紅外熱像儀在閥廳冷卻水泄漏監測中的應用

楊明權，方 睿，黃仕鵬，何 敏，陳田濟帆

（南方電網超高壓輸電公司貴陽局，貴州貴陽 550009）

0 引言

在高壓直流輸電系統之內，換流站一般是為實現交流電與直流電之間的有效轉化，同時保證電力系統自身運行穩定性，促進電能傳輸質量提升而設置的站點。高壓直流換電站能夠提供整流站及逆變站等多種功能的重要系統設施，屬于直流輸電的關鍵所在。換流站主要由換流閥、變壓器、交流開關模塊、無功補償設備、直接開關模塊和遠程通信系統等構成，其中最關鍵的是由換流變壓器與換流閥共同構成的環換流設備。

在實際運行狀態下換流閥必然會形成較大熱量，所以應依靠閥冷系統、借助于水循環有效排出閥體運行過程中形成的熱量。閥冷系統長時間處在高負荷的運行狀態，很容易發生接頭松動、部件老化的現象，具有一定的漏水風險，如果發生滲漏現象會在很大程度上降低換流閥運行效率，嚴重時還會燒毀閥體，影響高壓直流輸電系統的安全運行。采取科學措施對漏水問題實施精準檢測，能夠進一步延長閥體各個部件運行壽命，降低其故障概率。本文研究是基于可見光與紅外融合技術對閥廳冷卻水泄漏的特征、閥組件工作狀態進行監測與判別，在不影響輸變電設備正常運行情況下，實現遠距離、非接觸方式監測。

1 運用紅外熱像儀的優勢

首先，閥門泄漏問題通常難以被實時監測且存在較大的危害性。借助于紅外熱像儀技術能夠更加準確快速地掌握閥門出現泄漏的位置，降低維護保養工作成本。

其次，如果閥門調節屬于腐蝕性抑或是危險性較高的介質，檢修人員直接檢測可能會增加事故發生概率，所以依靠紅外熱像儀技術可以非常便捷地對可能出現泄漏的區域實施檢測，確保其安全性。

再次，配備可見光的紅外熱像儀可以拍攝更加清晰的現場照片，利用圖像融合技術幫助工作人員更加準確地進行故障定位。

最后，紅外熱像儀相關軟件系統能夠存儲收集到的數據信息并自動生成專業報告，有效促進日常監測工作安全性與便捷性的提升[1]。

2 冷卻水泄漏紅外熱像儀檢測原理

紅外線是一種電磁波（肉眼不可），存在波動性和粒子性等性質，波長0.75～1000 m。自然界中的所有物體，其自身溫度超過絕對零度（-273.16 ℃）之后必然出現電磁波，在其表面產生溫度特征信息。由于物體組成材料、自身溫度及表面光度存在差異，其紅外輻射的實際強度也必然會有所不同。借助于紅外熱像儀能夠探測此類物體表面輻射中的紅外線[2]。它可以幫助工作人員更加直觀形象地掌握物體表面輻射分布狀態，即溫度場。本文基于水與地面的紅外輻射強度不同，從而在紅外熱成像上能檢測到地面的水跡，通過將紅外16 位灰度數據變為8 位灰度數據的結果（圖1）。

圖1 冷卻水泄漏紅外熱成像

3 采用FASTER R-CNN 深度神經網絡檢測地面水跡

3.1 基本框架

Faster R-CNN 的整體結構包括如下4 層：

首先，Conv layers 屬于針對cnn 網絡目標進行有效檢測的手段，faster_rcnn 最開始選擇基礎conv+relu+pooling 層獲得image 的feture map。將獲取到的feature map 進行共享，能夠在RPN 層以及全連接層發揮重要作用。

其次，Region Proposal Networks.RPN 網絡能夠直接生成region proposcals。這一基礎層依靠softmax 可準確評估anchors為foreground 以及background 的類型，隨后通過box regression對anchors 進行調整，最終得到更加準確的propocals。

再次，Roi Pooling 層中將feature map 與proposcal 進行采集，根據所得到的信息對proposal feature map 進行收集，最終將其傳輸到全連接層可準確得出其類別。

