一種基于紅外圖像的電纜終端異常發(fā)熱自動(dòng)診斷方法

黃嘉明，胡欣欣，韋亦龍，史筱川，周灝，李劍

(1. 廣東電網(wǎng)有限責(zé)任公司珠海供電局，廣東 珠海 519000；2. 武漢伏佳安達(dá)電氣技術(shù)有限公司，湖北 武漢430072)

隨著人們對(duì)城市美化和供電可靠性、供電質(zhì)量的要求越來(lái)越高，電力電纜以其良好的電氣性能、機(jī)械性能和環(huán)境友好等優(yōu)點(diǎn)在電力系統(tǒng)中得到了廣泛的應(yīng)用。電力電纜的安全運(yùn)行，是電網(wǎng)可靠供電的重要因素[1-5]。

電纜終端是用來(lái)連接電纜與其他電氣設(shè)備的重要附件，也是電纜系統(tǒng)的薄弱環(huán)節(jié)[6]。一方面，為改善電場(chǎng)分布，電纜終端多采用多層復(fù)合絕緣介質(zhì)[7]，生產(chǎn)制造過(guò)程可能在電纜終端內(nèi)部引入雜質(zhì)、突起和氣泡等；另一方面，電纜終端需要現(xiàn)場(chǎng)安裝，施工環(huán)境和安裝人員的經(jīng)驗(yàn)等均會(huì)影響安裝質(zhì)量，安裝質(zhì)量不佳時(shí)可能出現(xiàn)應(yīng)力錐錯(cuò)位、絕緣層破損等問(wèn)題。若不及時(shí)消缺，在電場(chǎng)和溫度場(chǎng)的共同作用下，缺陷進(jìn)一步發(fā)展可能導(dǎo)致連接件燒蝕毀壞、絕緣擊穿，甚至造成終端頭爆炸[8]。理論分析和實(shí)際運(yùn)行觀(guān)測(cè)均表明，存在缺陷的電纜終端運(yùn)行溫度往往高于正常終端[9-10]；因此，測(cè)量終端溫度有利于及時(shí)發(fā)現(xiàn)異常發(fā)熱現(xiàn)象并消缺，阻止缺陷進(jìn)一步發(fā)展。紅外熱成像測(cè)溫技術(shù)由于具有非接觸、不受高壓電磁場(chǎng)干擾、高效直觀(guān)等優(yōu)點(diǎn)，成為當(dāng)前電纜巡檢的重要手段之一[11]。

目前針對(duì)電纜終端的紅外診斷主要依靠巡檢人員根據(jù)工作經(jīng)驗(yàn)人工定位疑似過(guò)熱區(qū)域與參考區(qū)域，基于計(jì)算的溫度特征量實(shí)現(xiàn)狀態(tài)診斷。這樣的診斷方式一方面用時(shí)長(zhǎng)，效率低；另一方面過(guò)分依賴(lài)人工經(jīng)驗(yàn)，容易出現(xiàn)漏判或誤判。為了提高智能化水平，有研究基于紅外熱成像的狀態(tài)自動(dòng)診斷技術(shù)。文獻(xiàn)[12]引入自適應(yīng)遺傳算法優(yōu)化模糊參數(shù)，改善電力設(shè)備紅外圖像，提高目標(biāo)與背景對(duì)比度；文獻(xiàn)[13]利用超像素分割方法結(jié)合色度信息進(jìn)行溫度異常區(qū)域提取；文獻(xiàn)[14]提出改進(jìn)的極大穩(wěn)態(tài)區(qū)域(maximally stable extremal region，MSER)算法進(jìn)行圖像分割，實(shí)現(xiàn)電力設(shè)備紅外故障區(qū)域的提取。以上方法在紅外圖像背景較簡(jiǎn)單時(shí)效果良好，能夠有效改進(jìn)圖像質(zhì)量或提取異常發(fā)熱區(qū)域，但是沒(méi)有充分考慮到復(fù)雜環(huán)境背景對(duì)電力設(shè)備圖像處理所造成的影響；同時(shí)上述方法的研究對(duì)象并非電纜，應(yīng)用領(lǐng)域存在差異，而圖像處理尤其是圖像分割中，需要充分考慮所拍攝主體的特征信息，因此應(yīng)用領(lǐng)域存在差異時(shí)無(wú)法保證處理效果。

