基于混合高斯背景模型的SF6泄漏自動檢測

藺麗華，吳冬梅，李 杰，劉 健，2

(1．西安科技大學(xué) 通信與信息工程學(xué)院，陜西西安 710054;2．陜西電力科學(xué)研究院，陜西西安 710054)

六氟化硫(SF6)氣體是一種無毒、無色、無味，化學(xué)性能極穩(wěn)定的物質(zhì)，具有良好的電氣絕緣性能及優(yōu)異的滅弧性能。采用SF6氣體絕緣的電力設(shè)備已大量投入電網(wǎng)運行［1］。SF6充氣設(shè)備一旦發(fā)生漏氣，將造成嚴(yán)重的不良后果:SF6氣體與水分子在電弧的高溫作用下，會生成大量有毒物質(zhì)，其形成的氫氟酸會降低設(shè)備內(nèi)部絕緣性能，導(dǎo)致設(shè)備故障，影響電網(wǎng)安全運行;毒氣也對維護(hù)人員的人身安全造成威脅;另外，SF6屬于《京都議定書》規(guī)定減排的6種溫室氣體之一，其引起的溫室效應(yīng)是等量二氧化碳(CO2)的23 900倍。從采購運維成本出發(fā)，SF6氣體頻繁泄漏，會給電力系統(tǒng)造成極大經(jīng)濟壓力。因此，尋找高效、快速、安全的SF6的泄漏檢測方法具有非常積極而深遠(yuǎn)的意義。

目前已投入使用的SF6檢測儀器在目前業(yè)界可分為主動式SF6檢測儀器、被動式SF6檢測儀器。通過對比SF6檢測的各種方法，紅外輻射成像檢測是目前SF6檢漏的一種較好的技術(shù)［2］，具有無需斷電、能在安全距離進(jìn)行檢漏且結(jié)果較為精確等優(yōu)越性。

當(dāng)前使用紅外成像技術(shù)進(jìn)行SF6檢漏時，主要采用設(shè)置觀察點人工完成的方式。由于泄漏存在突發(fā)性和間歇性，在正常情況下一臺設(shè)備的檢漏一般需要 1 ～2 h［3］。

本文探討基于紅外視頻圖像的氣體泄漏檢測方法，充分利用氣體泄漏時的動態(tài)特征，采用混合高斯背景模型提取疑似泄漏區(qū)域，并用數(shù)學(xué)形態(tài)學(xué)方法實現(xiàn)定位，實現(xiàn)了紅外視頻下SF6泄漏的自動檢測，能有效節(jié)約人力，并能解決突發(fā)性泄漏快速報警與定位問題。

1 SF6泄漏在紅外視頻中的特性分析

由于紅外光譜可吸收、檢測并成像出不可見的SF6氣體泄漏，因此，六氟化硫氣體泄漏紅外成像檢測裝置的工作是基于此種原理。SF6具有較強的紅外吸收特性，其吸收光譜集中在10.56μm左右。紅外成像方法就是在光學(xué)元件成像和色散的基礎(chǔ)上，將濾波器波段調(diào)到SF6氣體吸收的波長(10～11μm)，從而使不可見的SF6氣體與背景區(qū)別開來，在設(shè)備上看到SF6氣體［1］。

紅外成像檢測裝置的對背景條件無要求的SF6氣體(有效距離0～40 m)的泄漏情況進(jìn)行檢測，可準(zhǔn)確、有效、方便地檢測出充氣設(shè)備的泄漏點并判斷泄漏情況。圖1(1)為紅外成像檢測裝置拍攝到的SF6泄漏原始視頻的示例。

從圖1(1)中可以看出，紅外成像技術(shù)能夠?qū)㈦姎庠O(shè)備泄漏的SF6氣體在檢漏儀顯示屏上以可見的動態(tài)煙云形式顯示出來。通過對大量視頻的觀察，氣體泄漏過程均呈現(xiàn)出煙霧狀漏氣，其動態(tài)特性與普通的煙霧有相似之處。利用智能視頻分析技術(shù)，可提取出動態(tài)的煙霧，由此可以自動、快速地發(fā)現(xiàn)氣體泄漏，并準(zhǔn)確地定位SF6氣體泄漏點。

