鄒 輝，黃福珍

基于FAsT-Match算法的電力設(shè)備紅外圖像分割

鄒 輝，黃福珍

（上海電力學(xué)院自動(dòng)化工程學(xué)院，上海 200090）

紅外技術(shù)能有效地檢測(cè)電力設(shè)備過熱缺陷，具有遠(yuǎn)距離、不接觸、不取樣、準(zhǔn)確、快速、直觀等特點(diǎn)。傳統(tǒng)的電力設(shè)備故障紅外人工診斷耗時(shí)、耗力，而針對(duì)人工診斷不足提出的智能診斷其難點(diǎn)之一在于能否較好的獲得感興趣區(qū)域（ROI，Region of interest）。紅外圖像具有強(qiáng)度集中、對(duì)比度低等性質(zhì)，常用的分割算法用于電力設(shè)備紅外圖像ROI獲取，其結(jié)果往往是過分割。針對(duì)過分割難點(diǎn)，本文提出一種基于FAsT-Match算法的電力設(shè)備紅外圖像分割方法。首先，運(yùn)用FAsT-Match算法在可見光圖像中近似模板匹配，然后在紅外與可見光圖像之間通過近似仿射變換找到目標(biāo)在紅外圖像中的近似區(qū)域，最后用分割算法對(duì)近似區(qū)域分割。實(shí)驗(yàn)結(jié)果表明，提出的方法能夠較好地解決電力設(shè)備紅外圖像過分割問題。

紅外圖像分割；模板匹配；仿射變換；電力設(shè)備；故障診斷

0 引言

電力設(shè)備正常運(yùn)行對(duì)電網(wǎng)可靠供電具有重要影響，據(jù)統(tǒng)計(jì)電力系統(tǒng)事故中有90%是由電力設(shè)備故障引起，而出現(xiàn)故障的電力設(shè)備中有一半會(huì)在早期階段表現(xiàn)出不正常的發(fā)熱癥狀。因此，對(duì)電力設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)、故障診斷和及時(shí)維修日益得到人們的重視[1]。紅外測(cè)溫的原理是探測(cè)器檢測(cè)物體表面發(fā)射的紅外輻射能量，并轉(zhuǎn)換成相應(yīng)的電信號(hào)，再經(jīng)過專門的電信號(hào)處理系統(tǒng)，獲得物體表面的溫度分布狀態(tài)。由于電力設(shè)備不同性質(zhì)、不同部位和嚴(yán)重程度不同的故障，在設(shè)備表面不僅會(huì)表現(xiàn)出不同的溫度值，而且溫度分布形式也不一樣。分析電力設(shè)備表面的溫度信息，能夠?qū)﹄娏υO(shè)備中潛伏的故障或事故隱患性、具體位置和嚴(yán)重程度做出定量的判定[2]。目前，紅外技術(shù)在電力系統(tǒng)中最主要的應(yīng)用形式是技術(shù)人員手持熱像儀現(xiàn)場(chǎng)診斷或采集圖片以供后續(xù)PC機(jī)分析。一般來說，熱像儀會(huì)自帶圖像分析軟件，技術(shù)人員能夠很方便地使用軟件分析溫度信息。這種方法的缺點(diǎn)是采集圖片和分析圖片都需要人工來完成，對(duì)于含有眾多電力設(shè)備的變電站，人工診斷將變得異常復(fù)雜。近些年來，變電站巡檢機(jī)器人得到廣泛研究并得到實(shí)際應(yīng)用，巡檢機(jī)器人攜帶紅外熱像儀、可見光CCD攝像機(jī)等有關(guān)的電站設(shè)備檢測(cè)裝置，在巡檢軌道上設(shè)置?？繖z測(cè)點(diǎn)，停車后控制云臺(tái)轉(zhuǎn)動(dòng)拍攝可見光和紅外圖像[3-4]。巡檢機(jī)器人將所得的紅外圖像發(fā)回控制室再進(jìn)行人工分析，這種方法減少了人工采集圖片的勞動(dòng)量，但未能擺脫對(duì)人工診斷的依賴。

