基于图像分析的电力设备故障检测技术研究

冯俊

（国网重庆市电力公司 长寿供电分公司，重庆 401220）

基于图像分析的电力设备故障检测技术研究

冯俊

（国网重庆市电力公司 长寿供电分公司，重庆 401220）

电力设备过热故障可以通过采集的红外图像进行识别。因此，提出基于红外热图像分析的电力设备热故障检测技术，该技术下的电力设备热故障检测系统由图像采集模块和红外图像检测模块构成。通过红外图像配准方法，确保电力设备红外图像的采集位置同原始位置一致，提高总体热故障检测的精度。依照数据库中已经完成设置的电力设备图像特征点位置，采集完成红外图像配准区域的温度信息。凭借温度信息相互对比获取的结果，实现电力设备热故障检测，并且发出警报。给出了拉普拉斯锐化算法的关键代码，以实现对电力设备红外图像的锐化处理，提高图像清晰度。实验结果说明，所提出的技术在检测电力设备热故障过程中，具有较高的检测精度和鲁棒性。

红外图像；电力设备；热故障；拉普拉斯锐化算法

0 引言

随着经济的快速发展，电力系统规模不断扩大，人们对电力系统的依赖性和安全性要求逐渐增强。热故障检测是避免高压电力设备绝缘材料过热老化以及持续电流过负荷，而产生事故的关键方法。因此，对电力设备热故障进行实时检测，对确保电力设备的安全运行具有重要意义[1⁃3]。红外热成像方法是将物体的热辐射扫描成像的一种非接触检测技术。基于红外图像分析的电力设备热故障检测具有操作安全和检测效率高的优势[4⁃6]。

当前存在较多电力设备故障检测方法，但都存在相关的问题。文献[7]中塑造电力设备在不同温度情况下，不同部件的热像灰度直方图特征库，明确不同检测点在不同温度情况下的发热等级，完成热故障的有效检测，但是该种方法存在检测效率低和误差高的弊端。文献[8]提出采用红外热像测温方法检测电力设备热故障，该方法采集检测点辐射出的远红外波，分析远红外波长获取检测点的温度，实现热故障检测，但是其只能检测处于传感器直视区域中的检测点温度，具有较高的局限性。文献[9]中通过分析电力设备检测点的相对温差同其接触电阻的相对偏差关系，检测电力设备中的热

故障，该方法存在较高的偏差。文献[10]基于绝缘子在电阻劣化情况下的发热规律和运行条件下的热像特征，检测电力设备的热故障，该方法需要消耗较高的能量，成本较高。

为了有效处理上述方法存在的弊端，本文提出了基于红外图像分析的电力设备热故障检测技术。该技术下的电力设备热故障检测系统由图像采集模块和图像检测模块构成。通过红外图像配准方法，提高总体热关注检测的精度。在分析电力设备红外热图像及电力设备热故障特点的基础上，通过图像处理和模式识别理论对电力设备红外热图像的目标进行识，实现电力设备热故障的实时和准确检测。实验结果说明，所提技术在检测电力设备热故障过程中，具有较高的检测精度和鲁棒性。

1 基于红外图像分析的电力设备热故障检测技术

1.1 系统总体结构

本文设计的基于红外图像分析的电力设备热故障检测系统，包括图像采集模块以及图像检测模块构成。图像采集模块包括图像采集设备定位模块和红外图像采集模块。图像检测模块包括电力设备现场检测模块、数据库管理模块和红外自动检测模块。图像检测模块对总体检测系统的工作进行调控，并在获取图像采集模块的电力设备红外图像后，对图像进行配准分析，收集图像特征点的温度，判断温度是否高于设定阈值，对热故障进行报警。系统总体结构如图1所示。

图1 系统总体结构

1.2 基于红外图像配准算法的电力设备检测技术

本文检测系统中的图像检测模块，采用红外图像分析技术，实现电力设备热故障的有效检测。通过红外热成像技术采集到的图像可有效描述电力设备区域各点的温度情况，为电力设备热故障检测提供了可靠的分析依据。但是因为本文系统中的图像采集模块采用摄像机采集电力设备图像，摄像头在不同条件下，获取的电力设备图像存在一定的差异，应对红外图像进行配准处理，保证检查区域无偏差，提高了设备热故障检测精度。

