基于改进机器视觉算法的电力设备红外检测

郭志刚，朱林林，吴俊敏，阳薇

（国网黑龙江省电力有限公司检修公司，黑龙江哈尔滨 150036）

电力设备是电力系统的基础，利用红外探测技术对电网进行高频率的巡视和实时监控能够为电网的预防性维修和提高电网运行的稳定可靠运行提供依据。但是，目前的红外探测装置在特定的探测环境中，其成像质量较低；而人为设置的温度阈值、人眼观察、图像处理等智能判定方法也不够智能化，难以适应未来智能监测系统对红外数据的需求。针对目前电力设备红外检测存在的问题，文献[1]提出了基于深度卷积神经网络检测方法，为了解决电力设备在红外检测过程中可能会碰到的各种复杂情况，设置了多种复杂检测环境。在电力设备的运行状态异常检测等方面，采用深度学习的方法对电网设备异常区域进行训练。然而，该方法虽然具有较高的准确率，但是检测速度较慢，不能实现实时检测；文献[2]采用反射镜法进行红外检测，红外光的反射扩宽了红外线的探测范围，探测距离也得到了极大提高。与此同时，使用了一种新的电力设备红外探测辅助系统来提高检测效率。但是背景的复杂性使得检测精度不高。

为解决上述传统方法存在的应用问题，提出了基于改进机器视觉算法的电力设备红外检测方法。

1 电力设备的红外检测

1.1 基于改进机器视觉法的红外检测框架设计

使用改进机器视觉法构建电力设备红外检测框架，其结构如图1 所示。

图1 改进机器视觉法的检测框架

由图1 可知，依据该框架可确定检测目标，通过正向和反向传播进行端对端训练，获取最终检测结果。

1.2 卷积处理

卷积操作是一种稀疏、参数共享、等变操作，在卷积操作中，使用滤波器对二维图像进行整体扫描（过滤）[3]。图2 中显示了输入（4×4）、（3×3）滤波、顺序操作和卷积运算的示意图。

图2 卷积计算示意图

由图2 可知，向量图中的每一像素都会在相同的卷积核上进行扫描，所以它的卷积核就是权重[4-5]。权值分配使深度卷积网络仅需对某一组参数进行学习，从而大大减少了参数的数量。

1.3 红外图像分割

从区域的一致性和相似度角度出发，可以有效地防止由于图像的灰度改变而影响区域抽取的完整性；其次，从阈值分割的角度可以缩短该方法所需的时间[6]。使用Mean shift 聚类算法能够将样本点收敛到概率密度最大值的位置，由此获取灰度相似的区域[7-9]。相似区域的概率密度值计算公式为：

式中，x表示采样点；sL表示固定带宽为L的区域；h(·)表示对称核函数；n表示计算次数[10]。在确定初始点后，使用Mean shift 聚类算法根据如下步骤进行迭代处理：

步骤1：更新当前中心位置，公式为：

式中，γL(x)表示均值漂移向量[11-12]。

步骤2：窗口平移，重新计算概率密度。

步骤3：不断进行迭代处理，设置收敛阈值μ。收敛值的约束条件可表示为：

当满足式（3）的计算结果时，说明收敛密度达到最大值。通过这种聚类处理方式能够避免区域分割错误问题的出现[13]。

根据红外图像分割结果，确定最佳图像尺寸进行检测结果分析[14]。在确定第n次中心位置后，使用滤波器估计图像尺寸大小，确定尺度数量参数k，由此得到的最佳目标尺度为：

式中，x×y表示图像f(x,y)的红外目标；τk表示尺度因子。由此分析检测结果如下：

1）电阻损耗增大

电气设备导线的接合部之间接合不佳，会增大电气设备的电阻；由于断股、松股、导体氧化等因素，使得导体自身的电阻增大；随着局部电阻和电阻损失的增加，由式（5）表示的加热功率将导致局部温度上升，并产生不正常的热量[15]。

式中，λ表示电阻损耗功率；I表示电流；R表示电阻。

在现场，线路设计不合理、机械疲劳、温差变化等原因会造成接头松动、接头氧化，导致焊接接头失效。

2）介质损耗增大

设备的导线或设备内的绝缘材料，由于交流转换电压造成的介质损失增加而产生热量[16]。在设备固体、液体绝缘性能下降的情况下，其介质损失系数增加，导致介质损失功率增加，进而导致局部温度上升，其基本原理如下：