隨著圖像處理和人工智能的發(fā)展，有研究人員提出電力設(shè)備故障紅外智能診斷。智能診斷方法主要分為三步[5]（如圖1所示），首先從紅外圖像中找出感興趣的區(qū)域（ROI），然后從區(qū)域中提取相關(guān)的信息，最后對(duì)提取到的信息分類從而完成電力設(shè)備故障診斷。其中最關(guān)鍵的一步是感興趣區(qū)域的獲得，能否準(zhǔn)確地得到ROI在一定的程度上決定了能否提取出能夠較好地代表電力設(shè)備狀態(tài)的信息。獲得感興趣區(qū)域方法主要分為兩類，一類是圖像的二值分割[6-8]，另一類是人工給定區(qū)域[9-12]。文獻(xiàn)[6]對(duì)電力設(shè)備紅外圖像采用簡(jiǎn)單的閾值分割，文獻(xiàn)[7]采用閾值分割和數(shù)學(xué)形態(tài)學(xué)處理的方法獲得ROI，文獻(xiàn)[8]采用分水嶺算法對(duì)圖像分割。文獻(xiàn)[13]首先采用高帽、低帽變換結(jié)合的方法對(duì)電氣設(shè)備紅外圖像進(jìn)行增強(qiáng)，對(duì)增強(qiáng)后的圖像采用元胞自動(dòng)機(jī)（CA）法進(jìn)行邊緣提取，并進(jìn)行二值化處理，最后與經(jīng)過OTSU算法分割后的紅外圖像進(jìn)行融合。文獻(xiàn)[14]先用K-means算法對(duì)電力設(shè)備紅外圖像分割，然后用馬爾可夫隨機(jī)場(chǎng)（MRF）模型進(jìn)一步優(yōu)化分割。文獻(xiàn)[15]針對(duì)電路板紅外圖像芯片提取，提出一種基于兩方法博弈的馬爾可夫隨機(jī)場(chǎng)紅外圖像分割算法。電力設(shè)備紅外圖像是偽彩色圖像，反映了電力設(shè)備表面溫度分布狀態(tài)，具有強(qiáng)度集中和對(duì)比度低等特性，傳統(tǒng)的分割算法往往不能很好地將目標(biāo)和背景區(qū)分出來。而人為給定感興趣區(qū)域，顯然大大降低了智能診斷系統(tǒng)的效率。

綜上所述，電力設(shè)備故障紅外人工診斷具有耗時(shí)耗力和診斷周期長(zhǎng)等缺點(diǎn)，而針對(duì)人工診斷不足而提出的智能診斷存在感興趣區(qū)域（ROI）能否較好地獲得問題。電力設(shè)備所在的區(qū)域往往是感興趣的區(qū)域（ROI），圖像分割的目標(biāo)是希望把電力設(shè)備從圖像中分割出來。針對(duì)電力設(shè)備紅外圖像過分割問題，本文受紅外和可見光圖像在一定程度上信息互補(bǔ)和FAsT-Match算法[16]的啟發(fā)，綜合利用紅外和可見光圖像，提出一種基于FAsT-Match算法的電力設(shè)備紅外圖像分割方法。首先，F(xiàn)AsT-Match算法用于電力設(shè)備可見光圖像目標(biāo)定位，然后根據(jù)紅外與可見光圖像之間的仿射變換求出目標(biāo)在紅外圖像中的區(qū)域，最后用分割算法對(duì)區(qū)域分割。本文方法與其他方法（通常是直接對(duì)原始紅外圖像分割）最大的不同之處在于通過目標(biāo)定位去除部分干擾背景。

圖1 智能診斷系統(tǒng)的基本步驟

1 FAsT-Match算法

FAsT-Match算法[16]（Fast Affine Template Matching）由Simon Korman等人于2013年提出，是一種在二維仿射變換下減小SAD（Sum-of-Absolute- Differences）誤差以達(dá)到近似全局最優(yōu)的快速仿射變換模板匹配算法。模板匹配通常需要考慮所有可能的變換，如旋轉(zhuǎn)、尺度變化或是二維仿射變換，這時(shí)會(huì)帶來計(jì)算量爆炸性的增長(zhǎng)，使得模板匹配在很多場(chǎng)合下的運(yùn)用受到了限制。FAsT-Match算法首先初始化仿射變換參數(shù)網(wǎng)絡(luò)，根據(jù)參數(shù)網(wǎng)絡(luò)可得到相對(duì)應(yīng)的仿射變換矩陣，對(duì)每一個(gè)仿射變換矩陣，采用隨機(jī)算法（Random Algorithm）來估計(jì)SAD；對(duì)估計(jì)出的SAD設(shè)定閾值，保留在閾值范圍內(nèi)的仿射變換參數(shù)網(wǎng)絡(luò)及對(duì)應(yīng)的矩陣；最后用分支界定（branch-and-bound scheme）方法重新初始化仿射變換網(wǎng)絡(luò)和估計(jì)SAD，直到滿足一定的條件（通常是迭代次數(shù)或最小的SAD）。

