基于無人機紅外熱像的電纜隱患點智能檢測①

周詠晨,鄒翔宇,藍(lán) 耕,王火根

1(國網(wǎng)上海電纜公司,上海 200072)

2(上海曦途信息科技有限公司,上海 200437)

1 引言

隨著我國經(jīng)濟的高速發(fā)展,城市對電力的需求量與日俱增,保障城市電力供應(yīng)具有重要的意義,而戶外電纜終端的可靠運行是輸電電纜穩(wěn)定工作的關(guān)鍵因素.在使用過程中,戶外電纜終端常年暴露在復(fù)雜多變的自然環(huán)境中,性能的穩(wěn)定極易受到天氣情況的影響.因此,定時定點地對其進(jìn)行檢測成為電網(wǎng)企業(yè)的日常工作之一.由于輸電線路和電纜結(jié)合部的戶外電纜終端平臺的高度約為十米,運維人員手持專業(yè)設(shè)備登塔進(jìn)行檢查存在較高的安全風(fēng)險,并且日常運維工作中現(xiàn)場采集的大量可供分析的數(shù)據(jù),采用傳統(tǒng)的人工檢查手段難以快速有效地發(fā)現(xiàn)隱患點.因此,提出一種代替?zhèn)鹘y(tǒng)人工巡檢的方法具有重要的應(yīng)用價值.

為了提高電網(wǎng)企業(yè)的工作效率,本文提出基于無人機紅外熱像智能檢測電纜隱患點的方法.一方面,與傳統(tǒng)人工巡檢相比,無人機巡檢操作簡單,具有高空作業(yè)風(fēng)險低,不受高度限制等特點,可以多維度地獲取戶外終端設(shè)備的運行數(shù)據(jù).目前,無人機巡檢在電力行業(yè)中得到了廣泛運用并取得了一定的進(jìn)展.寧柏鋒[1]實現(xiàn)無人機巡檢圖像中輸電線路銷釘脫落故障的自動檢測.張國祥[2]將無人機應(yīng)用到光伏電廠提高巡檢效率,延長光伏發(fā)電機組使用壽命.另一方面,紅外檢測技術(shù)可以非接觸地對運動目標(biāo)和微小目標(biāo)測溫,并直觀地顯示物體表面的溫度場,具有溫度分辨率高,可采用多種顯示方式進(jìn)行數(shù)據(jù)存儲和處理的優(yōu)點.因此,以無人機為基礎(chǔ)作業(yè)平臺,探索紅外熱成像技術(shù)智能識別和檢測輸電電纜隱患點是一種可行高效的方法,研究學(xué)者針對紅外圖像檢測做了許多工作.黃華勇等[3]提出的高頻諧波下電纜頭熱點溫升的紅外測量方法,利用建立了電纜頭的有限元模型,通過電熱耦合分析軟件對電纜頭進(jìn)行電場和溫度場耦合仿真分析電纜頭溫升的影響.楊政勃等[4]利用輸電線路溫升變化,采用紅外圖像識別輸電線路電纜故障.楊可等[5]通過直方圖分析的背景溫度計算和形態(tài)濾波去噪分析,提出一個基于計算機視覺的電纜終端表面溫升分析系統(tǒng).王海元[6]對采集的電力設(shè)備熱紅外圖像等溫線溫度場分割進(jìn)行處理,確定出熱紅外圖像的缺陷中心位,快速預(yù)測出電力設(shè)備故障點.盡管以往研究取得一定成果,但是針對電力公司要求的電纜終端的檢測研究還是很少的.本文從實際應(yīng)用出發(fā),為了提高電纜故障點檢測的效率,避免施工人員的危險作業(yè),提出了替代人工的智能檢測方法.首先,采用無人機對戶外電纜終端進(jìn)行航拍,得到戶外電纜終端的紅外熱圖;其次,對紅外熱圖采用改進(jìn)的Bernsen二值化處理;再次,使用投影法從二值化圖像中提取出待檢測的主體電纜,去除背景對隱患點診斷的影響;最后,根據(jù)強度色譜確定主體電纜圖像中顏色高亮的異常區(qū)域為隱患點,從而實現(xiàn)對電纜隱患點的智能檢測.

2 方法

本方法主要包括目標(biāo)檢測和目標(biāo)識別兩個過程,流程如圖1所示.具體來講,在目標(biāo)檢測中,利用改進(jìn)的Bernsen 二值化進(jìn)行圖像處理,然后采用投影法和形態(tài)學(xué)提取紅外圖像中待檢測的主體電纜;在目標(biāo)識別中,通過主體電纜圖像中顏色高亮的異常區(qū)域確定可疑的隱患點.

