基于無人機紅外熱像的電纜隱患點智能檢測①

周詠晨,鄒翔宇,藍 耕,王火根

1(國網上海電纜公司,上海 200072)

2(上海曦途信息科技有限公司,上海 200437)

1 引言

隨著我國經濟的高速發展,城市對電力的需求量與日俱增,保障城市電力供應具有重要的意義,而戶外電纜終端的可靠運行是輸電電纜穩定工作的關鍵因素.在使用過程中,戶外電纜終端常年暴露在復雜多變的自然環境中,性能的穩定極易受到天氣情況的影響.因此,定時定點地對其進行檢測成為電網企業的日常工作之一.由于輸電線路和電纜結合部的戶外電纜終端平臺的高度約為十米,運維人員手持專業設備登塔進行檢查存在較高的安全風險,并且日常運維工作中現場采集的大量可供分析的數據,采用傳統的人工檢查手段難以快速有效地發現隱患點.因此,提出一種代替傳統人工巡檢的方法具有重要的應用價值.

為了提高電網企業的工作效率,本文提出基于無人機紅外熱像智能檢測電纜隱患點的方法.一方面,與傳統人工巡檢相比,無人機巡檢操作簡單,具有高空作業風險低,不受高度限制等特點,可以多維度地獲取戶外終端設備的運行數據.目前,無人機巡檢在電力行業中得到了廣泛運用并取得了一定的進展.寧柏鋒[1]實現無人機巡檢圖像中輸電線路銷釘脫落故障的自動檢測.張國祥[2]將無人機應用到光伏電廠提高巡檢效率,延長光伏發電機組使用壽命.另一方面,紅外檢測技術可以非接觸地對運動目標和微小目標測溫,并直觀地顯示物體表面的溫度場,具有溫度分辨率高,可采用多種顯示方式進行數據存儲和處理的優點.因此,以無人機為基礎作業平臺,探索紅外熱成像技術智能識別和檢測輸電電纜隱患點是一種可行高效的方法,研究學者針對紅外圖像檢測做了許多工作.黃華勇等[3]提出的高頻諧波下電纜頭熱點溫升的紅外測量方法,利用建立了電纜頭的有限元模型,通過電熱耦合分析軟件對電纜頭進行電場和溫度場耦合仿真分析電纜頭溫升的影響.楊政勃等[4]利用輸電線路溫升變化,采用紅外圖像識別輸電線路電纜故障.楊可等[5]通過直方圖分析的背景溫度計算和形態濾波去噪分析,提出一個基于計算機視覺的電纜終端表面溫升分析系統.王海元[6]對采集的電力設備熱紅外圖像等溫線溫度場分割進行處理,確定出熱紅外圖像的缺陷中心位,快速預測出電力設備故障點.盡管以往研究取得一定成果,但是針對電力公司要求的電纜終端的檢測研究還是很少的.本文從實際應用出發,為了提高電纜故障點檢測的效率,避免施工人員的危險作業,提出了替代人工的智能檢測方法.首先,采用無人機對戶外電纜終端進行航拍,得到戶外電纜終端的紅外熱圖;其次,對紅外熱圖采用改進的Bernsen二值化處理;再次,使用投影法從二值化圖像中提取出待檢測的主體電纜,去除背景對隱患點診斷的影響;最后,根據強度色譜確定主體電纜圖像中顏色高亮的異常區域為隱患點,從而實現對電纜隱患點的智能檢測.

2 方法

本方法主要包括目標檢測和目標識別兩個過程,流程如圖1所示.具體來講,在目標檢測中,利用改進的Bernsen 二值化進行圖像處理,然后采用投影法和形態學提取紅外圖像中待檢測的主體電纜;在目標識別中,通過主體電纜圖像中顏色高亮的異常區域確定可疑的隱患點.

圖1 檢測流程

2.1 改進的Bernsen 二值化算法

圖像二值化是數字圖像處理中一個重要的預處理步驟,是將圖像中所有像素的灰度值根據選定的閾值設置為0 (黑色)或者1 (白色),使整幅圖像呈現出只有黑色和白色兩種顏色的效果.經過二值化處理后的圖像可以比較容易地從背景中提取出物體,將前景像素與背景像素分離.常見的二值化方法有灰度平均值法,Otsu 方法[7]以及自適應閾值方法[4].前兩種方法的共同點是基于全局的二值化方法,使用單一閾值對圖像進行處理.最后一種方法認為圖像中每個像素對應的閾值是不相同的,在二值化的時候為每個像素根據其鄰域范圍內像素值選取一個合適的閾值進行處理[8,9].在實際應用中,圖像的灰度變化較大,易受到光照、噪聲等不利因素的影響.因此,本文為了克服光照不均和噪聲影響,提出了一個改進的Bernsen 算法對紅外圖像進行二值化處理.

