基于YOLOv8的變壓器套管紅外圖像發(fā)熱缺陷識別

摘" 要：變壓器作為電力系統(tǒng)的關(guān)鍵設(shè)備，其安全可靠運(yùn)行顯得尤為重要，變壓器套管的發(fā)熱缺陷是影響其運(yùn)行可靠性的重要因素之一。針對變壓器套管紅外圖像發(fā)熱缺陷識別問題，引入YOLOv8目標(biāo)檢測算法。首先，分析了變壓器套管發(fā)熱缺陷的產(chǎn)生原因、傳統(tǒng)變壓器套管發(fā)熱缺陷紅外識別方法及其存在的不足。其次，對比分析了中值濾波、引導(dǎo)濾波兩種不同去噪方法。然后，設(shè)計(jì)增廣、增強(qiáng)+增廣兩種不同方法構(gòu)建數(shù)據(jù)集，基于YOLOv8算法分別進(jìn)行訓(xùn)練。最后，在測試集上進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明，增強(qiáng)+增廣處理后訓(xùn)練所得模型的識別精確率提高了3%、召回率提高了2.3%、平均精度均值提高了0.8%。

關(guān)鍵詞：YOLOv8；變壓器套管；紅外圖像；發(fā)熱缺陷；圖像去噪；圖像增強(qiáng)；圖像增廣；目標(biāo)識別

中圖分類號：TM41；TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2025）01-0054-06

Infrared Image Thermal Defect Identification for Transformer Bushing Based on YOLOv8

Abstract： As the critical equipment of the power system， the safe and reliable operation of transformers is of paramount importance. The thermal defect in transformer bushing is one of the significant factors affecting the operational reliability. To address the issue of thermal defect identification in infrared images of transformer bushings， the YOLOv8 object detection algorithm is introduced. Firstly， the causes of thermal defects in transformer bushings are analyzed， along with thermal defect infrared identification methods of traditional transformer bushings and the existing limitations. Subsequently， it compares and analyzes the two different denoising methods of median filtering and guided filtering. Next， it designs two different methods of augmentation and enhancement + augmentation to construct the dataset， and conducts the training based on YOLOv8 algorithm separately. Finally， comparative experiments are conducted on the test set. The results demonstrate that the model after training with the process of enhancement + augmentation achieves a 3% improvement in recognition precision， a 2.3% increase in recall， and a 0.8% increase in average value of mean accuracy.

Keywords： YOLOv8; transformer bushing; infrared image; thermal defect; image denoising; image enhancement; image augmentation; target recognition

0" 引" 言

變壓器作為電力系統(tǒng)中最重要的電力設(shè)備之一，負(fù)責(zé)電能的傳輸與轉(zhuǎn)換，其安全性直接影響到電網(wǎng)的穩(wěn)定和供電安全[1]。變壓器套管是連接變壓器本體與外部電網(wǎng)的重要組件，擔(dān)任著固定引線和與外界絕緣的作用[2]。然而，隨著電網(wǎng)負(fù)荷的增加以及設(shè)備使用年限的延長，變壓器套管可能會因各種因素而出現(xiàn)發(fā)熱缺陷，這不僅會導(dǎo)致設(shè)備性能下降，還會引發(fā)嚴(yán)重的安全隱患。因此，及時(shí)、準(zhǔn)確地檢測變壓器套管的發(fā)熱缺陷是確保變壓器乃至電力系統(tǒng)安全運(yùn)行的重要舉措。

紅外成像技術(shù)因其非接觸、快速、實(shí)時(shí)等特性[3]，被廣泛應(yīng)用于電力設(shè)備的狀態(tài)監(jiān)測。傳統(tǒng)的套管發(fā)熱缺陷檢測方法主要依賴于人工巡檢和紅外熱成像技術(shù)，通過對變壓器套管進(jìn)行紅外熱成像，可以直觀地觀察到其表面溫度分布。這些方法雖然可以在一定程度上識別出發(fā)熱異常，但往往存在勞動強(qiáng)度大、效率低以及易受環(huán)境條件和人為因素的干擾，導(dǎo)致檢測結(jié)果的準(zhǔn)確性和可靠性不足。不能滿足現(xiàn)代電力系統(tǒng)對設(shè)備健康管理的高標(biāo)準(zhǔn)與高效率要求。因此，亟須引入更為先進(jìn)的技術(shù)手段來提升變壓器套管發(fā)熱缺陷的識別效率和準(zhǔn)確性。