圖1 檢測流程

2.1 改進(jìn)的Bernsen 二值化算法

圖像二值化是數(shù)字圖像處理中一個重要的預(yù)處理步驟,是將圖像中所有像素的灰度值根據(jù)選定的閾值設(shè)置為0 (黑色)或者1 (白色),使整幅圖像呈現(xiàn)出只有黑色和白色兩種顏色的效果.經(jīng)過二值化處理后的圖像可以比較容易地從背景中提取出物體,將前景像素與背景像素分離.常見的二值化方法有灰度平均值法,Otsu 方法[7]以及自適應(yīng)閾值方法[4].前兩種方法的共同點是基于全局的二值化方法,使用單一閾值對圖像進(jìn)行處理.最后一種方法認(rèn)為圖像中每個像素對應(yīng)的閾值是不相同的,在二值化的時候為每個像素根據(jù)其鄰域范圍內(nèi)像素值選取一個合適的閾值進(jìn)行處理[8,9].在實際應(yīng)用中,圖像的灰度變化較大,易受到光照、噪聲等不利因素的影響.因此,本文為了克服光照不均和噪聲影響,提出了一個改進(jìn)的Bernsen 算法對紅外圖像進(jìn)行二值化處理.

Bernsen 算法是一種局部閾值算法,適合解決光照不均的問題,其核心思想實在灰度圖像中以像素點(i,j)為中心的(2w+1)×(2w+1)窗口,計算各個像素點的閾值T(i,j):

其中,k,l為窗口位置參數(shù),為了減少光照、噪聲的影響,本文再將圖像f(i,j)逐點先進(jìn)行高斯濾波:

其中,σ為高斯濾波平滑尺度,然后再對其進(jìn)行Bersen二值處理得到T′(i,j):

遍歷該圖像每個點,得到改進(jìn)的Bernsen 二值化圖像:

在本文中,窗口大小采用5×5,式(2)中T和式(3)中T'隨著窗口在圖像的滑動,每個區(qū)域會產(chǎn)生不同的值,經(jīng)式(4)計算,最終實現(xiàn)自適應(yīng)閾值的二值化圖像.

2.2 投影法

紅外圖像經(jīng)過二值化處理之后.可以得到主體電纜的大致輪廓.投影法[10–13]是對二值圖像進(jìn)行前景與背景分割的常用方法.為了提取出圖像中的主體電纜部分,利用投影法得到其上下左右四個邊界的坐標(biāo)信息,從而進(jìn)行分割.投影法主要由兩個過程組成:水平投影(行投影),實現(xiàn)步驟為循環(huán)各行,統(tǒng)計該行前景像素的個數(shù).經(jīng)過水平投影之后,可以得到前景的上邊界和下邊界的坐標(biāo)信息.同理,為了得到前景的左邊界和右邊界的坐標(biāo)信息,對二值圖像進(jìn)行垂直投影.

2.3 形態(tài)學(xué)處理

提取出紅外圖像中的主體電纜之后,需要進(jìn)一步對其是否存在隱患點進(jìn)行識別.本文通過比較主體電纜圖像中顏色高亮的異常區(qū)域和強度色譜的分布初步確定發(fā)熱點.但是得到的高亮區(qū)域數(shù)量可能過多,存在某些高亮區(qū)域面積過小的情況,所以需要對初步確定的異常區(qū)域進(jìn)行合并處理,合并過程通過數(shù)學(xué)形態(tài)學(xué)處理方法中的腐蝕,膨脹和開閉運算[14]實現(xiàn).腐蝕和膨脹操作是數(shù)學(xué)形態(tài)學(xué)處理方法的基礎(chǔ),以集合為操作對象,從數(shù)學(xué)意義上來說是一種非線性操作.

假設(shè)A和B是Z2中的兩個集合,集合B對集合A的腐蝕可以表示為:

根據(jù)定義,可以看出B對A的腐蝕是A中包含的一個用z平移的B中的所有的點z的集合.

集合B對集合A的膨脹可以表示為:

根據(jù)定義,可以看出B對A的膨脹是所有位移z的集合,這樣,和A中至少有一個重疊元素.

腐蝕操作會縮小圖像中的組成部分,實際應(yīng)用中可以去除圖像中細(xì)微的連接線,點等;膨脹操作則會擴大圖像的組成部分,可以粗化圖像中的物體.