Bernsen 算法是一種局部閾值算法,適合解決光照不均的問題,其核心思想實在灰度圖像中以像素點(i,j)為中心的(2w+1)×(2w+1)窗口,計算各個像素點的閾值T(i,j):

其中,k,l為窗口位置參數,為了減少光照、噪聲的影響,本文再將圖像f(i,j)逐點先進行高斯濾波:

其中,σ為高斯濾波平滑尺度,然后再對其進行Bersen二值處理得到T′(i,j):

遍歷該圖像每個點,得到改進的Bernsen 二值化圖像:

在本文中,窗口大小采用5×5,式(2)中T和式(3)中T'隨著窗口在圖像的滑動,每個區域會產生不同的值,經式(4)計算,最終實現自適應閾值的二值化圖像.

2.2 投影法

紅外圖像經過二值化處理之后.可以得到主體電纜的大致輪廓.投影法[10–13]是對二值圖像進行前景與背景分割的常用方法.為了提取出圖像中的主體電纜部分,利用投影法得到其上下左右四個邊界的坐標信息,從而進行分割.投影法主要由兩個過程組成:水平投影(行投影),實現步驟為循環各行,統計該行前景像素的個數.經過水平投影之后,可以得到前景的上邊界和下邊界的坐標信息.同理,為了得到前景的左邊界和右邊界的坐標信息,對二值圖像進行垂直投影.

2.3 形態學處理

提取出紅外圖像中的主體電纜之后,需要進一步對其是否存在隱患點進行識別.本文通過比較主體電纜圖像中顏色高亮的異常區域和強度色譜的分布初步確定發熱點.但是得到的高亮區域數量可能過多,存在某些高亮區域面積過小的情況,所以需要對初步確定的異常區域進行合并處理,合并過程通過數學形態學處理方法中的腐蝕,膨脹和開閉運算[14]實現.腐蝕和膨脹操作是數學形態學處理方法的基礎,以集合為操作對象,從數學意義上來說是一種非線性操作.

假設A和B是Z2中的兩個集合,集合B對集合A的腐蝕可以表示為:

根據定義,可以看出B對A的腐蝕是A中包含的一個用z平移的B中的所有的點z的集合.

集合B對集合A的膨脹可以表示為:

根據定義,可以看出B對A的膨脹是所有位移z的集合,這樣,和A中至少有一個重疊元素.

腐蝕操作會縮小圖像中的組成部分,實際應用中可以去除圖像中細微的連接線,點等;膨脹操作則會擴大圖像的組成部分,可以粗化圖像中的物體.

開運算和閉運算是建立在腐蝕和膨脹基礎之上的另外兩種形態學處理方法.集合B對集合A的開運算可以表示為:

集合B對集合A的閉運算可以表示為:

本文在提取電纜主體部分之后采用數學形態學對小區域部分進行融合.開運算先膨脹再腐蝕,而閉運算的實現順序正好與之相反.開運算和閉運算都能夠對物體的輪廓進行平滑,開運算能夠斷開較窄的狹頸并消除細的突出物,閉運算通常會彌合較窄的間斷并消除小的孔洞.因此,通過這些操作可以將電纜主體中距離較近的多個高亮區域合并成一個,同時去除高亮區域的內部孔洞,隱患點識別具體分為以下步驟:

(1)利用強度色譜與主體電纜圖像的整體顏色分布確定高亮閾值,得到主體電纜圖像中所有高亮區域;

(2)選擇合適面積閾值,將面積過小的高亮區域移除;

(3)根據上述4 種形態學處理方法將距離較近的多個高亮區域合并成一個,同時去除高亮區域的內部孔洞;

(4)剩余被保留下來的高亮區域為最終的隱患點,將結果輸出.

通過上述方法,可以實現對電纜隱患點的智能檢測.現將算法流程總結如算法1.

算法1.智能檢測電纜隱患點算法1)用無人機航拍一幅電纜紅外熱像,對其進行改進的Bernsen 二值化處理;2)根據二值化圖像,利用垂直和水平投影法提取出紅外圖像中的主體電纜;3)通過強度色譜,初步確定主體電纜中的顏色高亮區域為異常區域;4)對異常區域進行形態學處理,保留符合條件的異常區域;5)輸出隱患點位置信息.

3 實驗結果

本實驗主要分為兩個部分,分別為主體電纜提取和隱患點識別.

3.1 主體電纜提取

本實驗首先使用無人機航拍得到戶外電纜終端設備的紅外熱像,拍攝到的圖像大小均為640×480.如圖2所示.圖2(a)為戶外電纜終端處理正常狀態的圖像,整體發熱溫度較低且幾乎沒有差異.圖2(b)為處于異常狀態的圖像,存在局部發熱溫度過高的區域且整體溫度偏高,該情況說明此時戶外電纜終端處于非安全的工作狀態.

