基于改進SLIC算法的電力設備故障區(qū)域分割方法

王季崢 尹麗菊 咸日常 潘金鳳 陳 堯 于 毅

(山東理工大學電氣與電子工程學院 山東 淄博 255049)

0 引 言

電力數(shù)據(jù)來源各異，包括不同類型的計量和監(jiān)測，實現(xiàn)海量數(shù)據(jù)的系統(tǒng)分析，進一步深入挖掘，是泛在電力物聯(lián)網(wǎng)的首要建設目標[1]。隨著電網(wǎng)規(guī)模的不斷擴大，電力設備數(shù)量迅速增多，設備的巡檢工作也越來越困難。隨著智能化和檢測技術的發(fā)展，面對龐大的巡檢任務，遠程圖像監(jiān)控系統(tǒng)和自動化巡檢機器人，已經(jīng)能將拍攝到的紅外測溫圖像無線傳輸?shù)奖O(jiān)控室，進行人工綜合分析診斷[2-4]。泛在電力物聯(lián)網(wǎng)是以數(shù)據(jù)為中心的網(wǎng)絡，收集到的監(jiān)測數(shù)據(jù)必須轉(zhuǎn)化為可操作的信息，才能從中獲取價值。而上述方法都需要技術人員進行人工分析，未涉及到對紅外測溫圖像自動化的處理，診斷的準確度也難以保證。因此為了進一步診斷設備故障的種類和程度，實現(xiàn)紅外測溫圖像的數(shù)據(jù)化處理和應用，需要采用有效的圖像分割算法對紅外測溫圖像進行分割，智能地檢測出可能存在的熱狀態(tài)異常或潛在的故障區(qū)域。

目前，超像素分割是一種較流行的圖像分割技術，具有較好的分割邊界、高效的處理速度等優(yōu)勢[5]。文獻[6-7]對目前已有的生成超像素的方法NC、SL、GCa、PBa、Watersheds、Mean Shift、SLIC等進行了分析和比較，其中SLIC是一種高效的具有數(shù)控可控性和緊密度可控性的超像素分割算法，是目前最優(yōu)的方法之一[6]。它利用不同像素之間的紋理、顏色、亮度等特征，根據(jù)其相似程度將像素分組構成超像素，進而從中提取圖像特征，在很大程度上降低了后續(xù)圖像處理任務的復雜度[8]。基于這個思想，紅外測溫圖像可以被視為由不同溫度構成的像素區(qū)域，溫度相近的像素點可以組成一個超像素，而電力設備故障區(qū)域在紅外測溫圖像中表現(xiàn)為高亮度，因此可以將超像素分割算法應用到故障區(qū)域分割處理過程中。

由于原始SLIC算法是從光學圖像里提出來的，不能很好地解決實際工程問題，尤其在分割電力設備紅外測溫圖像時，產(chǎn)生的超像素間會形成許多零碎的超像素，不能很好地貼合區(qū)域邊緣。因此本文提出一種改進SLIC的超像素分割算法用于故障區(qū)域的分割。利用導向濾波器對圖像進行預處理，濾除細節(jié)和邊緣噪聲；在迭代過程中，改進距離計算公式并對超像素匹配顏色；增加亮度相似性作為附加限制條件，對零碎超像素進行合并；最后通過色彩空間轉(zhuǎn)換，自動根據(jù)圖像色調(diào)設置閾值，提取和標記出發(fā)熱的故障區(qū)域。

1 方法設計

1.1 方法流程

基于改進SLIC算法的電力設備故障區(qū)域分割方法流程如圖1所示。

圖1 本文方法流程圖

1) 輸入電力設備原始紅外測溫圖像；2) 使用導向濾波器對圖像預處理，消除細節(jié)噪聲增強區(qū)域邊緣；3) 通過改進SLIC算法，對紅外測溫圖像進行超像素分割；4) HSV色彩空間轉(zhuǎn)換，突出發(fā)熱的故障區(qū)域；5) 自動設置色調(diào)閾值，分割提取出故障區(qū)域；6) 輸出標記故障區(qū)域的紅外測溫圖像。

1.2 導向濾波

在電力設備紅外測溫圖像中，圖像范圍內(nèi)噪聲較大，尤其是細小的邊緣噪聲會在梯度圖中造成許多虛假的局部最小值。因此在對圖像進行分割前，有必要先對圖像進行濾波去噪，并在平滑圖像、抑制噪聲的同時有效保留圖像邊界。導向濾波器在區(qū)域邊緣附近有很好的處理效果，是目前最快的保邊濾波器之一[9]。本文選擇采用導向濾波器對電力設備紅外測溫圖像進行預處理。

首先引入一個局部線性模型，該模型包括一個導向函數(shù)圖像I，一個輸入圖像p，以及一個輸出圖像q[10]。導向濾波器的線性模型如下：

qi=akIi+bk?i∈Wk

(1)