給定灰度圖像模板1和目標(biāo)圖像2，圖像的大小分別為1×1和2×2（FAsT-Match算法不只適合正方形圖像，只是為了方便陳述采用正方形這種情況），灰度值的大小在[0 1]之間。定義圖像總的變化為：

式中：()和()分別表示圖像在像素點(diǎn)和的像素值，()為像素點(diǎn)的8鄰域。

定義D(1,2)為圖像1中的像素點(diǎn)與經(jīng)過仿射變換后在圖像2中的像素點(diǎn)兩者之間的歸一化SAD距離，數(shù)學(xué)表達(dá)式為：

式中：如果像素點(diǎn)經(jīng)過仿射變換超出圖像2的范圍，則|1()－2(())|＝1。

FAsT-Match算法的基本思想是希望找到一種仿射變換使D(1,2)最小，定義模板圖像經(jīng)過所有的仿射變換求得的D(1,2)中最小值定義為D(1,2)。定義￥為圖像1經(jīng)過仿射變換和￠后像素之間最大的距離，數(shù)學(xué)表達(dá)式為：

式中：||×||2表示目標(biāo)平面的歐幾里得距離（Euclidean distance）。值得注意￥值的大小與目標(biāo)圖像無關(guān)，由變換、￠和模板圖像1的大小決定。

FAsT-Match算法原理之一就是當(dāng)圖像是光滑連續(xù)的圖像，那么￥(,￠)的值可以界定D(1,2)和D￠(1,2)之間的不同和模板圖像1總的變化量，這樣就僅需要考慮很小一部分的仿射變換，而不是所有的仿射變換，因此可以合理地離散二維仿射變換參數(shù)網(wǎng)絡(luò)（由模板和目標(biāo)圖像的大小及給定參數(shù)決定）。對(duì)每一個(gè)仿射變換，F(xiàn)AsT-Match算法采用隨機(jī)算法估計(jì)相似性度量函數(shù)SAD。所謂隨機(jī)算法就是在模板1中隨機(jī)取一些點(diǎn)（給定參數(shù)決定了隨機(jī)采樣點(diǎn)數(shù)），模板中的點(diǎn)通過仿射變換求出在圖像中的位置，把這些對(duì)應(yīng)點(diǎn)的像素值差的和作為相似性度量函數(shù)SAD的估計(jì)。SAD越小，說明模板匹配效果越好，估計(jì)完SAD后用分支界定（branch-and-bound scheme）的方法來加速算法，最終求取近似全局最優(yōu)的仿射變換。FAsT-Match算法的詳細(xì)介紹及理論證明請(qǐng)參考文獻(xiàn)[16]。

2 本文提出的方法

電力設(shè)備紅外圖像分割的目的是希望把電力設(shè)備從圖像中分割出來，也就是電力設(shè)備所在位置是感興趣區(qū)域，但由于紅外成像設(shè)備固有特性及成像環(huán)境的影響，紅外圖像具有強(qiáng)度集中、對(duì)比度低、信噪比低、視覺效果模糊等特點(diǎn)，使得用傳統(tǒng)的分割算法分割其結(jié)果往往是過分割。FAsT-Match算法對(duì)于光滑連續(xù)的圖像能夠取得很好的效果，但直接用于電力設(shè)備紅外圖像模板匹配，效果往往很差，其原因是紅外圖像是偽彩色圖具有稀疏性質(zhì)不滿足連續(xù)光滑條件。圖2為變壓器油枕定位，其中平行四邊形為定位結(jié)果。受紅外和可見光圖像在一定程度上信息互補(bǔ)[17]和電力設(shè)備的紅外圖像和可見光圖像之間存在仿射變換啟發(fā)，本文首先運(yùn)用FAsT-Match算法完成目標(biāo)在可見光圖像中的定位，然后利用紅外圖像和可見光圖像之間的近似仿射變換求出目標(biāo)在紅外圖像中的區(qū)域，最后采用分割算法對(duì)區(qū)域分割從而完成電力設(shè)備紅外圖像的分割。

