shuaishuai, LIU Yongjie, et al. Infrared image segmentation algorithm for defect detection based on FODPSO[J]., 2020, DOI: 10.1016/j.image. 2020.115905.

[14] ZHOU Dongguo, ZHOU Hong. Minimisation of local within-class variance for image segmentation[J]., 2016, 10(8): 608-615.

[15] ZOU Yaobin, DONG Fangmin, LEI Bangjun. Maximum similarity thresholding[J]., 2014, 28: 120-135

[16] 馬義德.脈沖耦合神經網絡原理及其應用[M]. 北京: 科學出版社, 2006.

MA Yide.[M]. Beijing: Science Press, 2006

[17] Kuntimad G, Ranganath H S. Perfect image segmentation using pulse coupled neural networks.[J]., 1999, 10(3): 591-598.

PCNN Infrared Fault Region Detection Along Transmission Lines Based on the MST Framework

GE Huangxu1，ZHENG Lei2,3，JIANG Hong1，GUO Yifan1，ZHOU Dongguo4

(1.,314599,;2.,430074,;3.,211106,;4.,,430072,)

This paper presents a pulse-coupled neural network (PCNN) method for infrared fault region extraction based on maximum similarity thresholding to detect the fault region from the infrared image of a transmission line. In this method, the synchronous pulse characteristics of the PCNN model are used to cluster pixels via inner iteration, and the model is simplified by incorporating the maximum similarity thresholding method, enabling the PCNN model to simplify the thresholding setting. Meanwhile, the minimum clustering variance is introduced to set the linking coefficient. Thus, the PCNN model can efficiently segment an infrared image and obtain the effective thermal fault region in the image. The experimental results show that the proposed method exhibits good performance in region extraction and may be suitable for increasing the efficiency of automatic fault detection along transmission lines.

MST framework, PCNN, transmission line, infrared image; clustering

TP391

A

1001-8891(2022)07-0709-07

2019-01-02；

2019-05-06.

葛黃徐（1983-），男，浙江嘉興人，碩士，高級工程師，研究方向為輸變電設備遠程運維與管理。E-mail：329101854@qq.com。

周東國（1985-），男，浙江上虞人，講師，博士，主要研究方向為紅外圖像處理、模式識別及電力信息處理等方向。E-mail：dgzhou1985@whu.edu.cn。

國家電網公司總部科技項目（521104180025）。