1.2.1 电力设备检测过程

基于红外图像分析的电力设备热故障检测过程如图2所示。

图2 基于红外图像分析的电力设备热故障检测过程

（1）红外线图像的收集工作，通常使用可取得图像采集设备来完成。该采集设备可被操纵在特殊规定的范围内，并依照电力设备热故障的类别和数量上的迥异，采集设备会留在各个地方进行红外图像的收集。在各种各样的电力设备内存在着许许多多可以检测的特征点，因此当采集设备工作时，需要从各个收集位置中获取红外图像，来逐个查看各检测点的温度情况。收集图像的采集设备可以在规定的路径上从头走到尾。一个一个逐步从电力设备的特征点上实行红外图像采集。图像收集时前后过程衔接，使得整个电力设备热故障检测在不间断运行。

（2）检测过程中应用的采集设备毕竟为硬件设施，误差的出现自然不可避免。这些微小的差别必定使红外图像的采集位置有所区别，不可能与原始位置完全相同。若不对刚刚收集的红外图像进行配准，则会影响接下来的操作计算，导致特征点的温度准确率大幅下降。综上所述，在电力设备热故障检测过程中的关键步骤就是红外图像配准技术，掌握此项技能可以保障整个电力设备热故障检测技术的准确性。

（3）依照数据库中已经完成设置的特征点位置，采集完成红外图像配准区域的温度信息。不仅对采集的

温度信息与其他特征点的温度信息相互对比，也要将采集的温度信息与数据库中原始存留的温度信息进行对比分析。

（4）凭借温度信息相互比较后得到的结果，实现电力设备热故障检测，并且发出警报。

1.2.2 图像配准算法流程

本文采用依据模板匹配方法对采集的电力设备红外图像进行配准。该方法将参照图像中的关键区域制作成模板，在新获取电力设备红外图像中搜索同模板匹配的区域，再基于两区域在新图像和参照图像中的位置，调整图像坐标，塑造参照图像同新红外图像特征点间的对应关系。具体的配准过程是：先采用基于阈值的图像分割方法实现电力设备红外图像的分割，通过外围链码的角点检测方法，收集红外图像特征点，使用基于距离约束点特征匹配方法，完成红外图像的特征匹配分析，再将当前获取的图像同参考图像进行配准，获取坐标对应关系。总体流程图如图3所示。

图3 基于模板匹配的算法流程图

（1）图像分割算法

图像配准算法首先利用图像分割算法，分割出电力设备红外图像中的特征区域。特征区域有独特的形态和属性，其实特征区域就是系统检测电力设备中一些部件的范围。然后通过下一个算法对特征区域来分析、采集，并完成配准。本文采用基于阈值的图像分割算法，实现电力设备红外图像的有效分割，进而快速压缩电力设备红外图像数据与存储量，缩短后续的电力设备红外图像分析与处理流程。

（2）特征点采集算法

特征点是在图像配准时，可以代替外围曲线属性的相关点，并且能充分体现曲线中的信息，进而反应电力设备红外图像的外围属性。本文基于角点实现电力设备红外图像配准，通过外围链码的角点检测方法，采集电力设备红外图像特征点。该方法的实现过程为：第一步对电力设备红外图像进行预分割；第二步实现分割后获取的电力设备红外图像外围点的顺序编码，取得外围链码；第三步通过外围码反映和采集电力设备红外图像中的角点。根据不同限度滤波的角点检测方式，基于不同形状的高斯窗完成电力设备红外图像外围的卷积计算，再运算不同外围点曲率值，对极值点进行检索，来定位电力设备红外图像的角点，从而限制角点检测时噪声因素的不利干扰。

（3）特征点匹配

本文采用基于距约束点特征匹配方法，完成电力设备红外图像的特征匹配分析。该方法假设从参考红外图像中采集到n个特征点vi(x,y)(0≤i≤n)，在待配准红外图像中各特点获取m个候选特征点ui(x,y)(0≤i≤m)，并且最优候选点为uo(x,y)。基于距约束点特征匹配方法的具体过程为：

