基于譜殘差變換的電力設備熱缺陷識別技術

黃志鴻，肖 劍，徐先勇，張 輝

〈紅外應用〉

基于譜殘差變換的電力設備熱缺陷識別技術

黃志鴻1，肖 劍1，徐先勇1，張 輝2

（1. 國網湖南省電力有限公司電力科學研究院，湖南 長沙 410007；2. 湖南大學 機器人學院，湖南 長沙 410082）

本文提出一種基于譜殘差變換的電力設備熱缺陷識別技術。首先，根據電力設備紅外圖像中自然背景的冗余特性和熱缺陷目標的顯著性特征來構建譜殘差變換模型，對電力設備紅外圖像進行譜殘差變換，生成具有顯著性信息的熱缺陷初始識別結圖。然后，采用引導濾波技術對初始識別結果進行處理，聯(lián)合利用紅外圖像中的溫差信息和空間結構信息，提升熱缺陷的識別率，生成最終識別結果圖。實驗結果表明：與其他傳統(tǒng)熱缺陷識別方法相比，本文所提出的方法在識別精度與識別效率上有顯著優(yōu)勢，滿足電力設備熱缺陷帶電檢測的應用需求。

電力設備；紅外圖像；熱缺陷識別；譜殘差變換；冗余信息

0 引言

隨著電網建設規(guī)模的快速發(fā)展，電力設備巡檢的壓力也逐漸增大[1]。熱缺陷是電力設備常見的一種缺陷類型。然而，當前紅外巡檢大多依賴于人工分析紅外圖像，進而判別設備熱缺陷。這種巡檢模式存在熱缺陷識別效率不高、缺陷漏檢率高等不足之處。為此，研究人員提出多種熱缺陷識別方法。具體來說，這些方法可分為兩種類型。

第一類[2-8]為基于圖像特征提取的熱缺陷識別方法。張文峰[2]等人提出一種目標分割的方法對紅外視頻中的熱缺陷進行識別。王淼[3]等人介紹一種圖像梯度特征提取方法用于熱缺陷識別。胡洛娜等人[4]提出核貓群算法識別紅外圖像中的異常熱缺陷目標。魏鋼[5]等人提出一種基于小波變化和后驗概率分布的熱缺陷識別方法。李鑫[6]等人提出一種基于粒子群目標分割算法用于熱缺陷檢測。黃志鴻[7]等人提出一種引導濾波方法，優(yōu)化熱缺陷識別精度。洪峰等人[8]提出一種基于超像素分割的熱缺陷識別方法。

除了上述方法外，近年來基于深度學習的識別方法也得到研究人員的廣泛關注[9-11]。常亮[9]等人利用遞歸神經網絡實現對異常熱缺陷目標的識別。魏東[10]等人對紅外圖像進行分割，并采用卷積神經網絡對熱缺陷識別。周可慧等人[11]提出一種改進的卷積神經網絡模型，對熱缺陷目標進行識別。值得注意的是現有的熱缺陷識別算法多側重于對熱缺陷目標的圖像特征進行挖掘。但是，電力設備種類繁多，相應的熱缺陷呈現的空間形式也復雜多變。僅利用熱缺陷目標的圖像特征，難以獲取高精度識別結果。因此，本文從另一種思考角度來解決電力設備熱缺陷識別問題：探索背景的冗余特征屬性。

在信息論中[12]，圖像信息可分解為顯著性的目標信息和冗余性的背景信息兩部分。在圖像統(tǒng)計領域，這種冗余特征對應于背景環(huán)境的統(tǒng)計不變性。而顯著性特征對應于目標的新穎性。這些性質在有關自然圖像的文獻中得到了全面的論證[12-13]。現在人們普遍認為自然圖像的統(tǒng)計特征不是隨機的，它們服從高度可預測的分布。基于信息論的相關理論，本文提出一種基于譜殘差變換（spectral residual transformation, SRT）的電力設備熱缺陷識別算法。首先，根據電力設備紅外圖像中自然背景的冗余特性和熱缺陷目標的顯著性特征來構建譜殘差變換模型，對電力設備紅外圖像進行譜殘差變換，去除自然背景目標的冗余圖像信息，生成具有顯著性信息的熱缺陷初始識別結果圖。然后，采用引導濾波技術對初始識別結果進行處理，聯(lián)合利用紅外圖像中的溫差信息和空間結構信息，提升熱缺陷識別率，生成最終的識別結果圖。

