基于改進(jìn)SSD的變壓器套管紅外圖像油位智能識(shí)別方法

別一凡，李波，江軍，張潮海

(江蘇省新能源發(fā)電與變換重點(diǎn)實(shí)驗(yàn)室(南京航空航天大學(xué))，江蘇 南京 211106)

0 引言

電力變壓器作為電力系統(tǒng)中重要組成，擔(dān)負(fù)著功率傳輸和電能等級(jí)變換的樞紐作用[1—2]。其中電力變壓器套管作為連接電力變壓器和電力系統(tǒng)的關(guān)鍵組件，保證其擁有良好的機(jī)械結(jié)構(gòu)及絕緣性能對(duì)于電力系統(tǒng)的安全運(yùn)行具有重要意義[3—5]。由于高壓套管漏油故障是嚴(yán)重影響電力系統(tǒng)穩(wěn)定性的一類故障，因此套管中油位的狀態(tài)信息對(duì)于套管運(yùn)行狀態(tài)的診斷是一個(gè)重要的評(píng)價(jià)參量[6—9]。

近年來由于紅外檢測(cè)技術(shù)的飛快發(fā)展，基于溫度識(shí)別的紅外圖像檢測(cè)逐漸成為電氣設(shè)備故障檢測(cè)的主流檢測(cè)方式[10—12]。由于套管中油與空氣分界面上下層介質(zhì)的導(dǎo)熱系數(shù)不同，在紅外圖像上分界面會(huì)出現(xiàn)明顯的顏色區(qū)分，因此可以采用紅外圖像處理技術(shù)對(duì)套管油位進(jìn)行識(shí)別[13—16]?，F(xiàn)有的基于紅外圖像對(duì)套管油位識(shí)別的方法，主要基于人工利用紅外圖像儀軟件，依次對(duì)紅外圖像中的套管部分進(jìn)行框選，并結(jié)合專家經(jīng)驗(yàn)進(jìn)行診斷。該檢測(cè)方案具有精度高的特點(diǎn)，但受限于紅外圖像處理軟件與各品牌設(shè)備兼容性差的現(xiàn)狀，該方案實(shí)用性較低。除此之外，該檢測(cè)方案嚴(yán)重依賴人工框選套管區(qū)域，故而導(dǎo)致效率低下，智能化程度較低。因此，想要改善基于套管紅外圖像進(jìn)行智能的油位識(shí)別，面臨如下難題：紅外圖像中背景噪聲復(fù)雜，套管區(qū)域難以直接獲?。滑F(xiàn)有軟件兼容性差，診斷所需參量不便提取；診斷方式過于依賴人工，效率低下。

傳統(tǒng)算法無法有效提取復(fù)雜背景中檢測(cè)目標(biāo)的問題逐漸被解決[17—18]。近年來隨著深度學(xué)習(xí)的飛速發(fā)展，在目標(biāo)檢測(cè)算法的基礎(chǔ)上，相關(guān)圖形處理算法也因其不依靠溫度數(shù)據(jù)的故障檢測(cè)特點(diǎn)為基于紅外圖像的電力設(shè)備智能診斷提供了新的思路[19—20]。

鑒于此，文中提出了基于紅外圖像的套管油位智能識(shí)別算法。首先，采用目標(biāo)檢測(cè)技術(shù)中的單次檢測(cè)器(single shot detection，SSD)算法進(jìn)行目標(biāo)提??；其次，通過改進(jìn)模型中的損失函數(shù)提高套管在紅外圖像中的識(shí)別準(zhǔn)確率；最后，利用圖像處理技術(shù)提取套管中油和空氣的分界面區(qū)域作為診斷的套管油位信息，實(shí)現(xiàn)不依靠溫度信息直接通過圖像進(jìn)行油位診斷的功能。

1 基于SSD的套管紅外圖像目標(biāo)檢測(cè)架構(gòu)