2 泄漏區(qū)域檢測

2．1 混合高斯背景建模原理

在一個相對靜止的環(huán)境中長時間觀察沒有運動物體出現(xiàn)，就可以通過高斯分布方法對這個像素進(jìn)行建模，其視頻序列圖像中同一坐標(biāo)像素的值一般滿足單高斯分布。但如果所在的環(huán)境中有外界動態(tài)因素(如光照、風(fēng)力等)的影響，則得到的視頻序列中同一坐標(biāo)像素的值則滿足多個單高斯分布。這種情況單高斯分布已不能滿足建模要求，針對這種情況，F(xiàn)riedman 等人［6］和 Chris Stauffer等人［7］在1998年提出了基于混合高斯模型的背景建模方法，該方法采用多個高斯分布的加權(quán)組合的高斯混合分布，對復(fù)雜場景中得到的視頻序列圖像的某一像素值進(jìn)行建模，并且在不需要緩存視頻幀的情況下對模型的參數(shù)進(jìn)行自適應(yīng)的更新，混合高斯模型在運動圖像分析中被越來越多的應(yīng)用。

2．1．1 模型函數(shù) 在混合高斯模型中，圖像中每個像素點取值用變量Xi，t表示，則其概率密度函數(shù)可用K個高斯函數(shù)描述［6］

式中，下標(biāo)表示在t時刻的第i個高斯分布。

即可以用K個高斯分布的混合高斯模型來描述圖像中的每個像素值，上式中，K為高斯分布的個數(shù)，K越大，系統(tǒng)越能表征復(fù)雜的場景，但計算量也隨之大幅增加，考慮到計算的復(fù)雜性，一般取值在3到5之間，其中每個高斯分布稱為一個分支。ωi，t，μi，t和分別是 t時刻的第 i個分布的權(quán)值、均值和協(xié)方差矩陣，n為顏色通道數(shù)，p ( Xi，t，μi，t，)為在t時刻的第i個高斯分布。2．1．2 背景與前景的劃分 ωi，t表示第i個高斯分布的權(quán)值，其含義是單個像素值在第i個高斯分布產(chǎn)生的概率占整個混合高斯分布產(chǎn)生概率P(Xi，t)的比例，ωi，t越大，說明第 i個高斯分支的近似程度越高，若按權(quán)值 ωi，t與標(biāo)準(zhǔn)差 σi，t的比值λi，t(λi，t= ωi，t/σi，t)把每個混合模型中的 K 個高斯分布由高到低進(jìn)行排列，取前B個高斯分布聯(lián)合生成背景［8］

通常采用權(quán)重較小的高斯分布來描述運動目標(biāo)，選用高斯分布的權(quán)重之和剛好大于閾值T的前B個高斯分布作為背景子集，剩下的K－B個高斯分布即為前景運動子集。在視頻幀圖像中閾值T被定義為背景像素的高斯分支數(shù)占總高斯個數(shù)K的最小比例，如T選取較大，背景是由多個高斯分布組成的混合高斯模型，能夠描述復(fù)雜的背景。如閾值T選取過小，則背景模型可能會為單個高斯分布。

2．1．3 背景更新 隨著時間的變化，背景圖像會發(fā)生緩慢的變化，這時就需要不斷更新每個像素點。為了降低計算量，假設(shè)協(xié)方差=I，I為在t時刻的視頻幀，即紅綠藍(lán)顏色通道相互獨立，同時具有相同的方差。如果 |Xi，t－ μi，t| ＜2.5σi，t，那么當(dāng)前像素值就與第 i個高斯模型匹配，其高斯分布的權(quán)重、均值和方差按照下式進(jìn)行更新［9－10］

其中，Mi，t當(dāng)模型匹配時取 1，不匹配時取 0。α 為權(quán)重的更新速率，ρ為均值和方差的更新速率，α通過式(5)決定ρ的大小，它們決定著背景模型的更新速度，因此對高斯混合模型背景更新的研究，就是在背景變化情況不斷調(diào)整更新速率α和ρ的大小。