近年來，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺和模式識別領(lǐng)域取得了顯著的發(fā)展，其強(qiáng)大的數(shù)據(jù)處理能力和自學(xué)習(xí)能力為許多傳統(tǒng)行業(yè)帶來了革新。通過利用深度學(xué)習(xí)算法，如YOLO等，對套管紅外圖像發(fā)熱缺陷進(jìn)行自動識別[4]，能夠有效提升變壓器套管發(fā)熱缺陷檢測的智能化水平。這不僅能夠加快檢測速度，提高精準(zhǔn)度，還有助于實(shí)現(xiàn)對變壓器狀態(tài)的實(shí)時(shí)監(jiān)控。

1" 變壓器套管發(fā)熱缺陷產(chǎn)生原因

1.1" 過載運(yùn)行

變壓器長期超負(fù)荷運(yùn)行，會導(dǎo)致繞組電流增大，產(chǎn)生大量熱量，使繞組溫度急劇上升。導(dǎo)致變壓器套管的溫度升高，超過其可承受范圍，進(jìn)而可能引發(fā)發(fā)熱缺陷。

1.2" 絕緣材料老化

隨著變壓器運(yùn)行年限的增加，套管的絕緣材料會受到溫度、潮濕、氧化等多種因素的影響而逐漸老化。老化導(dǎo)致變壓器套管絕緣性能下降，從而增加了漏電流和熱量的產(chǎn)生。此外，絕緣材料的老化可能導(dǎo)致微裂紋和氣泡等缺陷形成，妨礙熱量的有效散發(fā)，造成熱量在局部區(qū)域聚集，形成熱點(diǎn)。這些熱點(diǎn)在紅外熱成像檢測中會顯現(xiàn)為明顯的溫度異常，形成發(fā)熱缺陷。

1.3" 接觸不良

當(dāng)變壓器套管接頭或線夾的接觸面發(fā)生氧化或腐蝕時(shí)，接觸電阻會顯著增加。此外，機(jī)械因素如振動、熱膨脹等也可能導(dǎo)致接頭松動，造成不良接觸。由于接觸電阻的存在，局部區(qū)域會集中產(chǎn)生熱量，可能導(dǎo)致發(fā)熱缺陷。

1.4" 環(huán)境因素

高濕環(huán)境或雨水天氣可能導(dǎo)致套管表面受潮，進(jìn)而影響其絕緣性能，如果水分滲入套管內(nèi)部也會引起內(nèi)部絕緣老化、劣化，使其絕緣性能降低[5]，進(jìn)而導(dǎo)致局部過熱。此外，空氣中的塵埃、污垢等的沉積會降低套管的絕緣性能，容易導(dǎo)致局部過熱[6]。

1.5" 缺油故障

對于油浸式變壓器，絕緣油的缺失首先使得套管的絕緣性能顯著下降[7]，無法有效阻止電弧和局部放電，從而引發(fā)局部過熱。其次，缺油會降低套管的散熱能力，導(dǎo)致局部溫度迅速升高，而這一過高的溫度又會進(jìn)一步加速絕緣材料的老化和劣化，形成惡性循環(huán)。最后，缺油狀態(tài)下，絕緣材料可能會因缺乏油的潤滑作用而脆化，甚至在高溫下發(fā)生熱裂解，產(chǎn)生氣體和雜質(zhì)，進(jìn)一步加劇局部發(fā)熱和擊穿的風(fēng)險(xiǎn)，導(dǎo)致更嚴(yán)重的發(fā)熱缺陷。

