機器視覺在電力設備紅外故障檢測上的技術方案探討

黃智明，黃浩誠，陳湘陽

（廣東電網(wǎng)有限責任公司江門供電局，廣東 江門 529000）

電力設備所處的環(huán)境往往比較復雜和惡劣，容易受到外界環(huán)境氣候的影響，為保障電網(wǎng)供電安全，電力部門需要定期進行各種電力設備的巡視檢修工作[1]。而其中較為常用的方法是電力設備的紅外故障檢測[1-2]。

由于傳統(tǒng)的人工巡檢方式存在人力成本高、工作效率低下等問題，已經(jīng)難以滿足當前電網(wǎng)規(guī)模的運行維護要求。而隨著深度學習視覺技術的興起與發(fā)展，電力設備圖像的識別與分割的準確度得到了很大的提升。因此，本文主要探討基于機器視覺技術實現(xiàn)紅外故障檢測的兩種思路以及四種可行技術方案，并充分討論各方案的優(yōu)劣性，以給相關研究工作提供參考。

1 電力設備紅外故障檢測現(xiàn)行流程

傳統(tǒng)紅外圖像的拍攝主要依靠工作人員帶著手提紅外攝像儀進行拍攝。獲得目標電力設備的紅外圖像后，由輸電運檢人員對可疑發(fā)熱點做定點測溫，根據(jù)電力部門制定的相關標準實現(xiàn)對紅外故障的等級判斷。單純依靠人工很難完成這樣繁重的工作，檢測準確率無法得到保障。

2 紅外故障檢測的兩種思路

判斷電力設備是否出現(xiàn)紅外故障主要基于溫度數(shù)據(jù)及電力設備在紅外圖像中的位置兩個要素。因此有兩種思路可以實現(xiàn)電力設備紅外故障的檢測。

（1）先獲取紅外圖像的溫度數(shù)據(jù)，找出可疑發(fā)熱點，再判斷這些可疑發(fā)熱點是否處于電力設備上。由于拍攝到的紅外圖像中可能存在大量的冗雜信息，不僅干擾判斷，在計算效率也較為低下。

（2）對紅外圖像中電力設備的分割與分類，再獲取電力設備所處區(qū)域的溫度數(shù)據(jù)，找出最高溫的那個點，再判斷該點的溫度是否超過正常的溫度允許范圍。

綜合分析可得，第一種思路存在大量的冗余計算問題，效率低下。因此本文主要基于第二種思路來展開具體技術方案的探討，以下的方案探討均以輸電線路上的復合絕緣子為例。

3 溫度數(shù)據(jù)提取方案

電力設備的紅外圖像主要有原始紅外圖像和偽彩色紅外圖像兩種，如圖1、圖2 所示。其中，圖1 為直接從紅外攝像儀中導出未經(jīng)紅外圖像分析軟件渲染的原始圖片；圖2 為從紅外攝像儀中導出后經(jīng)過紅外圖像分析軟件渲染成為偽彩色的圖片。

圖1 原始紅外圖像

圖2 偽彩色紅外圖像

相對而言，原始紅外圖像中的溫度數(shù)據(jù)較為容易得到，因為紅外熱像儀輸出的原始紅外圖像中自帶有溫度數(shù)據(jù)，直接提取并轉(zhuǎn)化為溫度值即可。

從偽彩色紅外圖像中獲得圖像各像素對應的溫度值需配合右側標有最高溫度值和最低溫度值的溫度條進行對比分析，溫度條沿垂直方向均勻線性分布，因此可以計算得到每種RGB 值所代表的具體溫度值。

4 電力設備分割與識別技術方案

4.1 傳統(tǒng)圖像處理方法

傳統(tǒng)圖像處理方法的檢測效果往往不盡人意，因此很少運用到實際場景中，分析可知其主要存在以下4 個方面的原因。

（1）整體技術方案被切割成3 步：①分割。②提取特征。③分類識別。每一步中可使用的方法都有若干種，需要不斷地嘗試。

（2）電力設備的紅外圖像背景復雜，而且一幅圖中一般都包含有多種類且多個電力設備，傳統(tǒng)圖像處理無法實現(xiàn)對同一幅圖中多種設備的分割與識別工作。