2．2 混合高斯背景建模實驗

以某型號SF6斷路器泄漏視頻為例，采用混合高斯背景建模方法，通過期望最大值EM(expectation maximization)算法［7］來進(jìn)行參數(shù)的估計運算，部分參數(shù)的初始取值為K=5，T=0.7，α=0.005，n=3，提取出的泄漏區(qū)域如圖1(2)所示。

3 基于數(shù)學(xué)形態(tài)學(xué)的泄漏定位

從混合高斯模型下提取的SF6疑似區(qū)域效果來看，除泄漏區(qū)域外，圖中仍存在著毛刺、斑點等噪聲，容易造成誤檢，也無法精確定位泄漏點。需設(shè)法去除斑點等噪聲，只保留SF6泄漏區(qū)域。

在圖像處理中，有4種數(shù)學(xué)形態(tài)學(xué)的基本運算:膨脹、腐蝕、開運算和閉運算。其中，腐蝕和膨脹分別定義為［11］

上式中，X為圖像集合，S為結(jié)構(gòu)元素，x表示集合平移的位移量。小于結(jié)構(gòu)元素的物體(例如毛刺、小凸起等)被腐蝕去除。如果在原始圖像中去掉不同大小的物體，可選取不同大小的結(jié)構(gòu)元素。膨脹可以將圖像變大，可以填補邊緣的小凹陷。但在采用腐蝕運算時，目標(biāo)區(qū)域也會縮小，必須采用膨脹然后再恢復(fù)目標(biāo)區(qū)域，即開運算，描述為

開運算采用的恢復(fù)不是信息無損的，即先對圖像進(jìn)行腐蝕然后膨脹其結(jié)果，它們通常不等于原始圖像X。為了使目標(biāo)邊界平滑，消除尖峰、凸緣、切斷狹細(xì)連接等，我們可以采用開運算刪除圖像中的小分支的方法。

采用將結(jié)構(gòu)元素進(jìn)行靈活組合分解結(jié)合數(shù)學(xué)形態(tài)學(xué)的基本算法，就可以達(dá)到分析圖像的目標(biāo)。本文利用形態(tài)學(xué)運算的良好特性，對混合高斯模型下提取的SF6疑似區(qū)域進(jìn)行了進(jìn)一步處理。

從圖1可以看出，圖除泄漏區(qū)域外，其他地方存在斑點等噪聲干擾;采用腐蝕處理后可將斑點完全消除，但泄漏區(qū)域縮小;在進(jìn)行膨脹圖基本上恢復(fù)了泄漏區(qū)域，且無噪聲。說明采用該方法可以準(zhǔn)確檢測出SF6，并能定位泄漏點。

4 檢測結(jié)果與分析

本文檢測算法是在Visual C++6.0環(huán)境下，結(jié)合OpenCV1.0實現(xiàn)的。測試視頻來自FLIR公司GF306型紅外氣體檢漏測溫成像儀拍攝的電氣設(shè)備SF6泄漏視頻。

圖1(3)中，泄漏區(qū)域的矩形標(biāo)記采用的是圖1(2)中前景目標(biāo)確定的最大矩形框，即通過對角線上的兩個頂點繪制矩形。

為了測試算法的準(zhǔn)確率，本文對已獲得的所有SF6泄漏視頻共32組進(jìn)行實驗測試，包括SF6斷路器、氣體絕緣開關(guān)設(shè)備GIS，SF6負(fù)荷開關(guān)等多種設(shè)備。32組視頻均是通過手持式紅外檢測設(shè)備拍攝。經(jīng)過測試，結(jié)果如表1所示。