最后，Classification 依靠proposal feature map 評估proposcal 具體類別，隨后依靠bounding box regression 計算得出檢驗框實際位置。

3.2 Con layer

在input-data 層時，把原圖都reshape 成M×N 大小的圖片。

conv layer 內涉及到conv、relu、pooling 三個不同類型的層，對于VGG16 來說其包含了13 個conv 層、13 個relu 層、4 個pooling 層。對于conv layer 而言：

第一，所有conv 層屬于：kernel_size=3，pad=1

第二，所有pooling 層屬于：kernel_size=2，stride=2

Con layer 內包含pooling 層kernel_size=2，stride=2，這樣可以讓通過pooling 層內的M×N 矩陣，集體變更為（M/2）×（N/2）大小。由此可知對于Conv layers，conv 及relu 層不會對輸入輸出大小產生變化，唯有pooling 層會導致輸出長寬變更為輸入時的1/2。

如此，M×N 的矩陣依靠Conv layers 能夠最終變成（M/16）×（N/16），Conv layers 內的featuure map 能夠與原圖準確匹配。

3.3 RPN（Region Propocal Networks，卷積神經網絡）

過去的檢測手段在生成檢測框的過程中會消耗較多時間成本，如OpenCV adaboost 通過“滑動窗口+圖像金字塔”生成檢測框或利用RCNN 選擇SS（Selective Search）途徑獲取。這樣借助于Faster RCNN 在很大程度上創新了一直所采用的滑動窗口和SS，能夠依靠RPN 更加快速準確獲取檢測框，屬于Faster RCNN 的獨有特點與突出優勢，能夠在很大程度上保障檢測框獲取效率[3]。

RPN 通常涉及到2 條線，上方通過softmax 分類anchors 產生foreground 和background（檢測對象是foreground），下方通常會計算anchors 的bounding box regression 偏移量，進而確保proposal 值的準確性有效提升。而Proposal 層可以將foreground anchors 和bounding box regression 的實際偏移量進行有機融合，產生proposals，在這一過程中能夠直接去掉過小及大于邊界的proposals。當網絡處于Proposal Layer 的狀態下，已經實現了對目標的準確定位。

3.4 RI pooling

RoI Pooling 層主要對proposal 進行采集，同時能夠得到proposal feature maps，將其傳輸到后續網絡。在實踐中可以了解到Rol pooling 層擁有如下2 個輸入：

RoI Pooling layer forward 基本流程：知道它對應M×N 尺度，所以需要借助spatial_scale 參數，直接映射到（M/16）×（N/16）大小的feature maps 尺度；隨后將全部proposal 水平以及豎直合理分成pooled_w 和pooled_h 份，并將所有份進行max pooling 處理。這樣全部大小具有差異的proposal 輸出結果皆為大小，進而達到fixed-length output（固定長度輸出）。

3.5 Classification

Classification 利用獲取到的proposal feature maps，借助于full connect 層以及softmax 能夠準確判定不同proposal 的具體類型（如人、車、電視等），輸出cls_prob 概率向量；隨后借助于bounding box regression 得到全部proposal 的實際位置偏移量bbox_pred，將這一結果應用到更為準確的目標檢測框。

基于PoI Pooling 計算得到7×7=49 大小的proposal feature maps 時，將結果傳輸于后續網絡，在這一過程中存在以下兩個操作：依靠全連接以及softmax 對proposals 實施分類，從本質上來說這一操作屬于識別；隨后選擇proposals 實施bounding box regression，得到準確度更高的rect box。計算公式為：

公式中的W、bias B 是提前進行訓練，可以說其大小已經固定，在這一過程中輸入x 和輸出y 仍然保持固定大小。因此，該結果證明了Roi Pooling 的重要性。

4 識別結果

基于上述實驗數據能夠了解，運用紅外熱像儀對閥廳冷卻水泄漏與閥組件狀態監測過程中能夠發揮非常好的作用。從圖2 能直觀地看到識別結果，檢測效果提升顯著，這說明紅外熱像儀可以在很大程度上促進全過程管理效率的提升，確保狀態監測準確性[4]。

圖2 實際監測畫面