基于红外图像识别的输电线路故障诊断方法

王 淼，杜 伟，孙鸿博，张 静

基于红外图像识别的输电线路故障诊断方法

王 淼1，杜 伟1，孙鸿博1，张 静2

（1. 国网通用航空有限公司，北京 100005； 2. 天津航天中为数据系统科技有限公司，天津市智能遥感信息处理技术企业重点实验室，天津 300301）

基于红外图像研究了输电线路的故障诊断方法，首先采用LSD线段检测法提取红外图像中的导线，采用深度卷积神经网络提取红外图像中绝缘子，从而得到线路元件区域。在线路元件区域内进行温度和灰度分析提取发热点，并利用漫水填充算法对过热区域进行分割，提取骨架扫描点数、有效凸缺陷、引流线对缺陷类型进行识别。实验证明该算法有较高发热点定位准确率和缺陷类型识别准确率。

红外图像；输电线巡检；导线提取；绝缘子检测；缺陷点定位；特征提取；缺陷识别

0 引言

高压输电线是电力系统的动脉，其运行状态直接决定了电力系统的安全及国家经济的运行，线路走廊穿越的地理环境复杂，远离主要交通干道，而且输电线路在长期运行中易受自然灾害及人为损伤。传统的输电线路人工巡检不仅耗时长，危险性高，利用飞行器自动巡检输电线已经成为当前电力行业的必然趋势。而红外检测具有远距离、不停电、不接触等的特点，可以检查出多种电力设备的致热缺陷，给电力系统的线路巡检提供了先进手段。因此，可以利用无人机搭载红外热像仪进行输电线路的热缺陷巡检，该方式会产生大量的红外视频和图像数据，传统的红外缺陷识别方法大都需要人工交互，即人工定位缺陷位置或者判断发生缺陷的电力部件类型，效率低下。文献[1]提出的红外缺陷智能识别算法在HIS颜色空间提取温度最高的区域，但该方法对复杂背景环境的检测结果并不理想。文献[2]提出基于图像拼接的帧间差分法定位输电线的主方向进行故障诊断，该方法只能定位识别导线断股等发热缺陷，无法识别引流管、绝缘子、线夹的等线路元件。文献[3]提出利用图像中的直线、曲线的位置关系定位线路元件的区域，并读取温度数据诊断缺陷，该方法对线段噪声敏感，元件识别不准确，误检率较高。

本文首先采用LSD（Line Segment Detector）线段检测法提取红外图像中的导线区域。采用深度卷积神经网络提取红外图像中绝缘子区域，在导线和绝缘子区域内进行温度和灰度分析提取发热点，并利用漫水填充算法对过热区域进行分割，提取骨架扫描点数、有效凸缺陷、引流线对缺陷类型进行识别。

1 线路元件区域提取

一般认为引流管、线夹处于一组导线的主方向，两组导线的相交区域，绝缘子在图像中则可呈现多种状态，因此求取导线区域和绝缘子区域作为线路元件区域。

1.1 导线区域提取

利用LSD线段检测算法提取红外图像中的线段，并进行线段连接，筛选判断，得到图像中的导线组，那么，一组导线的端点范围，两组导线的相交区域被认为是线路元件区域。

1.1.1 LSD线段检测

LSD是一种直线检测分割算法，它能在线性的时间内得出亚像素级精度的检测结果。该算法被设计成可以在任何数字图像上都无需参数调节。算法步骤如下：

1）以＝0.8的尺度对输入图像进行高斯下采样。

2）计算每一个点的梯度值以及梯度方向；

3）根据梯度值对所有点进行伪排序建立状态列表；

4）将梯度值小于（＝2/sin）的点在状态表中剔除；

5）取出列表中梯度最大（伪排列的首位）的点作为种子点，种子点梯度角作为区域初始角度，搜索周围方向在阈值[－,]范围内的点，并不断更新区域角度，以此得到区域R；

6）计算R的重心坐标作为该区域最小矩形的中心点，R的区域角度作为该矩形中轴线的方向；

7）计算6）中矩形的NFA（虚警数量，Number of Alarms）；若小于设定阈值，则输出该区域，否则判定该区域R无效。

1.1.2 导线提取

对LSD算法检测到的直线段，选取角度处于（－p/4,p/4）范围内的线段根据斜率、间距、位置关系进行连接和筛选得到图像中导线。

1）导线连接：将满足以下3个条件的Line Cluster1中的任意两线段1和2进行连接。

①1和2的角度差小p/24；

②1和2的近邻点距离小于1和2中最小长度的2倍；

③1的端点到2的距离及2的端点到1的距离小于导线宽度的3倍。

2）导线筛选：对1）中得到的线段集按照角度进行聚类，在每类中选取最长的线段max，若max大于length（一般为红外图像宽度的1/4），则该类中的线段均被认为是导线，由此可以得到红外图像中的导线组。