2" 傳統(tǒng)變壓器套管發(fā)熱缺陷紅外圖像識別方法

傳統(tǒng)的變壓器套管發(fā)熱缺陷一般采用人工手持熱像儀進(jìn)行巡檢識別。根據(jù)《帶電設(shè)備紅外診斷應(yīng)用規(guī)范》（DL/T 664—2016）的規(guī)定，現(xiàn)場檢測需在滿足人員要求、安全要求、環(huán)境條件要求以及檢測儀表要求的條件下進(jìn)行。采集套管紅外圖像時(shí)，需要在測溫菜單里對輻射率、相對濕度、距離、環(huán)境溫度進(jìn)行設(shè)定，其中輻射率設(shè)定根據(jù)常見物體的比輻射率表選取設(shè)定，并選取適當(dāng)位置對測溫儀進(jìn)行焦距調(diào)整，使被測設(shè)備圖像清晰、邊緣清楚。針對測溫物體的尺寸大小需在測溫儀識別選定測溫的范圍進(jìn)行框選，可針對某一部位，也可框選整個(gè)儀器識別范圍內(nèi)的物體。進(jìn)行測溫時(shí)需根據(jù)現(xiàn)場環(huán)境溫度對測溫儀進(jìn)行溫度區(qū)間數(shù)值設(shè)定，在測溫儀溫度允許范圍內(nèi)，相對窄的測溫范圍可使紅外成像效果相對明顯，通常選擇最小溫度比環(huán)境溫度略低即可，這樣測得的發(fā)熱部位在紅外測溫儀上顯現(xiàn)出亮白色的光點(diǎn)。如圖1所示，為某變電站人工巡檢過程中采集到的變壓器套管外部接觸不良導(dǎo)致的發(fā)熱缺陷紅外圖像。

對變壓器套管發(fā)熱缺陷進(jìn)行人工檢測，巡檢人員可以根據(jù)具體情況靈活調(diào)整檢測策略和區(qū)域，也可以通過直接觀察紅外圖像對一些直觀可見的發(fā)熱缺陷做出判斷，但人工檢測結(jié)果易受操作人員經(jīng)驗(yàn)和技術(shù)水平的影響，檢測速度較慢，無法滿足大規(guī)模和快速檢測的需求，而且需要手動記錄和處理大量數(shù)據(jù)，容易出現(xiàn)遺漏或錯(cuò)誤。因此，本文將YOLOv8引入變壓器套管紅外發(fā)熱缺陷的識別，以期提高檢測的準(zhǔn)確性的同時(shí)，能夠有效降低人工巡檢的成本，為現(xiàn)代電力系統(tǒng)的安全與穩(wěn)定運(yùn)行提供強(qiáng)有力的技術(shù)支持。

3" 基于YOLOv8的變壓器套管紅外發(fā)熱缺陷識別

3.1" 研究方法

本文的研究重點(diǎn)是變壓器套管紅外發(fā)熱缺陷識別。首先，對比分析中值濾波、引導(dǎo)濾波兩種濾波方法，根據(jù)去噪效果選擇較優(yōu)的方法應(yīng)用于套管紅外圖像的預(yù)處理中。然后，分析直方圖均衡化處理的目的及效果。最后，設(shè)計(jì)增廣、增強(qiáng)+增廣兩種不同方法構(gòu)建數(shù)據(jù)集，基于YOLOv8目標(biāo)檢測算法構(gòu)建變壓器套管發(fā)熱缺陷識別模型[8]，進(jìn)行對比實(shí)驗(yàn)，以達(dá)到能夠準(zhǔn)確識別有發(fā)熱缺陷的變壓器套管的目的。

3.2" 變壓器套管紅外圖像去噪

由于紅外成像設(shè)備、環(huán)境干擾等因素的影響，變壓器套管紅外圖像通常會引入多種噪聲，這些噪聲會影響變壓器套管紅外圖像的質(zhì)量，導(dǎo)致后續(xù)識別的準(zhǔn)確性下降。因此，對圖像質(zhì)量較差、含有較多噪聲的紅外圖像需要采取有效的去噪措施，以提高圖像質(zhì)量。本文分析中值濾波和引導(dǎo)濾波對變壓器套管紅外圖像的去噪效果。

3.2.1" 中值濾波

中值濾波是一種非線性平滑技術(shù)，廣泛應(yīng)用于圖像去噪處理中。中值濾波的原理是通過用鄰域內(nèi)像素的中值替代中心像素的值，從而達(dá)到去噪的效果。具體操作步驟如下：

