基于混合高斯背景模型的SF6泄漏自動檢測

藺麗華，吳冬梅，李 杰，劉 健，2

(1．西安科技大學 通信與信息工程學院，陜西西安 710054;2．陜西電力科學研究院，陜西西安 710054)

六氟化硫(SF6)氣體是一種無毒、無色、無味，化學性能極穩(wěn)定的物質，具有良好的電氣絕緣性能及優(yōu)異的滅弧性能。采用SF6氣體絕緣的電力設備已大量投入電網(wǎng)運行［1］。SF6充氣設備一旦發(fā)生漏氣，將造成嚴重的不良后果:SF6氣體與水分子在電弧的高溫作用下，會生成大量有毒物質，其形成的氫氟酸會降低設備內部絕緣性能，導致設備故障，影響電網(wǎng)安全運行;毒氣也對維護人員的人身安全造成威脅;另外，SF6屬于《京都議定書》規(guī)定減排的6種溫室氣體之一，其引起的溫室效應是等量二氧化碳(CO2)的23 900倍。從采購運維成本出發(fā)，SF6氣體頻繁泄漏，會給電力系統(tǒng)造成極大經(jīng)濟壓力。因此，尋找高效、快速、安全的SF6的泄漏檢測方法具有非常積極而深遠的意義。

目前已投入使用的SF6檢測儀器在目前業(yè)界可分為主動式SF6檢測儀器、被動式SF6檢測儀器。通過對比SF6檢測的各種方法，紅外輻射成像檢測是目前SF6檢漏的一種較好的技術［2］，具有無需斷電、能在安全距離進行檢漏且結果較為精確等優(yōu)越性。

當前使用紅外成像技術進行SF6檢漏時，主要采用設置觀察點人工完成的方式。由于泄漏存在突發(fā)性和間歇性，在正常情況下一臺設備的檢漏一般需要 1 ～2 h［3］。

本文探討基于紅外視頻圖像的氣體泄漏檢測方法，充分利用氣體泄漏時的動態(tài)特征，采用混合高斯背景模型提取疑似泄漏區(qū)域，并用數(shù)學形態(tài)學方法實現(xiàn)定位，實現(xiàn)了紅外視頻下SF6泄漏的自動檢測，能有效節(jié)約人力，并能解決突發(fā)性泄漏快速報警與定位問題。

1 SF6泄漏在紅外視頻中的特性分析

由于紅外光譜可吸收、檢測并成像出不可見的SF6氣體泄漏，因此，六氟化硫氣體泄漏紅外成像檢測裝置的工作是基于此種原理。SF6具有較強的紅外吸收特性，其吸收光譜集中在10.56μm左右。紅外成像方法就是在光學元件成像和色散的基礎上，將濾波器波段調到SF6氣體吸收的波長(10～11μm)，從而使不可見的SF6氣體與背景區(qū)別開來，在設備上看到SF6氣體［1］。

紅外成像檢測裝置的對背景條件無要求的SF6氣體(有效距離0～40 m)的泄漏情況進行檢測，可準確、有效、方便地檢測出充氣設備的泄漏點并判斷泄漏情況。圖1(1)為紅外成像檢測裝置拍攝到的SF6泄漏原始視頻的示例。

從圖1(1)中可以看出，紅外成像技術能夠將電氣設備泄漏的SF6氣體在檢漏儀顯示屏上以可見的動態(tài)煙云形式顯示出來。通過對大量視頻的觀察，氣體泄漏過程均呈現(xiàn)出煙霧狀漏氣，其動態(tài)特性與普通的煙霧有相似之處。利用智能視頻分析技術，可提取出動態(tài)的煙霧，由此可以自動、快速地發(fā)現(xiàn)氣體泄漏，并準確地定位SF6氣體泄漏點。

2 泄漏區(qū)域檢測

2．1 混合高斯背景建模原理

在一個相對靜止的環(huán)境中長時間觀察沒有運動物體出現(xiàn)，就可以通過高斯分布方法對這個像素進行建模，其視頻序列圖像中同一坐標像素的值一般滿足單高斯分布。但如果所在的環(huán)境中有外界動態(tài)因素(如光照、風力等)的影響，則得到的視頻序列中同一坐標像素的值則滿足多個單高斯分布。這種情況單高斯分布已不能滿足建模要求，針對這種情況，F(xiàn)riedman 等人［6］和 Chris Stauffer等人［7］在1998年提出了基于混合高斯模型的背景建模方法，該方法采用多個高斯分布的加權組合的高斯混合分布，對復雜場景中得到的視頻序列圖像的某一像素值進行建模，并且在不需要緩存視頻幀的情況下對模型的參數(shù)進行自適應的更新，混合高斯模型在運動圖像分析中被越來越多的應用。

