基于改進SSD的變壓器套管紅外圖像油位智能識別方法

別一凡，李波，江軍，張潮海

(江蘇省新能源發(fā)電與變換重點實驗室(南京航空航天大學)，江蘇 南京 211106)

0 引言

電力變壓器作為電力系統(tǒng)中重要組成，擔負著功率傳輸和電能等級變換的樞紐作用[1—2]。其中電力變壓器套管作為連接電力變壓器和電力系統(tǒng)的關(guān)鍵組件，保證其擁有良好的機械結(jié)構(gòu)及絕緣性能對于電力系統(tǒng)的安全運行具有重要意義[3—5]。由于高壓套管漏油故障是嚴重影響電力系統(tǒng)穩(wěn)定性的一類故障，因此套管中油位的狀態(tài)信息對于套管運行狀態(tài)的診斷是一個重要的評價參量[6—9]。

近年來由于紅外檢測技術(shù)的飛快發(fā)展，基于溫度識別的紅外圖像檢測逐漸成為電氣設(shè)備故障檢測的主流檢測方式[10—12]。由于套管中油與空氣分界面上下層介質(zhì)的導(dǎo)熱系數(shù)不同，在紅外圖像上分界面會出現(xiàn)明顯的顏色區(qū)分，因此可以采用紅外圖像處理技術(shù)對套管油位進行識別[13—16]。現(xiàn)有的基于紅外圖像對套管油位識別的方法，主要基于人工利用紅外圖像儀軟件，依次對紅外圖像中的套管部分進行框選，并結(jié)合專家經(jīng)驗進行診斷。該檢測方案具有精度高的特點，但受限于紅外圖像處理軟件與各品牌設(shè)備兼容性差的現(xiàn)狀，該方案實用性較低。除此之外，該檢測方案嚴重依賴人工框選套管區(qū)域，故而導(dǎo)致效率低下，智能化程度較低。因此，想要改善基于套管紅外圖像進行智能的油位識別，面臨如下難題：紅外圖像中背景噪聲復(fù)雜，套管區(qū)域難以直接獲取；現(xiàn)有軟件兼容性差，診斷所需參量不便提取；診斷方式過于依賴人工，效率低下。

傳統(tǒng)算法無法有效提取復(fù)雜背景中檢測目標的問題逐漸被解決[17—18]。近年來隨著深度學習的飛速發(fā)展，在目標檢測算法的基礎(chǔ)上，相關(guān)圖形處理算法也因其不依靠溫度數(shù)據(jù)的故障檢測特點為基于紅外圖像的電力設(shè)備智能診斷提供了新的思路[19—20]。

鑒于此，文中提出了基于紅外圖像的套管油位智能識別算法。首先，采用目標檢測技術(shù)中的單次檢測器(single shot detection，SSD)算法進行目標提取；其次，通過改進模型中的損失函數(shù)提高套管在紅外圖像中的識別準確率；最后，利用圖像處理技術(shù)提取套管中油和空氣的分界面區(qū)域作為診斷的套管油位信息，實現(xiàn)不依靠溫度信息直接通過圖像進行油位診斷的功能。

1 基于SSD的套管紅外圖像目標檢測架構(gòu)

套管紅外圖像的背景通常是復(fù)雜多變的。在不同的角度和距離下，圖像中套管的形態(tài)差異巨大，因此需要選取一種對紅外圖像敏感的目標檢測方法，從而實現(xiàn)對紅外圖像中套管目標的提取。

目前主流的目標檢測算法有：進階基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(faster region-based convolutional neural netwoks,Faster R-CNN)，SSD以及YOLO-v3，這3種算法在COCO數(shù)據(jù)集上訓練擁有相近的準確率，但SSD以及YOLO-v3有更快的速度[21]。為了更好地從背景中識別出套管區(qū)域，需要設(shè)置較高的交并比(intersection over union，IoU)閾值，而在設(shè)定IoU閾值更大時YOLO-v3的準確率降低，因此宜選用SSD作為套管目標檢測的算法。