目前針對(duì)電纜終端的紅外圖像智能處理的研究較少。文獻(xiàn)[15]利用改進(jìn)的Sobel算子結(jié)合自適應(yīng)最佳閾值，實(shí)現(xiàn)電纜終端紅外圖像的邊緣提??；文獻(xiàn)[16]利用Radon和Fourire-Mellin變換提取紅外圖像特征，實(shí)現(xiàn)電纜終端的紅外圖像部位識(shí)別。但是二者均只對(duì)電纜終端紅外圖像的初步處理進(jìn)行研究，未涉及提取過(guò)熱區(qū)域之后的狀態(tài)診斷。

鑒于此，本文提出一種基于紅外圖像的電纜終端異常發(fā)熱自動(dòng)診斷方法。首先利用最大類(lèi)間方差法實(shí)現(xiàn)圖像背景濾除；在此基礎(chǔ)上利用Canny算法識(shí)別與提取電纜終端主體；然后基于k-means聚類(lèi)算法找出疑似過(guò)熱區(qū)域，并與匹配出的參考區(qū)域進(jìn)行溫度特征信息比較；最終得到電纜終端異常發(fā)熱數(shù)據(jù)。

1 紅外圖像電纜終端提取

1.1 紅外圖像灰度化

原始紅外圖像包含紅、綠、藍(lán)3個(gè)顏色通道，每個(gè)通道取值范圍0 ～ 255，圖像包含像素信息超過(guò)16 000 000(256×256×256)，直接處理彩色圖像運(yùn)算量大，速度慢，效率低[17]。

將紅外圖像轉(zhuǎn)化為灰度圖像的過(guò)程稱(chēng)為灰度化，灰度圖像本質(zhì)上是紅、綠、藍(lán)3個(gè)顏色分量R、G、B大小一致的特殊彩色圖像，3個(gè)分量大小即為灰度大小?；叶葓D像仍然能夠反映輪廓、紋理與溫度等信息，灰度大小與溫度高低成正相關(guān)，灰度值越大，對(duì)應(yīng)像素點(diǎn)的溫度越高[18]?；叶热≈禐?～255，共256種情況，相較于原始紅外圖像，數(shù)據(jù)量顯著減少；因此，先將紅外圖像灰度化，再進(jìn)行后續(xù)處理與分析，能夠有效減少所需運(yùn)算量與存儲(chǔ)空間，提高處理速度與效率。

考慮到人眼對(duì)綠色的敏感度最高，而對(duì)藍(lán)色的敏感度最低[19]，采用加權(quán)平均法實(shí)現(xiàn)紅外圖像灰度化，灰度化公式為

I=0.299R+0.587G+0.114B.

(1)

式中I為像素點(diǎn)的灰度值。

1.2 紅外圖像背景濾除

電纜終端紅外圖像背景復(fù)雜，可能包括天空、樹(shù)木和樓房建筑物等。背景包含的輪廓信息、紋理信息等一方面增大待運(yùn)算數(shù)據(jù)量，導(dǎo)致圖像處理效率降低，另一方面會(huì)對(duì)后續(xù)處理中終端主體的識(shí)別造成干擾，進(jìn)而導(dǎo)致溫度狀態(tài)量提取出現(xiàn)偏差，狀態(tài)判斷出現(xiàn)錯(cuò)誤；因此，有必要先對(duì)電纜紅外圖像進(jìn)行背景濾除，突出拍攝主體。

圖 1為電纜終端原始紅外圖像；圖2為圖1灰度化后灰度值的三維圖像，其中x、y、z分別為像素點(diǎn)的橫坐標(biāo)、縱坐標(biāo)和灰度值大小?？梢园l(fā)現(xiàn)運(yùn)行中的設(shè)備區(qū)域與背景區(qū)域在灰度特征上存在較大差異，因此可以基于灰度大小實(shí)現(xiàn)背景的識(shí)別與濾除。但是，簡(jiǎn)單地基于同一閾值進(jìn)行圖像分割，無(wú)法適用于不同的圖像；因此，需要針對(duì)不同的圖像，利用不同的閾值進(jìn)行分割。