圖2 變壓器油枕紅外圖像FAsT-Match算法定位

本文提出的方法分為如下3步：

1）利用FAsT-Match算法在可見光圖像中進(jìn)行快速模板匹配，完成目標(biāo)在可見光圖像中的近似定位。

假設(shè)模板和可見光圖像分別為1和2，如圖3(a)、(b)所示，在可見光圖像中運(yùn)用FAsT-Match算法可求出目標(biāo)所在區(qū)域，其目標(biāo)定位結(jié)果如圖3(c)所示，其中紅色的平行四邊形為模板匹配結(jié)果。具體步驟如下：

Step1 根據(jù)1和2的大小、給定的和參數(shù)初始化仿射變換網(wǎng)絡(luò)和隨機(jī)算法采樣的估計(jì)點(diǎn)數(shù)，其中決定了網(wǎng)絡(luò)的密度、決定了采樣點(diǎn)數(shù)，本文、初始值分別為0.25和0.15；

Step2 對(duì)1中點(diǎn)的坐標(biāo)進(jìn)行仿射變換，去掉其結(jié)果超過目標(biāo)圖像邊界的仿射變換；

Step3 對(duì)每一個(gè)仿射變換，采用隨機(jī)算法算法估計(jì)D(1,2)，返回的參數(shù)記為d；

Step4 對(duì)所求d設(shè)定閾值，保留在閾值范圍內(nèi)的仿射變換參數(shù)矩陣及網(wǎng)絡(luò)參數(shù)，判斷是否滿足一定的條件（最小的d值的大小或迭代次數(shù)），滿足時(shí)則停止運(yùn)行返回最優(yōu)d及仿射變換矩陣，不滿足時(shí)則繼續(xù)運(yùn)行Step5。

Step5 根據(jù)保存下來的仿射變換參數(shù)網(wǎng)絡(luò)，用分支界定的法更新和值，得到新的仿射變換參數(shù)網(wǎng)絡(luò)和采樣估計(jì)點(diǎn)數(shù)，跳到Step3，直到滿足一定的條件。

2）通過紅外圖像和可見光圖像之間的近似仿射變換找出目標(biāo)在紅外圖像中的近似區(qū)域。

本文實(shí)驗(yàn)圖片來源于便攜式紅外熱像儀在變電站采集的圖片，對(duì)絕大部分紅外熱像儀而言，上面的可見光照相機(jī)和紅外CCD固定在很近的位置，這也就是說紅外圖像和可見光圖像兩者之間存在近似仿射變換。雖然由于調(diào)焦、拍攝距離和角度不同等原因，對(duì)不同組的紅外圖像和可見光圖像之間的近似仿射變換矩陣參數(shù)不完全相同，但通過實(shí)驗(yàn)證明這種差異對(duì)紅外圖像和可見光圖像之間的近似仿射變換不會(huì)造成太大的影響。隨機(jī)選取7組紅外圖像和可見光圖像，應(yīng)用Matlab Image Processing Toolbox中的圖像配準(zhǔn)工具，在可見光和紅外圖像中選取一些相對(duì)應(yīng)的點(diǎn)（圖4(a)給出7組中的一組），求出這7組近似仿射變換矩陣。

FAsT-Match算法求出目標(biāo)在可見光中的位置（如圖4(c)中平行四邊形）經(jīng)過7種不同的仿射變換，可求出目標(biāo)在紅外圖像（如圖4(b)）中的近似區(qū)域，如圖4(c)所示，圖中每一種顏色代表一組變換結(jié)果，可得出對(duì)同一臺(tái)紅外熱像儀仿射變換參數(shù)的不同不會(huì)太大影響目標(biāo)在紅外圖像中的定位。在實(shí)驗(yàn)中，為了提高可見光和紅外圖像之間仿射變換的通用性，采用7組仿射變換矩陣的平均值，然后上下左右移動(dòng)5個(gè)像素。這樣處理后，對(duì)同一臺(tái)紅外熱像儀任意一組紅外和可見光圖像之間的仿射變換，只需要事先給定仿射變換矩陣參數(shù)。值得注意的是，對(duì)于巡檢機(jī)器人在?？繖z測(cè)點(diǎn)拍攝的紅外圖像和可見光圖像，它們之間近似仿射變換參數(shù)是可以事先求出并作為已知參數(shù)給定（因?yàn)橥？奎c(diǎn)是相對(duì)不變的，而給定的參數(shù)顯然比平均參數(shù)更準(zhǔn)確）。