式中：系數(shù)ak和bk在窗口函數(shù)Wk中保持不變。對式(1)兩邊同時取導，得到▽q=a▽I，能夠保證圖像q與圖像I的邊緣相似。q和I可以是完全相同的圖像，也可以是不同的圖像。為確定ak和bk，輸出應滿足：

qi=pi-ni

(2)

式中：ni表示噪聲。為了將q與p之間的差異最小化，引入以下代價函數(shù)：

(3)

式中：ε為正則化參數(shù)。通過線性變換可得ak和bk：

(4)

(5)

由于每一個像素點i用不同的Wk計算出來的qi不同，所以將其取均值來代替，由于窗口的對稱性，將式(1)改寫為：

(6)

1.3 改進的SLIC故障區(qū)域分割算法

SLIC超像素分割算法基于K-means思想，利用Lab顏色空間對像素進行聚類，能夠控制超像素個數(shù)，運行速度快[11]。但是該方法由于聚類條件有限，超像素間的連通性較差，會形成許多小的、零碎的超像素。為了提高對故障區(qū)域的分割精度，本文在采用導向濾波器對紅外測溫圖像進行預處理后，使用改進的SLIC算法對故障區(qū)域進行超像素分割。

原始SLIC分割算法根據(jù)顏色和距離兩種特征對圖像中的像素進行聚類，將RGB彩色圖像轉(zhuǎn)化為Lab色彩空間的色彩值(L,a,b)與空間位置(x,y)相組合形成5維特征向量V[L,a,b,x,y]。在此基礎上，本文對SLIC超像素分割算法進行了改進，算法過程如下：

(2) 距離度量。計算每個種子點和搜索到的像素點的歐氏距離：

(7)

(8)

(9)

最終用于故障區(qū)域提取的距離計算公式為：

(10)

式中：m用來調(diào)整ds的權值。

(3) 迭代更新超像素。在種子點的2S×2S范圍內(nèi)，對歸屬于同一個超像素的像素點的5維向量求平均值，更新種子點并確定每一個像素點的歸屬。為了方便后續(xù)的分割提取，將每塊超像素內(nèi)的顏色以其種子點的色彩值[Li,ai,bi]替代，將整個超像素重新匹配顏色。不斷重復以上步驟進行更新迭代，直到每個超像素不再發(fā)生變化為止。

(4) 合并超像素。在更新迭代過程中，生成的超像素可能會出現(xiàn)尺寸過小，產(chǎn)生零碎超像素的問題。原始SLIC算法沒有將超像素間的相似程度考慮在內(nèi)，僅通過增強連通性來解決。本文根據(jù)紅外測溫圖像的特點增加限制條件，利用超像素間亮度值的相似性合并零碎超像素，條件如下：

Dn=e-|μ-μn|

(11)

式中：μ和μn分別表示零碎超像素G的平均亮度值和它鄰近的第n個超像素Gn的平均亮度值；Dn表示零碎超像素和它鄰近超像素間的相似程度，n=1,2,…,N；Dn值越大，表示相似性越大，設Dn的最大值為Dm。為了判斷零碎超像素是否合并到鄰近超像素中，需設置一個合適的閾值T，當Dm>T時，零碎超像素G合并到它的鄰近超像素Gm內(nèi)，完成零碎超像素的合并；否則，這個零碎超像素將不再合并。

1.4 紅外測溫圖像故障區(qū)域分割

電力設備因接觸不良、老化等原因，故障區(qū)域會呈現(xiàn)出高溫、高熱特性，在紅外測溫圖像中體現(xiàn)為高亮度[12-13]。HSV色彩空間與RGB色彩空間相比，可以更精確地區(qū)分出黃色或接近白色的故障區(qū)域，同時HSV色彩空間轉(zhuǎn)換是非線性變換，具有簡單且快速的特點。因此，本文采用HSV色彩空間對電力設備發(fā)生故障的區(qū)域進行提取。

HSV色彩空間是個六棱錐模型，六邊形邊界表示色彩，水平軸表示純度，明度沿垂直軸測量[14-15]。HSV色彩空間模型如圖2所示。

圖2 HSV色彩空間

在電力設備紅外測溫圖像中，黃色或接近白色的區(qū)域是發(fā)熱的故障區(qū)域，HSV色彩空間轉(zhuǎn)換公式為：

(12)

(13)

(14)

(15)

V=Lmax

(16)

式中：R、G、B分別為紅色、綠色、藍色顏色分量。

經(jīng)過HSV色彩空間轉(zhuǎn)換后，色調(diào)已能將故障區(qū)域與背景顯著區(qū)分開來。由于受周圍環(huán)境因素的影響，對于不同場景或不同明暗程度的紅外測溫圖像，設置固定的閾值效果不佳，因此需要自動設置色調(diào)閾值，將故障區(qū)域單獨提取出來。對于不同的紅外測溫圖像，閾值應由其色調(diào)(H)的范圍而決定，本文將每個匹配顏色后的超像素色調(diào)(H)值從大到小進行排序，設為Hi,i=1,2,…,K，其中K為超像素個數(shù)。經(jīng)實驗發(fā)現(xiàn)，選擇H3作為閾值可以達到較好的效果，因此本文選取色調(diào)閾值為H3。將發(fā)熱的故障區(qū)域提取后，最后利用Python圖像處理庫，將發(fā)熱的故障區(qū)域在原始圖像上標記出來，完成對故障區(qū)域的提取和標記。