由日本學(xué)者大津于1979年提出的最大類(lèi)間方差法，能夠根據(jù)圖像的灰度信息自適應(yīng)地計(jì)算出灰度閾值，當(dāng)像素點(diǎn)灰度值低于閾值時(shí)，認(rèn)為該像素點(diǎn)屬于背景，否則將該像素點(diǎn)劃分為前景[20]?；谠撍惴?，將劃分為背景的像素點(diǎn)的R、G和B賦值為零，實(shí)現(xiàn)背景濾除。

圖1 電纜終端紅外圖像Fig.1 Infrared image of cableterminal

圖2 灰度值三維效果圖Fig.2 3D effect diagram of Grayscale magnitude

1.3 終端主體識(shí)別提取

實(shí)現(xiàn)背景濾除后的紅外圖像雖然已經(jīng)消除背景干擾，但前景圖像中不僅含有目標(biāo)對(duì)象電纜終端，還可能含有終端附近的桿塔、架空線(xiàn)、絕緣子和避雷器等，這些設(shè)備運(yùn)行溫度高于背景，因此灰度明顯高于背景，在背景濾除過(guò)程中會(huì)與電纜終端一同被劃分到前景圖像中。為了后續(xù)處理中能夠快速、準(zhǔn)確地在電纜終端上提取過(guò)熱區(qū)域與匹配參考區(qū)域，有必要先將終端整體提取出來(lái)，以消除其他電氣設(shè)備對(duì)電纜終端狀態(tài)診斷的干擾。

由于前景圖像中的目標(biāo)對(duì)象(電纜終端)與干擾對(duì)象(其他電氣設(shè)備)在外形上存在明顯的區(qū)別，因此考慮基于外形信息實(shí)現(xiàn)目標(biāo)對(duì)象的提取。而邊緣信息一方面能夠較好地反映圖像中的輪廓、紋理特征，另一方面提取、處理速度較快，因此選擇利用邊緣信息提取電纜終端主體[21-22]?？紤]到Canny算子在邊緣檢測(cè)中表現(xiàn)突出[19]，選擇Canny邊緣檢測(cè)法提取圖像的邊緣信息，并基于邊緣信息實(shí)現(xiàn)電纜終端整體的識(shí)別提取。具體步驟如下：

a)將事先人工提取的電纜終端整體作為模板，將完成背景濾除后的圖像作為待識(shí)別圖像。利用Canny算法分別提取模板和待識(shí)別圖像的邊緣信息，構(gòu)成模板矩陣和待識(shí)別矩陣，矩陣中對(duì)應(yīng)邊緣位置的元素值為1，否則為0。

b)將模板矩陣作為濾波器，對(duì)待識(shí)別矩陣進(jìn)行模板濾波，重疊區(qū)元素乘積相加得到濾波結(jié)果。遍歷待識(shí)別矩陣，濾波結(jié)果最大時(shí)對(duì)應(yīng)的像素點(diǎn)具有與模板最相似的外形。

c)保留待識(shí)別圖像中與模板最相似的部分，其余像素點(diǎn)的R、G和B賦值為零，實(shí)現(xiàn)目標(biāo)對(duì)象(電纜終端)的識(shí)別提取。

電纜終端提取結(jié)果如圖3所示。

圖3 電纜終端提取結(jié)果Fig.3 Extraction results of cable terminal

2 發(fā)熱區(qū)域與參考區(qū)域定位

2.1 疑似過(guò)熱區(qū)域提取

為了確定電纜終端的缺陷部位和嚴(yán)重程度，應(yīng)提取出終端的疑似過(guò)熱區(qū)域，一方面該區(qū)域可作為后續(xù)處理中參考區(qū)域匹配的模板，另一方面需要重點(diǎn)關(guān)注該區(qū)域的溫度信息，以作為終端狀態(tài)診斷的依據(jù)。存在異常發(fā)熱現(xiàn)象的部位，對(duì)應(yīng)像素點(diǎn)的R、G、B分量均高于正常部位；因此，考慮基于3個(gè)分量進(jìn)行圖像分割，實(shí)現(xiàn)疑似過(guò)熱區(qū)域提取。