表1 檢測結(jié)果Tab．1 Detection result

圖1 某斷路器SF6泄漏檢測Fig．1 A circuit breaker SF6 leak detection

由表1可知，檢測效果較好的占到了總視頻數(shù)的78.1%，效果一般的占21.9%，總體檢測結(jié)果良好。存在的部分誤檢主要由視頻抖動干擾造成，手持式拍攝時，不可避免的會存在人為抖動，使整個背景晃動，從而使得該視頻高斯背景建模受到影響，將部分背景當(dāng)作運動前景提取，形成對SF6氣體煙霧的干擾，進(jìn)而影響了檢測的正確性。因此，只要在拍攝時采用固定檢測設(shè)備的方法，如使用三腳架或其他固定基座，就可以獲得很好的靜態(tài)背景，從而極大地提高檢測的準(zhǔn)確率。

5 結(jié)語

本文提出了基于混合高斯建模的電氣設(shè)備中SF6泄漏檢測算法，通過混合高斯背景建模，對SF6氣體視頻進(jìn)行了前景和背景提取，并采用形態(tài)學(xué)運算對干擾和噪聲進(jìn)行了處理，最后對SF6氣體出現(xiàn)的區(qū)域進(jìn)行了標(biāo)記。實驗結(jié)果表明，達(dá)到了較好的檢測效果。本文方法可實現(xiàn)紅外視頻下SF6泄漏的自動檢測，可節(jié)約人力，并能解決突發(fā)性泄漏問題。為后期開展紅外視頻條件下的實時、主動、遠(yuǎn)程檢測SF6泄漏提供了基礎(chǔ)。

由于本文針對手持式紅外檢測設(shè)備拍攝的泄漏視頻進(jìn)行的檢測實驗分析，由于拍攝晃動等因素，造成一定誤差，如若采用固定攝像將取得更好的檢測效果。本文的方法也適用于其他有煙霧擴散特性的氣體泄漏檢測。

［1］ 王駿．SF6氣體絕緣設(shè)備紅外檢漏技術(shù)的應(yīng)用［EB/OL］．［2011-10-12］．http:∥www．doc88．com/p-5718899005779．html．

［2］ 袁仕奇，代洲，陳芳．高壓電氣設(shè)備 SF6氣體泄漏檢測方法比較［J］．南方電網(wǎng)技術(shù)，2013，7(2):54-58．

［3］ 劉衛(wèi)東，李哲文，趙棟，等．紅外成像技術(shù)在SF6氣體檢漏中的應(yīng)用［C］∥2010年全國輸變電設(shè)備狀態(tài)檢修技術(shù)交流研討會論文集，夏門:中國電力企業(yè)聯(lián)合會，2010:813-815．

［4］ 吳愛國，杜春燕，李明．基于混合高斯模型與小波變換的火災(zāi)煙霧探測［J］．儀器儀表學(xué)報，2008，29(8):1622-1626．

［5］ 王娜娜．基于視頻的火災(zāi)煙霧檢測算法研究［D］．西安科技大學(xué)，2012．

［6］ FRIEDMAN N，RUSSELL S．Image segmentation in video sequences:A probabilistic approach［C］//Proceedings of the 13th Annual Conference on Uncertainty in Artificial Intelligence，San Francisco:Morgan Kaufmann Publishers，1997:175-181．

［7］ STAUFFER C，GRIMSON W E L．Adaptive background mixture models for real-time tracking［C］//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，Washington:IEEE Computer Society，1999:246-252．

［8］ 李明之，馬志強，單勇，等．復(fù)雜條件下高斯混合模型的自適應(yīng)背景更新［J］．計算機應(yīng)用，2011，31(7):1831-1834．

［9］ LIU Gang，YOU Yu-gan，ZHENG Si-guo，et al．Moving Target Detection Based on Improved Mixture Gauss Model［C］//CMSP 2012，［S．I．］:CCIS，2012:261-266．

［10］金廣智，石林鎖，白向峰，等．基于混合高斯模型的新型目標(biāo)檢測系統(tǒng)［J］．計算機應(yīng)用，2011，31(12):3360-3365．

［11］王慧鋒，戰(zhàn)桂禮，羅曉明．基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測算法研究及應(yīng)用［J］．計算機工程與應(yīng)用，2009，45(9):223-226