基于PCNN分層聚類迭代的故障區(qū)域自動提取方法

許曉路,周 文,周東國,朱詩沁,倪 輝,羅傳仙

(1.南瑞集團(tuán)(國網(wǎng)電力科學(xué)研究院)有限公司，江蘇 南京 211006;2.國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司，湖北 武漢430074;3.武漢大學(xué) 電氣與自動化學(xué)院，湖北 武漢 430072)

0 引言

在電力行業(yè)中，紅外熱像儀作為監(jiān)測電氣設(shè)備故障強(qiáng)有力的工具，是非接觸式帶電故障狀態(tài)檢測中重點(diǎn)采用的一種方式，其具有通用性強(qiáng)、操作便捷等優(yōu)點(diǎn)[1]。目前，在輸變電站等電力巡檢場景中，紅外熱像儀基本上是巡檢人員必備的在線檢測工具，并對電氣設(shè)備故障早期發(fā)現(xiàn)起到了顯著效果。然而，目前大多數(shù)基于紅外熱像儀的電力故障判別仍采用人工觀察、錄入并上傳至遠(yuǎn)程監(jiān)測中心等處理。這對巡檢人員現(xiàn)場工程經(jīng)驗(yàn)、專業(yè)水平提出了更高的要求。此外，人工處理紅外圖像以及判別電力設(shè)備運(yùn)行狀態(tài)，在一定程度上會加長巡檢人員巡檢時間，且處理時極易出現(xiàn)因檢測過程不連續(xù)而發(fā)生重復(fù)或漏檢等情況[2-3]，使得故障檢測的效率受到了極大的影響。

目前紅外圖像處理技術(shù)成為了一種有效提升故障檢測效率的方式。而且，隨著無人機(jī)電力巡檢的興起，迫切需要在算法上對電力紅外圖像自適應(yīng)處理，其中包含的核心內(nèi)容有紅外圖像預(yù)處理、故障區(qū)域分析、故障設(shè)備辨識以及故障分類等。然而，故障區(qū)域的提取是最為基礎(chǔ)且關(guān)鍵的一項(xiàng)技術(shù)，也是困擾國內(nèi)外研究者最為經(jīng)典的難題。從文獻(xiàn)上看，研究的算法呈現(xiàn)出多樣化特點(diǎn)，大致可分為:①圖像閾值化，典型的如最大類間方差法;②圖像像素聚類，如文獻(xiàn)[4]采用紅外圖像灰度值聚類分析方法，提出了一種基于遺傳模糊核聚類算法，然后根據(jù)聚類結(jié)果實(shí)現(xiàn)紅外圖像分割;③偏微分方法，該方法是通過建立一種偏微分方程的數(shù)學(xué)模型，令圖像遵循偏微分方程求解并根據(jù)水平集理論進(jìn)行演化，達(dá)到預(yù)期的效果，相比之下，該理論難度大，實(shí)時性差，因此很少用在故障區(qū)域提取領(lǐng)域中;④神經(jīng)網(wǎng)絡(luò)處理方法，旨在利用神經(jīng)元對圖像中像素的分類，特別是第三代脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupled neural network, PCNN)方法作為一種高效的智能處理算法[5]，它可以在不需要訓(xùn)練學(xué)習(xí)的情況下將圖像信息轉(zhuǎn)換為脈沖信息，獲得所感興趣區(qū)域，但因參數(shù)設(shè)置不合理以及模型迭代規(guī)則與圖像不匹配，使得該模型仍然需要進(jìn)一步改善。此外，還有一些針對實(shí)際問題涌現(xiàn)出了多種不同的改進(jìn)算法[6-14]，例如文獻(xiàn)[6]首先采用Otsu 經(jīng)典閾值分割方法分離目標(biāo)，再用改進(jìn)后的直方圖均衡法增強(qiáng)目標(biāo)區(qū)域，為后續(xù)的故障辨識奠定基礎(chǔ);文獻(xiàn)[7]提出了基于形態(tài)學(xué)的最大類間方差和Krisch 算子的圖像分割方法。文獻(xiàn)[8]通過對Meanshift 方法中權(quán)重的改進(jìn)，采用了一種自適應(yīng)閾值的聚類機(jī)制，實(shí)現(xiàn)熱故障區(qū)域的提取。