2．1．1 模型函數(shù) 在混合高斯模型中，圖像中每個像素點取值用變量Xi，t表示，則其概率密度函數(shù)可用K個高斯函數(shù)描述［6］

式中，下標表示在t時刻的第i個高斯分布。

即可以用K個高斯分布的混合高斯模型來描述圖像中的每個像素值，上式中，K為高斯分布的個數(shù)，K越大，系統(tǒng)越能表征復雜的場景，但計算量也隨之大幅增加，考慮到計算的復雜性，一般取值在3到5之間，其中每個高斯分布稱為一個分支。ωi，t，μi，t和分別是 t時刻的第 i個分布的權值、均值和協(xié)方差矩陣，n為顏色通道數(shù)，p ( Xi，t，μi，t，)為在t時刻的第i個高斯分布。2．1．2 背景與前景的劃分 ωi，t表示第i個高斯分布的權值，其含義是單個像素值在第i個高斯分布產(chǎn)生的概率占整個混合高斯分布產(chǎn)生概率P(Xi，t)的比例，ωi，t越大，說明第 i個高斯分支的近似程度越高，若按權值 ωi，t與標準差 σi，t的比值λi，t(λi，t= ωi，t/σi，t)把每個混合模型中的 K 個高斯分布由高到低進行排列，取前B個高斯分布聯(lián)合生成背景［8］

通常采用權重較小的高斯分布來描述運動目標，選用高斯分布的權重之和剛好大于閾值T的前B個高斯分布作為背景子集，剩下的K－B個高斯分布即為前景運動子集。在視頻幀圖像中閾值T被定義為背景像素的高斯分支數(shù)占總高斯個數(shù)K的最小比例，如T選取較大，背景是由多個高斯分布組成的混合高斯模型，能夠描述復雜的背景。如閾值T選取過小，則背景模型可能會為單個高斯分布。

2．1．3 背景更新 隨著時間的變化，背景圖像會發(fā)生緩慢的變化，這時就需要不斷更新每個像素點。為了降低計算量，假設協(xié)方差=I，I為在t時刻的視頻幀，即紅綠藍顏色通道相互獨立，同時具有相同的方差。如果 |Xi，t－ μi，t| ＜2.5σi，t，那么當前像素值就與第 i個高斯模型匹配，其高斯分布的權重、均值和方差按照下式進行更新［9－10］

其中，Mi，t當模型匹配時取 1，不匹配時取 0。α 為權重的更新速率，ρ為均值和方差的更新速率，α通過式(5)決定ρ的大小，它們決定著背景模型的更新速度，因此對高斯混合模型背景更新的研究，就是在背景變化情況不斷調整更新速率α和ρ的大小。

2．2 混合高斯背景建模實驗

以某型號SF6斷路器泄漏視頻為例，采用混合高斯背景建模方法，通過期望最大值EM(expectation maximization)算法［7］來進行參數(shù)的估計運算，部分參數(shù)的初始取值為K=5，T=0.7，α=0.005，n=3，提取出的泄漏區(qū)域如圖1(2)所示。

3 基于數(shù)學形態(tài)學的泄漏定位

從混合高斯模型下提取的SF6疑似區(qū)域效果來看，除泄漏區(qū)域外，圖中仍存在著毛刺、斑點等噪聲，容易造成誤檢，也無法精確定位泄漏點。需設法去除斑點等噪聲，只保留SF6泄漏區(qū)域。

在圖像處理中，有4種數(shù)學形態(tài)學的基本運算:膨脹、腐蝕、開運算和閉運算。其中，腐蝕和膨脹分別定義為［11］

上式中，X為圖像集合，S為結構元素，x表示集合平移的位移量。小于結構元素的物體(例如毛刺、小凸起等)被腐蝕去除。如果在原始圖像中去掉不同大小的物體，可選取不同大小的結構元素。膨脹可以將圖像變大，可以填補邊緣的小凹陷。但在采用腐蝕運算時，目標區(qū)域也會縮小，必須采用膨脹然后再恢復目標區(qū)域，即開運算，描述為

開運算采用的恢復不是信息無損的，即先對圖像進行腐蝕然后膨脹其結果，它們通常不等于原始圖像X。為了使目標邊界平滑，消除尖峰、凸緣、切斷狹細連接等，我們可以采用開運算刪除圖像中的小分支的方法。

采用將結構元素進行靈活組合分解結合數(shù)學形態(tài)學的基本算法，就可以達到分析圖像的目標。本文利用形態(tài)學運算的良好特性，對混合高斯模型下提取的SF6疑似區(qū)域進行了進一步處理。

從圖1可以看出，圖除泄漏區(qū)域外，其他地方存在斑點等噪聲干擾;采用腐蝕處理后可將斑點完全消除，但泄漏區(qū)域縮小;在進行膨脹圖基本上恢復了泄漏區(qū)域，且無噪聲。說明采用該方法可以準確檢測出SF6，并能定位泄漏點。

