梁 劍，黃志鴻，張可人

〈紅外應(yīng)用〉

基于多尺度引導(dǎo)濾波和決策融合的電力設(shè)備熱故障診斷方法研究

梁 劍1,2，黃志鴻1，張可人1

（1. 國網(wǎng)湖南省電力有限公司電力科學(xué)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 410004）

本文提出一種基于多尺度引導(dǎo)濾波和決策融合（multi-scale guided filter and decision fusion, MGDF）的電力設(shè)備熱故障診斷方法，聯(lián)合多尺度引導(dǎo)濾波和決策融合技術(shù)，充分挖掘紅外圖像的空間結(jié)構(gòu)信息和溫度信息。該方法有3個主要步驟。首先，基于熱故障區(qū)域與環(huán)境背景在紅外圖像上的溫度差異特性，逐像素計算熱故障區(qū)域與環(huán)境背景的馬氏距離，獲取初始的熱故障診斷結(jié)果。然后，采用不同參數(shù)設(shè)置的引導(dǎo)濾波器對初始診斷結(jié)果進行濾波處理，并將生成的若干引導(dǎo)濾波特征圖堆疊在一起。不同參數(shù)下的濾波特征圖包含著互補的空間結(jié)構(gòu)信息。最后，為充分挖掘不同尺度特征圖的空間結(jié)構(gòu)信息和溫度差異信息，利用主成分分析法對引導(dǎo)濾波特征圖進行決策融合，提升熱故障的診斷精度，生成最終的熱故障診斷結(jié)果圖。實驗測試結(jié)果表明，本文方法在熱故障診斷精度上有明顯優(yōu)勢，滿足電力設(shè)備紅外巡檢的應(yīng)用需求。

電力設(shè)備；紅外圖像；熱故障診斷；引導(dǎo)濾波；多尺度；決策融合

0 引言

熱故障是電力設(shè)備運行時常見的一種故障類型。及時診斷出熱故障，對電力設(shè)備安全運行有著重要意義。近年來，紅外成像技術(shù)得到了長足的進步，運用光電技術(shù)檢測物體熱輻射的紅外線特定波段信號，能有效顯示物體表面的溫度信息[1]，在電力設(shè)備巡檢中有著廣泛應(yīng)用。

隨著我國電力系統(tǒng)的快速建設(shè)，設(shè)備紅外巡檢壓力也愈發(fā)增大[2]。當(dāng)前巡檢模式嚴(yán)重依賴人工分析與識別。這種模式存在識別效率低、誤檢率和漏檢率高等缺點。為此，科研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：

第一大類是基于傳統(tǒng)圖像特征的診斷方法[3-8]。一種梯度分析方法[3]應(yīng)用于識別熱故障目標(biāo)。胡洛娜等人提出一種改進的K-均值方法[4]用于紅外熱故障診斷。魏鋼等人提出一種基于小波變換聯(lián)合后驗概率分布的熱故障診斷技術(shù)[5]。該方法通過改進圖像質(zhì)量來提高熱故障診斷精度。一種粒子群圖像分割[6]技術(shù)用于分割圖像區(qū)域目標(biāo)并進行熱故障診斷。黃志鴻[8]等人采用一種低秩表示的方法，利用熱故障的稀疏分布特性，將熱故障從低秩背景中分離出來。第二大類是基于深度學(xué)習(xí)的診斷方法。這類方法近年來也得到廣泛的關(guān)注[9-12]。魏東等人[10]利用遞歸神經(jīng)網(wǎng)絡(luò)定位異常熱故障目標(biāo)。文獻[10]對紅外圖像進行分割，并采用卷積神經(jīng)網(wǎng)絡(luò)進行熱故障識別。周可慧[11]等人提出一種改進的卷積神經(jīng)網(wǎng)絡(luò)模型，對紅外熱故障圖像進行診斷。

文獻[1]提出一種基于引導(dǎo)濾波的熱故障診斷方法。具體來說，通過引導(dǎo)濾波器挖掘相鄰像素間的空間結(jié)構(gòu)信息，同時抑制圖像中噪聲等突變細(xì)節(jié)并保持熱故障區(qū)域的空間邊緣信息，進而提升熱故障的診斷精度。然而，這項研究工作存在一個局限性，即引導(dǎo)濾波器的平滑程度對熱故障診斷的精度影響較大?；趩我粎?shù)大小的引導(dǎo)濾波處理難以充分地表征紅外圖像復(fù)雜的空間結(jié)構(gòu)信息。

為解決上述難題，本文提出一種基于多尺度引導(dǎo)濾波和決策融合的電力設(shè)備熱故障診斷方法。該方法的主要創(chuàng)新點在于，聯(lián)合引導(dǎo)濾波和多尺度決策融合技術(shù)，充分挖掘紅外圖像的空間結(jié)構(gòu)信息和溫度信息，進而提升熱故障的診斷精度。該方法包括3個主要步驟。首先，基于熱故障區(qū)域與圖像背景在紅外圖像上的溫度差異特性，逐像素計算熱故障區(qū)域與環(huán)境背景的馬氏距離，獲取初始的熱故障診斷結(jié)果。然后，采用不同參數(shù)設(shè)置的引導(dǎo)濾波對初始診斷結(jié)果進行優(yōu)化，并將生成的若干引導(dǎo)濾波特征圖堆疊在一起。最后，為充分挖掘不同尺度的引導(dǎo)濾波特征圖的空間結(jié)構(gòu)信息和溫度差異信息，利用主成分分析法對引導(dǎo)濾波特征圖進行決策融合，生成最終的熱故障診斷結(jié)果圖。圖1為所提出方法的流程圖。