k-means聚類(lèi)算法能夠根據(jù)給定的聚類(lèi)數(shù)k，通過(guò)聚類(lèi)中心點(diǎn)的迭代更新，將待處理數(shù)據(jù)根據(jù)相似程度劃分為k類(lèi)[19,23]。本算法中，以R、G、B分量作為待處理數(shù)據(jù)樣本，k指定為4，像素點(diǎn)3個(gè)分量大小作為數(shù)據(jù)特征，樣本點(diǎn)與聚類(lèi)中心點(diǎn)的差值平方作為相似程度評(píng)判標(biāo)準(zhǔn)，實(shí)現(xiàn)電纜終端疑似過(guò)熱區(qū)域提取。具體處理過(guò)程為：

a)對(duì)于識(shí)別提取出的目標(biāo)對(duì)象(電纜終端)，分別提取圖像的R、G、B分量，并分別構(gòu)成矩陣作為數(shù)據(jù)樣本。

b)在各分量中隨機(jī)選取4個(gè)聚類(lèi)中心，并將數(shù)據(jù)樣本歸類(lèi)到最相似的中心，相似程度Ddist用式(2)表示，Ddist越小，相似程度越大。

Ddist=‖x-μi‖.

(2)

式中：μi為第i類(lèi)的聚類(lèi)中心；x為數(shù)據(jù)樣本點(diǎn)。

c)計(jì)算每個(gè)聚類(lèi)的均值作為新的聚類(lèi)中心，并將數(shù)據(jù)樣本重新聚類(lèi)，新的聚類(lèi)中心

(3)

式中：xi為被聚類(lèi)到類(lèi)別Ci的所有數(shù)據(jù)樣本；Ni為屬于Ci的樣本個(gè)數(shù)。

d)重復(fù)步驟b)、c)，直到達(dá)到收斂條件，即

‖J(k,μ)F-J(k,μ)F-1‖2<10-2，

(4)

(5)

式中：F為迭代次數(shù)；J為每個(gè)聚類(lèi)中的數(shù)據(jù)與對(duì)應(yīng)的聚類(lèi)中心偏差的平方和。

e)分別提取3個(gè)分量聚類(lèi)結(jié)果中聚類(lèi)中心最大的一類(lèi)，3個(gè)分量該類(lèi)像素點(diǎn)的交集即為疑似過(guò)熱區(qū)域。

疑似過(guò)熱區(qū)域提取結(jié)果如圖4所示。

圖4 疑似過(guò)熱區(qū)域提取結(jié)果Fig.4 Extraction results of suspected overheating area

2.2 參考區(qū)域匹配

電纜終端不同部位之間(如接線(xiàn)柱、套管、尾管等)在正常運(yùn)行時(shí)會(huì)存在溫差[6]，為了更加準(zhǔn)確地判斷終端的運(yùn)行狀態(tài)，應(yīng)該在參考相中提取與疑似過(guò)熱區(qū)域相同的部位，繼而提取對(duì)應(yīng)的溫度特征信息用于后續(xù)狀態(tài)診斷。對(duì)于提取的疑似過(guò)熱區(qū)域，采用模板匹配算法實(shí)現(xiàn)參考區(qū)域的識(shí)別提取。

