基于多特征融合的電壓致熱型設(shè)備故障檢測(cè)

門茂琛， 段石磊， 郭 磊

(1.鄭州大學(xué)綜合設(shè)計(jì)研究院有限公司，鄭州450001；2.鄭州大學(xué)電氣工程學(xué)院，鄭州450001；3.國網(wǎng)河南省電力公司電力科學(xué)研究院，鄭州450000)

0 引言

電壓致熱型設(shè)備包括高壓套管、避雷器、絕緣子等，因?yàn)闇夭钶^小(0～4 K)，在變電站檢測(cè)現(xiàn)場(chǎng)只有將溫寬調(diào)至非常窄的范圍才能判斷這些設(shè)備是否有溫度異常，檢測(cè)難度比較大[1]目前電網(wǎng)主要的電壓致熱性故障診斷方法是通過圖像特征判斷法、同類比較法進(jìn)行判別，但是經(jīng)常遇到檢測(cè)人員對(duì)同一個(gè)缺陷等級(jí)的判斷存在分歧的情況，同一個(gè)缺陷在不同人眼里對(duì)于它的嚴(yán)重程度判斷不統(tǒng)一、對(duì)于它的發(fā)生機(jī)理判斷也很難統(tǒng)一、對(duì)于它的后續(xù)處理判斷也不統(tǒng)一，多數(shù)依據(jù)DL/T 664-2016或測(cè)試人員的經(jīng)驗(yàn)進(jìn)行判斷，但DL/T 664-2016內(nèi)容并不完善，很多界定較為模糊，難以形成對(duì)缺陷的有效判斷。電壓致熱型缺陷的發(fā)現(xiàn)很大程度上依賴于環(huán)境、操作人員的經(jīng)驗(yàn)和精確檢測(cè)的操作水平[2]。紅外熱圖像的拍攝經(jīng)常出現(xiàn)設(shè)備重疊的情況，因此顏色特征要捕捉圖像中目標(biāo)的局部特征具有較大困難[3-4]，導(dǎo)致顏色特征提取的效果很差；Sobel算子對(duì)于提取邊緣特征，尤其是紅外圖像邊緣特征具有效率高的特點(diǎn)，針對(duì)本研究所要解決的問題，即多用于檢測(cè)目標(biāo)的每個(gè)像素在鄰域中的灰度變化，故選用此算子進(jìn)行邊緣特征提取。邊緣特征中的特征量在排除外界影響因素方面具有良好的性能，因此作為本研究融合特征之一[5]；紋理特征是一種全局特征，可以表征圖像或圖像區(qū)域相應(yīng)位置的表面特征，但不能完全反映對(duì)象的基本特征，因此，僅通過使用紋理特征不能獲得高級(jí)圖像內(nèi)容[4]。

綜上所述，單一特征在完成目標(biāo)識(shí)別及故障診斷時(shí)，識(shí)別率低，僅用單一特征很難表示故障圖像的目標(biāo)特征。因此筆者提出基于多特征融合的電壓致熱型設(shè)備故障檢測(cè)方法。不同于以往提取圖像的單一特征，如人工特征、絕緣體類別和場(chǎng)景等，多特征包括低級(jí)視覺特征(HSV顏色特征、LBP紋理特征和邊緣特征)和高級(jí)網(wǎng)絡(luò)提取特征。本研究方法主要提取基于HSV空間的顏色特征直方圖[6, 7]；并利用Sobel算子計(jì)算目標(biāo)圖像的邊緣特征，此算子對(duì)灰度漸變和噪聲較多的圖像特征提取效果較好[8]，通過計(jì)算紅外圖像中每個(gè)像素的梯度大小和方向，提取出紅外圖像故障區(qū)域的邊緣特征直方圖；對(duì)于紋理特征，本研究利用改進(jìn)的LBP方法OCS-LBP特征。相比于傳統(tǒng)的LBP特征，OCS-LBP特征一定程度上解決了光照的影響，且計(jì)算了鄰域中相對(duì)像素之間的差異，而不是對(duì)每個(gè)像素進(jìn)行比較，該方法具有旋轉(zhuǎn)不變性，并且不需要太多的參數(shù)，抵抗噪聲的能力較強(qiáng)。之后將目標(biāo)的顏色、紋理和邊緣這3種特征通過判別相關(guān)分析(DCA)作為特征融合策略進(jìn)行融合[9]，繼而提取故障特征，運(yùn)用SVM達(dá)到絕緣子紅外圖像目標(biāo)識(shí)別及故障分類的目的。

