變電設備紅外圖像致熱型缺陷超分辨率識別方法

任 罡,查顯光,胡曉麗,張夢夢,朱向軍,劉旻超

(1.國網江蘇省電力有限公司技能培訓中心,江蘇 蘇州 215002;2.國網江蘇省電力有限公司,江蘇 南京 210024)

變電站屬于重要節點,在電網中其主要任務是分配電能、轉換電壓,直接影響著電網的運行狀態。經調查發現,在電氣設備故障中,變壓器、套管等電加熱裝置的致熱型缺陷所占的比例較大,容易造成電網的大面積停電[1]。紅外檢測技術可有效地檢測電加熱裝置的致熱型缺陷,在應用過程中體現出了較多優點[2]。近年來通過固定攝像頭、無人機和巡檢機器人采集的紅外圖像已經成為應用最為廣泛的技術手段,因此加大了電加熱裝置致熱型缺陷識別的難度,需要對電加熱裝置致熱型缺陷識別方法展開分析和研究。

針對此問題,相關學者提出了一些較典型的方法和觀點。李文璞等人[3]提出基于旋轉目標檢測的變電設備紅外圖像電壓致熱型缺陷智能診斷方法。在Faster RCNN模型的基礎上定位并識別電加熱裝置區域,對裝置的溫差展開計算,設定溫差閾值,根據溫差計算結果完成致熱型缺陷識別。該方法獲取的變電設備紅外圖像中存在大量的噪聲,存在圖像采集質量差的問題。黃銳勇等人[4]提出電力設備紅外圖像缺陷檢測方法。將現場紅外圖像數據樣本輸入CenterNet結構中,獲取設備部件的表面溫度,結合溫度規范完成電加熱裝置致熱型缺陷檢測,該方法的缺陷識別率低。譚宇璇等人[5]提出基于圖像增強與深度學習的變電設備紅外熱像識別方法。結合Retinex算法和快速導向濾波增強紅外圖像,在改進YOLOv3網絡中輸入增強后的紅外圖像,完成缺陷識別,該方法存在缺陷誤報率高的問題。

為了解決上述方法中存在的問題,提出變電設備紅外圖像致熱型缺陷超分辨率識別方法。通過預處理變電設備紅外圖像,提高其分辨率。將處理后的圖像輸入改進殘差網絡,完成變電設備的致熱型缺陷識別。

1 預處理

1.1 超分辨率重建

為了克服硬件的不足,對變電設備紅外圖像展開超分辨率重建,以此提高致熱型缺陷識別的準確率。

用y∈Rm表示電加熱裝置的低分辨率圖像;x∈Rn表示理想的高分辨率圖像,利用下式描述電加熱裝置紅外圖像的降質模型:

y=NJx+m

(1)

式中:J為模糊算法;m為紅外圖像中存在的噪聲;N為下采樣矩陣。

采用近似稀疏正則化方法[6-7]完成電熱裝置紅外圖像的超分辨率重建,用下述變分問題描述稀疏正則化超分辨率重建問題:

(2)

式中:β為重建后紅外圖像的高分辨率稀疏系數;Fβ為過完備冗余字典;μ為正則化參數。所提方法在凸松弛算法[8]的基礎上,通過連續可微函數l0范數近似,求解上述問題:

(3)

設置具有式(4)性質的連續可微近似稀疏函數gσ(β):

(4)

(5)

式中:σ∈R+,此時利用gσ(β)近似l0范數,存在式(6):

(6)

通過上述分析,采用近似稀疏函數正則化方法建立圖像超分辨率重建模型:

(7)

1.2 圖像校正

在變電設備紅外圖像超分辨率重建過程中,有可能導致圖像出現“鬼影”,為消除“鬼影”對缺陷識別的影響,采用中值直方圖非均勻算法對圖像展開校正處理[9],具體過程如下:

(1)設Hj(l)代表相對于像素值l,圖像每列的累計直方圖,其表達式如下:

(8)

式中:p(i,j)=k描述的是圖像位置p(i,j)處對應的像素值為k;M為電加熱裝置紅外圖像的行數。

(9)

式中:h(k)為高斯權重函數,其表達式如下:

(10)

式中:s為校正參數;d為平滑程度參數。

(3)利用校正參數通過下式校正電加熱裝置紅外圖像中的像素點對應的灰度值:

(11)

式中:f(i,j)為像素點校正后的灰度值。

(4)受噪聲的影響,每行相鄰點在電加熱裝置紅外圖像中的灰度值均不相同,因此選取校正參數時,可依據鄰點間差值絕對值最小的原則,通過下式選取校正參數d:

(12)

通過上述公式獲取最佳校正參數,利用該參數對電加熱裝置紅外圖像校正處理,在視覺效果上提高圖像的平滑性。

2 致熱型缺陷識別

電加熱裝置包括三種致熱型缺陷,分別是電壓致熱型缺陷、電流致熱型缺陷和綜合致熱型缺陷。只采用紅外圖譜難以識別三種類型的致熱型缺陷[10-11],因此將處理后的電加熱裝置紅外圖像輸入改進的殘差網絡中,實現電加熱裝置致熱型缺陷識別。

殘差網絡在數據庫分類領域中具有良好的效果[12-13]。為提高電加熱裝置致熱型缺陷識別的準確率,需要改進殘差網絡。

設置正態分布函數N(ν,σ2),利用Xavier正態分布初始化方法設置卷積層在殘差網絡中的初始權重值El:

(13)