1.2 绝缘子区域提取

绝缘子在图像中可能平行于导线组，垂直于导线组或与导线组成一定角度，且绝缘子在不同环境温度与红外采样设备下呈现多种表面形态。传统的目标检测方法均需人为选取特定特征，难以适应多种复杂情况。

深度卷积神经网络可以从已有的数据中自动进行特征提取和判别，无需人的参与，算法根据大量的原始样本，自动学习刻画出数据的内在多级特征并逐级抽象。

本文采用如图1所示的深度卷积神经网络对红外图像中的绝缘子进行识别。该网络采用3个卷积池化层对图像进行特征抽象，并采用全连接层和softmax回归层对其类别进行描述。本文将大量红外巡线图像，切分为64×64的带标记图像块，对上述网络进行训练。

在应用时，将待检测图像分为图像块输入上述训练得到的深度卷积神经网络，可得到每个图像块属于绝缘子的概率，若其＞0.75，则认为该图像块属于绝缘子。对整幅图像中属于绝缘子的图像块区域进行整合便可得到红外图像中的绝缘子区域。

图1 绝缘子识别网络

2 缺陷点定位

一般，在红外图像中，缺陷元件的灰度值较大，在红外热图中，缺陷元件的温度较高。因此，可以采用如下步骤提取红外图像中的异常发热点：

1）对图像进行高斯滤波，消除噪声极值点的影响；

2）在线路元件区域内求取局部灰度极值点得到点集，剔除其中相互距离较近的及灰度值过小的点；

3）采用漫水填充算法对缺陷点周围灰度图像进行分割，得到疑似缺陷区域；

4）在红外热图中，统计疑似缺陷区域相对于其周围区域温度差异，如果温度差异大于阈值temp，则认为该点是缺陷点，如图2所示。

一般引流管、绝缘子发热在图像中都呈现为小面积的亮度区域，分割得到的热缺陷目标较小，不具有代表性特征，但引流管必然处于导线与引流线的交点处，绝缘子发热必然处于绝缘子区域内，发热的线夹在图像中呈现“U”型。因此，提取目标占比、骨架扫描点数、有效凸缺陷数量、引流线进行缺陷类型识别，如图3所示。

