基于超像素圖像分割的變電設(shè)備故障診斷研究

孫啟悅，王 龍

（國網(wǎng)浙江省電力公司湖州供電公司，浙江 湖州 313000）

0 引言

紅外成像是以設(shè)備的熱狀態(tài)分布為依據(jù)，對(duì)設(shè)備運(yùn)行狀態(tài)良好與否進(jìn)行診斷，它具有不停運(yùn)、不接觸、遠(yuǎn)距離、快速直觀地對(duì)設(shè)備的熱狀態(tài)進(jìn)行成像的優(yōu)點(diǎn)。設(shè)備的熱像圖是其運(yùn)行狀態(tài)下熱狀態(tài)及其溫度分布的真實(shí)描寫，而電力設(shè)備在運(yùn)行狀態(tài)下的熱分布正常與否是判斷設(shè)備狀態(tài)良好與否的一個(gè)重要特征[1-2]。紅外圖像作為電力大數(shù)據(jù)中一種典型的非結(jié)構(gòu)化數(shù)據(jù)，對(duì)電氣設(shè)備的故障診斷有著至關(guān)重要的作用。

過去，電力設(shè)備的紅外測(cè)溫主要由運(yùn)維人員結(jié)合班組巡視等日常工作使用紅外測(cè)溫儀定期開展[3-6]，雖然測(cè)溫效果較好，但是后期圖片分析效率低下，對(duì)測(cè)溫人員的技術(shù)水平和經(jīng)驗(yàn)要求較高，工作量大、周期長。近年來，隨著變電站巡檢機(jī)器人的投入使用，海量紅外圖片涌入等待分析[7]，此時(shí)僅依靠人工分析顯然已經(jīng)不能滿足需求。而利用計(jì)算機(jī)的輔助分析手段對(duì)采集到的紅外圖像進(jìn)行自動(dòng)提取、識(shí)別、分析，可以減輕勞動(dòng)強(qiáng)度，減少對(duì)技術(shù)人員的依賴，更有利于實(shí)現(xiàn)圖像的數(shù)據(jù)化，便于進(jìn)行橫向和縱向的統(tǒng)計(jì)分析。

圖像分割作為計(jì)算機(jī)視覺領(lǐng)域的基本問題，是圖像理解的重要組成部分。超像素圖像分割是指針對(duì)具有相同紋理、顏色、亮度等特征的相鄰像素構(gòu)成的圖像塊，利用像素之間特征的相似程度將像素分組，可以獲取圖像的冗余信息，在很大程上降低了后續(xù)圖像處理任務(wù)的復(fù)雜程度[8-9]。基于這個(gè)思想，紅外圖像可以被視為由不同溫度塊構(gòu)成的像素區(qū)域，溫度相近的像素點(diǎn)可以組成一個(gè)像素組。

超像素算法大致上可以分為基于圖論的超像素分割算法和基于梯度上升超像素圖像分割算法。基于圖論的超像素分割算法主要有：NC，SL，GCa，GCb及ERS等。基于梯度上升的超像素分割算法主要有：Watershed，Mean Shift，Turbopixel，SLIC等。評(píng)價(jià)這些超像素算法的可控性指標(biāo)主要有超像素?cái)?shù)量可控性和進(jìn)度可控性[10]。文獻(xiàn)[11]給出了NC，SL，GCa，GCb等14種超像素分割算法的可控性結(jié)論，詳見表1。從表1可以看出，SLIC超像素分割算法具有具有較好的可控性，因此以下將選用SLIC超像素分割算法對(duì)紅外圖像進(jìn)行超像素分割。

表1 14種超像素分割算法的可控性結(jié)論

通過對(duì)變電設(shè)備紅外圖像的成像特性分析，在Python 3.5.2環(huán)境下利用SLIC超像素分割技術(shù)對(duì)紅外圖像進(jìn)行分割、HSV顏色空間轉(zhuǎn)換、動(dòng)態(tài)設(shè)置色調(diào)（H）閾值，對(duì)故障區(qū)域進(jìn)行提取和標(biāo)注，并對(duì)不同設(shè)備類型和噪聲水平的變電設(shè)備紅外圖像進(jìn)行分析比較。

1 紅外圖像的特征及SLIC超像素分割

為了獲得較為準(zhǔn)確的紅外測(cè)溫結(jié)果，變電設(shè)備紅外圖像的獲取通常在夜間進(jìn)行，因此，整個(gè)圖像范圍內(nèi)噪聲較大。成像主體為故障設(shè)備，紅外圖像具有以下特點(diǎn)：故障區(qū)域與背景區(qū)域的特征具有較大的差異性，區(qū)域內(nèi)部性狀相近；故障區(qū)域溫度較高，呈現(xiàn)黃色或接近白色，以故障點(diǎn)為中心溫度逐步發(fā)散，區(qū)域內(nèi)平均亮度較高、輪廓平滑、位置接近圖像中心。