在套管目標檢測階段，主要分為紅外圖像中的套管特征提取模塊和多尺度特征映射預(yù)測模塊，如圖1所示。在套管特征提取模塊當中，輸入的套管紅外圖像首先從640×480像素被調(diào)整為300×300像素以便統(tǒng)一尺寸，進一步輸入到以VGG16[21]為基礎(chǔ)進行改進的卷積神經(jīng)網(wǎng)絡(luò)當中，并進行逐層特征的篩選。該改進的卷積神經(jīng)網(wǎng)絡(luò)由多個尺度不同的卷積層構(gòu)成，每一個卷積層都將生成多個大小相同的小特征圖，其中不同的小特征映圖包含的特征均不相同，并進一步合成一張?zhí)卣鲌D作為檢測分類器的依據(jù)。例如第一個特征圖規(guī)模為38×38×512，其中38×38為小特征圖規(guī)模，512為該層特征圖的數(shù)量。

圖1 基于SSD的套管目標檢測方案Fig 1 Object detection strategy of bushings based on SSD

在多尺度特征映射預(yù)測模塊當中，有6個檢測分類器分別接收卷積模塊生成的6個特征映射圖，在不同尺度特征映射圖上分別進行卷積計算對套管區(qū)域進行預(yù)測，旨在提高目標檢測對紅外圖像中各個尺寸套管的檢測準確率。文中以SSD為主體，對套管紅外圖像進行基于SSD的套管目標識別及提取來識別油位。

2 基于改進SSD的套管油位識別方法

文中首先通過SSD目標檢測技術(shù)解決套管紅外圖像背景復(fù)雜的問題，進一步通過損失函數(shù)的修改以提高套管紅外圖像在目標檢測模型上的識別準確率，然后通過目標檢測提取出來的套管圖像設(shè)計油位識別算法。

2.1 損失函數(shù)的修改

SSD的損失函數(shù)定義如式(1)所示，主要由兩部分構(gòu)成，分別是Lconf類別置信度損失和Lloc位置損失，其中Lconf代表目標預(yù)測框中預(yù)測的物體類別與實際類別的差距，Lloc則表示目標預(yù)測框位置與目標標記位置的差距。

(1)

式中：x為預(yù)測目標類別；c為置信度；l為預(yù)測框的相應(yīng)參數(shù)；g為標記框的相應(yīng)參數(shù)；a為權(quán)重；N為匹配到的矩形框數(shù)量。

在實際采集的套管數(shù)據(jù)集中，存在多圖像相似的現(xiàn)象，有過擬合風險，因此在損失函數(shù)中加入center loss函數(shù)作為約束類內(nèi)緊湊的條件，減少過擬合可能性，其定義如式(2)所示。

(2)

式中：xi為第i組數(shù)據(jù)在特征提取模塊提取的特征；p為數(shù)據(jù)組數(shù)；cyi為第yi個類別的特征中心。此函數(shù)的作用在于約束每個樣本的特征與特征中心距離的類內(nèi)距離。通過減少每類特征到中心特征的距離解決過擬合問題，提高套管目標檢測的準確度。經(jīng)過改進的損失函數(shù)如式(3)所示。

(3)

式中：α，β為權(quán)重。

2.2 油位識別算法的實現(xiàn)

套管的紅外圖像如圖2(a)所示，套管的結(jié)構(gòu)如圖2(b)所示。由于油與空氣分界面上下介質(zhì)的導(dǎo)熱系數(shù)不同，易出現(xiàn)分界面上下溫度突變，故可借紅外圖像對其中的突變區(qū)域進行油位識別。

圖2 套管紅外圖像與結(jié)構(gòu)示意Fig 2 Schematic diagram of the bushing and its infrared detection image

在進行紅外圖像處理過程中，仍需解決：

(1)套管表面不平整。由于套管結(jié)構(gòu)呈傘裙狀，因此在紅外圖像中每個傘裙之間的空隙呈現(xiàn)的溫度都會有一定程度的突變，如圖2(a)所示。因此通過橫向卷積層對圖像進行橫線提取進而獲取油位的方式不適合套管紅外圖像。