模板匹配的思想是：基于確定的模板，遍歷待匹配圖像，尋找到與模板最相似的區(qū)域，確定該區(qū)域在圖像中的位置[24]。根據(jù)該方法的參考區(qū)域匹配過(guò)程如下：

a)利用k-means聚類(lèi)算法提取疑似過(guò)熱區(qū)域，自動(dòng)定位出過(guò)熱區(qū)域中心，并以此作為模板中心構(gòu)造矩形模板。模板的尺寸以提取的電纜終端主體尺寸為參照，本算法中模板邊長(zhǎng)自動(dòng)確定為終端主體水平寬度的1.5倍。

b)在從參考相中提取出的目標(biāo)對(duì)象(電纜終端)上取與模板相同尺寸的圖像作為計(jì)算窗口。

c)計(jì)算模板與計(jì)算窗口中像素點(diǎn)的相似程度。考慮到灰度信息能夠較好地體現(xiàn)圖像的輪廓細(xì)節(jié)和紋理細(xì)節(jié)，用基于灰度矩陣計(jì)算的相關(guān)系數(shù)衡量相似程度。假設(shè)模板圖像g(x,y)尺寸為P×Q，待匹配圖像f(x,y)尺寸為M×N，則相關(guān)系數(shù)計(jì)算公式如式(6)所示，對(duì)式(6)的表達(dá)式進(jìn)行歸一化后得到式(7)。相關(guān)系數(shù)越大，相似程度越大。

(6)

(7)

式中：g為模板像素點(diǎn)的灰度信息；f為計(jì)算窗口中像素點(diǎn)的灰度信息；c為基于灰度計(jì)算的相關(guān)系數(shù)；r為歸一化后的相關(guān)系數(shù)。

d)重復(fù)步驟b)、c)，直到遍歷參考相中的目標(biāo)對(duì)象(電纜終端)。

e)選擇相關(guān)系數(shù)最大的計(jì)算窗口對(duì)應(yīng)的圖像，提取該區(qū)域作為與疑似過(guò)熱區(qū)域相匹配的參考區(qū)域。

參考區(qū)域匹配結(jié)果如圖5所示。

3 溫度參數(shù)計(jì)算與狀態(tài)診斷

3.1 溫度參數(shù)計(jì)算

提取疑似過(guò)熱區(qū)域與參考區(qū)域后，讀取對(duì)應(yīng)的溫度信息，并進(jìn)行溫度參數(shù)的計(jì)算。假設(shè)T1為疑似過(guò)熱區(qū)域的溫度，T2為參考區(qū)域的溫度，T0為環(huán)

圖5 參考區(qū)域匹配結(jié)果Fig.5 Matching results of reference region

境溫度，利用式(8)—(10)實(shí)現(xiàn)過(guò)熱區(qū)域溫度特征量的計(jì)算：

Tr=T1-T0，

(8)

Td=T1-T2，

(9)

δt=(T1-T2)/(T1-T0).

(10)

式中：Tr為溫升；Td為溫差；δt為相對(duì)溫差。

3.2 狀態(tài)診斷

根據(jù)診斷判據(jù)和計(jì)算出的溫度特征量，實(shí)現(xiàn)電纜終端異常發(fā)熱的自動(dòng)診斷。以DL/T 664—2016《帶電設(shè)備紅外診斷應(yīng)用規(guī)范》的診斷標(biāo)準(zhǔn)作為判據(jù)，表1為與電纜終端相關(guān)的電流致熱型缺陷診斷判據(jù)。

4 案例分析

以接線(xiàn)柱存在異常發(fā)熱現(xiàn)象的電纜終端紅外圖像為例，診斷流程如圖6所示。

首先利用加權(quán)平均算法對(duì)拍攝得到的電纜終端紅外圖像進(jìn)行灰度化，進(jìn)而根據(jù)灰度大小利用最大類(lèi)間方差聚類(lèi)算法實(shí)現(xiàn)背景濾除，突出拍攝主體，強(qiáng)化主體特征，消除背景信息干擾。進(jìn)行背景濾除有利于后續(xù)電纜終端識(shí)別、分割與溫度信息提取等操作，提高圖像處理的效率與準(zhǔn)確性。背景濾除結(jié)果如圖7所示。

表1 電流致熱型終端缺陷診斷判據(jù)Tab.1 Diagnostic criteria for current heating type terminal

圖6 診斷流程Fig.6 Infrared image processing procedure

圖7 背景濾除結(jié)果Fig.7 Background filtering results

完成背景濾除之后，利用Canny檢測(cè)算子提取圖像的邊緣信息，對(duì)照事先設(shè)定的電纜終端整體模板，通過(guò)濾波方法實(shí)現(xiàn)目標(biāo)對(duì)象的識(shí)別提取，消除其他電氣設(shè)備對(duì)后續(xù)過(guò)熱區(qū)域提取與參考區(qū)域匹配的干擾。邊緣信息檢測(cè)結(jié)果如圖8所示，目標(biāo)對(duì)象提取結(jié)果如圖9所示。

