基于变压器红外图像的高温区域识别方法

苗振林，金国忠，杨靖玮，陈炜强，杨钱江，狄凌芳

(1.国网浙江省电力有限公司 嘉兴供电公司，浙江 嘉兴 314000；2.嘉兴市恒光电力建设有限责任公司，浙江 嘉兴 314000； 3.上海交通大学，上海 200000)

变压器是电网的关键组成，具有电压转换、输送功率等功能。保证电压器的稳定工作是人们日常生活和工作的重中之重，因为变压器长时间处于户外，并且需要连续不停运转，受到气候、外部环境因素等影响，会出现各种故障。当前，我国的变压器故障发生率非常高，变压器异常发热是其中的一种形式，导致变压器发热的因素众多，包括松动引发的局部过热、设备部件间接触不良、过载导致的绝缘老化引起的发热、设备绝缘故障等。基于红外热成像技术的变压器高温区域识别是采用定点监测的在线监测技术，研究红外图像拼接与分割。

1 红外成像原理及图像预处理方法

1.1 基于红外图像的变压器检测方法

1.1.1红外辐射原理及特性

红外线的可见波长为0.75～1 000 μm，是一种广泛传播的电磁波。在自然环境下，绝对零度以上物体的内部粒子会自发进行不规则运动，并在这一过程中向外辐射能量。其能量和内部分子与原子自发运动的强度为正比。通常情况下，红外辐射是物体向外自发辐射的主要形式，大部分能的物体中都存在红外辐射。

温度可以表现出一个物体的状态，为了更加客观的测量温度，采用统一的温度标度来表示温度值。热力学温标和摄氏温标则是目前各国常用的温标。温标的测量单位为“℃”，热温标为“K”。通常情况下，物体内温度越高，粒子移动越快，辐射能量越大。物体温度越低，粒子的移动会比较稳定，从而辐射的能量也越小。分子、原子在绝对零度(-273.15 ℃)时，将会停止运动。通过测量物体的辐射可以获得温度。

1.1.2应用在变压器高温检测

电力变压器主要包括本体、油箱、温度稳定设施、保护设施、进出口设施等众多组成结构，元件种类繁多复杂。当高压大电流作用在变压器上时，内部元件将会不断的损耗，同时产生热量，另外还会导致变压器的温度上升。在一段时间之后，热量将会向外部传递，到达周围的介质中，而温度也会更加稳定。接口接触不良或部分元件失效时，变压器所产生的热量会增加甚至破坏热传导平衡，其具体表现为局部和整体温度异常。根据异常温度情况，对于变压器进行故障检测。因为变压器的不同部位会表现出不同的异常温度，所以基于热效率元件的状态将其分为内部与外部的故障。外部故障是指变压器表面引起的问题，该故障一般可以由人眼直观检测到。发生外部故障的原因通常是因为机械原因，如焊丝与焊点接触不良、导体接头熔等，其他原因是元件退化导致电阻增大和导电率降低。外部缺陷会被反映在设备局部过热，而该故障可以直接检测出。内部故障则是内部原因所导致的故障[1]。热量在产生之后，会通过变压器不同部件之间的热传导传递给设备表面，从而导致设备温度异常。但是，内部故障通常很难得到直接的故障信息，但温度将与正常设备明显不同。内部故障的原因有很多，常见故障导致因素可以概括为：(1)变压器绝缘材料损耗、劣化，导致绝缘材料性能变差，从而出现故障；(2)内部接触不良，温度异常；(3)变压器内油气较少，这是由于一些影响设备冷却、节能和设备温升的因素造成的。

1.2 红外图像预处理

噪声是一种非常会对红外图像质量造成影响的因素，不仅是环境中随机热运动出现的热辐射，还包括各种声音。通过分析红外图像的噪声，发现噪声可以分为椒盐噪声、随机白噪声等，并对于后续图像分析、处理产生一定影响。为进一步改善图像质量以及信号和噪声之间的关系，必须要处理噪声问题。关于这一研究有许多方法，主要采用各种滤波器的频域处理、各种局部算子的空域处理。本文通过对空域滤波方法进行研究。