2 實 驗

本文實驗選取了主變高壓側(cè)套管和斷路器進線接頭的紅外測溫圖像，圖像像素大小為420×420，實驗過程在主頻為3.60 GHz，內(nèi)存為8 GB的PC機上進行，使用Python軟件開發(fā)環(huán)境和OpenCV開發(fā)工具。本文從濾波效果、邊緣召回率、故障區(qū)域的分割和標記效果三方面來驗證本文算法的有效性。

圖3為導向濾波和雙邊濾波的濾波效果對比，(a)為主變高壓側(cè)套管紅外測溫原始圖像，對(a)在細節(jié)處和邊緣處局部放大，(b)為細節(jié)處導向濾波效果與雙邊濾波效果對比，(c)為邊緣處導向濾波效果與雙邊濾波效果對比。可以看出，導向濾波在實現(xiàn)雙邊濾波平滑的同時，細節(jié)處的噪聲處理得更好，且對區(qū)域邊緣具有增強的效果，減少了在邊緣處偽影現(xiàn)象的產(chǎn)生，其效果優(yōu)于雙邊濾波。

圖3 導向濾波效果與雙邊濾波效果的對比

圖4為對電力設備紅外測溫圖像以不同超像素個數(shù)進行分割實驗。利用原始SLIC算法、濾波后原始算法，及濾波后本文算法的分割結(jié)果分別與手動分割的圖像進行邊界召回率比較。超像素邊緣召回率是指目標區(qū)域超像素邊緣像素點數(shù)目與真實分割邊緣像素點數(shù)目的比值，比值越大，邊緣召回率越高，超像素對目標區(qū)域分割的效果越好，是超像素評價體系中的重要指標。

圖4 邊界召回率對比

可以看出，利用導向濾波器平滑圖像減少了邊緣細節(jié)的噪聲，因此邊界召回率比原方法更高。隨著超像素個數(shù)的增加，濾波后本文算法邊界召回率更高，斜率更大；當超像素數(shù)量接近1 000時，濾波后本文算法邊界召回率最先趨于平穩(wěn)，達到了93.12%。由于超像素個數(shù)過多會消耗更多時間，而迭代次數(shù)過小聚類效果不理想，因此，本文選取超像素個數(shù)K=1 000，m=40；實驗控制最大迭代次數(shù)為10次，T=0.52；導向濾波預處理過程中窗口半徑設置為5，ε=0.01。

圖5為斷路器進線接頭紅外測溫圖像故障區(qū)域分割過程和結(jié)果：(a)為斷路器進線接頭紅外測溫原始圖像；(b)為原始圖像經(jīng)過導向濾波預處理后的圖像，可以看出經(jīng)過預處理后消除了細小的噪聲，強化了區(qū)域邊緣；(c)為SLIC超像素分割后的圖像，通過改進SLIC算法的超像素分割，生成的超像素變得更加規(guī)整，很好地趨于區(qū)域邊緣；(d)為對超像素匹配顏色后的圖像，可以看出對提取的超像素匹配顏色，使故障區(qū)域與背景之間的相似度減弱，特征差距增大；(e)為分割出故障區(qū)域的圖像，經(jīng)過HSV色彩空間轉(zhuǎn)換，自動設置色調(diào)閾值，準確將黃色或接近白色的故障區(qū)域分割提取了出來；(f)為標記故障區(qū)域的圖像，利用Python的圖像處理庫將故障區(qū)域在原始圖像上標記了出來。

圖5 故障區(qū)域分割過程和結(jié)果

3 結(jié) 語

本文針對傳統(tǒng)電力設備狀態(tài)檢測中出現(xiàn)故障的區(qū)域需要人工進行標記和處理，結(jié)合電氣設備紅外測溫圖像的特點，提出一種改進SLIC的分割方法，用于故障區(qū)域的自動分割和標記。該方法使用導向濾波器預處理圖像，減少邊緣噪聲對超像素分割的影響，以超像素顏色匹配和增加亮度相似性作為附加的限定條件，解決生成的零碎超像素造成分割精度不高的問題。實驗結(jié)果表明，本文方法對紅外測溫圖像故障區(qū)域的分割具有高準確性，同時改進的SLIC超像素分割算法提高了邊界召回率，并有效改善了生成超像素形狀大小的可視效果。本文方法有利于促進智能電網(wǎng)主動應對故障、智能管理的轉(zhuǎn)變，提升智能化程度。