套管紅外圖像的背景通常是復(fù)雜多變的。在不同的角度和距離下，圖像中套管的形態(tài)差異巨大，因此需要選取一種對(duì)紅外圖像敏感的目標(biāo)檢測(cè)方法，從而實(shí)現(xiàn)對(duì)紅外圖像中套管目標(biāo)的提取。

目前主流的目標(biāo)檢測(cè)算法有：進(jìn)階基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(faster region-based convolutional neural netwoks,Faster R-CNN)，SSD以及YOLO-v3，這3種算法在COCO數(shù)據(jù)集上訓(xùn)練擁有相近的準(zhǔn)確率，但SSD以及YOLO-v3有更快的速度[21]。為了更好地從背景中識(shí)別出套管區(qū)域，需要設(shè)置較高的交并比(intersection over union，IoU)閾值，而在設(shè)定IoU閾值更大時(shí)YOLO-v3的準(zhǔn)確率降低，因此宜選用SSD作為套管目標(biāo)檢測(cè)的算法。

在套管目標(biāo)檢測(cè)階段，主要分為紅外圖像中的套管特征提取模塊和多尺度特征映射預(yù)測(cè)模塊，如圖1所示。在套管特征提取模塊當(dāng)中，輸入的套管紅外圖像首先從640×480像素被調(diào)整為300×300像素以便統(tǒng)一尺寸，進(jìn)一步輸入到以VGG16[21]為基礎(chǔ)進(jìn)行改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中，并進(jìn)行逐層特征的篩選。該改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)尺度不同的卷積層構(gòu)成，每一個(gè)卷積層都將生成多個(gè)大小相同的小特征圖，其中不同的小特征映圖包含的特征均不相同，并進(jìn)一步合成一張?zhí)卣鲌D作為檢測(cè)分類器的依據(jù)。例如第一個(gè)特征圖規(guī)模為38×38×512，其中38×38為小特征圖規(guī)模，512為該層特征圖的數(shù)量。

圖1 基于SSD的套管目標(biāo)檢測(cè)方案Fig 1 Object detection strategy of bushings based on SSD

在多尺度特征映射預(yù)測(cè)模塊當(dāng)中，有6個(gè)檢測(cè)分類器分別接收卷積模塊生成的6個(gè)特征映射圖，在不同尺度特征映射圖上分別進(jìn)行卷積計(jì)算對(duì)套管區(qū)域進(jìn)行預(yù)測(cè)，旨在提高目標(biāo)檢測(cè)對(duì)紅外圖像中各個(gè)尺寸套管的檢測(cè)準(zhǔn)確率。文中以SSD為主體，對(duì)套管紅外圖像進(jìn)行基于SSD的套管目標(biāo)識(shí)別及提取來識(shí)別油位。

2 基于改進(jìn)SSD的套管油位識(shí)別方法

文中首先通過SSD目標(biāo)檢測(cè)技術(shù)解決套管紅外圖像背景復(fù)雜的問題，進(jìn)一步通過損失函數(shù)的修改以提高套管紅外圖像在目標(biāo)檢測(cè)模型上的識(shí)別準(zhǔn)確率，然后通過目標(biāo)檢測(cè)提取出來的套管圖像設(shè)計(jì)油位識(shí)別算法。

2.1 損失函數(shù)的修改

SSD的損失函數(shù)定義如式(1)所示，主要由兩部分構(gòu)成，分別是Lconf類別置信度損失和Lloc位置損失，其中Lconf代表目標(biāo)預(yù)測(cè)框中預(yù)測(cè)的物體類別與實(shí)際類別的差距，Lloc則表示目標(biāo)預(yù)測(cè)框位置與目標(biāo)標(biāo)記位置的差距。

(1)

式中：x為預(yù)測(cè)目標(biāo)類別；c為置信度；l為預(yù)測(cè)框的相應(yīng)參數(shù)；g為標(biāo)記框的相應(yīng)參數(shù)；a為權(quán)重；N為匹配到的矩形框數(shù)量。