3 特征提取

1）目标占比TA

选取目标对应缺陷点邻域，求取目标的轮廓面积，计算与区域的面积比，作为目标占比TA。

2）骨架扫描点数SSCX和SSCY

细化目标二值图像提取骨架[4]。以1为例，其8邻域如图4所示。

图2 缺陷点定位结果

图3 提取的特征

图4 像素点p1的邻域示意图

第一步，满足如下条件的像素点置为0；

①2≤(1)≤6

②(1)＝1

③2*8*6＝0

④4*8*6＝0

第二步，满足如下条件的像素点被置为0；

①2≤(1)≤6

②(1)＝1

③2*4*6＝0

④2*4*8＝0

其中，(1)表示的是邻域中非零点的个数，(1)表示的是从0到1的跳变个数。

重复第一步和第二步直至当前图像中没有可删除的点。

按照方向和方向对骨架进行扫描，求取两个方向的扫描点数SSCX和SSCY。

3）有效凸缺陷个数ECD

选取相关点两两距离大于convexdist（可取分割出目标区域宽度的1/2）的凸缺陷作为有效凸缺陷，统计有效凸缺陷的个数ECD。

4）引流线

在目标区域内将提取到的线段经过端点连接形成曲线，作为引流线。引流管处于导线与引流线的交点处。

4 目标识别

目标识别流程如图5所示。如果目标占比大于RTA，则提取骨架扫描点数、有效凸缺陷数量，若满足以下两个条件则认为其属于线夹。

1）有效凸缺陷个数CED＝1；

2）骨架扫描点数SSCX＝1，SSCY＝2或者SSCX＝2，SSCY＝1。

如果目标占比TA＜RTA则提取引流线，若引流线通过目标区域则认为其属于引流管。否则判断其是否处于绝缘子区域内。

5 实验与分析

在红外热图中，求取疑似缺陷区域与周围区域的温度差，若大于10℃，则认为当前点属于区域属于缺陷区域。

对缺陷点进行漫水填充，分割出目标。求取目标占比，如果占比＜0.025，则求缺陷点邻域内的曲线，判断缺陷点是否处于导线与曲线的交点处，如果不属于则判断其是否处于绝缘子区域内；如果占比＞0.025，则求取目标的骨架，并扫描骨架，同时求取目标的有效凸缺陷，判定目标是否属于线夹，如果不属于则求取目标区域的曲线判断其是否属于接续管，如果不属于引流管则判断其是否处于绝缘子区域内。

实验测试了105幅存在热缺陷的红外图像，正确定位热点数96个，正确识别缺陷元件87个。缺陷定位的准确率为91.4%，缺陷元件识别的准确率为82.9%。

105幅热缺陷红外图像存在虚警热点8处，实验还测试了50幅无热缺陷的红外图像，存在虚警11处，总虚警率为12.3%。

6 结论

本文采用LSD线段检测算法并进行线段连接筛选提取红外图像的导线区域，并采用卷积神经网络检测红外图像中绝缘子区域，有效地提取了红外图像的线路元件区域，降低了缺陷点定位的虚警率。

在导线和绝缘子区域内进行温度/灰度分析求过热点并进行目标分割，提取的目标占比、骨架扫描点数、有效凸缺陷、引流线特征可有效地识别缺陷类型。

图5 目标识别流程

[1] 杨政勃, 金立军, 张文豪, 等. 基于红外图像识别的输电线路故障诊断[J]. 现代电力, 2012, 29(2): 76-79.

YANG Zhengbo, JIN Lijun, Zhang Wenhao, et al. The fault diagnosis of transmission line based on infrared image recognition [J]., 2012, 29(2): 76-79.

[2] 张文峰, 彭向阳, 陈锐民, 等. 基于无人机红外视频的输电线路发热缺陷智能诊断技术[J]. 电网技术, 2014, 38(5): 1334-1338.

ZHANG Wenfeng, PENG Xiangyang, CHEN Ruimin, et al. Intelligent diagnostic techniques of abnormal heat defect in transmission lines based on unmanned helicopter infrared video[J]., 2014, 38(5): 1334-1338.

[3] 韩军, 张书鸣, 马行汉. 基于红外图像智能诊断高压输电线路热缺陷的方法: 中国, 201210006788.8 [P]. 2012-07-11.

HAN Jun, ZHANG Shuming, MA Xinghan. Intelligient fault diagnosis of high voltage transmission line based on infrared image: China, 201210006788.8 [P]. 2012-07-11.

[4] ZHANG T Y, Suen C Y. A fast parallel algorithm for thining digital patterns[J]., 1984, 27: 236-239.

Transmission Line Fault Diagnosis Method Based on Infrared Image Recognition

WANG Miao1，DU Wei1，SUN Hongbo1，ZHANG Jing2

(1..,100005,; 2..,,300301,)

A fault diagnosis method of transmission line based on infrared image recognition is proposed in this paper. Firstly, LSD(Line Segment Detector) is used to extract the conductor and CNN (convolutional neural network) is used to extract insulator in the infrared image, both conductor areas and insulator areas are thought as line component areas. Heating pixels in component areas are obtained according to their temperature and gray value. Heating regions are segmented applying Flood Fill algorithm. Target accounting, skeleton scanning points, effective convex defects and lead wire are extracted to identify the type of the defects. Experiments show the effectiveness of defect points locating and defect types classifying.

infrared image，transmission line inspection，conductor extraction，insulator detection，defect points locating，feature extraction，heat defect classification

TN219

A

1001-8891(2017)04-0383-04

2016-09-18；

2016-11-30.

王淼（1981-），男，工程师，博士，主要研究方向：直升机/无人机电网运维技术。