1 相關理論

1.1 基于顯著性檢測的譜殘差模型

顯著性視覺檢測理論假定視覺系統(tǒng)會選擇性地忽略不感興趣的冗余區(qū)域，并聚焦于顯著性突出區(qū)域。譜殘差模型被證明為一種有效的顯著性檢測方法。在信息論中[12]，圖像信息（image）由兩部分所組成：

(image)＝(Innovation)＋(Prior) (1)

式中：(Innovation)為中的顯著性信息，(Prior)為圖像中的冗余信息。譜殘差模型基于上述思想，處理輸入圖像的對數譜，抑制圖像中的冗余信息，得到圖像中的顯著性信息。具體來說，該方法首先對輸入的圖像進行傅里葉變換，將二維數據由空間域變換到頻域，生成振幅譜()和相位譜()。

(),()＝[()] (2)

式中：[.]為圖像的傅里葉變換操作。然后，譜殘差()根據振幅譜的log譜()與平均頻譜()差值計算生成。

()＝log2(()) (3)

()＝()*h() (4)

()＝－1[()－()] (5)

式中：－1為傅里葉逆變換；h()為局部*均值濾波器。

由于本文篇幅限制，有關譜殘差理論細節(jié)，請參考文獻[12]。在本文中，SR()表示為對輸入圖像進行譜殘差運算。

1.2 引導濾波模型

圖像濾波是常見的圖像處理手段，其中引導濾波模型近年來在機器視覺領域中有著廣泛應用[14]。該方法具有實時性和高效性等優(yōu)點[14]，常應用于圖像去噪、目標檢測等領域。引導圖像在局部空間窗口w中進行線性變換生成輸出圖像：

式中：w是以像素為中心的局部區(qū)域，空間大小為(2＋1)×(2＋1)的區(qū)域。能量函數(a,b)表示如下：

式中：為控制濾波平滑程度的參數。系數a和b通過下列公式求解：

2 基于譜殘差模型的紅外熱缺陷識別方法

本文包含兩個主要創(chuàng)新點。第一，首次將電力設備熱缺陷識別問題建模為譜殘差模型。第二，通過引導濾波技術和譜殘差模型，聯(lián)合利用紅外圖像的空間結構信息和溫度信息，提升熱缺陷的識別精度。圖1為所提出方法的流程圖。

圖1 所提出的SRT方法流程

2.1 譜殘差模型的初始熱缺陷識別

根據上一章介紹的內容，本文首先采用譜殘差模型[13]來識別熱缺陷。在電力設備紅外圖像中，圖像背景信息可由少量像素通過線性組合來表示[15-16]，因此背景信息擁有較強的冗余特征。而熱缺陷目標異常信息明顯，具有較強的顯著性特征。基于上述分析，本文首先將電力設備熱缺陷識別問題轉化為基于譜殘差的顯著性目標檢測模型。通過獲取輸入圖像在頻域下的光譜殘差信息，從而在空域中構建相應的熱缺陷目標顯著圖。

＝SR() (10)

式中：為熱缺陷初始識別結果。圖2為輸入的紅外圖像，右側為局部放大圖。圖3為初始識別結果圖，右側為初始識別結果圖中的局部放大圖。雖然基于譜殘差的識別模型能較好地定位熱缺陷的區(qū)域，但丟失熱故障區(qū)域部分空間細節(jié)信息。這是因為，譜殘差模型通過頻譜變換雖然能提取出紅外溫度異常信息，進而定位出顯著性熱缺陷目標。但是該方法未能較好地利用紅外圖像中的空間結構信息，導致部分目標空間信息丟失。