在實(shí)際采集的套管數(shù)據(jù)集中，存在多圖像相似的現(xiàn)象，有過擬合風(fēng)險(xiǎn)，因此在損失函數(shù)中加入center loss函數(shù)作為約束類內(nèi)緊湊的條件，減少過擬合可能性，其定義如式(2)所示。

(2)

式中：xi為第i組數(shù)據(jù)在特征提取模塊提取的特征；p為數(shù)據(jù)組數(shù)；cyi為第yi個(gè)類別的特征中心。此函數(shù)的作用在于約束每個(gè)樣本的特征與特征中心距離的類內(nèi)距離。通過減少每類特征到中心特征的距離解決過擬合問題，提高套管目標(biāo)檢測(cè)的準(zhǔn)確度。經(jīng)過改進(jìn)的損失函數(shù)如式(3)所示。

(3)

式中：α，β為權(quán)重。

2.2 油位識(shí)別算法的實(shí)現(xiàn)

套管的紅外圖像如圖2(a)所示，套管的結(jié)構(gòu)如圖2(b)所示。由于油與空氣分界面上下介質(zhì)的導(dǎo)熱系數(shù)不同，易出現(xiàn)分界面上下溫度突變，故可借紅外圖像對(duì)其中的突變區(qū)域進(jìn)行油位識(shí)別。

圖2 套管紅外圖像與結(jié)構(gòu)示意Fig 2 Schematic diagram of the bushing and its infrared detection image

在進(jìn)行紅外圖像處理過程中，仍需解決：

(1)套管表面不平整。由于套管結(jié)構(gòu)呈傘裙?fàn)?，因此在紅外圖像中每個(gè)傘裙之間的空隙呈現(xiàn)的溫度都會(huì)有一定程度的突變，如圖2(a)所示。因此通過橫向卷積層對(duì)圖像進(jìn)行橫線提取進(jìn)而獲取油位的方式不適合套管紅外圖像。

(2)數(shù)據(jù)質(zhì)量參差不齊，最高點(diǎn)的溫度不能完全代表油位所在處。由于拍攝當(dāng)中可能存在的選取角度誤差和選取溫度范圍誤差，套管的溫度最高區(qū)域可能不在油位分界面處，因此單純提取套管區(qū)域中最高溫度所在點(diǎn)無法進(jìn)行油位的準(zhǔn)確檢測(cè)。

文中首先采用簡單線性迭代聚類(simple linear iterative clustering，SLIC)算法對(duì)圖像進(jìn)行預(yù)處理，解決套管不平整帶來的問題。SLIC算法的主要思想是將圖像從紅綠藍(lán)(red green blue，RGB)顏色空間轉(zhuǎn)換為國際照明委員會(huì)的標(biāo)準(zhǔn)命名顏色空間，以幫助圖像中異常區(qū)域的分割。在該算法中，根據(jù)圖像中的區(qū)域鄰近度和顏色相似度，將圖像聚類為不同的網(wǎng)格區(qū)域，每個(gè)區(qū)域的顏色統(tǒng)一且由區(qū)域內(nèi)顏色的平均值表示，以減少套管表面不平整帶來的油位識(shí)別難度。區(qū)域鄰近度可以由式(4)—式(7)表示。

(4)

式中：S為不同聚類中心之間的距離；NT為圖像的像素?cái)?shù)量；K為期望將圖像分割的超像素個(gè)數(shù)。

(5)

式中：D(i，k)為像素點(diǎn)i與第k個(gè)聚類中心之間的相似度；m用來權(quán)衡顏色相似度和空間臨近性的影響。m越大，空間影響越大超像素更緊湊；m越小顏色影響越大，超像素更貼合圖像邊緣。

(6)

式中：dlab為CIE-lab空間內(nèi)兩點(diǎn)間的距離；l，a，b值分別為空間中的三維坐標(biāo)。

(7)