2 基于sift特征匹配的变压器红外图像拼接

2.1 变压器图像拼接目的

本文通过红外热像仪采集变压器高温区域的数据。因为红外探测器分辨率、拍摄设备等相关设备的限制，变压器较大时，在效果方面会导致拍摄效果较差。在20×160像素点，一旦拍摄区域较大，采集的红外图像无法将设备内温度分布的细节充分反映出来；在实际拍摄过程中，缩小对准设备区域的尺寸能够获得更为清晰的变压器局部温度分布特征。但是，采集到的单个图像是设备的一部分，无法获得完整的变压器图像，并且无法反应变压器整体温度分布特征。基于此，为了对变压器的状态进行分析，采用高分辨率红外采集设备可以掌握更多的温度分布情况，有利于分析数据。高分辨率红外热像仪需要较高的成本，为此，采用低分辨率红外热像仪，以此来采集变压器的局部温度信息，并且还能够提高图像拼接技术，实现多幅局部温度图像的拼接，获得更详细、更完整的设备图像。基于RANSAC几何约束的误匹配剔除方法、结合空间约束、sift特征点匹配等技术，对于变压器红外图像进行拼接[2]；图1为图像拼接过程。

图1 图像拼接过程Fig.1 Image stitching process

2.2 不同算子在变压器图像中的特征点检测效果

通过手持红外热成像装置对于变压器的高温区域进行温度采集，在不同阶段的采集图像存在一定差异。因为手持设备不稳定，导致图像发生旋转，拍摄位置改变，设备仪器距离改变等，图像在以不同的角度进行缩放。在图像获取过程中，因为设备的三维立体结构，所以视觉变化会直接影响到图像的摄影效果。另外，特征点检测算法因为原理不同，图像处理速度也必然会受到影响[3]。基于红外图像的特点，通过红外变压器的实验数据来对上述因素进行分析，即旋转、缩放、时间效率、视觉变化，具体如表1所示。 Sift和Harris算子具有更快速的运行，SUSAN算子的计算时间较长。为对检测结果进行有效对比，本文设置了不同的阈值，以原始图像为基准不在改变，每一种算子在图像检测中的特征点数为160点。采用Sift 算子来检测特征点，可以实现变压器高温图像的各区域拼接。

表1 平均时间效率Tab.1 Average time efficiency

2.3 基于Sift特征匹配的变压器图像拼接

2.3.1特征描述

确定特征点方向， 采用以下计算公式表示梯度的模值和方向。

分别计算特征点淋雨像素的梯度和方向，将梯度方向划分为36份，一个方向为10°，之后对于各个方向的加权梯度值进行计算，值最大的方向就是该位置特征点的方向；然后赋予其主方向，算法检测到关键点具有尺度、平移、旋转的不变形。为保证旋转不变，在描述特征前，将图像旋转，之后把特征点方向作为坐标轴。以特征点为中心，获取整个区域内每一个像素点的梯度值和方向。

2.3.2变压器红外图像拼接效果

正确特征点匹配关系能够计算图像变化的单应矩阵和每个像素点在基准图像中的对应位置。基于图像之间尺度差异，将会导致获取的变化图像为出现部分像素点空缺。关于该缺陷，可以通过插值的方法来对图像进行处理。本文选择双线性插值法，将图像内的空缺部分填补完整[4]。

3 基于卷积神经网络的变压器和绝缘子分类模型

3.1 卷积神经网络

卷积神经网络属于人工神经网络模型，而卷积神经网络与典型神经网路相对比而言，卷积神经网络具有非常多的隐藏层，数据分析能力、处理能力更加显著。基于在图像处理的背景下，传统的模式识别需要进行一系列的复杂过程来提取图像属性，然后在资格模型中添加训练数据等相关特征，然后开展训练。卷积神经网络则能够实现原始图像的直接加载，将其作为训练数据实现函数的自动提取，然后进行分类，无需任何其他步骤。它在图像目标分类中具有很大的优势[5]。

卷积神经网络直接处理图像，数据处理量很大。如果像传统的神经网络一样，将每一个像素训练作为一个颜色，会导致参数数量巨大，网络结构复杂，难以反向传播调整参数，达不到预期结果。卷积神经网络的优点在于，它优化了开放域和共享权重，有效降低了网络数据规模，速度加快。