然而，由于紅外圖像中電氣設(shè)備故障區(qū)域內(nèi)在的一些特性，例如故障區(qū)域內(nèi)存在偽邊界或故障區(qū)域灰度分布與背景灰度分布混疊，極易導(dǎo)致算法提取區(qū)域與實(shí)際故障區(qū)域產(chǎn)生大的偏差。為此，本文提出了一種電力故障區(qū)域自動提取方法。該方法以PCNN 為核心處理模型[14-15]，借助其內(nèi)在同步點(diǎn)火特性，通過建立聚類機(jī)制設(shè)置模型參數(shù)，進(jìn)而可將整個紅外圖像分割成多個具有相似特性的區(qū)域。然后，根據(jù)最大均值所在區(qū)域，結(jié)合相似度評價方法對相似的相鄰區(qū)域進(jìn)行合并處理，最終獲取故障區(qū)域，并通過真實(shí)電力設(shè)備故障紅外圖像測試，以及與現(xiàn)有算法的對比，文中方法具有較好的故障區(qū)域提取效果。

1 簡化的PCNN 模型

脈沖耦合神經(jīng)網(wǎng)絡(luò)[14]是一種以貓等哺乳動物視覺為研究對象而建立的生物模型，因其具有視覺機(jī)理而被廣泛應(yīng)用到圖像處理的各個領(lǐng)域。其中，模型內(nèi)在的同步點(diǎn)火特性以及動態(tài)閾值機(jī)制，使得其具備了相似像素聚類的性能。然而，因其自身結(jié)構(gòu)存在非線性特性以及內(nèi)在參數(shù)設(shè)置的多樣性和復(fù)雜性，使得PCNN 模型不得不依賴于統(tǒng)計(jì)或經(jīng)驗(yàn)參數(shù)設(shè)置等方法，導(dǎo)致模型的圖像處理性能受到一定的限制。為此，在常用的圖像模型中，大多通過簡化的方式構(gòu)建PCNN 模型[15]，如圖1所示。

圖1 簡化的PCNN 模型圖Fig.1 The simplified PCNN model

對比原始的PCNN 模型[15]，不難發(fā)現(xiàn)，模型中依然保留了神經(jīng)元的每個部分，即輸入層，耦合層和脈沖輸出層。輸入層是神經(jīng)元對外界信息的感知層，在該模型中，每一個神經(jīng)元輸入主要包含兩個部分:①鄰域神經(jīng)元的脈沖輸出Y;②像素灰度值信息，從而構(gòu)成一個二維的神經(jīng)網(wǎng)絡(luò)。在耦合層，每個神經(jīng)元對相鄰點(diǎn)火的神經(jīng)元進(jìn)行耦合并進(jìn)行加權(quán)放大神經(jīng)元的內(nèi)部活動，使得與鄰域相似神經(jīng)元發(fā)放同步脈沖。于是，在輸出層中，通常采用閾值調(diào)制器，對于超過動態(tài)閾值的神經(jīng)元則將Yij置為1，表示發(fā)生點(diǎn)火，形成脈沖。反之，則置為0，表示未發(fā)生點(diǎn)火。

進(jìn)一步地，由圖1可知，每個神經(jīng)元可以用一個迭代的數(shù)學(xué)模型描述，歸納如下:

式中:Fi,j為反饋輸入，它接收紅外圖像I區(qū)域空間中第i行第j列對應(yīng)的灰度值Ii,j;M、N代表圖像的行和列;L為連接輸入，接收其鄰域神經(jīng)元加權(quán)的脈沖點(diǎn)火信息;pi,j表示PCNN 神經(jīng)網(wǎng)絡(luò)中位于神經(jīng)元(i,j)的8 鄰域Ni,j坐標(biāo);n為PCNN 當(dāng)前迭代時刻;Yi,j[n-1]為前一時刻輸出;βi,j為神經(jīng)元(i,j)的連接系數(shù);Ui,j為該神經(jīng)元的內(nèi)部活動強(qiáng)度;θi,j為神經(jīng)元動態(tài)門限閾值，這里采用估計(jì)值描述。為鄰域神經(jīng)元與中心神經(jīng)元(i,j)之間的權(quán)重，通常其值由下式確定[14]:

式中:||pi,j-(i,j)||2表示鄰域位置pi,j與中心點(diǎn)(i,j)的歐式距離。

當(dāng)PCNN 處理圖像時，其每一次迭代都因像素的改變而需配置參數(shù)，這在一定程度上增加了PCNN 模型處理的靈活性，但另一方面也對參數(shù)配置和迭代機(jī)制提出了更高要求。為此，本文在簡化模型的基礎(chǔ)上，引入分層聚類機(jī)理[16]，使得模型在迭代過程中將整個圖像分割成多個具有相似特性的區(qū)域。然后，針對灰度特性較高的脈沖區(qū)域，結(jié)合邊界檢測算子對不具有強(qiáng)邊界的相鄰區(qū)域進(jìn)行合并，實(shí)現(xiàn)紅外圖像中熱故障區(qū)域的有效分割。

2 基于PCNN 分層聚類迭代的紅外圖像分割

為了增強(qiáng)模型對紅外圖像處理的適應(yīng)性，通常需要對PCNN 模型的參數(shù)進(jìn)行合理設(shè)置。其中，最為關(guān)鍵的參數(shù)包括:連接系數(shù)β，動態(tài)閾值θ。

2.1 簡化PCNN 模型參數(shù)設(shè)置

2.1.1 動態(tài)閾值θ

為了獲得脈沖輸出，動態(tài)閾值θ決定了神經(jīng)元發(fā)放脈沖的門限。通常，在輸出層中，動態(tài)閾值與區(qū)域特性是有關(guān)聯(lián)的。為了能夠讓鄰域相似的神經(jīng)元發(fā)放同步脈沖，即具有相似灰度的神經(jīng)元進(jìn)行聚類。在設(shè)置該參數(shù)時，采用當(dāng)前迭代中的脈沖發(fā)放區(qū)域的均值作為該動態(tài)閾值的估計(jì)值，即:

這個閾值在一定程度上可以抑制內(nèi)部活動值Ui,j小于均值的神經(jīng)元，而對超過該閾值的神經(jīng)元則發(fā)放同步脈沖，從而形成一種以均值聚類為點(diǎn)火機(jī)制的PCNN 圖像處理模型。

2.1.2 連接系數(shù)β的設(shè)置

根據(jù)動態(tài)閾值參數(shù)設(shè)置可知，在均值聚類中，考慮到內(nèi)部活動值Ui,j受限于鄰域點(diǎn)火的神經(jīng)元及其連接系數(shù)β，而權(quán)重值W設(shè)置采用的是一般配置方法。因此，相似神經(jīng)元是否發(fā)放同步脈沖主要取決于連接系數(shù)β的設(shè)置。

為了與相應(yīng)的閾值θi,j、輸入層信息相關(guān)聯(lián)，本文將其設(shè)計(jì)為:

式中:pi,j為神經(jīng)元(i,j)的鄰域神經(jīng)元。進(jìn)一步地，從式(8)可以看出，神經(jīng)元門限值與其鄰域輸入信息Fpi,j的差分體現(xiàn)出點(diǎn)火門限與未發(fā)放脈沖的神經(jīng)元的距離。因此，對于與鄰域灰度相似的神經(jīng)元，則可以有效聚類，反之，則不會因此被捕獲而發(fā)生點(diǎn)火。

2.2 分層聚類迭代機(jī)制

在PCNN 模型圖像處理中，本質(zhì)上是通過迭代來完成對整幅圖像的劃分。一般而言，每次PCNN 模型迭代獲得的輸出信息只包含兩種狀態(tài)，即0 和1 狀態(tài)，其中1 表示點(diǎn)火狀態(tài)或發(fā)放脈沖，0 表示未點(diǎn)火。這種機(jī)制導(dǎo)致圖像處理時，直接將整幅圖像轉(zhuǎn)換為二值圖像。這對于多個潛在的目標(biāo)區(qū)域而言，極容易因未發(fā)生點(diǎn)火而丟失。為此，本文提出了一種分層聚類迭代機(jī)制，目的是將未發(fā)生點(diǎn)火的區(qū)域進(jìn)一步細(xì)分，使得在每一層中都分為點(diǎn)火區(qū)域和未點(diǎn)火區(qū)域，直至在最后一層中點(diǎn)火區(qū)域的均值和未點(diǎn)火區(qū)域的均值相差不超過設(shè)定的閾值，即停止迭代，其過程如圖2所示。

