基于改進機器視覺算法的電力設備紅外檢測

郭志剛，朱林林，吳俊敏，陽薇

（國網黑龍江省電力有限公司檢修公司，黑龍江哈爾濱 150036）

電力設備是電力系統的基礎，利用紅外探測技術對電網進行高頻率的巡視和實時監控能夠為電網的預防性維修和提高電網運行的穩定可靠運行提供依據。但是，目前的紅外探測裝置在特定的探測環境中，其成像質量較低；而人為設置的溫度閾值、人眼觀察、圖像處理等智能判定方法也不夠智能化，難以適應未來智能監測系統對紅外數據的需求。針對目前電力設備紅外檢測存在的問題，文獻[1]提出了基于深度卷積神經網絡檢測方法，為了解決電力設備在紅外檢測過程中可能會碰到的各種復雜情況，設置了多種復雜檢測環境。在電力設備的運行狀態異常檢測等方面，采用深度學習的方法對電網設備異常區域進行訓練。然而，該方法雖然具有較高的準確率，但是檢測速度較慢，不能實現實時檢測；文獻[2]采用反射鏡法進行紅外檢測，紅外光的反射擴寬了紅外線的探測范圍，探測距離也得到了極大提高。與此同時，使用了一種新的電力設備紅外探測輔助系統來提高檢測效率。但是背景的復雜性使得檢測精度不高。

為解決上述傳統方法存在的應用問題，提出了基于改進機器視覺算法的電力設備紅外檢測方法。

1 電力設備的紅外檢測

1.1 基于改進機器視覺法的紅外檢測框架設計

使用改進機器視覺法構建電力設備紅外檢測框架，其結構如圖1 所示。

圖1 改進機器視覺法的檢測框架

由圖1 可知，依據該框架可確定檢測目標，通過正向和反向傳播進行端對端訓練，獲取最終檢測結果。

1.2 卷積處理

卷積操作是一種稀疏、參數共享、等變操作，在卷積操作中，使用濾波器對二維圖像進行整體掃描（過濾）[3]。圖2 中顯示了輸入（4×4）、（3×3）濾波、順序操作和卷積運算的示意圖。

圖2 卷積計算示意圖

由圖2 可知，向量圖中的每一像素都會在相同的卷積核上進行掃描，所以它的卷積核就是權重[4-5]。權值分配使深度卷積網絡僅需對某一組參數進行學習，從而大大減少了參數的數量。

1.3 紅外圖像分割

從區域的一致性和相似度角度出發，可以有效地防止由于圖像的灰度改變而影響區域抽取的完整性；其次，從閾值分割的角度可以縮短該方法所需的時間[6]。使用Mean shift 聚類算法能夠將樣本點收斂到概率密度最大值的位置，由此獲取灰度相似的區域[7-9]。相似區域的概率密度值計算公式為：

式中，x表示采樣點；sL表示固定帶寬為L的區域；h(·)表示對稱核函數；n表示計算次數[10]。在確定初始點后，使用Mean shift 聚類算法根據如下步驟進行迭代處理：

步驟1：更新當前中心位置，公式為：

式中，γL(x)表示均值漂移向量[11-12]。

步驟2：窗口平移，重新計算概率密度。

步驟3：不斷進行迭代處理，設置收斂閾值μ。收斂值的約束條件可表示為：

當滿足式（3）的計算結果時，說明收斂密度達到最大值。通過這種聚類處理方式能夠避免區域分割錯誤問題的出現[13]。

根據紅外圖像分割結果，確定最佳圖像尺寸進行檢測結果分析[14]。在確定第n次中心位置后，使用濾波器估計圖像尺寸大小，確定尺度數量參數k，由此得到的最佳目標尺度為：

式中，x×y表示圖像f(x,y)的紅外目標；τk表示尺度因子。由此分析檢測結果如下：

1）電阻損耗增大

電氣設備導線的接合部之間接合不佳，會增大電氣設備的電阻；由于斷股、松股、導體氧化等因素，使得導體自身的電阻增大；隨著局部電阻和電阻損失的增加，由式（5）表示的加熱功率將導致局部溫度上升，并產生不正常的熱量[15]。

式中，λ表示電阻損耗功率；I表示電流；R表示電阻。

在現場，線路設計不合理、機械疲勞、溫差變化等原因會造成接頭松動、接頭氧化，導致焊接接頭失效。

2）介質損耗增大

設備的導線或設備內的絕緣材料，由于交流轉換電壓造成的介質損失增加而產生熱量[16]。在設備固體、液體絕緣性能下降的情況下，其介質損失系數增加，導致介質損失功率增加，進而導致局部溫度上升，其基本原理如下：