本研究主要以絕緣子紅外圖像作為分析方法示例，然后以高壓套管、避雷器和電流互感器作為驗(yàn)證，給出驗(yàn)證數(shù)據(jù)，提高了電壓致熱型設(shè)備故障識(shí)別及分類的準(zhǔn)確性[10]。

1 電壓致熱型設(shè)備特征提取

1.1 顏色特征提取

顏色直方圖是紅外圖像特征的重要信息，HSV更接近人眼對(duì)顏色的定義，筆者首先將絕緣子紅外圖像的RGB顏色模型轉(zhuǎn)換為HSV空間模型[11]，并采用二維直方圖方法將空間劃分為8個(gè)色調(diào)，每個(gè)色調(diào)分為8個(gè)亮度，每幅圖像可以表示為64維矢量。將最具概率的一維轉(zhuǎn)換為64維矢量。將H、S、V各分量特征數(shù)據(jù)合成一維向量。見圖1和圖2。

圖1 HSV各分量直方圖Fig.1 Histogram of each component of HSV

圖2 合成分量直方圖Fig.2 Composite component histogram

作為融合特征中的一種輸入向量，提高了對(duì)各種圖像特征的識(shí)別率[12]。另外識(shí)別模板概率計(jì)算公式為

(1)

式中a是內(nèi)核帶寬，u=1,2,3,…,m,K(x)是內(nèi)核函數(shù)，該函數(shù)公式:

(2)

(3)

由圖1可以看出：色度分量直方圖為提取H分量的顏色直方圖，其中橫坐標(biāo)表示灰度值，H顏色分量中對(duì)應(yīng)像素點(diǎn)的個(gè)數(shù)顯示在y坐標(biāo)。當(dāng)灰度值取為200時(shí)，就是把色度分量顏色范圍切割為200塊，則每塊區(qū)域內(nèi)所包含像素點(diǎn)的總個(gè)數(shù)為1.4×103；同理，圖1中，另外兩個(gè)直方圖分別表示S分量和V分量提取的特征量。圖2為合成向量的特征直方圖。

1.2 邊緣特征提取

邊緣提取通過大幅減少數(shù)據(jù)量來簡化圖像分析，保留有用的物體邊界結(jié)構(gòu)信息。Sobel邊緣檢測(cè)器是一種較優(yōu)的邊緣檢測(cè)器，廣泛應(yīng)用于圖像處理領(lǐng)域?；诮^緣子紅外圖像的特點(diǎn)及分析，用Sobel算子來計(jì)算圖像亮度函數(shù)灰度之近似值。梯度由高斯濾波器的導(dǎo)數(shù)來計(jì)算。Sobel算子利用兩個(gè)閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣。只有當(dāng)強(qiáng)邊與弱邊連接時(shí)，弱邊才會(huì)包含在輸出值中。筆者首先利用梯度算子進(jìn)行輪廓特征的計(jì)算[13]，理論基礎(chǔ)為下列公式，最后計(jì)算出故障區(qū)域輪廓特征的直方圖。

令絕緣子紅外圖像的像素點(diǎn)為k(i,j),(i,j)的梯度值公式如下:

(4)

分解該像素點(diǎn)，獲取水平和垂直方向的梯度值。梯度方向:

(5)

令λ為識(shí)別目標(biāo)的閾值，因此該像素點(diǎn)的梯度方向重新設(shè)定為式(6)

(6)

(7)

Kr表示目標(biāo)模板的邊緣特征直方圖，則

(8)