1）根據(jù)需要選擇合適的窗口大小，常見的大小有3×3、5×5等。

2）將窗口從圖像的左上角開始，逐行逐列滑動到圖像的右下角，在滑動窗口時(shí)，窗口的中心應(yīng)對應(yīng)到當(dāng)前處理的像素。

3）對于窗口內(nèi)的所有像素值，計(jì)算它們的中值，用計(jì)算得到的中值替換窗口中心位置的像素值。

4）重復(fù)上述步驟，直到整個(gè)圖像的每個(gè)像素都被處理。

中值濾波以其獨(dú)特的非線性處理方式，在去除椒鹽噪聲、保留圖像邊緣和細(xì)節(jié)等方面表現(xiàn)出一定優(yōu)勢[9]。

3.2.2" 引導(dǎo)濾波

引導(dǎo)濾波是通過引導(dǎo)圖像來進(jìn)行平滑處理的方法，使得輸出圖像在保留邊緣的同時(shí)平滑噪聲，引導(dǎo)圖像通常是輸入圖像本身，也可以是其他圖像。

假設(shè)I表示輸入圖像，O表示濾波輸出圖像，G表示引導(dǎo)圖像，引導(dǎo)濾波的目標(biāo)是找到一個(gè)線性變換，使得輸出圖像O在局部窗口ωk內(nèi)與引導(dǎo)圖像G保持一致[10]，即：

式中，輸出圖像與引導(dǎo)圖像的第i個(gè)像素灰度值用Oi、Gi表示，ak、bk表示待求常數(shù)。濾波過程中，為了避免濾波處理后變壓器套管紅外圖像與輸入圖像之間差異較大，通過設(shè)置以最小化差異為目標(biāo)的濾波代價(jià)函數(shù)來確定ak、bk：

式中，E表示濾波代價(jià)，ε表示正則化參數(shù)。針對上述代價(jià)函數(shù)進(jìn)行線性回歸求解，即可求出：

將最優(yōu)解代入引導(dǎo)濾波過程中處理變壓器套管紅外圖像，即可得到保留圖像邊緣結(jié)構(gòu)的導(dǎo)向?yàn)V波結(jié)果。

3.3" 變壓器套管紅外圖像增強(qiáng)

為了提高變壓器套管紅外圖像的對比度和清晰度，改善圖像質(zhì)量，需對圖像進(jìn)行增強(qiáng)處理。本文采用直方圖均衡化的方法對變壓器套管紅外圖像進(jìn)行增強(qiáng)處理。直方圖均衡化就是通過調(diào)整圖像的像素值分布，使得圖像的直方圖在每個(gè)灰度級上都有大致均勻的分布，從而增強(qiáng)圖像的對比度[11]。首先，將彩色圖像分解為R、G、B三個(gè)通道，統(tǒng)計(jì)各通道每個(gè)灰度級的像素?cái)?shù)量，計(jì)算每個(gè)通道的直方圖；然后，將每個(gè)通道的直方圖歸一化，得到每個(gè)灰度級別的概率密度函數(shù)（PDF），基于每個(gè)通道的PDF計(jì)算其累積分布函數(shù)（CDF）；隨后，根據(jù)CDF，為每個(gè)通道構(gòu)建均衡化映射函數(shù)，將原圖像中各通道的每個(gè)灰度值替換為新的均衡化后的灰度值；最后，將處理后的三個(gè)通道融合，生成新的直方圖均衡化圖像。

3.4" YOLOv8目標(biāo)檢測算法

YOLO系列算法如YOLOv5、YOLOv6和YOLOv7各自通過不同的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練技術(shù)不斷提高目標(biāo)檢測的精度和速度，而YOLOv8在此基礎(chǔ)上對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了進(jìn)一步優(yōu)化，從而使檢測的綜合性能有所提升[12]。相較于前代，YOLOv8可以更好的適應(yīng)實(shí)際應(yīng)用環(huán)境，實(shí)現(xiàn)更為出色的實(shí)時(shí)目標(biāo)檢測。如圖2所示為YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)圖，主要包括輸入端、主干網(wǎng)絡(luò)、特征增強(qiáng)網(wǎng)絡(luò)和檢測頭四部分[13]。