式中：dxy為第i個(gè)點(diǎn)對(duì)于第k個(gè)聚類中心的歐氏距離；x，y分別為二維坐標(biāo)系中的橫、縱坐標(biāo)。

油位識(shí)別算法如圖3所示，以目標(biāo)檢測(cè)模型輸出的套管圖像作為輸入，分析SLIC算法預(yù)處理減小傘裙?fàn)罱Y(jié)構(gòu)對(duì)油位識(shí)別帶來的影響。進(jìn)一步將SLIC預(yù)處理后溫度最高的區(qū)域作為故障區(qū)域，然后以故障區(qū)域平均橫坐標(biāo)作一條縱軸，讀取縱軸的灰度曲線并以此為依據(jù)判斷故障區(qū)域中心坐標(biāo)在曲線上是否為極值點(diǎn)。若條件滿足則將該區(qū)域視為油位所在處，若條件不滿足則舍棄該故障區(qū)域，獲取溫度次高區(qū)域循環(huán)進(jìn)行檢測(cè)直至條件滿足。

圖3 油位識(shí)別算法流程Fig 3 The flow chart of oil level identification algorithm

3 算例仿真及結(jié)果分析

3.1 實(shí)驗(yàn)條件

用于目標(biāo)檢測(cè)的原始數(shù)據(jù)集由600張?jiān)谧冸娬局型ㄟ^紅外熱成像儀實(shí)地采集的110～500 kV油紙絕緣套管圖組成，每張?jiān)紙D像的分辨率為640×480。經(jīng)過數(shù)據(jù)清洗，篩選出200張合適的圖像，為解決過擬合問題，通過角度旋轉(zhuǎn)、隨機(jī)縮放等形態(tài)學(xué)操作對(duì)篩選的200張樣本進(jìn)行數(shù)據(jù)增強(qiáng)，增強(qiáng)后樣本數(shù)量達(dá)1 000張，選用20%的數(shù)據(jù)(200張)作為驗(yàn)證集，其余80%的數(shù)據(jù)(800張)作為訓(xùn)練集。除此之外，考慮到數(shù)據(jù)集中拍攝同一根套管的重復(fù)性，從600張?jiān)紨?shù)據(jù)集中篩選100張作為油位識(shí)別的對(duì)比數(shù)據(jù)集。實(shí)驗(yàn)評(píng)估指標(biāo)包括目標(biāo)檢測(cè)模型評(píng)價(jià)參數(shù)平均精度(average precision，AP)和兩種油位識(shí)別方式的相對(duì)誤差。

文中實(shí)驗(yàn)均在配備英特爾至強(qiáng)銀牌4114處理器、NVDIA 2080Ti顯卡、128 G 內(nèi)存的計(jì)算機(jī)上進(jìn)行。在Python3.7環(huán)境下用Tensorflow、Keras框架實(shí)現(xiàn)整個(gè)算法，表1為部分實(shí)驗(yàn)參數(shù)設(shè)置。

表1 實(shí)驗(yàn)參數(shù)設(shè)置Table 1 Setting parameters of the experiment

3.2 目標(biāo)檢測(cè)結(jié)果

通過對(duì)所構(gòu)建的數(shù)據(jù)集分別在YOLO-v3、SSD、改進(jìn)SSD上進(jìn)行訓(xùn)練以及在驗(yàn)證集上的驗(yàn)證，得到的平均精度PA值如表2所示，其中PA的定義如式(8)所示。

表2 不同算法的參數(shù)平均精度Table 2 The average precision of different algorithms

(8)

式中：M為測(cè)試集中預(yù)測(cè)框的總數(shù)量；ci為第i個(gè)預(yù)測(cè)框中的置信度。

由表2可知，改進(jìn)SSD算法準(zhǔn)確率比YOLO-v3高13%，且相較于改進(jìn)前的SSD算法準(zhǔn)確率提升了9.5%。

3.3 油位識(shí)別算法結(jié)果

由于基于人工提取的方法具有高精度特點(diǎn)，因此將文中油位識(shí)別算法計(jì)算出的油位相對(duì)高度數(shù)據(jù)與基于人工提取識(shí)別計(jì)算出的相對(duì)縱坐標(biāo)值結(jié)果進(jìn)行對(duì)比并計(jì)算誤差。