圖2 輸入的紅外圖像與局部放大圖

圖3 初始識別結果圖與局部放大圖

2.2 基于引導濾波的熱缺陷識別

為聯(lián)合利用紅外圖像中的溫度信息和空間結構信息，提高熱缺陷目標的識別精度，在獲取熱缺陷初始的識別結果后，我們采用引導濾波技術對初始結果進行優(yōu)化提升。在本文中，G,(,)表示為引導濾波操作。

＝G,(,) (11)

式中：為熱缺陷初始識別結果。根據參考文獻[13]和文獻[15]中的研究，圖像的第一主成分能夠有效表示圖像絕大部分的數據信息。在引導濾波的相關研究中，圖像的第一主成分通常作為引導濾波的引導圖像。在本文中，表示為輸入紅外圖像的第一主成分，和為引導濾波器的兩個參數，默認值大小設置為10和0.8。通過引導濾波技術，聯(lián)合挖掘紅外圖像的溫度信息和空間結構信息，提升熱缺陷識別精度。濾波后的熱故障識別結果如圖4所示。最終識別結果部件不僅能較好反映熱缺陷目標位置，同時能較好地抑制空間畸變信息。

圖4 最終識別結果圖與局部放大圖

3 實驗與分析

3.1 實驗介紹

為驗證本文提出SRT算法的識別性能，本文采用3種經典的異常目標識別算法進行對比測試。包括基于全局統(tǒng)計的馬氏距離計算Reed-Xiao（RX）方法[15]、低密度概率檢測（low-density probability，LDP）方法[16]和低秩表示（LRR）[17]識別方法。其中，LRR方法的參數設置為＝0.05。

為客觀評價識別結果的優(yōu)劣，本文采用面積曲線（area under curve, AUC）[15-17]指標判別識別結果的準確性。AUC指標通過計算目標識別結果和參考的熱缺陷區(qū)域圖，定量計算識別結果的精度。當AUC指標越高，識別結果越接近參考的熱缺陷區(qū)域圖，熱缺陷識別性能越優(yōu)異。

3.2 實驗結果與分析

第一幅測試數據采集于湖南省湘潭市，圖像分辨率為240×330。圖5(a)和(b)展示測試圖像和參考的熱缺陷區(qū)域圖。圖5(c)～(f)為不同識別方法的結果。為清楚反映識別結果的細節(jié)信息，每幅圖的左下方展示了識別結果的局部放大圖。RX、LDP和LRR方法未能有效地從背景中識別熱缺陷目標。而SRT方法不僅能有效定位出熱故障區(qū)域目標，同時較好地抑制背景像素對識別結果的干擾。

第二幅測試圖像拍攝于湖南省湘潭市，圖像分辨率為240×330。圖6(c)～(f)展示了不同對比方法的識別結果。其中，RX和SRT方法能有效地識別出熱缺陷區(qū)域。LDP和LRR方法不能較好地抑制并去除背景像素的干擾。

圖5 不同方法在第一幅測試圖的識別結果

圖6 不同方法在第2幅測試圖的識別結果

第3幅測試圖像拍攝于湖南省湘潭市，圖像分辨率為325×450。圖7(a)和(b)展示該圖像的紅外熱圖像和參考的熱缺陷區(qū)域圖。不同方法的識別結果如圖7(c)～(f)所示。LRR方法可以識別出熱缺陷區(qū)域，但不能有效地去除背景像素的干擾。RX和SRT方法有著優(yōu)異的識別性能，SRT方法能獲取最好的AUC識別精度值，0.9992。