3.5" 實(shí)驗(yàn)結(jié)果與分析

3.5.1" 圖像去噪結(jié)果分析

對灰度化處理后的變壓器套管紅外圖像添加了椒鹽、高斯噪聲，分別利用中值濾波、引導(dǎo)濾波兩種方法進(jìn)行去噪處理，結(jié)果如圖3所示。文獻(xiàn)[14]提到結(jié)合圖像的峰值信噪比（Peak Signal-to-Noise Ratio， PSNR）和結(jié)構(gòu)相似度（Structure Similarity Index Measure， SSIM）指標(biāo)可以更好的判斷圖像的去噪效果。因此，計(jì)算添加噪聲圖像和經(jīng)中值濾波、引導(dǎo)濾波處理后圖像的PSNR分別為20.98、24.18、40.43，SSIM分別為0.404、0.791、0.987，由計(jì)算結(jié)果可得，引導(dǎo)濾波后圖像的PSNR和SSIM最大，結(jié)合圖3可得，引導(dǎo)濾波對該圖像的去噪效果最佳。

3.5.2" 圖像增強(qiáng)結(jié)果分析

直方圖均衡化處理后的結(jié)果如圖4所示，從圖4中可以看出，經(jīng)過直方圖均衡化處理后，圖像對比度和細(xì)節(jié)明顯提升，有助于后續(xù)變壓器套管目標(biāo)的精準(zhǔn)識別。

3.5.3" 變壓器套管紅外圖像發(fā)熱缺陷識別

1）數(shù)據(jù)集構(gòu)建。在收集變壓器套管紅外發(fā)熱缺陷圖像的過程中，獲取足夠多的樣本比較困難，為了擴(kuò)充數(shù)據(jù)集，采用翻轉(zhuǎn)、旋轉(zhuǎn)等方式對圖像進(jìn)行增廣處理。處理結(jié)果如圖5所示。

2）環(huán)境搭建。本實(shí)驗(yàn)中，環(huán)境配置如表1所示。

3）模型訓(xùn)練與測試。設(shè)計(jì)兩種不同方法構(gòu)建數(shù)據(jù)集，并基于YOLOv8算法對構(gòu)建的數(shù)據(jù)集分別進(jìn)行訓(xùn)練。

方法一：對收集的原始圖像直接進(jìn)行增廣處理，然后使用YOLOv8算法對數(shù)據(jù)集進(jìn)行訓(xùn)練。

方法二：對收集的原始圖像進(jìn)行增強(qiáng)+增廣處理，然后使用YOLOv8算法對數(shù)據(jù)集進(jìn)行訓(xùn)練。

最終，均得到一個(gè)包含865張圖像的數(shù)據(jù)集，在構(gòu)建的數(shù)據(jù)集中選取643張，采用LabelImg工具對圖像進(jìn)行標(biāo)注，生成YOLO格式的標(biāo)注文件，做好模型訓(xùn)練的數(shù)據(jù)準(zhǔn)備。選出的643張圖像中，80%作為訓(xùn)練集，20%作為驗(yàn)證集。在訓(xùn)練之前，設(shè)置的批尺寸為8，初始學(xué)習(xí)率為0.01，輪數(shù)為200。本文對實(shí)驗(yàn)效果進(jìn)行評估的指標(biāo)有精確率（Precision）、召回率（Recall）和平均精度均值mAP@0.5（mean Average Precision，IoU閾值為0.5）。

使用YOLOv8算法分別對設(shè)計(jì)的兩種不同方法構(gòu)建的數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練過程精確率P、召回率R、平均精度均值mAP@0.5的變化曲線如圖6所示。由此可以看出，增強(qiáng)+增廣+YOLOv8的精確率P、召回率R、平均精度均值mAP@0.5較增廣+YOLOv8的精確率P、召回率R、平均精度均值mAP@0.5均有所提升。

再將訓(xùn)練后得到的YOLOv8模型在測試集上進(jìn)行對比實(shí)驗(yàn)，經(jīng)過測試后得到結(jié)果如表2、圖7所示。結(jié)果表明，增強(qiáng)+增廣+YOLOv8訓(xùn)練所得模型較增廣+YOLOv8訓(xùn)練所得模型的識別精確率P提高了3%、召回率R提高了2.3%、平均精度均值mAP@0.5提高了0.8%。