式中，U表示介质施加电压；C表示等效电容；tanα表示介质损耗因数。

由于介电损失的增加与电压热异常相关，因此也被称作电压影响的热异常。在实际应用中，这种情况主要是绝缘介质老化、材质不良、绝缘介质受潮、氧化、热变化等。

2 基于小波变换的红外图像增强

输变电装置的红外线资料收集困难，需要相关技术人员的帮助，以确保资料的品质。因此，要对高品质的数据进行扩充是非常困难的。为了扩充训练资料集和避免网络的过度拟合，需要增强红外图像。

2.1 多尺度快速小波变换

多尺度快速小波变换滤波处理过程如下所示：

步骤1：对原始图像进行初始化处理，采用二进制方法分解采样图像，获取近似值；

步骤2：通过二次插值和滤波可以获得与输入图像相同的预测结果；

步骤3：当输入图像和预测图像之间存在差异时，生成了一种预测残差金字塔；

步骤4：根据二维小波将图像分解成4 张1/4 大小的图像，对该图像进行滤波处理，设小波变换系数为ε0，第一次迭代输入值为ε0(j+1)，在后续小波变换处理过程中，使用一种包括时域反转尺度和小波矢量的迭代方法；

步骤5：分别使用低通滤波器和高通滤波器，能够获取两个分量，即低高频分量。将这些分量代入步骤4 中，经过滤波处理后，输出值即为滤波处理后的结果。

2.2 变换后去噪处理

采用置零的方法，利用横纵梯度的倒数加权滤波方法对4 张1/4 大小的图像进行滤波处理，由此能够获取清晰图像边缘的细节信息。

使用梯度倒数加权方法构建权重矩阵E，该矩阵是一种3×3 窗口组成模式，公式为：

式中，ω(h,g) 表示图像像素灰度的权重值，经过变换后进行去噪处理能够保留图像大部分边缘信息。

3 实验

按照热辐射的理论，任何超过绝对零点的物体，都会散发出热量，把它自己所产生的内部能量转换成辐射能量，然后发射出红外线或者可见光。红外热像仪中的红外线检测器将所发射的红外线反射至红外热像机的感光元件及影像感应器，产生一种热象，该热象用于反映受检者的特定温度，由此可判定受检者是否有不正常的发热。

对电源装置进行实验时，若无缺陷，则热量将在装置的表面均匀地散布；当仪器内部或外部接插件发生故障、热量不均匀或不正常的温度、局部温度异常、温度过高等现象都会在红外成像设备上得到反映，红外成像设备可以根据实际情况自动调节成像像素。

实验选取了包含避雷器和绝缘子的电力设备红外数据集，其红外图像如图3 所示。

图3 避雷器和绝缘子红外图像

该实验数据集来自某电网公司在其管辖范围内设备的带电检测结果。数据集的训练是通过DarkNet框架实现的，单张图像检测是通过可视化工具库实现的。

为了验证基于改进机器视觉算法的电力设备红外检测方法有效可行，分别使用文献[1]提出的深度卷积网络法、文献[2]提出的反射镜像法、改进机器视觉算法，对比分析红外图像检测的完整度，结果如图4 所示。

图4 三种方法红外图像完整度对比分析

由图4 可知，使用深度卷积网络法和反射镜像法红外图像检测结果不完整，而使用改进机器视觉算法红外图像检测结果完整。

为了进一步验证方法研究的有效性，再次对比分析三种方法的收敛性，以三种方法训练开始后损失值的变化情况为指标，对比结果如表1 所示。

表1 三种方法训练损失值对比分析

由表1 可知，三种方法的训练损失值都随着训练次数的增加而逐渐减小，说明收敛速度快，但是只有改进机器视觉算法的损失值降到最低，且具有稳定性，说明使用该算法具有良好收敛效果。

4 结束语

该文提出了一种基于改进机器视觉算法的电力设备红外检测方法，该方法采用自适应收敛方式，对具有相似灰度的像素点进行快速聚类，并对其进行分析。使用小波变换方法增强红外图像，同时经过梯度倒数进行加权去噪处理，获取的图像边缘性更强。通过实验验证了该方法研究的可行性，也证实了其具有良好的收敛效果。在未来的研究工作中，它可以成为一个关键的环节。为电力设备在线检测、分析与数据监测等方面提供技术支持，也为以后电力设备故障位置的精准定位奠定坚实基础。