不同識別方法的AUC指標如表1所示。如表所示，本文所提出的SRT方法能獲得最高的識別精度。聯(lián)合譜殘差變換與引導濾波技術，SRT相較于其他3類熱缺陷識別方法在精度上有顯著的提升。表2展示了不同方法的運行時間。雖然SRT方法檢測效率不是最高的，但考慮其出色的檢測精度，SRT方法仍是實用的熱故障檢測方法。

圖7 不同方法在第3幅測試圖的識別結果

表1 不同識別方法的AUC指標

表2 不同識別方法的運行時間

此外，為進一步評估SRT方法中引導濾波處理步驟對識別性能的影響。圖8展示在3幅測試數據中，有無引導濾波處理步驟對診斷結果的影響。從圖中，我們可以看到無引導濾波處理的熱缺陷識別精度分別為0.9651，0.9797，0.9371，而經過引導濾波處理的熱故障診斷精度分別為0.9969，0.9990，0.9993。熱識別診斷精度依次提升了3.3%，2.0%，6.6%。實驗結果表明通過聯(lián)合譜殘差模型和引導濾波技術，能充分挖掘紅外圖像中的溫度信息和空間結構信息，提升熱缺陷的識別精度。

圖8 有無引導濾波處理對診斷精度的影響

4 總結

本文提出一種基于譜殘差變換的電力設備熱缺陷識別技術，在復雜電力巡檢環(huán)境下高精度地識別出電力設備的熱缺陷。聯(lián)合譜殘差模型和引導濾波技術，充分挖掘利用紅外圖像中的溫差信息和空間結構信息，提升熱缺陷識別率，滿足電力紅外巡檢的應用需求。

[1] 劉嶸, 劉輝, 賈然, 等. 一種智能型電網設備紅外識別系統(tǒng)的設計[J]. 紅外技術, 2020, 42(12): 198-1202.

LIU Rong, LIU Hui, JIA Ran, et al. Design of intelligent infrared di-agnosis system for power grid equipment[J]., 2020, 42(12): 1198-1202.

[2] 張文峰, 彭向陽, 陳銳民, 等. 基于無人機紅外視頻的輸電線路發(fā)熱缺陷智能識別技術[J]. 電網技術, 2014, 38(5): 1334-1338.

ZHANG Wenfeng, PENG Xiangyang, CHEN Ruiming, et al. Intelligent diagnostic techniques of abnormal heat defect in transmission lines based on unmanned helicopter infrared video[J]., 2014, 38(5): 1334-1338.

[3] 王淼, 杜偉, 孫鴻博, 等. 基于紅外圖像識別的輸電線路故障識別方法[J].紅外技術, 2017, 39(4): 383-386.

WANG Miao, DU Wei, SUN Hongbo, et al. Transmission line fault diagnosis method based on infrared image recognition[J]., 2017, 39(4): 383-386.

[4] 胡洛娜, 彭云竹, 石林鑫. 核貓群紅外圖像異常檢測方法在電力智能巡檢中的應用[J]. 紅外技術, 2018, 40(9): 323-328.

HU Luona, PENG Yunzhu, SHI Linxin. Anomaly detection method of infrared images based on kernel cat swarm optimization clustering with application in intelligent electrical power inspection[J]., 2018, 40(9): 323-328.

[5] 魏鋼, 馮中正, 唐躍林, 等. 輸變電設備紅外故障識別技術與試驗研究[J]. 電氣技術, 2013, 14(6): 75-78.

WEI Gang, FENG Zhongzheng, TANG Yuelin, et al. The infrared diagnostic technology of power transmission devices and experimental study[J]., 2013, 14(6): 75-78.

[6] 李鑫, 崔昊楊, 霍思佳, 等. 基于粒子群優(yōu)化法的Niblack電力設備紅外圖像分割[J]. 紅外技術, 2018, 40(8): 780-785.

LI Xin, CUI Wuyang, HUO Siyang. Niblack's method for infrared image segmentation of electrical equipment improved by particle swarm optimization[J]., 2018, 40(8): 780-785.