圖2 戶外電纜終端紅外熱像

戶外電纜終端紅外熱像經過改進的Bernsen 二值化和形態學去除干擾區域處理得到的結果如圖3所示.第一行為三張戶外終端紅外熱像原始圖像,第二、三行分別為使用Bernsen 二值化處理結果和形態學處理后的圖像.二值圖像清楚地顯示出主體電纜的輪廓.本文使用形態學的先膨脹后腐蝕的處理方式,即閉運算,使得主體部分較好的合并為一起,便于后期的前景背景分離.

經上述處理之后,需要對二值圖像進行投影,找出主體電纜的位置.提取圖像中的主體電纜部分是重要的一步.因為隱患點只可能存在于戶外電纜終端上,不可能存在于其他地方,所以去除電纜終端以外的部分有利于提高后續隱患點識別的正確率.投影之后提取出的結果如圖4所示.圖4結果從左至右分別是圖3中的戶外電纜終端紅外熱像所對應的主體電纜部分.

3.2 隱患點識別

提取出主體電纜之后,本文通過強度色譜確定主體電纜中顏色高亮的區域為可疑的發熱區域即隱患點.強度色譜如圖5(a)所示,不同的色譜帶表示不同的溫度范圍.色譜顏色亮度越大,表示的溫度越高;反之,色譜顏色亮度越低,代表的溫度也越低.

圖3 改進Bernsen 二值化和形態學閉運算處理結果

圖4 主體電纜

首先確定每張主體電纜圖像的高亮閾值,得到所有可能的異常區域.通過高亮區域確定可疑發熱區域中部分圖像效果如圖5(b)和圖5(c)所示.其中圖5(b)所確定的發熱區域已經逼近最終發熱區域,但是存在多個面積過小的高亮區域;圖5(c)的高亮區域屬于干擾區域.如果不去除這些干擾或者面積過小的區域,將對結果產生影響.因此需要進一步的檢測來去除這些干擾的區域.本方法通過設定高亮區域面積閾值的方式去除這些干擾區域.只有大于面積閾值的高亮區域才得以保留,而小于面積閾值的則認為不是可疑的發熱區域.因此,經過面積閾值判斷之后,圖5(b)和圖5(c)中紅色圓圈標記處的面積過小的區域將被去除.

圖5 強度色譜和高亮區域示意圖

對保留下來的區域進一步處理.通過形態學處理方法連接較近的區域,并消除區域內部的細小孔洞.經過處理之后得以保留的區域為最終的發熱區域,即隱患點,在主體電纜圖像中標出隱患點位置進行輸出.檢測結果如圖6所示,分別對應圖6中的隱患點位置.檢測結果顯示,本方法可以準確地檢測出電纜中存在的隱患點.圖7為本算法檢測實例平臺展示.

圖6 隱患點檢測結果

為了進一步驗證本文方法的性能,我們使用本方法對8 個不同地區的變電站采集到的共計5800 幅戶外電纜終端的紅外熱像進行檢測.預先經過人工檢測將采集到的圖像進行檢查分為正常和異常兩類,并對存在隱患點的圖像標記處位置便于與使用本文方法檢測的結果進行比較.

高亮區域面積閾值大小對于識別正確率有著一定的影響,它們之間的關系如圖8所示.從圖8中,我們可以看出,識別正確率與面積閾值成負相關,也就是面積閾值設置的值越大,正確率越低,這是因為去除干擾區域的時候,如果面積閾值設置的過大,會將原本存在隱患點的區域一并去除,影響后續的形態學處理效果.因此,本文最終將高亮區域面積閾值設置為100.

圖8 高亮區域面積閾值對識別正確率的影響

為了驗證本文提出的改進的Bernsen 二值化結合形態學提取電纜的效果,本文與傳統的Bernsen 二值化和Otsu 二值化方法的檢測結果進行比較,如表1.由表1可以看出,采用本文的方法檢測結果高于傳統的Bernsen 二值化和Otsu 二值化方法的92.20%和88.66%,達到了98.79%,說明本文提出的方法檢測電纜主體是有效的.

最后,將本文提出的方法用于5800 幅紅外圖像檢測電纜故障點,該圖像經人工測定區分了正常和異常兩種結果,本文方法檢測結果見表2.從表2中我們可以看出,對于正常和異常兩類戶外電纜終端紅外圖像,本文方法都可以準確地判斷出圖像中是否存在隱患點,檢測正確率均在90%以上.

表1 本文方法與傳統二值化方法分割電纜主體比較結果

表2 本文方法檢測電纜故障點統計結果

4 總結與展望

本文從電網中檢測電纜隱患點的實際問題出發,針對傳統人工巡檢困難,難以快速有效地發現缺陷和故障這一現狀,提出了基于無人機紅外熱像智能檢測電纜隱患點的方法.采用改進Bernsen 二值化方法和投影法從紅外圖像中提取主體電纜,基于強度色譜和形態學處理進行識別.實驗結果顯示,本方法檢測隱患點的正確率能夠滿足實際應用要求,是一種代替人工檢測的可行且高效的方法.