①运算参考电力设备红外图像中n个特征点vi(x,y)两两间的距离；

②运算待配准电力设备红外图像中m个最优候选点ui(x,y)两两间的距离；

③对各点ui(x,y)到其他点uj(x,y)的距离以及参考电力设备红外图像中vi(x,y)到其他特征点vj(x,y)具有同等距离的点的数量N，如果N≥(2/3) n，则说明ui(x,y)为vi(x,y)的正确匹配点。

④如果ui(x,y)是特征点vi(x,y)的错误特征点，则通过过程（2）和过程（3）分析vi(x,y)的其他候选点ui(x,y)是否为正确的匹配点。如果都不是，则说明该点不存在正确的匹配点。

（4）采用对应参数

完成电气红外图像特征点匹配后，系统可获取一组电力设备红外图像的一组特征点对，分析全部特征点对偏移量的均值，进而获取参考电力设备红外图像同待配准图像坐标间的映射关系，完成电力设备发热图像配准，实现电力设备热故障的准确检测。

2 代码设计

本文方法在采集和传递电力设备红外图像时，受到噪声的干扰，将导致图像出现模糊现象。为了提高图像的清晰度，本文采用拉普拉斯锐化算法，对电力设备图像进行锐化处理，消除图像模糊，其实现关键代码为：

for（i=iInterimNX；i

{

for（j=iInterimNY；j

{

UmEin=（signless cAar*）lpNeDBIDBits+

lRowBytes*（lAltdtude⁃1⁃i）+j；

kOutcome=0；min=（*UmEin）；max=（*UmEin）；

for（k=0；k

{

for（l=0；l

{

UmGke=（signless cAar*）lpDIBBits+lRowBytes*（lAltdtude⁃1⁃i+iInterimNX⁃k）

+j⁃iInterimNY+l；

if（min>（*UmGke））min=（*UmGke）；

if（max<（*UmGke））max=（*UmGke）；

kOutcome+=（*UmGke）*fpBlock[k*iInterimB+l]； //存储象素值

}

}

if（（min+max）!=0）nada=（（drift）（max⁃min））/（（drift）（max+min））；

extranada=0.0； //运算对比度

if（（nada>=0.2）||（nada<=0.9））

{

kOutcome=（drift）fabs（kOutcome）； //取绝对值

i（fkOutcome>322）*UmEin=322；

else*UmEin=（signless cAar）（kOutcome+0.7）；

}

}

}

3 实验分析

为了验证本文方法的有效性，需要进行相关的实验分析。实验采用的对比方法为主动式传感器的电力设备热故障检测方法。实验分析对象为某地区的电力设备热故障检测。实验分别采用两种方法对实验电力设备过热区域的故障进行检测，获取的电力设备过热区域标记结果如图4所示。

分析图4可以看出，本文方法标注的电力设备过热区域同实际结果基本一致，而主动式传感器方法标注的过热区域明显大于实际的过热区域，具有较高的偏差。因此，可以看出采用本文提出的红外图像分析方法，可对电力设备热故障区域进行准确标准，进而实现有效检测，本文方法是有效的。

实验以正常、低温过热、中温过热、高温过热以及局部放电5种电力设备热故障为分析对象。分别采用本文方法和主动式传感器检测方法检测实验电力设备的热故障，结果如表1所示。分析表1可知，在10个检测点中，采用本文方法检测的错误个数是2个，而采用主动式传感器检测方法检测的错误个数是7个，说明本文方法对电力设备热故障进行检测具有较高的检测准确度。

图4 不同方法标注的电力设备过热区域

表1 电力设备热故障检测结果

为了进一步验证本文方法的有效性，分别采用本文方法和主动式传感器检测方法，对100组实验电力设备热故障样本进行挖掘，结果如图5所示。分析图5可得，采用本文方法检测准确率始终高于主动式传感器检测方法，并且变化幅度较小，说明本文方法具有较高的检测精度和鲁棒性。