式中:σ2、ν分別為隨機變量對應的方差和均值;al-1為神經元在第l-1層中的數量。

Relu激活操作和歸一化處理所有卷積層對應的輸出,完成特征融合和網絡深度優化。

2.1 基于卷積分解的網絡優化

在訓練過程中為了避免樣本類別不平衡造成的過擬合現象,通過卷積核分解技術提高殘差網絡的泛化性能,減少參數的整體數量,通過下式描述卷積核的分解過程:

(14)

式中:→為卷積核在分解過程中的分解方向;mc×mc為卷積核的大小。

2.2 多尺度卷積特征融合優化

致熱型缺陷在電加熱裝置紅外圖像中所占的比例較小,網絡淺層中包含了電加熱裝置大量的異常過熱特征信息。采用多級卷積層對異常過熱特征展開提取及融合處理時,容易丟失部分信息,影響了電加熱裝置致熱型缺陷的識別結果。因此設置了三級分層的快捷連接方式,以此突出致熱型缺陷特征[14-15]。

通過下式描述每個模塊對應的輸入:

(15)

式中:xi為第i個模塊在殘差網絡中的輸入;xi+1為第i個模塊在殘差網絡中的輸出;A為模塊數量;G1、G2均為不同的殘差函數;j為自然數;g為Relu激活函數。

2.3 自適應調整卷積核數量與網絡深度

遵循逐一增加原則增加殘差網絡的深度,通過式(16)調整卷積核在殘差網絡中的數量k:

k=32+16a

(16)

式中:a為常數,取值為0,1,2,3,4。

將預處理后的電加熱裝置紅外圖像輸入上述改進的殘差網絡中,獲取過熱區域的最高溫度T1:

T1=Tr+T0

(17)

式中:Tr為溫升,℃;T0為環境溫度,℃。

設定參考區域的最高溫度T2,計算參考區域與電熱裝置過熱區域最高溫度T1之間的溫差ε:

(18)

設定溫度閾值ζ,將上式計算得到的溫差ε與溫度閾值ζ對比,根據對比結果完成變電設備致熱型缺陷的識別。

3 實驗與分析

為了驗證變電設備紅外圖像致熱型缺陷超分辨率識別方法的整體有效性,需要對其展開測試。實驗采用的CPU為Intel Core i7-11370H,內存為512GB,顯卡為NVIDIA Geforce RTX 3050。使用的軟件為Caffe和MATLAB2016b。實驗選取某市一工廠內變電設備作為實驗研究對象,分別采用變電設備紅外圖像致熱型缺陷超分辨率識別方法、文獻[3]方法和文獻[4]方法進行實驗,圖1為在工廠隨機選取的兩個電加熱裝置圖像,并對其采集紅外圖像。

圖1 電加熱裝置

分析圖2～圖4可知,采用所提方法采集的電加熱裝置紅外圖像可清晰的體現出電加熱紅外裝置的細節信息,而文獻[3]方法和文獻[4]方法采集的電加熱裝置紅外圖像存在“鬼影”和噪聲現象。通過上述測試可知,所提方法可獲取高質量的電加熱裝置紅外圖像,因為所提方法對電加熱紅外圖像展開了超分辨率重建和校正處理,消除了電加熱紅外圖像中存在的噪聲和“鬼影”,提高了電加熱裝置紅外圖像的整體質量。

圖2 所提方法的紅外圖像采集結果

圖3 文獻[3]方法的紅外圖像采集結果

圖4 文獻[4]方法的紅外圖像采集結果

為了進一步測試所提方法、文獻[3]方法和文獻[4]方法的圖像采集質量,選取峰值信噪比PSNR作為指標,PSNR的計算公式如下:

(19)

式中:L為電加熱裝置紅外圖像的灰度級數;N、M分別為電加熱裝置紅外圖像的列數和行數;gj(x,y)為處理后的電加熱裝置紅外圖像;g(x,y)為電加熱裝置的原始圖像。

上述方法的峰值信噪比PSNR測試結果如表1所示。

表1 不同方法的峰值信噪比

分析表1中的數據可知,對10幅電加熱裝置圖像展開處理時,所提方法的峰值信噪比遠高于文獻[3]方法和文獻[4]方法,表明所提方法的圖像處理效果好,可提高電加熱裝置致熱型缺陷識別的準確率。

將缺陷誤報率ιFAR和缺陷識別率ιFDR作為指標,測試所提方法、文獻[3]方法和文獻[4]方法的識別性能,測試結果分別如圖5和圖6所示。

圖5 不同方法的缺陷誤報率

圖6 不同方法的缺陷識別率

(20)

式中:ιFP為將正常電加熱裝置判定為缺陷裝置的數量;ιTN為正確識別正常電加熱裝置的數量;ιTP為正確識別缺陷裝置的數量;ιFN將缺陷裝置判定為正常裝置的數量。

分析圖5和圖6中的數據可知,隨著電加熱裝置數量的增加,所提方法、文獻[3]方法和文獻[4]方法的缺陷誤報率不斷增加,缺陷識別率不斷降低。但在相同電加熱裝置數量以及測試環境中,所提方法的缺陷誤報率保持在20%以內,低于其他兩種方法;而缺陷識別率則在95%以上,高于其他兩種方法,驗證了在電加熱裝置熱缺陷識別領域中,所提方法具有較高的識別性能。

4 結 語

電力系統中變電設備等電加熱裝置得到了廣泛的應用。目前變電設備致熱型缺陷識別方法存在圖像質量差、缺陷識別率低和缺陷誤報率高的問題,提出變電設備紅外圖像致熱型缺陷超分辨率識別方法。通過對變電設備紅外圖像展開預處理,輸入改進殘差網絡中完成電加熱裝置的致熱型缺陷識別,解決了目前方法中存在的問題,經驗證所提方法具有良好的缺陷識別性能。