(2)數(shù)據(jù)質(zhì)量參差不齊，最高點的溫度不能完全代表油位所在處。由于拍攝當中可能存在的選取角度誤差和選取溫度范圍誤差，套管的溫度最高區(qū)域可能不在油位分界面處，因此單純提取套管區(qū)域中最高溫度所在點無法進行油位的準確檢測。

文中首先采用簡單線性迭代聚類(simple linear iterative clustering，SLIC)算法對圖像進行預(yù)處理，解決套管不平整帶來的問題。SLIC算法的主要思想是將圖像從紅綠藍(red green blue，RGB)顏色空間轉(zhuǎn)換為國際照明委員會的標準命名顏色空間，以幫助圖像中異常區(qū)域的分割。在該算法中，根據(jù)圖像中的區(qū)域鄰近度和顏色相似度，將圖像聚類為不同的網(wǎng)格區(qū)域，每個區(qū)域的顏色統(tǒng)一且由區(qū)域內(nèi)顏色的平均值表示，以減少套管表面不平整帶來的油位識別難度。區(qū)域鄰近度可以由式(4)—式(7)表示。

(4)

式中：S為不同聚類中心之間的距離；NT為圖像的像素數(shù)量；K為期望將圖像分割的超像素個數(shù)。

(5)

式中：D(i，k)為像素點i與第k個聚類中心之間的相似度；m用來權(quán)衡顏色相似度和空間臨近性的影響。m越大，空間影響越大超像素更緊湊；m越小顏色影響越大，超像素更貼合圖像邊緣。

(6)

式中：dlab為CIE-lab空間內(nèi)兩點間的距離；l，a，b值分別為空間中的三維坐標。

(7)

式中：dxy為第i個點對于第k個聚類中心的歐氏距離；x，y分別為二維坐標系中的橫、縱坐標。

油位識別算法如圖3所示，以目標檢測模型輸出的套管圖像作為輸入，分析SLIC算法預(yù)處理減小傘裙狀結(jié)構(gòu)對油位識別帶來的影響。進一步將SLIC預(yù)處理后溫度最高的區(qū)域作為故障區(qū)域，然后以故障區(qū)域平均橫坐標作一條縱軸，讀取縱軸的灰度曲線并以此為依據(jù)判斷故障區(qū)域中心坐標在曲線上是否為極值點。若條件滿足則將該區(qū)域視為油位所在處，若條件不滿足則舍棄該故障區(qū)域，獲取溫度次高區(qū)域循環(huán)進行檢測直至條件滿足。

圖3 油位識別算法流程Fig 3 The flow chart of oil level identification algorithm

3 算例仿真及結(jié)果分析

3.1 實驗條件

用于目標檢測的原始數(shù)據(jù)集由600張在變電站中通過紅外熱成像儀實地采集的110～500 kV油紙絕緣套管圖組成，每張原始圖像的分辨率為640×480。經(jīng)過數(shù)據(jù)清洗，篩選出200張合適的圖像，為解決過擬合問題，通過角度旋轉(zhuǎn)、隨機縮放等形態(tài)學操作對篩選的200張樣本進行數(shù)據(jù)增強，增強后樣本數(shù)量達1 000張，選用20%的數(shù)據(jù)(200張)作為驗證集，其余80%的數(shù)據(jù)(800張)作為訓練集。除此之外，考慮到數(shù)據(jù)集中拍攝同一根套管的重復(fù)性，從600張原始數(shù)據(jù)集中篩選100張作為油位識別的對比數(shù)據(jù)集。實驗評估指標包括目標檢測模型評價參數(shù)平均精度(average precision，AP)和兩種油位識別方式的相對誤差。

文中實驗均在配備英特爾至強銀牌4114處理器、NVDIA 2080Ti顯卡、128 G 內(nèi)存的計算機上進行。在Python3.7環(huán)境下用Tensorflow、Keras框架實現(xiàn)整個算法，表1為部分實驗參數(shù)設(shè)置。