因此在對(duì)該圖像處理前，需要對(duì)圖像進(jìn)行平滑處理以減小噪聲，然后利用超像素分割方法合并性質(zhì)相同的像素點(diǎn)，便于更好地統(tǒng)計(jì)分析區(qū)域特性。選擇經(jīng)典的SLIC超像素分割方法，這是一種思想簡單、實(shí)現(xiàn)方便的算法，將彩色圖像轉(zhuǎn)換為CIELAB顏色空間和XY坐標(biāo)下的5維特征向量，然后對(duì)5維特征構(gòu)造度量標(biāo)準(zhǔn)，對(duì)圖像進(jìn)行局部的聚類過程。該算法速度較快，能生成緊湊、近似均勻的超像素。分割后的區(qū)域記為Ri，i=1，2，3，… n，n為分割個(gè)數(shù)。

在Python環(huán)境下采用scikit-image包中的SLIC算法對(duì)紅外圖像進(jìn)行分割，scikit-image中SLIC超像素分割算法自帶高斯降噪處理，因此無需另外進(jìn)行降噪處理。

2 HSV顏色空間故障區(qū)域提取

2.1 HSV顏色空間

HSV顏色空間由色調(diào)（H）、飽和度（S）、亮度（V）3個(gè)分量構(gòu)成[12]，相比RGB或其他顏色空間，HSV更接近于人眼的主觀感受[13-16]。HSV顏色分布如圖1所示。HSV顏色空間模型色調(diào)（H）用角度度量，取值范圍0°～360°，從紅色按逆時(shí)針方向計(jì)算，紅色為0°，綠色為120°，藍(lán)色為240°；它們的補(bǔ)色是：黃色60°，青色180°，品紅300°。飽和度（S）取值范圍為0-1。亮度（V）取值范圍為0（黑色）， -1（白色）。

圖1 HSV顏色分布

2.2 顏色空間轉(zhuǎn)換

對(duì)于故障區(qū)域，黃色或接近白色的區(qū)域是需要關(guān)注的，在RGB顏色空間中黃色分量的色彩特點(diǎn)為R≈G?B，而白色分量R≈G≈B≈255。由此，將分割后的每個(gè)區(qū)域Ri內(nèi)的顏色分量以其區(qū)域內(nèi)的均值[]替代， 使用如下 H，S，V的轉(zhuǎn)換公式進(jìn)行轉(zhuǎn)換：

式中：R，G，B分別為紅色、綠色、藍(lán)色顏色分量。

圖2 不同設(shè)備故障區(qū)域提取計(jì)算結(jié)果

2.3 故障區(qū)域的提取

顏色空間經(jīng)過轉(zhuǎn)換后，色調(diào)（H）已能將發(fā)熱物體和背景顯著區(qū)分開來，每個(gè)區(qū)域Ri內(nèi)的色調(diào)（H）值為 Hi，i=1，2，3， …，n，n為分割個(gè)數(shù)。但受到環(huán)境因素（如被攝物體后方的樓房等）的影響，需要設(shè)置合適閾值將故障區(qū)域單獨(dú)提取出來。對(duì)于不同噪聲程度或不同明暗程度的紅外圖像，設(shè)置單一固定的閾值效果不佳。對(duì)于每一張紅外圖像，閾值應(yīng)隨其色調(diào)（H）的范圍而決定，經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，將色調(diào)（H）的值從小到大進(jìn)行排序，選擇第三大的色調(diào)（H）值作為閾值能夠很好地將故障區(qū)域提取出來。故障區(qū)域提取后，利用Python的圖像處理庫將故障區(qū)域在原始圖像上標(biāo)注出來。

3 實(shí)驗(yàn)分析

選取了電纜、瓷瓶、電容器接頭、電流互感器接頭、閘刀引線接頭、電容器鋁牌6種不同設(shè)備類型、不同背景噪聲程度的變電設(shè)備紅外圖像進(jìn)行計(jì)算，得到結(jié)果如圖2。分析圖2可知，所采用的方法能對(duì)不同設(shè)備類型、不同噪聲程度的紅外圖片利用SLIC超像素分割算法進(jìn)行圖像分割，分割數(shù)量與分割緊密度均非常合適，分割后發(fā)熱物體與環(huán)境背景能被準(zhǔn)確地區(qū)分出來；通過HSV顏色空間轉(zhuǎn)換并進(jìn)行故障區(qū)域提取后，故障區(qū)域被準(zhǔn)確地提取出來，利用Python的圖像處理庫準(zhǔn)確地將發(fā)熱故障區(qū)域標(biāo)注出來。

4 結(jié)語

利用SLIC超像素圖像分割對(duì)變電設(shè)備的紅外圖像進(jìn)行超像素分割，通過HSV顏色空間的轉(zhuǎn)換，提取出發(fā)熱故障區(qū)域。實(shí)驗(yàn)分析表明，所采用方法可準(zhǔn)確快速地提取電力設(shè)備發(fā)熱故障區(qū)域，大大降低了故障診斷對(duì)人員紅外測(cè)溫技術(shù)水平的依賴，提高了紅外圖片的分析效率。