圖3 sobel算子檢測(cè)輪廓Fig.3 Sobel operator detects contour

圖4 sobel梯度概率分布圖Fig.4 Sobel gradient probability distribution

圖5 垂直方向梯度概率分布圖Fig.5 Vertical gradient probability distribution

圖6 水平方向梯度概率分布圖Fig.6 Horizontal gradient probability distribution

1.3 紋理特征提取

由于絕緣子紅外圖像的特性，經(jīng)常會(huì)出現(xiàn)環(huán)境相似目標(biāo)重疊的情況，導(dǎo)致對(duì)HOG特征產(chǎn)生嚴(yán)重影響，使其對(duì)紅外目標(biāo)描述能力變小[14]，紋理特征不依賴于顏色和輪廓，目標(biāo)識(shí)別效果更為優(yōu)良。因?yàn)樵嫉腖BP特征會(huì)生成很長的直方圖，增加了計(jì)算時(shí)間，而且LBP特征不包含像素點(diǎn)的方向信息[14]。因此，運(yùn)用了改進(jìn)的紋理特征提取法：中心對(duì)稱的局部二值模式(Oriented Center Sym-metric Local Binary Patterns)。

相對(duì)于傳統(tǒng)的LBP特征，OCS-LBP特征一定程度上減少了光照變化的影響,而且具有旋轉(zhuǎn)不變性[15]，計(jì)算速度快的優(yōu)點(diǎn)[16]。為了提取識(shí)別目標(biāo)在不同環(huán)境背景尺度下的紋理特征，對(duì)P和R賦予不同的值：

(9)

(10)

其中：gc代表中心像素yc的灰度值大小，而代表以gp為中心，T是一個(gè)比較閾值。

(11)

(12)

其中，(xc,yc)表示相鄰像素中心點(diǎn)的坐標(biāo)，ni和ni+(p/2)與ni和ni-(p/2)表示一組關(guān)于中心對(duì)稱的一組像素的灰度值。k為梯度方向，取值為0～7。T是s(x)的比較閾值，由驗(yàn)證的具體情況來決定其取值大小。閾值T的不同設(shè)定可以提升目標(biāo)識(shí)別特征的精確度。綜上，紋理特征的提取過程就相當(dāng)明確，將絕緣子紅外圖像的故障目標(biāo)區(qū)域分割為幾個(gè)小的區(qū)域，再提取這些小區(qū)域的特征，完成每個(gè)區(qū)域像素點(diǎn)的計(jì)算后，用歸一化的方法獲取紅外圖像的特征矩陣，即圖8。

圖7 OCS-LBP檢測(cè)紋理Fig.7 OCS-LBP detects textures

圖8 紋理特征圖Fig.8 Texture feature map

2 紅外圖像特征融合

2.1 特征融合機(jī)制

筆者將顏色、輪廓和紋理特征進(jìn)行融合，然后基于判別相關(guān)分析對(duì)以上3種特征融合處理。如何正確地組合3個(gè)特征成為一個(gè)關(guān)鍵的任務(wù)[17]，特征融合的目的是將從圖像場(chǎng)景中提取的兩個(gè)或多個(gè)相關(guān)特征組合成一個(gè)比輸入特征向量具有更多鑒別信息的特征向量[18]。每個(gè)過程顯示所有要素圖層的大小、完全連接的圖層以及輸出的大小。對(duì)于文獻(xiàn)中的特征融合，目的是得到更多的信息描述符來表示圖像場(chǎng)景。目前較為有效的特征融合策略有兩種。

1)序列特征融合[13]，簡單地將兩組特征連接成一個(gè)單一特征。假設(shè)x和y分別是從p、q向量維數(shù)的輸入圖像中計(jì)提取的兩個(gè)特征，然后融合的特征是z，其大小等于p+q。

2)并行策略[19]將兩個(gè)特征向量組合成一個(gè)復(fù)數(shù)向量z=x+iy，其中是i虛單位。

假設(shè)X∈Rq×n和Y∈Rq×n是兩個(gè)特征矩陣，其中n表示訓(xùn)練特征的個(gè)數(shù)，p和q分別表示X和Y的特征維數(shù)。設(shè)Sxx∈Rp×p和Syy∈Rq×q分別表示X和Y的協(xié)方差矩陣，Sxy∈Rq×q表示集間協(xié)方差矩陣，其中Syx=STxy。