4 檢測結果與分析

本文檢測算法是在Visual C++6.0環(huán)境下，結合OpenCV1.0實現(xiàn)的。測試視頻來自FLIR公司GF306型紅外氣體檢漏測溫成像儀拍攝的電氣設備SF6泄漏視頻。

圖1(3)中，泄漏區(qū)域的矩形標記采用的是圖1(2)中前景目標確定的最大矩形框，即通過對角線上的兩個頂點繪制矩形。

為了測試算法的準確率，本文對已獲得的所有SF6泄漏視頻共32組進行實驗測試，包括SF6斷路器、氣體絕緣開關設備GIS，SF6負荷開關等多種設備。32組視頻均是通過手持式紅外檢測設備拍攝。經(jīng)過測試，結果如表1所示。

表1 檢測結果Tab．1 Detection result

圖1 某斷路器SF6泄漏檢測Fig．1 A circuit breaker SF6 leak detection

由表1可知，檢測效果較好的占到了總視頻數(shù)的78.1%，效果一般的占21.9%，總體檢測結果良好。存在的部分誤檢主要由視頻抖動干擾造成，手持式拍攝時，不可避免的會存在人為抖動，使整個背景晃動，從而使得該視頻高斯背景建模受到影響，將部分背景當作運動前景提取，形成對SF6氣體煙霧的干擾，進而影響了檢測的正確性。因此，只要在拍攝時采用固定檢測設備的方法，如使用三腳架或其他固定基座，就可以獲得很好的靜態(tài)背景，從而極大地提高檢測的準確率。

5 結語

本文提出了基于混合高斯建模的電氣設備中SF6泄漏檢測算法，通過混合高斯背景建模，對SF6氣體視頻進行了前景和背景提取，并采用形態(tài)學運算對干擾和噪聲進行了處理，最后對SF6氣體出現(xiàn)的區(qū)域進行了標記。實驗結果表明，達到了較好的檢測效果。本文方法可實現(xiàn)紅外視頻下SF6泄漏的自動檢測，可節(jié)約人力，并能解決突發(fā)性泄漏問題。為后期開展紅外視頻條件下的實時、主動、遠程檢測SF6泄漏提供了基礎。

由于本文針對手持式紅外檢測設備拍攝的泄漏視頻進行的檢測實驗分析，由于拍攝晃動等因素，造成一定誤差，如若采用固定攝像將取得更好的檢測效果。本文的方法也適用于其他有煙霧擴散特性的氣體泄漏檢測。

［1］ 王駿．SF6氣體絕緣設備紅外檢漏技術的應用［EB/OL］．［2011-10-12］．http:∥www．doc88．com/p-5718899005779．html．

［2］ 袁仕奇，代洲，陳芳．高壓電氣設備 SF6氣體泄漏檢測方法比較［J］．南方電網(wǎng)技術，2013，7(2):54-58．

［3］ 劉衛(wèi)東，李哲文，趙棟，等．紅外成像技術在SF6氣體檢漏中的應用［C］∥2010年全國輸變電設備狀態(tài)檢修技術交流研討會論文集，夏門:中國電力企業(yè)聯(lián)合會，2010:813-815．

［4］ 吳愛國，杜春燕，李明．基于混合高斯模型與小波變換的火災煙霧探測［J］．儀器儀表學報，2008，29(8):1622-1626．

［5］ 王娜娜．基于視頻的火災煙霧檢測算法研究［D］．西安科技大學，2012．

［6］ FRIEDMAN N，RUSSELL S．Image segmentation in video sequences:A probabilistic approach［C］//Proceedings of the 13th Annual Conference on Uncertainty in Artificial Intelligence，San Francisco:Morgan Kaufmann Publishers，1997:175-181．

［7］ STAUFFER C，GRIMSON W E L．Adaptive background mixture models for real-time tracking［C］//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，Washington:IEEE Computer Society，1999:246-252．

［8］ 李明之，馬志強，單勇，等．復雜條件下高斯混合模型的自適應背景更新［J］．計算機應用，2011，31(7):1831-1834．

［9］ LIU Gang，YOU Yu-gan，ZHENG Si-guo，et al．Moving Target Detection Based on Improved Mixture Gauss Model［C］//CMSP 2012，［S．I．］:CCIS，2012:261-266．

［10］金廣智，石林鎖，白向峰，等．基于混合高斯模型的新型目標檢測系統(tǒng)［J］．計算機應用，2011，31(12):3360-3365．

［11］王慧鋒，戰(zhàn)桂禮，羅曉明．基于數(shù)學形態(tài)學的邊緣檢測算法研究及應用［J］．計算機工程與應用，2009，45(9):223-226