3）用最小的矩形框定目標(biāo)在紅外圖像中的區(qū)域，用分割算法對(duì)這個(gè)區(qū)域分割，最后用數(shù)學(xué)形態(tài)學(xué)的方法去除噪聲點(diǎn)。

圖5(a)中的平行四邊形為圖4(c)中小平行四邊形經(jīng)過仿射變換后上下左右移動(dòng)5個(gè)像素的結(jié)果，大的矩形為小平行四邊形最小框定矩形。對(duì)框定的矩形區(qū)域（如圖5(b)）分別采用5種不同的算法進(jìn)行分割，分別為大津法（OTSU）、迭代閾值分割算法、K-means算法、區(qū)域生長(zhǎng)法（種子生長(zhǎng)點(diǎn)為灰度值最大的點(diǎn)）和脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割算法[17]，并用數(shù)學(xué)形態(tài)學(xué)的方法去掉噪點(diǎn)，分割結(jié)果如圖6所示。

圖3 可見光圖像中的目標(biāo)近似定位

圖4 紅外圖像和可見光圖像之間的近似仿射變換

圖5 紅外圖像中的近似目標(biāo)區(qū)域結(jié)果

圖6 近似目標(biāo)區(qū)域圖像分割結(jié)果，從左到右的分割方法依次為大津法、迭代閾值分割算法、K-means算法、區(qū)域生長(zhǎng)法和脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割算法

3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文方法的有效性，作為對(duì)比實(shí)驗(yàn)，分別用這5種算法對(duì)圖4(b)原始紅外圖像分割，實(shí)驗(yàn)結(jié)果如圖7所示。圖8給出了部分原始紅外圖像和本文方法提取的目標(biāo)區(qū)域分割的結(jié)果，受版面限制只給出了5種分割算法中的大津法。比較圖6或圖7中的分割結(jié)果可得出，不管是對(duì)原始紅外圖像還是目標(biāo)的近似區(qū)域進(jìn)行分割，對(duì)同一張圖片用5種分割算法得到的結(jié)果大致上是相同的，局部有所差別。原始紅外圖像分割和本文方法分割結(jié)果對(duì)比（圖6與圖7對(duì)比，或圖8中第4行和第五行對(duì)比），本文提出的方法去除了一部分與目標(biāo)類似的背景，分割效果更好。從圖6、圖7和圖8中的分割結(jié)果還可以看出，對(duì)電力設(shè)備紅外圖像來說，像天空這種背景常用的分割算法都能夠很好的分割出來，這是因?yàn)樘炜张c電力設(shè)備的對(duì)比度較大。然而，像與電力設(shè)備目標(biāo)類似的背景（如電線、鐵和其它干擾設(shè)備等）則很難分割出來，這是因?yàn)樵趫D像中它們表現(xiàn)出來的性質(zhì)往往相似。

圖7 原始紅外圖像分割結(jié)果，從左到右的分割方法依次為大津法、迭代閾值分割算法、K-means算法、區(qū)域生長(zhǎng)法和脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割算法

表1為不同分割方法的程序運(yùn)行平均時(shí)間，本文方法程序運(yùn)行時(shí)間為FAsT-Match算法、紅外圖像與可見光之間的近似仿射變換和分割算法運(yùn)行時(shí)間的總和，其中FAsT-Match算法通常運(yùn)行的時(shí)間為幾秒鐘到幾十秒。對(duì)大津法、迭代法、K-means算法、區(qū)域生長(zhǎng)法來說，提出的方法雖然比對(duì)原始紅外圖像分割的方法耗時(shí)更多，但分割的效果更好；對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割算法而言，提出的方法不僅分割效果更好且運(yùn)行時(shí)間也少。

4 總結(jié)