總協(xié)方差矩陣S∈R(p+q)×(p+q),然后計(jì)算S:

(13)

如文獻(xiàn)[20]所述，很難從矩陣S中理解這兩個(gè)特征之間的關(guān)系，典型相關(guān)分析(CCA)的共同目標(biāo)是定義一個(gè)線性組合X*=WTxX和Y*=WTyY,它最大化了兩個(gè)特征集的成對(duì)相關(guān)性：

(14)

(15)

或者

(16)

式中Z是典型相關(guān)鑒別特征。

然而，CCA的主要局限性在于它忽略了圖像數(shù)據(jù)集之間的類結(jié)構(gòu)關(guān)系，我們希望最大化特征集之間的相關(guān)性，并且需要在每個(gè)特征集中分離類。

(17)

式中n表示屬于第i類的圖像數(shù):

(18)

文獻(xiàn)[14]中定義了類間散布矩陣，

式中,

(19)

現(xiàn)在，需要對(duì)角化變換特征集的集間協(xié)方差矩陣，

(20)

使Wcx=U∑-1/2和Wcy=V∑-1/2,就有

(21)

(22)

2.2 特征融合算法流程

根據(jù)上述分析可得，基于DCA方法的深度特征融合所遵循的過程，本研究從輸入的紅外圖像中提取深度特征，進(jìn)行多特征融合，同樣，與DCA方法一樣，特征融合可以通過并行或串聯(lián)來執(zhí)行，其中并行方法允許融合特征的維數(shù)更低，精度變化較小。圖9描述了基于DCA方法的深度特征融合所遵循的步驟，從輸入的紅外圖像中提取深層特征，然后，從3個(gè)完全連接的層中選擇3個(gè)特征集?；贒CA計(jì)算這些特征的新轉(zhuǎn)換。在此基礎(chǔ)上，將變換后的特征組合起來，用融合的信息特征來表示輸入圖像。具體算法流程圖如下：

圖9 特征融合算法流程Fig.9 Feature fusion algorithm flow

步驟如下:

1)輸入絕緣子紅外圖像，提取輸入圖像中的深度特征。

2)對(duì)每張紅外圖像提取顏色、輪廓和紋理3個(gè)特征信息。

3)從兩個(gè)完全連接的層中選擇3個(gè)特征集，基于DCA計(jì)算這些特征的新轉(zhuǎn)換。

4)將變換后的特征組合起來，用歸一化后的信息特征來表示輸入圖像。

3 驗(yàn)證及分析

本實(shí)驗(yàn)充分利用某省電科院提供的紅外圖譜、紅外檢測(cè)報(bào)告等資料。首先，提取紅外圖像的輪廓邊緣特征以識(shí)別絕緣子，然后提取顏色和紋理特征，并標(biāo)記故障特征，然后選擇三層作為3個(gè)不同的特征描述符。根據(jù)分析，本研究使用正常融合和DCA融合將提取的特征進(jìn)行有效融合[20]。對(duì)于DCA融合，變換特征的大小由式(16)決定。將提取的組合特征輸入到狀態(tài)模型，得到絕緣子紅外圖像故障類別，包括正常，缺陷，以驗(yàn)證多特征融合的效果。

3.1 驗(yàn)證數(shù)據(jù)

筆者搜集并整理了某省電科院近兩年全省34座500 kV變電站及1 000 kV特高壓的紅外圖譜及紅外檢測(cè)報(bào)告中的缺陷圖譜，其中避雷器共120張，高壓套管共109張，電流互感器118張，訓(xùn)練和測(cè)試比例按照7∶3的比例分配。具體如表1。

表1 樣本具體分配Table 1 Specific sample allocation

所有樣本存放在6個(gè)文件夾中分別是命名arf，arn，hbf，hbn，ctf，ctn存放缺陷避雷器，正常避雷器，缺陷高壓套管，正常高壓套管，缺陷電流互感器，正常電流互感器。

