基于人工智能的紅外熱成像監控系統設計

王楊洋 楊京雷 付高陽 王澤超 查祖福水 白梅娟 侯帥

關鍵詞：紅外熱成像；監控系統；溫度檢測；人工智能；目標檢測；數據清洗

隨著電網規模的不斷增加，電力設備的維護成本越來越高。而故障發生前的檢修尤為重要，可以減少設備故障次數，降低設備故障帶來的損失[1]。國務院印發《新一代人工智能發展規劃》，要求到2025年戰略目標為人工智能成為我國產業升級和經濟轉型的主要動力。國家發展改革委在《“十四五”新型儲能發展實施方案》中要求提升能源產業鏈現代化水平，推進能源產業數字化智能化升級，積極開展電網、電廠等領域智能化建設[2]。國家對于智能設備的要求越來越高，此前，紅外熱成像儀已廣泛應用于電網的故障檢修工作，紅外熱成像儀具有成像檢測，圖像直觀，高靈敏度和高分辨率的特點[3]，可以進行無接觸電氣設備檢測，保證設備問題及時消除，以及電網的持續供電[4]。然而，電網紅外熱成像設備在檢測不同物體時都需要重新調整設備發射率，增加了人員操作時間以及操作復雜度，同時，紅外熱成像數據不能全部保存，造成了有效故障信息的數據流失問題。

針對以上問題，本系統圍繞自適應發射率，紅外熱成像數據自動記錄和處理展開深入的研究，主要研究內容如下：設計了一套易于攜帶的紅外熱成像硬件系統。以輕量級的設備，減少工作人員的巡檢負擔，增快巡檢速度；設計了一套可全面記錄和處理紅外熱成像數據的軟件系統，具有自動調節發射率，自動記錄和處理數據的功能，工作人員操作步驟大幅降低，節省大量的人力物力；設計了自適應調節發射率和數據清洗相關算法[5]，采用圖像識別技術保證了自適應調節發射率的準確性和即時性[6-9]。

1 系統總體設計方案

設計了由主控板、紅外熱成像攝像頭、深度攝像頭、5G無線通信模組、顯示屏、電池模組、電壓變換器、環境溫度傳感器和外殼組成的紅外熱成像監控硬件系統；設計了基于Pyside2開發的軟件系統；設計了基于計算機視覺、數據清洗等先進技術設計的算法結構。其系統結構圖如圖1所示：

2 系統硬件設計

硬件系統由主控板、紅外熱成像攝像頭、深度攝像頭、5G無線通信模組、顯示屏、電池模組、電壓變換器和環境溫度測量器組成。其運作流程如圖2所示：

本硬件系統所使用的紅外熱成像攝像頭、深度攝像頭和主控板，在滿足本系統需求的前提下，對這三部分進行選型，使得質量和體積盡量小，滿足硬件系統的便攜性；電池模組包括電芯、電壓轉換模塊和保護模塊；使用3D打印技術制作的外殼具有質量輕的特點，與傳統機器制造出來的相比要輕50%以上，并且同樣堅固，外殼的防護等級達到IP54，外殼設計了可開合裝置，便于后期進行改裝和維修。硬件系統外殼實物圖如圖3所示：

3 系統軟件設計

本儀器的軟件模塊如下：采用Yolo系列算法部署在深度攝像頭中識別電氣器件；在數據庫中將所識別出來的電氣器件發射率傳遞給紅外熱成像攝像頭，識別電氣器件的溫度；將溫度數據和紅外熱成像圖片儲存；本儀器利用異常值處理、3倍方差處理、重復記錄去重和越界數據處理算法實現數據清理，保證數據的質量，為大數據處理奠定基礎；開展了歷史紅外監測數據深度分析，具體包括利用隨機森林實現故障的分類，利用相關性分析挖掘故障診斷過程中的關鍵因素。

紅外熱成像監控軟件系統主要由以下界面構成：實時熱成像；發射率檢測；紅外熱成像數據處理與分析；歷史數據；參數設置。軟件架構圖如圖4所示：

采用Pyside2設計軟件前端界面；采用Diango作為后端開發框架；采用MySQL進行數據存儲。使得在Python基礎上進行便捷開發，也可以設計出便于操作使用并且美觀的界面，同時大量減少了代碼量。軟件界面如圖5所示：

4 算法設計

4.1 自適應調整熱成像儀發射率

基于目標檢測技術，自動定義檢測電氣材質并自適應地調整熱成像儀發射率。電網設備測溫巡檢主要依靠人工巡檢，該巡檢方式存在操作環境惡劣、勞動強度大、重復性高的問題?；趫D像處理技術，檢測電氣設備并識別相應電氣設備的類型，并自主推送被測設備的成像儀發射率。該方法能夠減小工作人員面對不同類型、不同材質的電氣設備時，人工手動調整發射率的弊端，兼顧保證測量數據精度和大幅提升工作效率，縮短耗時30%以上。目標檢測流程如圖6所示：

電氣設備檢測，具有實時性檢測的要求。本系統采用Yolov5算法進行電氣設備識別，更改主干網絡使其輕量化。輕量級神經網絡具有參數少、速度快、對設備算力的要求低的特點；使得目標檢測算法既保證了識別精度，同時也保證了識別速度。

電氣設備周圍環境較為復雜，在網絡模型中添加注意力機制來優化目標檢測精度，加強對檢測目標的關注，從而降低由于環境復雜造成的檢測精度下降的問題，并且改善由于主干網絡輕量化導致的精度下降問題。電氣設備識別結果如圖7所示：

4.2 數據清洗

電力行業的熱成像歷史數據中存在相似重復記錄以及少量的空值和錯誤值等臟數據。設計了面向電力行業的熱成像數據清洗框架，框架結構如圖8所示：

4.3 歷史紅外監測數據深度分析

基于現場設備的數據，利用隨機森林算法進行故障分類預測，判斷電氣設備是否存在故障，為工作人員不易采用肉眼識別的故障類別，提供數據驅動模型支撐，提高故障的診斷效率。該功能是傳統的儀器設備所不具備的功能，本設備擬采用隨機森林算法具有預測精度高、不易過擬合、參數優化過程簡單的優點。算法具體流程如圖9所示：

5 結束語

本系統采用自適應調整熱成像儀發射率，提高了工作人員的工作效率和測量精度；采用紅外測溫數據預處理及自動記錄，降低了工作人員的工作時間，方便后期對數據的查詢與整理；采用歷史紅外監測數據深度分析，提高故障的診斷效率。使用本紅外熱成像監控軟件和硬件系統檢測設備溫度，測試過程安全高效、監測數據直觀可靠，能夠準確反映設備發熱情況，在發現設備安全隱患、降低運維檢修成本、提升電網安全水平方面發揮著巨大作用。