4 结语

本文提出基于红外热图像分析的电力设备热故障检测技术，该技术下的电力设备热故障检测系统，由图像采集模块以及图像检测模块构成。通过红外图像配准方法，确保电力设备红外图像的采集位置同原始位置

一致，提高总体热关注检测的精度。依照数据库中已经完成设置的特征点位置，采集完成红外图像配准区域的温度信息。凭借温度信息相互对比获取的结果，实现电力设备热故障检测，并且发出警报。给出了拉普拉斯锐化算法的关键代码，以实现对电力设备图像的锐化处理，提高图像清晰度。实验结果说明，所提技术在检测电力设备热故障过程中，具有较高的检测精度和鲁棒性。

图5 本文方法和主动式传感器检测方法准确率比较

[1]危正东.试论红外检测技术在电力设备故障诊断中的应用[J].中国电子商务，2013（20）：220⁃221.

[2]戴文远.基于红外热图像的故障诊断方法综述[J].红外，2013， 34（2）：16⁃21.

[3]闫光辉，杨立，范春利，等.基于红外测温的电气控制柜内部元件热缺陷温度与方位的三维反问题识别[J].红外与激光工程，2013，41（11）：2909⁃2915.

[4]宋一杰，赵晴，杨凯文，等.基于QI标准的无线充电传感器网络节点设计[J].电子设计工程，2014（21）：121⁃123.

[5]赵轩.电力设备状态检修故障诊断中红外技术的应用[J].科技创新与应用，2013（33）：9⁃10.

[6]ATHANASOPOULOS N G，BOTSARIS P N.A comparative analysis of detecting bearing fault，using infrared thermogra⁃phy，vibration analysis and air⁃borne sound[M]//Anon.Ad⁃vances in Condition Monitoring of Machinery in Non⁃stationary Operations.Heidelberg，Berlin：Springer，2014：171⁃181.

[7]夏清，胡振琪.一种新的红外热像仪图像边缘检测方法[J].红外与激光工程，2014，43（1）：318⁃322.

[8]张国灿，苏东青，叶玉云，等.红外成像技术在电力设备状态检测中的应用[J].电工技术，2012（12）：48⁃49.

[9]罗云林，章翔.基于红外热成像与集成SVM的航空器电子板卡故障检测[J].测控技术，2012，31（12）：41⁃44.

[10]陈健，陈媛媛.电力设备红外在线监测与诊断管理研究[J].安徽电气工程职业技术学院学报，2013（1）：13⁃17.

[11]刘强，周建平，杨泽刚.图形化外场通用故障诊断模型开发平台设计与实现[J].现代电子技术，2015，38（7）：12⁃15.作者简介：冯俊（1972—），男，重庆长寿人，高级工程师。研究方向为电力系统可靠性及故障诊断。

Research on power equipment fault detection technology based on image analysis

FENG Jun
（Changshou Power Supply Company of Chongqing Electric Power Corporation，State Grid Corporation of China，Chongqing 401220，China）

The overheat fault of power equipments can be recognized by the acquired infrared image.Therefore，the over⁃heat fault detection technology based on the infrared thermal image analysis is proposed for the power equipments，by which the heat fault detection system of the power equipments is constituted of image acquisition module and infrared image detection module. The infrared image registration method can ensure the acquisition position of power equipment infrared image in accordance with original position，and improve the accuracy of the overall heat fault detection.According to the location of image feature points of the power equipment set in database，the temperature information in the infrared image registration area is collected.In combi⁃nation with the results coming from the comparison among temperature information，the overheat fault detection of power equip⁃ments is achieved，and the alarm is raised.The key code of Laplace sharpening algorithm is provided to realize the sharpening processing of power equipment infrared image，and improve the image resolution.The experimental results indicate that the pro⁃posed technology has high detection accuracy and robustness in the process of detecting the overheat fault of power equipments.

infrared image；power equipment；heat fault；detection；Laplace sharpening algorithm

TN911.73⁃34；TP301

A

1004⁃373X（2015）24⁃0007⁃05

10.16652/j.issn.1004⁃373x.2015.24.003

2015⁃08⁃17

2014年国家自然科学基金（面上项目）（61472268）