（3）紅外圖像的拍攝受環(huán)境影響，所得圖像含有大量噪聲，而傳統(tǒng)圖像分割方法抗干擾能力差，預處理工作不能保證可以去除這些噪聲。

（4）不同的電力設備需要不同的分割模型，沒有普適性的傳統(tǒng)圖像分割算法。

圖3 展示的是使用OTSU 和區(qū)域生長兩種經(jīng)典的圖像分割算法對圖1 中原始紅外圖像進行分割的結果。

圖3 OTSU 分割結果（左）與區(qū)域生長法分割結果（右）

由圖3 可見傳統(tǒng)圖像處理的分割算法在背景復雜的情況下表現(xiàn)不佳，分割結果比較隨機，無法將目標從圖像中提取出，因此難以應用到實際工作當中。

4.2 深度學習視覺方法

基于深度學習視覺方法的電力設備紅外故障檢測的技術方案有3 種：針對缺陷的目標檢測、針對設備的目標檢測與分割及直接實例分割。

4.2.1 針對缺陷的目標檢測

電力設備的紅外故障檢測本質(zhì)上屬于目標檢測問題，然而該方案在具體實現(xiàn)上存在2 個問題。

（1）現(xiàn)實場景中電力設備發(fā)生紅外故障的概率較低，因此積累的圖像庫中存在紅外故障的圖像占比很少，若采用目標檢測的方法，存在正負類樣本不均衡的問題，因此訓練出的目標檢測模型會傾向于判斷為無紅外故障，從而大大降低了檢測紅外故障的召回率。

（2）一般故障、嚴重故障和緊急故障三者在溫度上往往只是相差1～3℃，圖像上的表現(xiàn)出的差異非常細微，差異很難被準確地區(qū)分開來，模型難以收斂。

綜合上面的兩點，可見直接對圖像中的紅外故障進行目標檢測的技術方案在實現(xiàn)上有很大的難度，不建議采用。

4.2.2 針對電力設備的目標檢測與分割

該技術方案中的目標檢測是圖像中的電力設備。找到目標電力設備所在的位置后，對該區(qū)域的圖像進行分割即可，也可使用深度學習中的語義分割方法進行分割。

然而當人為地將目標檢測與分割兩個過程切割開來，會出現(xiàn)小分辨率的圖像，失去了上下文的語義信息，想要對其中的電力設備進行精確分割比較難。圖4 展示了該技術方案下使用目標檢測網(wǎng)絡FasterR-CNN 與語義分割網(wǎng)絡Deeplab 的復合絕緣子分割效果，可以看出目標檢測可以較好地提取出復合絕緣子在圖中的位置，但后續(xù)的語義分割部分圖像表現(xiàn)不佳。

圖4 目標檢測與分割結果

4.2.3 直接實例分割

實例分割是在目標檢測的同時對檢測到的物體進行精確分割，將目標檢測和分割兩個任務綜合在一起，整體實現(xiàn)上會更加緊湊和連續(xù)。

但該方案需要對大量圖片做像素級別的標注工作，且實例分割的輸出結果在很多時候并不能直接用于后續(xù)的工作。

例如在復合絕緣子的實例分割前期標注工作中，如圖5 所示，若直接使用實例分割模型，很大概率會導致誤檢。而實際上紅外故障只會出現(xiàn)在芯棒部位，因此可以只提取出芯棒所在的區(qū)域作為最終的分割結果。圖5 展示了直接采用實例分割網(wǎng)絡MaskR-CNN 的分割結果，對復合絕緣子的分割精確度非常高，比以上幾種技術方案的結果要好很多。

圖5 目標檢測與分割結果

5 結語

本文討論了電力設備紅外故障檢測的兩種實現(xiàn)思路及4 個技術方案，這4 個技術方案又具體分為傳統(tǒng)圖像處理方法和深度學習視覺方法兩大類，各有優(yōu)缺點。因此在實際場景中要采用哪種方法，需要具體問題具體分析。對于特定的項目，比較好的思路是可以先使用傳統(tǒng)的圖像處理方法進行嘗試，若效果表現(xiàn)不好且無法提升則可以采用深度學習視覺方法。