3.2 驗(yàn)證過程

WEKA是一種數(shù)據(jù)挖掘機(jī)器學(xué)習(xí)軟件，其中包括處理標(biāo)準(zhǔn)數(shù)據(jù)挖掘問題的所有方法，如分類、回歸、關(guān)聯(lián)規(guī)則和在新的交互式界面上的可視化[22]本過程基于WEKA軟件對(duì)各特征進(jìn)行分類效果的驗(yàn)證，首先利用Matlab提取的3個(gè)單一特征對(duì)所有樣本進(jìn)行故障分類，然后與本研究提出的融合方法提取融合特征，進(jìn)行對(duì)比。為了保證控制唯一變量，在WEKA中用同一種算法，本研究選用公認(rèn)效果比較好SVM算法對(duì)樣本進(jìn)行分類[23]。改變顏色特征的權(quán)值ω1、紋理特征的權(quán)值ω2和輪廓特征ω3(ω1=0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，且ω1+ω2+ω2=1)進(jìn)行分類，然后選取分類效果最佳的ω1、ω2和ω3，分別作為顏色特征、紋理特征輪廓特征的權(quán)值。綜合考慮每個(gè)類別分類結(jié)果的平均準(zhǔn)確率，取ω1、ω2和ω3的值分別為0.6、0.1和0.3。圖10為避雷器、高壓套管和電流互感器的分類驗(yàn)證效果示例：

圖10 分類示例Fig.10 Classification of the sample

本研究缺陷識(shí)別準(zhǔn)確率計(jì)算公式：

(23)

分別訓(xùn)練單一特征和融合特征對(duì)所有樣本進(jìn)行訓(xùn)練，建立故障分類模型，通過測(cè)試集驗(yàn)證得到各設(shè)備故障分類的缺陷識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間，結(jié)果見表2。

表2 缺陷識(shí)別準(zhǔn)確率及訓(xùn)練時(shí)間Table 2 Defect recognition accuracy and training time

由表2可知，當(dāng)以單個(gè)特征作為訓(xùn)練模型的分類器時(shí)，可以看出分類精確度比較差，但所用時(shí)間比較少，訓(xùn)練時(shí)間短；而對(duì)于多特征融合，就要對(duì)樣本的每張圖片的3個(gè)特征進(jìn)行提取并融合，進(jìn)而對(duì)樣本訓(xùn)練，相對(duì)于訓(xùn)練單一特征，由融合特征進(jìn)行的分類模型，缺陷分類的準(zhǔn)確度得到了明顯提高，但增加了對(duì)多個(gè)特征進(jìn)行融合的過程，因此訓(xùn)練樣本的時(shí)間有所增加。同時(shí)，電流互感器為混合型致熱設(shè)備，故障特征相對(duì)于電壓致熱型設(shè)備比較明顯，識(shí)別率最高，說明本研究方法可以考慮適用于電流致熱型設(shè)備的故障識(shí)別。

4 結(jié)論

本研究提出了一種多特征融合方法來提高變電站電壓致熱型設(shè)備紅外圖像故障識(shí)別的性能，該方法結(jié)合了改進(jìn)的局部二值模式、Sobel算子、HSV顏色空間提取的3種特征，在3個(gè)不同的數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，特征融合技術(shù)能夠有效地表示電壓致熱型設(shè)備故障特征及正常特征。此外，DCA融合方法能很好地表達(dá)低維圖像場(chǎng)景，一定程度上降低了環(huán)境因素對(duì)故障目標(biāo)特征的識(shí)別的影響。驗(yàn)證表明，該方法在絕緣子紅外圖像故障分類中具有很高的性能，并且優(yōu)于僅利用單一特征的方法，為電壓致熱型設(shè)備故障檢測(cè)提供了條件和新的思路，并為變電站實(shí)時(shí)精確監(jiān)測(cè)打下了基礎(chǔ)。

多特征融合雖然剔除了各個(gè)特征之間的冗余信息，增加了互補(bǔ)信息，提高了故障圖像分類準(zhǔn)確率，但增加了圖片識(shí)別時(shí)間。樣本數(shù)量有限是本驗(yàn)證的一個(gè)缺點(diǎn)，另外SVM算法對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施、用SVM解決多分類問題存在困難。因此，如何提高算法的時(shí)效性和嘗試神經(jīng)網(wǎng)絡(luò)算法是本研究下一步的研究重點(diǎn)。