識別效果如圖8所示，由圖可得，增強(qiáng)+增廣+YOLOv8算法訓(xùn)練所得模型能夠正確的識別出大多數(shù)目標(biāo)。

4" 結(jié)" 論

本文探究了變壓器套管發(fā)熱缺陷的產(chǎn)生原因，分析了傳統(tǒng)的人工手持紅外熱像儀對變壓器套管發(fā)熱缺陷識別過程中存在的問題，基于此，引入YOLOv8目標(biāo)檢測算法進(jìn)行變壓器套管紅外發(fā)熱缺陷識別。為了提高識別結(jié)果，設(shè)計(jì)了兩種不同方法構(gòu)建數(shù)據(jù)集，基于YOLOv8算法分別進(jìn)行訓(xùn)練，并在測試集上進(jìn)行對比試驗(yàn)。研究結(jié)果表明，增強(qiáng)+增廣+YOLOv8算法訓(xùn)練所得模型對變壓器套管紅外發(fā)熱缺陷可以更好地進(jìn)行識別。今后，可以通過引入更大規(guī)模和多樣化的數(shù)據(jù)集、優(yōu)化模型結(jié)構(gòu)，進(jìn)一步探索模型在實(shí)時(shí)檢測方面的應(yīng)用潛力。

參考文獻(xiàn)：

[1] 劉冬.基于深度學(xué)習(xí)的幾種變壓器缺陷檢測研究 [D].保定：華北電力大學(xué)，2022.

[2] 李雪寒，劉沁怡，楊曉彤，等.基于Mask R-CNN與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)聯(lián)合算法的變壓器套管紅外熱故障診斷 [J].上海電力大學(xué)學(xué)報(bào)，2023，39（6）：591-598.

[3] 樊繁.基于紅外圖像數(shù)據(jù)融合的變壓器故障診斷研究 [D].西安：西安工業(yè)大學(xué)，2021.

[4] 劉云鵬，董王英，許自強(qiáng)，等.基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器套管故障紅外圖像識別方法 [J].高壓電器，2021，57（10）：134-140.

[5] 高維，杜鋼，范偉男，等.變壓器密封用丁腈橡膠濕熱老化特性及機(jī)理 [J].高電壓技術(shù)，2023，49（2）：608-617.

[6] 張潤.變壓器套管紅外圖像目標(biāo)提取與發(fā)熱缺陷識別研究 [D].南昌：南昌大學(xué)，2024.

[7] 董王英.基于多源檢測數(shù)據(jù)的變壓器套管故障診斷及狀態(tài)評估技術(shù) [D].保定：華北電力大學(xué)，2020.

[8] 劉易宸.基于改進(jìn)YOLOv8的輸電線路多目標(biāo)檢測算法研究 [D].阜新：遼寧工程技術(shù)大學(xué)，2023.

[9] 李凱勇.基于數(shù)據(jù)挖掘的圖像特征分割技術(shù) [J].現(xiàn)代電子技術(shù)，2020，43（15）：60-64.

[10] 梁劍，黃志鴻，張可人.基于多尺度引導(dǎo)濾波和決策融合的電力設(shè)備熱故障診斷方法研究 [J].紅外技術(shù)，2022，44（12）：1344-1350.

[11] 陳樂.基于直方圖均衡化的數(shù)字射線圖像增強(qiáng)方法分析 [J].上海化工，2023，48（2）：26-29.

[12] 冷睿軒.基于YOLOv8的輸電線路異物識別算法應(yīng)用 [D].哈爾濱：東北農(nóng)業(yè)大學(xué)，2023.

[13] 魯玲，李明良，熊威，等.基于改進(jìn)的YOLOv8變電設(shè)備紅外圖像檢測[J/OL].紅外技術(shù)，2024：1-7[2024-06-08].http：//kns.cnki.net/kcms/detail/53.1053.TN.20240508.1504.002.html.

[14] 陳耀欣.基于滾動引導(dǎo)濾波的圖像去霧算法研究 [D].天津：天津職業(yè)技術(shù)師范大學(xué)，2024.