開運算和閉運算是建立在腐蝕和膨脹基礎(chǔ)之上的另外兩種形態(tài)學(xué)處理方法.集合B對集合A的開運算可以表示為:

集合B對集合A的閉運算可以表示為:

本文在提取電纜主體部分之后采用數(shù)學(xué)形態(tài)學(xué)對小區(qū)域部分進(jìn)行融合.開運算先膨脹再腐蝕,而閉運算的實現(xiàn)順序正好與之相反.開運算和閉運算都能夠?qū)ξ矬w的輪廓進(jìn)行平滑,開運算能夠斷開較窄的狹頸并消除細(xì)的突出物,閉運算通常會彌合較窄的間斷并消除小的孔洞.因此,通過這些操作可以將電纜主體中距離較近的多個高亮區(qū)域合并成一個,同時去除高亮區(qū)域的內(nèi)部孔洞,隱患點識別具體分為以下步驟:

(1)利用強度色譜與主體電纜圖像的整體顏色分布確定高亮閾值,得到主體電纜圖像中所有高亮區(qū)域;

(2)選擇合適面積閾值,將面積過小的高亮區(qū)域移除;

(3)根據(jù)上述4 種形態(tài)學(xué)處理方法將距離較近的多個高亮區(qū)域合并成一個,同時去除高亮區(qū)域的內(nèi)部孔洞;

(4)剩余被保留下來的高亮區(qū)域為最終的隱患點,將結(jié)果輸出.

通過上述方法,可以實現(xiàn)對電纜隱患點的智能檢測.現(xiàn)將算法流程總結(jié)如算法1.

算法1.智能檢測電纜隱患點算法1)用無人機航拍一幅電纜紅外熱像,對其進(jìn)行改進(jìn)的Bernsen 二值化處理;2)根據(jù)二值化圖像,利用垂直和水平投影法提取出紅外圖像中的主體電纜;3)通過強度色譜,初步確定主體電纜中的顏色高亮區(qū)域為異常區(qū)域;4)對異常區(qū)域進(jìn)行形態(tài)學(xué)處理,保留符合條件的異常區(qū)域;5)輸出隱患點位置信息.

3 實驗結(jié)果

本實驗主要分為兩個部分,分別為主體電纜提取和隱患點識別.

3.1 主體電纜提取

本實驗首先使用無人機航拍得到戶外電纜終端設(shè)備的紅外熱像,拍攝到的圖像大小均為640×480.如圖2所示.圖2(a)為戶外電纜終端處理正常狀態(tài)的圖像,整體發(fā)熱溫度較低且?guī)缀鯖]有差異.圖2(b)為處于異常狀態(tài)的圖像,存在局部發(fā)熱溫度過高的區(qū)域且整體溫度偏高,該情況說明此時戶外電纜終端處于非安全的工作狀態(tài).

圖2 戶外電纜終端紅外熱像

戶外電纜終端紅外熱像經(jīng)過改進(jìn)的Bernsen 二值化和形態(tài)學(xué)去除干擾區(qū)域處理得到的結(jié)果如圖3所示.第一行為三張戶外終端紅外熱像原始圖像,第二、三行分別為使用Bernsen 二值化處理結(jié)果和形態(tài)學(xué)處理后的圖像.二值圖像清楚地顯示出主體電纜的輪廓.本文使用形態(tài)學(xué)的先膨脹后腐蝕的處理方式,即閉運算,使得主體部分較好的合并為一起,便于后期的前景背景分離.

經(jīng)上述處理之后,需要對二值圖像進(jìn)行投影,找出主體電纜的位置.提取圖像中的主體電纜部分是重要的一步.因為隱患點只可能存在于戶外電纜終端上,不可能存在于其他地方,所以去除電纜終端以外的部分有利于提高后續(xù)隱患點識別的正確率.投影之后提取出的結(jié)果如圖4所示.圖4結(jié)果從左至右分別是圖3中的戶外電纜終端紅外熱像所對應(yīng)的主體電纜部分.

3.2 隱患點識別

提取出主體電纜之后,本文通過強度色譜確定主體電纜中顏色高亮的區(qū)域為可疑的發(fā)熱區(qū)域即隱患點.強度色譜如圖5(a)所示,不同的色譜帶表示不同的溫度范圍.色譜顏色亮度越大,表示的溫度越高;反之,色譜顏色亮度越低,代表的溫度也越低.