基于人工提取的油位溫度分析方法主要是利用廠家提供的紅外圖像處理軟件提取套管中的線溫度，如圖4(a)所示，并將坐標(biāo)與溫度變化信息繪制為如圖4(b)所示的折線，然后將折線對(duì)應(yīng)的溫度信息進(jìn)行采集，提取折線中的最大值區(qū)域作為油位。通過讀取坐標(biāo)與溫度的數(shù)據(jù)，提取最高溫附近的坐標(biāo)點(diǎn)并取平均值作為油位，采用相對(duì)位置作為指標(biāo)進(jìn)行記錄，相對(duì)位置的定義如式(9)所示。

圖4 基于人工油位檢測(cè)的套管目標(biāo)檢測(cè)結(jié)果Fig.4 The result of bushing object detection based on manual oil level detection method

LM=(ymax-yoil)/ymax×100%

(9)

式中：LM為相對(duì)坐標(biāo)；ymax為橫坐標(biāo)最大值，表征套管長度；yoil為最高溫對(duì)應(yīng)的橫坐標(biāo)值，表征油位距離套管頂部的長度。

文中提出的油位檢測(cè)算法處理過程如圖5所示，輸入的套管目標(biāo)圖像通過SLIC計(jì)算得到相似的分塊區(qū)域，然后將每個(gè)區(qū)域的色彩特征統(tǒng)一為該區(qū)域色彩的平均值，然后將其在轉(zhuǎn)化為灰度圖并提取灰度最高區(qū)域，并將提取的區(qū)域作為最終的油位信息，且以相對(duì)位置進(jìn)行表征。

圖5 基于改進(jìn)SSD的套管目標(biāo)檢測(cè)過程Fig.5 The process of bushing object detection based on impoved SSD method

最終從初始的600張紅外數(shù)據(jù)集中抽取100張圖像作為油位識(shí)別算法檢驗(yàn)的數(shù)據(jù)集，并依次將100張圖的溫度信息導(dǎo)出以計(jì)算油位信息。同時(shí)將基于圖像算法計(jì)算的油位與基于人工提取的油位信息結(jié)果進(jìn)行對(duì)比。其中文中提出的方法計(jì)算速度為0.5 s/張，基于人工提取的速度為2 min/張，最終檢測(cè)結(jié)果為所提基于紅外圖像的油位識(shí)別算法計(jì)算的相對(duì)誤差為0.08%。

4 結(jié)論

基于套管紅外圖像的智能油位識(shí)別所面臨的問題，文中以現(xiàn)場(chǎng)獲取的110～500 kV套管數(shù)據(jù)集為檢測(cè)對(duì)象，提出了不依賴溫度信息且基于SSD目標(biāo)檢測(cè)算法的套管油位識(shí)別算法，在與常用的基于人工的油位識(shí)別算法的診斷結(jié)果進(jìn)行對(duì)比后得到如下結(jié)論：

(1)SSD目標(biāo)檢測(cè)技術(shù)可通過紅外圖像有效檢測(cè)套管目標(biāo)，并通過對(duì)損失函數(shù)增加center loss來提高SSD在套管數(shù)據(jù)集上的表現(xiàn)效果，將PA有效提升9.5%。

(2)油位識(shí)別算法中SLIC預(yù)處理和極大值點(diǎn)驗(yàn)證可分別減少由傘裙?fàn)罱Y(jié)構(gòu)和人工圖像采集帶來的影響。

(3)基于紅外圖像的套管油位識(shí)別算法可以實(shí)現(xiàn)油位精確識(shí)別，其與基于溫度的油位識(shí)別算法之間的誤差為0.08%。

本文得到國網(wǎng)江蘇省電力有限公司科技項(xiàng)目(J2019008)資助，謹(jǐn)此致謝！