針對(duì)電力設(shè)備紅外人工診斷不足而提出的智能診斷，其重要環(huán)節(jié)之一是感興趣區(qū)域的獲得，用傳統(tǒng)圖像分割方法其分割結(jié)果往往是過分割，這是因?yàn)殡娏υO(shè)備紅外圖像是一種偽彩色圖，具有如強(qiáng)度集中、對(duì)比度低、紋理信息不豐富等性質(zhì)。紅外圖像是一種稀疏圖像，不滿足光滑連續(xù)的條件，不適合FAsT-Match算法快速模板匹配。為了解決這兩個(gè)問題，受紅外與可見光圖像在一定程度上信息互補(bǔ)，提出一種新的電力設(shè)備紅外圖像分割方法。首先用FAsT-Match算法找到目標(biāo)在可見光中的近似位置，然后利用可見光和紅外圖像之間的近似仿射變換求出目標(biāo)在紅外圖像中的近似區(qū)域，最后用分割算法所求近似區(qū)域分割。采用5種常用的分割算法（大津法、迭代閾值分割算法、K-means算法、區(qū)域生長(zhǎng)法和脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割算法），分別對(duì)原始紅外圖像和本文方法提取出的區(qū)域進(jìn)行分割。實(shí)驗(yàn)結(jié)果表明，對(duì)同一張圖片，分割算法的不同對(duì)分割效果沒有太大差別；對(duì)同一種分割算法，本文方法比對(duì)原始紅外圖像分割其結(jié)果可以減少部分背景，分割效果更好。本文方法的實(shí)質(zhì)是先找到目標(biāo)（電力設(shè)備）在紅外圖像中近似區(qū)域，從而把一些與目標(biāo)類似的背景排除在區(qū)域之外，最后對(duì)區(qū)域分割。值得注意的是本文方法只能夠在紅外圖像中分割出一個(gè)目標(biāo)，未來研究方向?yàn)槎鄠€(gè)或多相目標(biāo)分割。

圖8 第1行圖片為可見光圖像，第2行圖片為原始紅外圖像，第3行圖片為本文方法提取的目標(biāo)區(qū)域，第4行圖片為使用大津法對(duì)原始紅外圖像分割的結(jié)果，第5行圖片為使用大津法對(duì)目標(biāo)區(qū)域分割的結(jié)果

表1 不同方法程序運(yùn)行時(shí)間

[1] Jian L, Lihua L, Gongquan L, et al. A substation monitoring and warning system based on infrared technology and image separating[C]//, 2008.2008.3rd, 2008, 1: 66-70.

[2] 陳衡, 候善敬. 電力設(shè)備故障紅外診斷[M]. 北京: 中國(guó)電力出版社, 1998.

CHEN Heng, HOU Shanjing.[M]. Beijing: China Electric Power Press, 1998.

[3] 魯守銀, 錢慶林, 張斌, 等. 變電站設(shè)備巡檢機(jī)器人的研制[J]. 電力系統(tǒng)自動(dòng)化, 2006, 30(13): 94-98.

LU Shouyin, QIAN Qinglin, ZHANG Bin, et al. Development of a mobile robot for substation equipment inspection[J].2006, 30(13): 94-98．

[4] 周立輝, 張永生, 孫勇, 等. 智能變電站巡檢機(jī)器人研制及應(yīng)用[J]. 電力系統(tǒng)及其自動(dòng)化, 2011, 35(19): 85-89.

ZHOU Lihui, ZHANG Yongsheng, SUN Yong, et al．Development and application of equipment inspection robot for smart substations[J]., 2011, 35(19): 85-89．

[5] Jadin. M. S, Taib. S. Recent progress in diagnosing the reliability of electrical equipment by using infrared thermography[J]., 2012, 55(4): 236-245.

[6] Huda. A. S. N, Taib. S. Suitable features selection for monitoring thermal condition of electrical equipment using infrared thermography[J]., 2013, 61: 184-191.

[7] Jaffery Z. A, Dubey A. K. Design of early fault detection technique for electrical assets using infrared thermograms[J]., 2014, 63: 753-759.

[8] Laurentys A. C. A, Braga A. P, Nascimento. S, et al. Intelligent thermographic diagnostic applied to surge arresters: a new approach[J]., 2009, 24(2): 751-757.