圖3 改進(jìn)Bernsen 二值化和形態(tài)學(xué)閉運算處理結(jié)果

圖4 主體電纜

首先確定每張主體電纜圖像的高亮閾值,得到所有可能的異常區(qū)域.通過高亮區(qū)域確定可疑發(fā)熱區(qū)域中部分圖像效果如圖5(b)和圖5(c)所示.其中圖5(b)所確定的發(fā)熱區(qū)域已經(jīng)逼近最終發(fā)熱區(qū)域,但是存在多個面積過小的高亮區(qū)域;圖5(c)的高亮區(qū)域?qū)儆诟蓴_區(qū)域.如果不去除這些干擾或者面積過小的區(qū)域,將對結(jié)果產(chǎn)生影響.因此需要進(jìn)一步的檢測來去除這些干擾的區(qū)域.本方法通過設(shè)定高亮區(qū)域面積閾值的方式去除這些干擾區(qū)域.只有大于面積閾值的高亮區(qū)域才得以保留,而小于面積閾值的則認(rèn)為不是可疑的發(fā)熱區(qū)域.因此,經(jīng)過面積閾值判斷之后,圖5(b)和圖5(c)中紅色圓圈標(biāo)記處的面積過小的區(qū)域?qū)⒈蝗コ?

圖5 強度色譜和高亮區(qū)域示意圖

對保留下來的區(qū)域進(jìn)一步處理.通過形態(tài)學(xué)處理方法連接較近的區(qū)域,并消除區(qū)域內(nèi)部的細(xì)小孔洞.經(jīng)過處理之后得以保留的區(qū)域為最終的發(fā)熱區(qū)域,即隱患點,在主體電纜圖像中標(biāo)出隱患點位置進(jìn)行輸出.檢測結(jié)果如圖6所示,分別對應(yīng)圖6中的隱患點位置.檢測結(jié)果顯示,本方法可以準(zhǔn)確地檢測出電纜中存在的隱患點.圖7為本算法檢測實例平臺展示.

圖6 隱患點檢測結(jié)果

為了進(jìn)一步驗證本文方法的性能,我們使用本方法對8 個不同地區(qū)的變電站采集到的共計5800 幅戶外電纜終端的紅外熱像進(jìn)行檢測.預(yù)先經(jīng)過人工檢測將采集到的圖像進(jìn)行檢查分為正常和異常兩類,并對存在隱患點的圖像標(biāo)記處位置便于與使用本文方法檢測的結(jié)果進(jìn)行比較.

高亮區(qū)域面積閾值大小對于識別正確率有著一定的影響,它們之間的關(guān)系如圖8所示.從圖8中,我們可以看出,識別正確率與面積閾值成負(fù)相關(guān),也就是面積閾值設(shè)置的值越大,正確率越低,這是因為去除干擾區(qū)域的時候,如果面積閾值設(shè)置的過大,會將原本存在隱患點的區(qū)域一并去除,影響后續(xù)的形態(tài)學(xué)處理效果.因此,本文最終將高亮區(qū)域面積閾值設(shè)置為100.

圖8 高亮區(qū)域面積閾值對識別正確率的影響

為了驗證本文提出的改進(jìn)的Bernsen 二值化結(jié)合形態(tài)學(xué)提取電纜的效果,本文與傳統(tǒng)的Bernsen 二值化和Otsu 二值化方法的檢測結(jié)果進(jìn)行比較,如表1.由表1可以看出,采用本文的方法檢測結(jié)果高于傳統(tǒng)的Bernsen 二值化和Otsu 二值化方法的92.20%和88.66%,達(dá)到了98.79%,說明本文提出的方法檢測電纜主體是有效的.

最后,將本文提出的方法用于5800 幅紅外圖像檢測電纜故障點,該圖像經(jīng)人工測定區(qū)分了正常和異常兩種結(jié)果,本文方法檢測結(jié)果見表2.從表2中我們可以看出,對于正常和異常兩類戶外電纜終端紅外圖像,本文方法都可以準(zhǔn)確地判斷出圖像中是否存在隱患點,檢測正確率均在90%以上.

表1 本文方法與傳統(tǒng)二值化方法分割電纜主體比較結(jié)果

表2 本文方法檢測電纜故障點統(tǒng)計結(jié)果

4 總結(jié)與展望

本文從電網(wǎng)中檢測電纜隱患點的實際問題出發(fā),針對傳統(tǒng)人工巡檢困難,難以快速有效地發(fā)現(xiàn)缺陷和故障這一現(xiàn)狀,提出了基于無人機紅外熱像智能檢測電纜隱患點的方法.采用改進(jìn)Bernsen 二值化方法和投影法從紅外圖像中提取主體電纜,基于強度色譜和形態(tài)學(xué)處理進(jìn)行識別.實驗結(jié)果顯示,本方法檢測隱患點的正確率能夠滿足實際應(yīng)用要求,是一種代替人工檢測的可行且高效的方法.