3.2 卷积神经网分类器构建与分类效果

本文基于拍摄变压器和绝缘子数据，通过不同的角度来拍摄每台变压器、绝缘子串，采集1 000个变压器数据和绝缘子数据图像，每个变压器的大小为120×160像素点，共采集5个图像。卷积神经网络中的输入数据设置固定格式，而原始图像则需要标准化90×90图像中的采样大小，原始图像较大时，需图像标准化，否则会对图像提取、图像分类等产生影响，然后归一化处理灰度值，将图片进行裁剪、旋转，形成新的数据集，制成4 000个数据的样本集。但是，其前提在于需要将样本数据类型标记清除，然后在样本集中随机选取3 600个数据集，并组成一个训练集，剩余数据集用来进行测试。在输出一维向量较大时，过拟合现象非常普遍，可能是因为模型的训练速度较慢导致[6]。本研究采用7×7大小的卷积模板，2×2的采样模板、特征向量为12×6×6、卷积神经网络的7层模型。

为了对于卷积神经网络和先分割在提取特征进行分类方法正确率方面的差异进行对比，在MATLAB中实现了2种方法。通用设备识别模型：对图像进行模糊聚类分割，图像边缘检测后计算Hu不变矩，并将7个不重要矩作为特征输入分类器训练。将上述实验数据集的训练模型作为进化神经网络的分类模型对数据集进行检验。卷积神经网络能够在变压器和绝缘子中提取特征，得到有效的分类情况。可以直接处理原始数据，无需进行复杂的图像处理[7]。

4 复杂背景下的变压器高温区域提取

采用MSER 特征检测方法，将其应用在变压器红外图像高温区域的图像分割中。对于图像最大稳定极值区域进行检测，区域特点体现在可以发现图像潜在的边缘分解区域，并结合图像边界像素的灰度特点，经过初步分割图像，采用各种方式来提高分割准确性，进一步优化分割结果；图2所示为分割算法流程。

图2 分割算法流程Fig.2 Segmentation algorithm flow

(1)采用MSER 算法对于变压器红外图像高温区域中最大稳定极值部分进行检测；

(2)按照从大到小的顺序进行排列，将区域根据前后区域差别获取新的连通域系列；

(3)输入图像，通过图像的 Otsu 阈值法、边界连通域，进行初步分割，使其成为二值图像，包含目标与部分背景信息；

(4)处理空洞区域、细小断裂等部分，掌握变压器的高温区域；

(5)检测原图像的垂直边缘、边缘点。

5 分割效果优化

上述方法可以用来处理这一部分图片：变压器底部温度较低且接近基座温度、支撑设备的设施较多、对比度较高、基座温度较高且与设备底部温度接近[8]。但是无法处理该部分图像，如表面存在设备信息说明金属片、设备区域存在输电线等。输电线图片中分割经常出现断裂，而存在暗区的图片则十分容易出现空洞，所以更适合采用数学形态的方法处理。

红外图像在对变压器高温区域进行识别时，图像上半部分目标与背景存在显著差异，对于垂直边缘进行检测；而因为变压器支撑平台的影响，所以下半部分的差异相对较小。在图像识别期间，容易将背景当做目标，导致错误分割情况出现；如图3所示为直线检测优化分割流程。优化分割结果采用变压器灰度分布，具体步骤：

图3 直线检测优化分割流程示意图Fig.3 Schematic diagram of optimized segmentation process for line detection

(1)分割图像后，检测原始图像的垂直边缘，并保留分割图像矩形内的垂直边缘；

(2)通过 Hough 变换进行图像检测；

(3)使用检测到的直线来分割图像，比较分割生成的连通域数目。直线两侧灰度值相近、区域的纵坐标范围相近的情况下，无需进行分割。

6 结语

综上所述，变压器作为当前人们生活中的常见设备之一，在长时间连续运行期间进行高温监测，可以及时发现故障，保障电力系统的运行安全。分离变压器设备是检测变压器故障的关键所在，通过利用红外检测技术，采用变压器图像分割、拼接等方法，为检测变压器的高温区域提供基础。