形狀自適應低秩表示的電力設備熱故障診斷方法研究

黃志鴻，洪 峰，黃 偉,3

形狀自適應低秩表示的電力設備熱故障診斷方法研究

黃志鴻1，洪 峰2，黃 偉1,3

（1. 國網(wǎng)湖南省電力有限公司電力科學研究院，湖南 長沙 410007；2. 國網(wǎng)湖南省電力有限公司，湖南 長沙 410029；3. 湖南省湘電試驗研究院有限公司，湖南 長沙 410007）

本文提出一種形狀自適應低秩表示的電力設備熱故障診斷方法。該方法通過聯(lián)合超像素分割和低秩表示技術進行熱故障診斷。首先，使用主成分分析算法對輸入的紅外圖像進行變換，并對第一主成分進行超像素分割處理，將紅外圖像自適應地分割為若干非重疊的超像素。然后，采用低秩表示技術對逐個超像素進行熱故障診斷，通過充分挖掘空間結(jié)構(gòu)信息和紅外溫度信息，優(yōu)化提升熱故障診斷精度。實驗結(jié)果表明，與其他傳統(tǒng)熱故障診斷方法相比，本文提出的方法在熱故障診斷精度上具有較大的優(yōu)勢，滿足電力設備紅外巡檢的應用需求。

電力設備；紅外圖像；熱故障診斷；超像素分割；低秩表示

0 引言

電力設備熱故障為一種常見的故障類型，及早診斷出熱故障，對電力設備安全運行具有積極的現(xiàn)實意義。近年來，紅外成像技術有著長足的發(fā)展，能有效顯示物體表面的溫度信息[1]。因此，該技術廣泛應用于電力設備巡檢中。

隨著電力網(wǎng)絡規(guī)模的不斷擴大，紅外巡檢壓力也愈發(fā)增大。當前巡檢模式嚴重依賴人工識別和分析。這種巡檢模式存在效率低、誤檢率高等缺點。為此，研究人員提出多種智能化的熱診斷方法。這些方法可分為如下兩大類。

第一大類是傳統(tǒng)圖像處理的診斷方法[2-8]。其中張文峰等人提出一種圖像分割方法[2]對紅外圖像中的熱故障目標進行目標分割。王淼等人采用一種梯度分析方法[3]，診斷熱故障。一種改進的K-均值方法[4]用于紅外熱故障診斷。魏鋼等人采用基于小波變換和后驗概率分布的熱故障診斷方法[5]，通過提高圖像質(zhì)量，進而提升熱故障診斷精度。李鑫等人采用一種粒子群圖像分割[6]的熱故障診斷方法。黃志鴻[8]等人采用一種引導濾波技術，利用紅外圖像的空間相似性，提升熱故障診斷精度。第二大類是基于深度學習的診斷方法。這類方法近年來也得到研究人員的廣泛關注[9-11]。文獻[9]對紅外圖像進行分割，并采用卷積神經(jīng)網(wǎng)絡進行熱故障識別。魏東等人[10]利用遞歸神經(jīng)網(wǎng)絡定位異常熱故障區(qū)域。周可慧等人[11]提出一種改進的卷積神經(jīng)網(wǎng)絡模型，對紅外熱故障圖像進行診斷。

上述方法大多直接對整張紅外圖像進行處理和解譯。這些方法僅挖掘紅外圖像中的溫度信息，未有效利用圖像的空間結(jié)構(gòu)信息進行熱故障診斷。因此，這些方法在復雜電力巡檢環(huán)境下，難以獲得高精度的熱故障診斷結(jié)果。近年來，超像素分割[12]已被證明是一種有效挖掘圖像空間結(jié)構(gòu)信息的圖像分割技術，廣泛應用于圖像分類和目標識別領域中。該類方法通過使用基于熵率的圖像分割方法，生成若干互不重疊的超像素。超像素為一個形狀自適應的同質(zhì)區(qū)域。該區(qū)域中的像素通常有著高度相似的空間紋理和灰度信息[12]。如何聯(lián)合利用紅外圖像的空間結(jié)構(gòu)信息和溫度信息，提升電力設備熱故障診斷的精度是本文擬解決的應用難題。