圖2 分層聚類迭代模型Fig.2 The model of hierarchical clustering

2.3 區(qū)域融合及最終輸出

由圖2可知，經(jīng)本文PCNN 模型輸出會將圖像劃分成多個區(qū)域，盡管在第一層中點(diǎn)火區(qū)域是最有可能為故障區(qū)域，然而在其鄰域中，也可能存在故障區(qū)域，特別是在熱故障區(qū)域分布不均勻的情況下。因此，為了能夠較為完整的提取故障區(qū)域，獲得最終的輸出，本文結(jié)合邊界檢測方法，以及相似度評價方式對鄰域區(qū)域進(jìn)行處理，實(shí)現(xiàn)最終的輸出。

令計(jì)算各個層點(diǎn)火區(qū)域的均值并排序，得到:

首先對圖像進(jìn)行高斯平滑處理，確保原圖中邊界不受噪聲等干擾。令G為2 維高斯函數(shù):

式中:σ為標(biāo)準(zhǔn)差;(i,j)代表橫、縱坐標(biāo)點(diǎn)第i行第j列;x,y表示x軸和y軸，則得到的平滑圖像為:

式中:*表示卷積;G為高斯函數(shù);I為紅外圖像。

其次，梯度的幅值和方向的計(jì)算。令梯度值為:

式中:?f/?i和?f/?j表示在行和列方向求差分。在沿著正負(fù)梯度方向v上的兩個像素點(diǎn)(p,q), (m,n)，當(dāng)兩像素點(diǎn)的灰度均值u小于中心點(diǎn)(i,j)的灰度值，則認(rèn)為該點(diǎn)為強(qiáng)邊緣點(diǎn);而當(dāng)該灰度值在[min(Ip,q,Im,n),u]區(qū)間范圍內(nèi)，且在中心點(diǎn)(i,j)的4 鄰域中存在大于均值u的像素，則認(rèn)為是弱邊緣點(diǎn)。

基于所述邊緣點(diǎn)的確定，可進(jìn)一步對所生成的區(qū)域Φt處理，對相鄰區(qū)域中存在強(qiáng)邊緣點(diǎn)、弱邊緣點(diǎn)等情況進(jìn)行分析。

對于存在強(qiáng)邊界的區(qū)域，通常不需要做進(jìn)一步的處理?？紤]到兩個區(qū)域之間可能存在強(qiáng)邊界點(diǎn)和弱邊界點(diǎn)，本文設(shè)置一個比例系數(shù)，即強(qiáng)邊緣點(diǎn)的占比超過90%，則直接判定相鄰區(qū)域不是故障區(qū)域。反之，則需要進(jìn)一步根據(jù)區(qū)域均值判定。本文定義參數(shù)η作為區(qū)域相似度度量:

圖3 相鄰區(qū)域邊界描述Fig.3 Description of neighboring regions

考慮到PCNN 在聚類結(jié)果中，Es代表著整個Φs區(qū)域中實(shí)際灰度值可能較低的一個區(qū)域。另外，因紅外圖像中可能存在灰度分布不均勻，使得本文PCNN分層迭代中將區(qū)域分割成了多個相鄰部分。為此，通過比較Es區(qū)域的均值與Φm的均值來判斷兩個區(qū)域的相似性，當(dāng)二者比較相近時，認(rèn)為兩個區(qū)域具有相似性，故引入η參數(shù)來評價兩個相鄰區(qū)域的相似性。當(dāng)η值越大，代表兩個相鄰區(qū)域均值差別比較大，可認(rèn)為區(qū)域Φs與Φm越不相似;反之，則相似度會隨著η減少而增加。這里，規(guī)定η值在10%以上時便認(rèn)定區(qū)域不具有相似性，不進(jìn)行區(qū)域合并，反之則進(jìn)行區(qū)域合并，得到:

然后重新計(jì)算區(qū)域Φs均值，并對已處理的區(qū)域進(jìn)行標(biāo)記。

針對由本文PCNN 所分割的其他區(qū)域，也同樣從最高均值的區(qū)域開始，融合各個存在弱邊界的鄰域區(qū)域，直至遍歷所有區(qū)域。

對各個區(qū)域按均值大小重新排序。為了避免圖像中區(qū)域分割過細(xì)，對區(qū)域均值相差不超過門限值20的區(qū)域進(jìn)行合并，最終得到分割結(jié)果。此時，將均值最高的點(diǎn)火區(qū)域作為提取結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證文中方法對紅外圖像區(qū)域自動提取的有效性，采用簡化的PCNN[18]、Meanshift 算法[19]與文中算法進(jìn)行比對。所有算法均在MATLAB(2010b)上編程實(shí)現(xiàn)。

圖4為3 幅典型的輸變電線路故障發(fā)生的紅外圖像，各個圖像中故障區(qū)域展現(xiàn)出高亮。然而由于紅外圖像分辨率低，圖4(a)中故障區(qū)域周邊存在模糊，且與整個區(qū)域相比而言較小;圖4(b)中，故障區(qū)域的高亮部分與鄰域存在明顯的邊界;圖4(c)中，故障區(qū)域則因熱傳導(dǎo)而產(chǎn)生緩慢的變化。因此，對于完整提取故障區(qū)域而言，均具有一定的挑戰(zhàn)性。

圖5～圖7給出了各個算法的提取結(jié)果。不難發(fā)現(xiàn)，文獻(xiàn)[18]的PCNN 模型對于高亮度區(qū)域具有較好的提取效果，然而對于存在弱邊界的情況，則處理效果并不優(yōu)良。Meanshift 算法作為行業(yè)中比較經(jīng)典且有效的算法，獲得的結(jié)果基本上滿足故障區(qū)域提取要求，但當(dāng)存在弱邊界情況時，也會出現(xiàn)一定的聚類偏差，例如對圖4(a)的分類結(jié)果，使得部分故障區(qū)域丟失。而本文是通過分層迭代的方式，并結(jié)合聚類機(jī)制而獲取的結(jié)果，盡管模型將整個圖像分成了多個相似區(qū)域(每個區(qū)域用其均值進(jìn)行替代)，仍然能夠有效地將各個區(qū)域有效分離。通過對弱邊界檢測分析，并經(jīng)文中區(qū)域融合等處理，最終的結(jié)果如圖8所示，從而驗(yàn)證了文中算法對區(qū)域完整提取的有效性。

另外，在處理速度上，與文獻(xiàn)[18]相比，因增加了后續(xù)處理環(huán)節(jié)，使得在處理時間上，并不具有優(yōu)勢，具體運(yùn)行時間詳見表1所示，這需要后續(xù)進(jìn)一步優(yōu)化處理。

圖4 電力設(shè)備故障紅外圖像Fig.4 Fault electrical equipment infrared images

圖5 文獻(xiàn)[18]PCNN 模型提取結(jié)果Fig.5 Segmentation results of infrared electric fault image using PCNN in literature [18]

圖6 Meanshift 分割結(jié)果Fig.6 Segmentation results of infrared electric fault image using meanshift algorithm

圖7 本文PCNN 方法結(jié)果Fig.7 Segmentation results of infrared electric fault image using proposed PCNN method

圖8 本文最終輸出結(jié)果Fig.8 Final results of infrared electric fault image using proposed method

表1 各算法運(yùn)行時間對比Table 1 The running time of test algorithms s

4 結(jié)語

本文提出了一種基于PCNN 分層迭代聚類的電力故障紅外圖像區(qū)域自動提取方法。該方法以PCNN為核心處理模型，通過引入聚類的方法對模型參數(shù)進(jìn)行配置，并構(gòu)建了多層聚類迭代的PCNN 處理機(jī)制，使得整個圖像劃分成多個具有相似特性的區(qū)域。為了能夠較好地提取高亮度故障區(qū)域，采用了邊界檢測算子對區(qū)域的鄰域進(jìn)行處理，針對弱邊界的區(qū)域，采用了一種相似度度量方式對相鄰區(qū)域進(jìn)行評價，進(jìn)而獲得最終的輸出。最后，在真實(shí)的紅外圖像上進(jìn)行測試，驗(yàn)證了本文算法能夠有效獲取電氣設(shè)備故障區(qū)域，且與現(xiàn)有的一些方法進(jìn)行比對，本文方法在故障區(qū)域的提取完整性上具有較好的效果。