表1 實驗參數(shù)設(shè)置Table 1 Setting parameters of the experiment

3.2 目標檢測結(jié)果

通過對所構(gòu)建的數(shù)據(jù)集分別在YOLO-v3、SSD、改進SSD上進行訓練以及在驗證集上的驗證，得到的平均精度PA值如表2所示，其中PA的定義如式(8)所示。

表2 不同算法的參數(shù)平均精度Table 2 The average precision of different algorithms

(8)

式中：M為測試集中預(yù)測框的總數(shù)量；ci為第i個預(yù)測框中的置信度。

由表2可知，改進SSD算法準確率比YOLO-v3高13%，且相較于改進前的SSD算法準確率提升了9.5%。

3.3 油位識別算法結(jié)果

由于基于人工提取的方法具有高精度特點，因此將文中油位識別算法計算出的油位相對高度數(shù)據(jù)與基于人工提取識別計算出的相對縱坐標值結(jié)果進行對比并計算誤差。

基于人工提取的油位溫度分析方法主要是利用廠家提供的紅外圖像處理軟件提取套管中的線溫度，如圖4(a)所示，并將坐標與溫度變化信息繪制為如圖4(b)所示的折線，然后將折線對應(yīng)的溫度信息進行采集，提取折線中的最大值區(qū)域作為油位。通過讀取坐標與溫度的數(shù)據(jù)，提取最高溫附近的坐標點并取平均值作為油位，采用相對位置作為指標進行記錄，相對位置的定義如式(9)所示。

圖4 基于人工油位檢測的套管目標檢測結(jié)果Fig.4 The result of bushing object detection based on manual oil level detection method

LM=(ymax-yoil)/ymax×100%

(9)

式中：LM為相對坐標；ymax為橫坐標最大值，表征套管長度；yoil為最高溫對應(yīng)的橫坐標值，表征油位距離套管頂部的長度。

文中提出的油位檢測算法處理過程如圖5所示，輸入的套管目標圖像通過SLIC計算得到相似的分塊區(qū)域，然后將每個區(qū)域的色彩特征統(tǒng)一為該區(qū)域色彩的平均值，然后將其在轉(zhuǎn)化為灰度圖并提取灰度最高區(qū)域，并將提取的區(qū)域作為最終的油位信息，且以相對位置進行表征。

圖5 基于改進SSD的套管目標檢測過程Fig.5 The process of bushing object detection based on impoved SSD method

最終從初始的600張紅外數(shù)據(jù)集中抽取100張圖像作為油位識別算法檢驗的數(shù)據(jù)集，并依次將100張圖的溫度信息導(dǎo)出以計算油位信息。同時將基于圖像算法計算的油位與基于人工提取的油位信息結(jié)果進行對比。其中文中提出的方法計算速度為0.5 s/張，基于人工提取的速度為2 min/張，最終檢測結(jié)果為所提基于紅外圖像的油位識別算法計算的相對誤差為0.08%。

4 結(jié)論

基于套管紅外圖像的智能油位識別所面臨的問題，文中以現(xiàn)場獲取的110～500 kV套管數(shù)據(jù)集為檢測對象，提出了不依賴溫度信息且基于SSD目標檢測算法的套管油位識別算法，在與常用的基于人工的油位識別算法的診斷結(jié)果進行對比后得到如下結(jié)論：

(1)SSD目標檢測技術(shù)可通過紅外圖像有效檢測套管目標，并通過對損失函數(shù)增加center loss來提高SSD在套管數(shù)據(jù)集上的表現(xiàn)效果，將PA有效提升9.5%。

(2)油位識別算法中SLIC預(yù)處理和極大值點驗證可分別減少由傘裙狀結(jié)構(gòu)和人工圖像采集帶來的影響。

(3)基于紅外圖像的套管油位識別算法可以實現(xiàn)油位精確識別，其與基于溫度的油位識別算法之間的誤差為0.08%。

本文得到國網(wǎng)江蘇省電力有限公司科技項目(J2019008)資助，謹此致謝！