本文提出的形狀自適應低秩表示方法（shape-adaptation low-rank representation, S-LRR）包含兩個主要步驟。首先，使用主成分分析算法對輸入紅外圖像進行變換，并對第一主成分采用超像素分割方法，將紅外圖像自適應地分割為若干非重疊的超像素區(qū)域。然后，采用低秩表示技術對逐個超像素區(qū)域進行熱故障診斷，充分挖掘空間結(jié)構(gòu)信息和紅外溫度信息，提升熱故障診斷精度。

1 低秩表示模型

Candes等人在2013年提出低秩表示模型[13]。該模型設定一個輸入的矩陣可以分解為低秩矩陣、稀疏矩陣和噪聲矩陣?；谶@種設定，一個輸入的紅外圖像可以表示為：

＝＋＋(1)

式中：是高斯噪聲項。由于紅外圖像的空間鄰域像素具有相似性，我們可以使用幾個基向量的線性組合來表示背景中的每個像素[13]。因此，背景區(qū)域通常擁有低秩特性。與周圍環(huán)境相比，熱故障目標通常是小區(qū)域目標。因此，熱故障區(qū)域具有稀疏特性。綜上分析，我們采用低秩表示模型從輸入的紅外圖像中分離稀疏的熱故障目標和低秩的背景區(qū)域。低秩表示模型如下所示：

2 形狀自適應低秩表示的熱故障診斷方法

本文包含兩個主要創(chuàng)新點。第一，首次將電力設備熱故障診斷問題建模為圖像低秩表示模型。第二，通過超像素分割技術和低秩表示方法，聯(lián)合利用紅外圖像的空間結(jié)構(gòu)信息和溫度信息，提升熱故障的診斷精度。圖1為所提出方法的流程圖。

圖1 所提出的SS-LRR方法流程圖

2.1 形狀自適應區(qū)域生成

本文中，我們采用熵率超像素（entropy rate superpixel，ERS）[12]方法將輸入紅外圖像分割，生成若干個非重疊的超像素區(qū)域。首先，采用主成分分析算法[13]獲取紅外圖像的第一主成分，第一主成分能反映中最關鍵的圖像信息。提取的第一主成分被視為一個基圖像，并映射到一個圖。然后，應用ERS算法，通過求解如下優(yōu)化問題，生成若干超像素邊緣：

式中：代表熵率；代表平衡項；為平衡參數(shù)；E為選擇的邊緣集合。通過熵率超像素分割，生成若干個非重疊的超像素區(qū)域。每個超像素區(qū)域由若干具有高度相似空間結(jié)構(gòu)信息的像素組成。因此，基于超像素分割的方法能自適應地挖掘紅外圖像的空間結(jié)構(gòu)信息。

2.2 形狀自適應區(qū)域熱故障識別

3 實驗與分析

3.1 實驗介紹

在實驗中，用于測試的紅外圖像由FILR成像儀所獲取。圖像空間分辨率為0.68mrad，波長范圍為7.5～14mm。為評估本文所提方法對電力設備熱故障的診斷性能，采用3種經(jīng)典的異常目標檢測方法進行對比實驗。這些方法包括基于全局統(tǒng)計的馬氏距離計算Reed-Xiao（RX）方法[14]、低密度概率檢測（low- density probability，LDP）方法[15]和低秩表示（LRR）[16]診斷方法。其中，對于LRR方法，參數(shù)設置為＝0.05。對于SS-LRR方法，超級像素數(shù)設置為100，參數(shù)設置為＝0.05。

圖2 部分中間過程圖

為評估診斷結(jié)果的優(yōu)劣，本文采用線下面積（area under curve, AUC）[16-17]指標來客觀評估對比方法的診斷性能。該指標基于目標檢測結(jié)果和參考的熱故障區(qū)域圖，定量地評價診斷結(jié)果的精度。該指標能較好地評估診斷結(jié)果與熱故障區(qū)域的溫升差異和區(qū)域面積的匹配程度。AUC指標越高，識別結(jié)果越接近參考的熱故障區(qū)域圖，熱故障診斷性能越優(yōu)異。

3.2 實驗結(jié)果與分析

第一幅測試圖像拍攝于湖南省湘潭市韶梅線10kV線路上的一場景，共有240×330個像素。在這張圖中，架空線路一處溫度過高。該區(qū)域被視為熱故障目標。圖3(a)和(b)展示測試圖像和參考的熱故障區(qū)域圖。圖3(c)～(f)為不同方法的診斷結(jié)果。在每幅圖的左下方展示了診斷結(jié)果的局部放大圖?？梢钥吹剑琑X、LDP和LRR方法未能有效地從背景中診斷熱故障區(qū)域。而SS-LRR方法的診斷結(jié)果圖最接近參考的熱故障區(qū)域圖。