[9] Huda. A. S. N, Taib. S. Application of infrared thermography for predictive/preventive maintenance of thermal defect in electrical equipment[J]., 2013, 61(2): 220-227.

[10] Shafi'i M. A, Hamzah N. Internal fault classification using artificial neural network[C]//4th(), 2010: 352-357.

[11] Huda A. S. N, Taib S, Ghazali K. H, et al. A new thermographic NDT for condition monitoring of electrical components using ANN with confidence level analysis[J]., 2014, 53(3): 717-724.

[12] Ahmed M. M, Huda A. S. N, Isa N. A. M. Recursive construction of output-context fuzzy systems for the condition monitoring of electrical hotspots based on infrared thermography[J]., 2015, 39: 120-131.

[13] 門洪, 于加學(xué), 秦蕾. 基于 CA 和 OTSU 的電氣設(shè)備紅外圖像分割方法[J].電力自動(dòng)化設(shè)備, 2011, 31(9): 92-95.

MEN Hong, YU Jiaxue, QIN Lei. Segmentation of electric equipment infrared image based on CA and OTSU[J]., 2011, 31(9): 92-95.

[14] 張明, 張仁斌, 高森, 等. 基于馬爾可夫隨機(jī)場(chǎng)的電力設(shè)備紅外圖像分割[J]. 儀器儀表學(xué)報(bào), 2011, 32(12): 146-149.

ZHANG Ming, ZHANG Renbin, GAO Sen, et al. Power equipment infrared image segmentation based on markov random field[J]., 2011, 32(12): 146-149.

[15] 王坤, 張愷, 王力, 等. 基于兩方法博弈的馬爾可夫隨機(jī)場(chǎng)紅外圖像分割算法[J]. 紅外技術(shù), 2015, 37(2): 134-138.

WANG Kun, ZHANG Kai, WANG Li, et al. Infrared image segmentation based on MRF combined with two-algorithm game[J]., 2015, 37(2): 134-138.

[16] Korman. S, Reichman. D, Tsur. G, et al. Fast-match: FAsT affine template matching[C]//(), 2013: 2331-2338.

[17] 李俊山, 楊威, 張雄美. 紅外圖像處理, 分析與融合[M]. 北京: 科學(xué)出版社, 2009.

LI Junshan, YANG Wei, ZHANG Xiongmei.[M]. Beijing: Science Press, 2009．

[18] 趙小川. 現(xiàn)代數(shù)字圖像處理技術(shù)提高及應(yīng)用案例詳解[M]. MATLAB版, 北京: 北京航空航天大學(xué)出版社, 2012.

ZHAO Xiaochuan.[M]. Beijing: University of Aeronautics and Astronautics Press, 2012．

Infrared Image Segmentation for Electrical Equipment Based on FAsT-Match Algorithm

ZOU Hui，HUANG Fuzhen

(,,200090,)

Infrared Thermography(IRT) plays a very important role in monitoring and inspecting thermal defects of electrical equipment without shutting down. It has many advantages such as non-contact detection, free from electromagnetic interference, safety, reliability and providing large inspection coverage. The traditional manual analysis of infrared images may take a lot of time and efforts. To avoid the lack of manual analysis, many intelligent fault diagnosis methods for electrical equipment are proposed, but one of the greatest difficulties is to find the accurate ROI. The result of infrared image segmentation is often over-segmented when using traditional segmentation algorithms due to its over-centralized distributions and low intensity contrasts. In this paper, a novel approach based on FAsT-Match algorithm is proposed for infrared images segmentation of electrical equipment. Firstly, FAsT-Match algorithm is used for target template matching in visible image. Secondly, rough target region in infrared image is got by approximate affine transformation between infrared image and visible image. Finally, several segmentation algorithms are applied. The experiment shows the effectiveness of the method.

infrared image segmentation，template matching，affine transformation，electrical equipment，fault diagnosis

TP391.4

A

1001-8891(2016)01-0021-07

2015-08-18；

2015-12-30.

鄒輝（1990-），男，江西人，碩士研究生，研究方向?yàn)殡娏υO(shè)備故障紅外診斷。

上海市電站自動(dòng)化技術(shù)重點(diǎn)實(shí)驗(yàn)室資助項(xiàng)目（13DZ2273800）。