基于超像素图像分割的变电设备故障诊断研究

孙启悦，王 龙

（国网浙江省电力公司湖州供电公司，浙江 湖州 313000）

0 引言

红外成像是以设备的热状态分布为依据，对设备运行状态良好与否进行诊断，它具有不停运、不接触、远距离、快速直观地对设备的热状态进行成像的优点。设备的热像图是其运行状态下热状态及其温度分布的真实描写，而电力设备在运行状态下的热分布正常与否是判断设备状态良好与否的一个重要特征[1-2]。红外图像作为电力大数据中一种典型的非结构化数据，对电气设备的故障诊断有着至关重要的作用。

过去，电力设备的红外测温主要由运维人员结合班组巡视等日常工作使用红外测温仪定期开展[3-6]，虽然测温效果较好，但是后期图片分析效率低下，对测温人员的技术水平和经验要求较高，工作量大、周期长。近年来，随着变电站巡检机器人的投入使用，海量红外图片涌入等待分析[7]，此时仅依靠人工分析显然已经不能满足需求。而利用计算机的辅助分析手段对采集到的红外图像进行自动提取、识别、分析，可以减轻劳动强度，减少对技术人员的依赖，更有利于实现图像的数据化，便于进行横向和纵向的统计分析。

图像分割作为计算机视觉领域的基本问题，是图像理解的重要组成部分。超像素图像分割是指针对具有相同纹理、颜色、亮度等特征的相邻像素构成的图像块，利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，在很大程上降低了后续图像处理任务的复杂程度[8-9]。基于这个思想，红外图像可以被视为由不同温度块构成的像素区域，温度相近的像素点可以组成一个像素组。

超像素算法大致上可以分为基于图论的超像素分割算法和基于梯度上升超像素图像分割算法。基于图论的超像素分割算法主要有：NC，SL，GCa，GCb及ERS等。基于梯度上升的超像素分割算法主要有：Watershed，Mean Shift，Turbopixel，SLIC等。评价这些超像素算法的可控性指标主要有超像素数量可控性和进度可控性[10]。文献[11]给出了NC，SL，GCa，GCb等14种超像素分割算法的可控性结论，详见表1。从表1可以看出，SLIC超像素分割算法具有具有较好的可控性，因此以下将选用SLIC超像素分割算法对红外图像进行超像素分割。

表1 14种超像素分割算法的可控性结论

通过对变电设备红外图像的成像特性分析，在Python 3.5.2环境下利用SLIC超像素分割技术对红外图像进行分割、HSV颜色空间转换、动态设置色调（H）阈值，对故障区域进行提取和标注，并对不同设备类型和噪声水平的变电设备红外图像进行分析比较。

1 红外图像的特征及SLIC超像素分割

为了获得较为准确的红外测温结果，变电设备红外图像的获取通常在夜间进行，因此，整个图像范围内噪声较大。成像主体为故障设备，红外图像具有以下特点：故障区域与背景区域的特征具有较大的差异性，区域内部性状相近；故障区域温度较高，呈现黄色或接近白色，以故障点为中心温度逐步发散，区域内平均亮度较高、轮廓平滑、位置接近图像中心。

因此在对该图像处理前，需要对图像进行平滑处理以减小噪声，然后利用超像素分割方法合并性质相同的像素点，便于更好地统计分析区域特性。选择经典的SLIC超像素分割方法，这是一种思想简单、实现方便的算法，将彩色图像转换为CIELAB颜色空间和XY坐标下的5维特征向量，然后对5维特征构造度量标准，对图像进行局部的聚类过程。该算法速度较快，能生成紧凑、近似均匀的超像素。分割后的区域记为Ri，i=1，2，3，… n，n为分割个数。

在Python环境下采用scikit-image包中的SLIC算法对红外图像进行分割，scikit-image中SLIC超像素分割算法自带高斯降噪处理，因此无需另外进行降噪处理。

2 HSV颜色空间故障区域提取

2.1 HSV颜色空间

HSV颜色空间由色调（H）、饱和度（S）、亮度（V）3个分量构成[12]，相比RGB或其他颜色空间，HSV更接近于人眼的主观感受[13-16]。HSV颜色分布如图1所示。HSV颜色空间模型色调（H）用角度度量，取值范围0°～360°，从红色按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°；它们的补色是：黄色60°，青色180°，品红300°。饱和度（S）取值范围为0-1。亮度（V）取值范围为0（黑色）， -1（白色）。

图1 HSV颜色分布

2.2 颜色空间转换

对于故障区域，黄色或接近白色的区域是需要关注的，在RGB颜色空间中黄色分量的色彩特点为R≈G≫B，而白色分量R≈G≈B≈255。由此，将分割后的每个区域Ri内的颜色分量以其区域内的均值[]替代， 使用如下 H，S，V的转换公式进行转换：

式中：R，G，B分别为红色、绿色、蓝色颜色分量。

图2 不同设备故障区域提取计算结果

2.3 故障区域的提取

颜色空间经过转换后，色调（H）已能将发热物体和背景显著区分开来，每个区域Ri内的色调（H）值为 Hi，i=1，2，3， …，n，n为分割个数。但受到环境因素（如被摄物体后方的楼房等）的影响，需要设置合适阈值将故障区域单独提取出来。对于不同噪声程度或不同明暗程度的红外图像，设置单一固定的阈值效果不佳。对于每一张红外图像，阈值应随其色调（H）的范围而决定，经过实验发现，将色调（H）的值从小到大进行排序，选择第三大的色调（H）值作为阈值能够很好地将故障区域提取出来。故障区域提取后，利用Python的图像处理库将故障区域在原始图像上标注出来。

3 实验分析

选取了电缆、瓷瓶、电容器接头、电流互感器接头、闸刀引线接头、电容器铝牌6种不同设备类型、不同背景噪声程度的变电设备红外图像进行计算，得到结果如图2。分析图2可知，所采用的方法能对不同设备类型、不同噪声程度的红外图片利用SLIC超像素分割算法进行图像分割，分割数量与分割紧密度均非常合适，分割后发热物体与环境背景能被准确地区分出来；通过HSV颜色空间转换并进行故障区域提取后，故障区域被准确地提取出来，利用Python的图像处理库准确地将发热故障区域标注出来。

4 结语

利用SLIC超像素图像分割对变电设备的红外图像进行超像素分割，通过HSV颜色空间的转换，提取出发热故障区域。实验分析表明，所采用方法可准确快速地提取电力设备发热故障区域，大大降低了故障诊断对人员红外测温技术水平的依赖，提高了红外图片的分析效率。