圖3 不同方法在第一幅測試圖的診斷結(jié)果

第二幅測試圖像拍攝于湖南省湘潭市的10kV邵南線上的一場景，共有240×330個像素。在這張圖中，架空線路一處的溫度異常過高，因此該處被視為熱故障目標。不同對比方法的診斷結(jié)果如圖4(c)～(f)所示。我們可以觀察到，RX和SS-LRR方法能有效地診斷出熱故障區(qū)域。LDP和LRR方法不能有效去除背景像素的干擾。

第3幅測試圖像拍攝于湖南省湘潭市的220kV輸電線路的一場景，由325×450個像素組成。該幅圖像中，絕緣子出現(xiàn)溫度過熱的異常情況。圖5(a)和(b)展示該圖像的紅外熱圖像和參考的熱故障區(qū)域圖。不同方法的診斷結(jié)果如圖5(c)～(f)所示。LRR方法可以診斷出熱故障區(qū)域，但不能有效地去除背景像素的干擾。RX和SS-LRR方法有著優(yōu)異的診斷性能，SS-LRR方法最接近參考的熱故障區(qū)域圖。

不同診斷方法的AUC指標如表1所示。如表所示，本文所提出的SS-LRR診斷方法能獲得最高的診斷精度（用加粗字體標識）。通過超像素分割，SS-LRR相較于LRR方法在診斷精度上有著明顯的提升表2展示了不同方法的運行時間。從表中我們可以發(fā)現(xiàn)，RX，LDP和LRR三種方法采用全局圖像的計算策略，計算效率更高。SS-LRR方法需逐個處理超像素。盡管所提出的SS-LRR方法在運行效率上不是最高的。但鑒于其出色的診斷性能，該方法仍然是4種方法中最為實用的熱故障診斷技術。

表1 不同診斷方法的AUC指標

表2 不同診斷方法的運行時間

4 總結(jié)

本文提出一種形狀自適應低秩表示的電力設備熱故障診斷方法，在復雜電力巡檢環(huán)境下高精度地診斷出電力設備的熱故障。通過超像素分割技術和低秩表示方法，自適應地分割紅外圖像中目標的形狀，聯(lián)合利用紅外圖像的空間結(jié)構(gòu)信息和溫度信息，優(yōu)化提升熱故障的診斷精度，滿足電力紅外巡檢的應用需要。

[1] 劉嶸, 劉輝, 賈然, 等. 一種智能型電網(wǎng)設備紅外診斷系統(tǒng)的設計[J]. 紅外技術, 2020, 42(12): 198-1202.

LIU Rong, LIU Hui, JIA Ran, et al. Design of intelligent infrared di-agnosis system for power grid equipment[J]., 2020, 42(12): 1198-1202.

[2] 張文峰, 彭向陽, 陳銳民, 等. 基于無人機紅外視頻的輸電線路發(fā)熱缺陷智能診斷技術[J]. 電網(wǎng)技術, 2014, 38(5): 1334-1338.

ZHANG Wenfeng, PENG Xiangyang, CHEN Ruiming, et al. Intelligent diagnostic techniques of abnormal heat defect in transmission lines based on unmanned helicopter infrared video[J]., 2014, 38(5): 1334-1338.

[3] 王淼, 杜偉, 孫鴻博, 等. 基于紅外圖像識別的輸電線路故障診斷方法[J].紅外技術, 2017, 39(4): 383-386.

WANG Miao, DU Wei, SUN Hongbo, et al. Transmission line fault diagnosis method based on infrared image recognition[J]., 2017, 39(4): 383-386.

[4] 胡洛娜, 彭云竹, 石林鑫. 核貓群紅外圖像異常檢測方法在電力智能巡檢中的應用[J]. 紅外技術, 2018, 40(9): 323-328.

HU Luona, PENG Yunzhu, SHI Linxin. Anomaly detection method of infrared images based on kernel cat swarm optimization clustering with application in intelligent electrical power inspection[J]., 2018, 40(9): 323-328.

[5] 魏鋼, 馮中正, 唐躍林, 等. 輸變電設備紅外故障診斷技術與試驗研究[J]. 電氣技術, 2013, 14(6): 75-78.

WEI Gang, FENG Zhongzheng, TANG Yuelin, et al. The infrared diagnostic technology of power transmission devices and experimen-tal study[J]., 2013, 14(6): 75-78.