圖8 邊緣信息檢測(cè)結(jié)果Fig.8 Edge detection results

圖9 目標(biāo)對(duì)象提取結(jié)果Fig.9 Extraction results of target objects

提取所識(shí)別電纜終端部位的R、G、B分量，利用k-means算法對(duì)3個(gè)分量進(jìn)行聚類(lèi)，分別提取分量聚類(lèi)結(jié)果中聚類(lèi)中心最大的一類(lèi)，3個(gè)分量該類(lèi)交集即為疑似過(guò)熱區(qū)域。該區(qū)域可作為后續(xù)參考區(qū)域匹配操作的模板，同時(shí)其溫度特征信息能夠作為終端狀態(tài)診斷的依據(jù)。R、G、B分量與過(guò)熱區(qū)域提取結(jié)果如圖10所示。

基于疑似過(guò)熱區(qū)域構(gòu)造模板，利用模板匹配算法遍歷參考相中的電纜終端，尋找與模板相似程度最高的區(qū)域，提取該區(qū)域作為參考區(qū)域。之后提取參考區(qū)域的溫度特征信息，結(jié)合疑似過(guò)熱區(qū)域的溫度信息，依據(jù)相關(guān)診斷標(biāo)準(zhǔn)對(duì)電纜終端的運(yùn)行狀態(tài)作出自動(dòng)診斷。本案例的參考區(qū)域匹配結(jié)果如圖11所示。

本案例的溫度計(jì)算結(jié)果見(jiàn)表2。案例中發(fā)熱相滿(mǎn)足相對(duì)溫差80%～95%，因此該發(fā)熱相的缺陷等級(jí)自動(dòng)劃分為嚴(yán)重缺陷。

圖10 R、G、B分量與過(guò)熱區(qū)域提取結(jié)果Fig.10 R, G, B components and extraction result of suspected overheating areas

圖11 本案例的參考區(qū)域匹配結(jié)果Fig.11 Matching result of reference region

表2 終端溫度計(jì)算結(jié)果Tab.2 Terminal temperature calculation results

5 結(jié)束語(yǔ)

基于紅外圖像實(shí)現(xiàn)了電纜終端異常發(fā)熱的自動(dòng)診斷。診斷流程主要分為4步：首先利用最大類(lèi)間方差法將圖像分為背景與前景兩部分，實(shí)現(xiàn)背景濾除，消除背景對(duì)后續(xù)處理的干擾；其次為了將前景圖像中的其他電氣設(shè)備濾除，基于Canny算法提取的邊緣信息，利用濾波方法實(shí)現(xiàn)目標(biāo)對(duì)象(電纜終端)提?。蝗缓罄胟-means聚類(lèi)算法進(jìn)行圖像進(jìn)一步分割，提取終端疑似過(guò)熱區(qū)域；最后利用過(guò)熱區(qū)域構(gòu)造模板，通過(guò)模板匹配方法從參考相中匹配出參考區(qū)域，計(jì)算過(guò)熱區(qū)域與參考區(qū)域的溫度特征信息，并依據(jù)相關(guān)診斷標(biāo)準(zhǔn)進(jìn)行電纜終端運(yùn)行狀態(tài)的自動(dòng)診斷。

本文方法通過(guò)背景濾除和目標(biāo)對(duì)象提取消除了背景和前景圖像中非目標(biāo)區(qū)域的干擾，能夠適用于背景復(fù)雜的情況；同時(shí)考慮了參考區(qū)域匹配等問(wèn)題，形成了較為完整的診斷流程。該方法為后續(xù)提高電纜紅外診斷智能化提供參考，可有效降低對(duì)人工診斷的過(guò)分依賴(lài)，提高診斷效率。