[7] 黃志鴻, 吳晟, 肖劍, 等. 基于引導濾波的電力設備熱缺陷識別方法研究[J].紅外技術, 2021, 43(9): 910-915.

HUANG Zhihong, WU Sheng, XIAO Jian, et al. Thermal fault diagnosis of power equipments based on guided filter[J]., 2021, 43(9): 910-915.

[8] 黃志鴻, 洪峰, 黃偉. 形狀自適應低秩表示的電力設備熱故障診斷方法研究[J].紅外技術, 2022, 44(8): 870-874.

HUANG Zhihong, HONG Feng, HUANG Wei. Shape adaptation low rank representation for thermal fault diagnosis of power equipments[J]., 2022, 44(8): 870-874.

[9] 常亮, 鄧小明, 周明全, 等. 圖像理解中的卷積神經網[J]. 自動化學報, 2016, 42(9): 1300-1312.

CHANG Liang, DENG Xiaoming, ZHOU Mingquan, et al. Convolu-tional neural networks in image understanding[J]., 2016, 42(9): 1300-1312.

[10] 魏東, 龔慶武, 來文青, 等. 基于卷積神經網絡的輸電線路區(qū)內外故障判斷及故障選相方法研究[J]. 中國電機工程學報, 2016, 36(5): 21-28.

WEI Dong, LONG Qinwu, LAI Wenqing, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]., 2016, 36(5): 21-28.

[11] 周可慧, 廖志偉, 肖異瑤, 等. 基于改進CNN的電力設備紅外圖像分類模型構建研究[J]. 紅外技術, 2019, 41(11): 1033-1038.

ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipments based on improved CNN[J]., 2019, 41(11): 1033-1038.

[12] HOU Xiaodi, ZHANG Liqing. Salient detection: a spectral residual approach[C]//, 2007: 18-23.

[13] HE Kaiming, SUN Jian, TANG Xiao’ou. Guided image filtering[J]., 2013, 35(6): 1397-1409.

[14] GAGLIARDI Robert, REED Irving S. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]., 1990, 38(10): 1760-1770.

[15] KANG Xudong, ZHANG Xiangping, LI Shutao, et al. Hyperspectral anomaly detection with attribute and edge-preserving filters[J]., 2017, 55(10): 5600-5611.

[16] XU Yu, LI Jun, WU Zebin, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]., 2016, 54(4): 1287-1293.

[17] 蔣昀宸, 樊紹勝, 陳駿星溆. 帶電作業(yè)智能新技術及其應用現狀[J]. 湖南電力, 2018, 38(5): 1-4.

JIANG Yunchen, FAN Zhaosheng, CHEN Junxingxu. Smart new-technologies and applications for live work[J]., 2018, 38(5): 1-4.

Spectral Residual Transformation for Thermal Defect Detection of Power Equipment

HUANG Zhihong1，XIAO Jian1，XU Xianyong1，ZHANG Hui2

(1.,410007,;2.,,410082,)

This study introduces a thermal defect detection technique for power equipment based on a spectral transformation model. First, the spectral residual transform model is constructed according to the redundancy of the natural background and significance of the thermal defect target in infrared images of power equipment. Then, the infrared image of the power equipment is transformed by spectral residuals to remove redundant image information of the natural background target, and a result map with significant information is generated. The experimental results show that compared with other traditional thermal defect detection methods, the proposed method has significant advantages in terms of recognition accuracy and efficiency and meets the application requirements of thermal fault detection of power equipment.

power equipment, infrared image, thermal defect detection, spectral residual transformation; redundant information

TP751.1

A

1001-8891(2023)08-0884-06

2022-12-26；

2023-01-30.

黃志鴻（1993-），男，湖南長沙人，博士，高級工程師，主要研究方向為電力設備故障智能診斷，紅外圖像處理。E-mail: zhihong_huang111@163.com。

國網湖南省電力有限公司科技項目（5216A520000V），湖南省科技人才托舉工程“小荷”科技人才項目（2023TJ-X48）。