[6] 李鑫, 崔昊楊, 霍思佳, 等. 基于粒子群優(yōu)化法的Niblack電力設備紅外圖像分割[J]. 紅外技術, 2018, 40(8): 780-785.

LI Xin, CUI Wuyang, HUO Siyang. Niblack's method for infrared image segmentation of electrical equipment improved by particle swarm optimization[J]., 2018, 40(8): 780-785.

[7] 林穎, 郭志紅, 陳玉峰. 基于卷積遞歸網(wǎng)絡的電流互感器紅外故障圖像診斷[J]. 電力系統(tǒng)保護與控制, 2017, 45(16): 87-94.

LIN Ying, GUO Zhihong, CHEN Yufeng. Convolutional-recursive network based current transformer infrared fault image diagnosis[J]., 2015, 45(16): 87-94.

[8] 黃志鴻, 吳晟, 肖劍, 等. 基于引導濾波的電力設備熱故障診斷方法研究[J].紅外技術, 2021, 43(9): 910-915.

HUANG Zhihong, WU Sheng, XIAO Jian, et al. Thermal fault dagnosis of power equipments based on guided filter[J]., 2021, 43(9): 910-915.

[9] 常亮, 鄧小明, 周明全, 等. 圖像理解中的卷積神經(jīng)網(wǎng)[J]. 自動化學報, 2016, 42(9): 1300-1312.

CHANG Liang, DENG Xiaoming, ZHOU Mingquan, et al. Convolu-tional neural networks in image understanding[J]., 2016, 42(9): 1300-1312.

[10] 魏東, 龔慶武, 來文青, 等. 基于卷積神經(jīng)網(wǎng)絡的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究[J]. 中國電機工程學報, 2016, 36(5): 21-28.

WEI Dong, LONG Qinwu, LAI Wenqing, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]., 2016, 36(5): 21-28.

[11] 周可慧, 廖志偉, 肖異瑤, 等. 基于改進CNN的電力設備紅外圖像分類模型構(gòu)建研究[J]. 紅外技術, 2019, 41(11): 1033-1038.

ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipments based on improved CNN[J]., 2019, 41(11): 1033-1038.

[12] LIU M, Tuzel O, Ramalingam S, et al. Entropy rate superpixel segmentation[C]//, 2011: 2097-2104.

[13] YUAN X, YANG J. Sparse and low-rank matrix decomposition via alternating direction methods[J].1990, 9(1): 1760-1770.

[14] Reed I S, YU X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]., 1990, 38(10): 1760-1770.

[15] KANG X, ZHANG X, LI S, et al. Hyperspectral anomaly detection with attribute and edge-preserving filters[J]., 2017, 55(10): 5600-5611.

[16] XU Y, WU Z, LI J, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]., 2016, 54(4): 1990

[17] 蔣昀宸, 樊紹勝, 陳駿星溆. 帶電作業(yè)智能新技術及其應用現(xiàn)狀[J]. 湖南電力, 2018, 38(5): 1-4.

JIANG Yunchen, FAN Zhaosheng, CHEN Junxingxu. Smart new-technologies and applications for live work[J]., 2018, 38(5): 1-4.

Shape Adaptation Low Rank Representation for Thermal Fault Diagnosis of Power Equipments

HUANG Zhihong1，HONG Feng2，HUANG Wei1,3

(1.,410007,;2.,410029,; 3.410007,)

This work introduces a thermal fault diagnosis method that integrates superpixel segmentation and low-rank representation for diagnosis. The proposed method comprises two main steps. First, an input infrared image is transformed using a principal component analysis (PCA) algorithm, and a superpixel segmentation method is employed for the first principal component (PC). The first PC is divided into non-overlapping homogeneous superpixels. Then, the thermal fault region is detected by employing low-rank representation in a superpixel-by-superpixel manner. Experimental results show that the proposed diagnosis method has a better detection performance than that of current state-of-the-art detectors.

power equipment, infrared image, thermal fault diagnosis, superpixel segmentation, low-rank represent

TP751.1

A

1001-8891(2022)08-0870-05

2022-02-10；

2022-02-15.

黃志鴻（1993-），男，湖南長沙人，博士，高級工程師，主要研究方向為電力設備故障智能診斷，紅外圖像處理。E-mail: zhihong_huang111@163.com

國網(wǎng)湖南省電力有限公司科技項目（5216A522000U）。