式中，U表示介質施加電壓；C表示等效電容；tanα表示介質損耗因數。

由于介電損失的增加與電壓熱異常相關，因此也被稱作電壓影響的熱異常。在實際應用中，這種情況主要是絕緣介質老化、材質不良、絕緣介質受潮、氧化、熱變化等。

2 基于小波變換的紅外圖像增強

輸變電裝置的紅外線資料收集困難，需要相關技術人員的幫助，以確保資料的品質。因此，要對高品質的數據進行擴充是非常困難的。為了擴充訓練資料集和避免網絡的過度擬合，需要增強紅外圖像。

2.1 多尺度快速小波變換

多尺度快速小波變換濾波處理過程如下所示：

步驟1：對原始圖像進行初始化處理，采用二進制方法分解采樣圖像，獲取近似值；

步驟2：通過二次插值和濾波可以獲得與輸入圖像相同的預測結果；

步驟3：當輸入圖像和預測圖像之間存在差異時，生成了一種預測殘差金字塔；

步驟4：根據二維小波將圖像分解成4 張1/4 大小的圖像，對該圖像進行濾波處理，設小波變換系數為ε0，第一次迭代輸入值為ε0(j+1)，在后續小波變換處理過程中，使用一種包括時域反轉尺度和小波矢量的迭代方法；

步驟5：分別使用低通濾波器和高通濾波器，能夠獲取兩個分量，即低高頻分量。將這些分量代入步驟4 中，經過濾波處理后，輸出值即為濾波處理后的結果。

2.2 變換后去噪處理

采用置零的方法，利用橫縱梯度的倒數加權濾波方法對4 張1/4 大小的圖像進行濾波處理，由此能夠獲取清晰圖像邊緣的細節信息。

使用梯度倒數加權方法構建權重矩陣E，該矩陣是一種3×3 窗口組成模式，公式為：

式中，ω(h,g) 表示圖像像素灰度的權重值，經過變換后進行去噪處理能夠保留圖像大部分邊緣信息。

3 實驗

按照熱輻射的理論，任何超過絕對零點的物體，都會散發出熱量，把它自己所產生的內部能量轉換成輻射能量，然后發射出紅外線或者可見光。紅外熱像儀中的紅外線檢測器將所發射的紅外線反射至紅外熱像機的感光元件及影像感應器，產生一種熱象，該熱象用于反映受檢者的特定溫度，由此可判定受檢者是否有不正常的發熱。

對電源裝置進行實驗時，若無缺陷，則熱量將在裝置的表面均勻地散布；當儀器內部或外部接插件發生故障、熱量不均勻或不正常的溫度、局部溫度異常、溫度過高等現象都會在紅外成像設備上得到反映，紅外成像設備可以根據實際情況自動調節成像像素。

實驗選取了包含避雷器和絕緣子的電力設備紅外數據集，其紅外圖像如圖3 所示。

圖3 避雷器和絕緣子紅外圖像

該實驗數據集來自某電網公司在其管轄范圍內設備的帶電檢測結果。數據集的訓練是通過DarkNet框架實現的，單張圖像檢測是通過可視化工具庫實現的。

為了驗證基于改進機器視覺算法的電力設備紅外檢測方法有效可行，分別使用文獻[1]提出的深度卷積網絡法、文獻[2]提出的反射鏡像法、改進機器視覺算法，對比分析紅外圖像檢測的完整度，結果如圖4 所示。

圖4 三種方法紅外圖像完整度對比分析

由圖4 可知，使用深度卷積網絡法和反射鏡像法紅外圖像檢測結果不完整，而使用改進機器視覺算法紅外圖像檢測結果完整。

為了進一步驗證方法研究的有效性，再次對比分析三種方法的收斂性，以三種方法訓練開始后損失值的變化情況為指標，對比結果如表1 所示。

表1 三種方法訓練損失值對比分析

由表1 可知，三種方法的訓練損失值都隨著訓練次數的增加而逐漸減小，說明收斂速度快，但是只有改進機器視覺算法的損失值降到最低，且具有穩定性，說明使用該算法具有良好收斂效果。

4 結束語

該文提出了一種基于改進機器視覺算法的電力設備紅外檢測方法，該方法采用自適應收斂方式，對具有相似灰度的像素點進行快速聚類，并對其進行分析。使用小波變換方法增強紅外圖像，同時經過梯度倒數進行加權去噪處理，獲取的圖像邊緣性更強。通過實驗驗證了該方法研究的可行性，也證實了其具有良好的收斂效果。在未來的研究工作中，它可以成為一個關鍵的環節。為電力設備在線檢測、分析與數據監測等方面提供技術支持，也為以后電力設備故障位置的精準定位奠定堅實基礎。