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換，自動根據(jù)圖像色調設置閾值，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色彩空間轉換，突出發(fā)熱的故障區(qū)域；5) 自動設置色調閾值，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用來調整ds的權值。

(3) 迭代更新超像素。在種子點的2S×2S范圍內，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，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，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色彩空間轉換后，色調已能將故障區(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(H)的范圍而決定，本文將每個匹配顏色后的超像素色調(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色彩空間轉換，自動設置色調閾值，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)域分割過程和結果

3 結 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、智能管理的轉變，提升智能化程度。