圖1 所提出的MGDF方法流程

1 引導(dǎo)濾波熱故障診斷基本測量原理

1.1 引導(dǎo)濾波相關(guān)原理

圖像濾波是圖像處理中最常見的技術(shù)之一，其中邊緣保持濾波模型近年來在機器視覺領(lǐng)域中有著廣泛應(yīng)用[13]。常見的邊緣保持濾波模型有：引導(dǎo)濾波[13]，雙邊濾波[14]、加權(quán)最小二乘濾波[15]。相較于其他幾類邊緣保持濾波技術(shù)，引導(dǎo)濾波采用一種簡單有效的局部線性模型，具有實時性和高效性等優(yōu)點[13]，在圖像去噪、目標(biāo)檢測等領(lǐng)域被證明為一種有效的濾波工具。具體來說，引導(dǎo)圖像在局部空間窗口w中進行線性變換生成輸出圖像：

式中：w表示以像素為中心的局部區(qū)域，空間大小為(2＋1)×(2＋1)。能量函數(shù)(a,b)用于構(gòu)建濾波器中系數(shù)a和b：

式中：為控制濾波平滑程度的參數(shù)。通過求解下列問題得到系數(shù)a和b：

1.2 基于引導(dǎo)濾波的熱故障診斷

在我們之前的工作中[1]，提出一種基于引導(dǎo)濾波的熱故障診斷方法。具體來說，通過引導(dǎo)濾波器挖掘相鄰像素間的空間結(jié)構(gòu)信息，同時抑制圖像中噪聲等突變細(xì)節(jié)并保持熱故障區(qū)域的空間邊緣信息，提升熱故障的診斷精度。首先，根據(jù)設(shè)備故障發(fā)生區(qū)域與周圍背景區(qū)域存在較大的溫度差異特性，在紅外圖像上能較好地反映出兩者的溫度變化情況。由此，文獻[1]中采用Reed-Xiao異常檢測算法[15]來診斷出熱故障區(qū)域。該算法表示如下：

為提高發(fā)熱故障區(qū)域的診斷精度，文獻[1]對初始診斷結(jié)果圖進行引導(dǎo)濾波處理，挖掘圖像像素間的空間相似性信息，提升熱故障診斷的性能。

2 基于多尺度引導(dǎo)濾波和決策融合的熱故障診斷方法

2.1 故障區(qū)域初始診斷

根據(jù)1.2節(jié)的工作，本文首先采用Reed-Xiao（RX）異常檢測算法[16]來診斷故障區(qū)域，通過逐像素計算每一點的馬氏距離，馬氏距離結(jié)果為測試像素和背景像素之間的溫度差異。圖2為初始診斷結(jié)果圖，其右側(cè)為初始診斷圖中的兩個局部放大圖。初始診斷結(jié)果圖像能較好地反映出異常熱故障的發(fā)生區(qū)域。但未能有效去除圖像中噪聲等突變細(xì)節(jié)，同時丟失熱故障區(qū)域部分空間邊緣細(xì)節(jié)。

圖2 初始發(fā)熱故障診斷結(jié)果

2.2 多尺度引導(dǎo)濾波特征提取

式中：r和為第組引導(dǎo)濾波器的兩個參數(shù)，其中 (r,)＝{(1,1),…,(r,)}。不同濾波特征圖通過公式(7)進行疊加。通過該步驟，本文所提的基于多尺度引導(dǎo)濾波和決策融合（multi-scale guided filter and decision fusion, MGFD）方法能夠挖掘不同尺度結(jié)構(gòu)信息的濾波特征圖。不同參數(shù)大小的濾波特征圖如圖3(b)～(e)所示。濾波后的圖像有著完全不同的邊緣細(xì)節(jié)和結(jié)構(gòu)特征。對于含噪聲的平滑區(qū)域，高平滑度可以有效降低噪聲，并保持同質(zhì)區(qū)域的紅外光譜純凈度。因此，將這些濾波特征圖疊加到一起，有助于利用不同濾波特征圖的空間結(jié)構(gòu)互補信息。在本文實驗中(1,1)＝(1,0.05)，(2,2)＝(5,0.1)，(3,3)＝(10,0.2)，(4,4)＝(10,0.4)。

2.3 基于主成分分析的決策融合

在2.2節(jié)中，雖然疊加生成的高維度濾波特征圖（×，和為圖像的空間維度，為特征圖數(shù)目）能夠利用圖中的互補信息。然而，高維度濾波特征圖也帶來了額外的數(shù)據(jù)冗余度，加重了模型的計算代價。

圖3 兩個濾波參數(shù)e和r的影響：(a) 初始熱故障診斷結(jié)果；(b)-(e)不同參數(shù)下的濾波特征；和(f)最終熱故障診斷結(jié)果

更重要的是，盡管引導(dǎo)濾波處理的目的是在保留圖像同質(zhì)區(qū)域的同時平滑圖像邊界。但值得注意的是平滑操作仍可能減少屬于熱故障像素和背景像素之間的光譜差異性。為解決這一難題，我們提出一種簡單有效的基于主成分分析（Principal component analysis，PCA）的決策融合技術(shù)。該技術(shù)不僅可以減少數(shù)據(jù)的維數(shù)，而且能夠增加像素間的光譜可分性。因此，在本文中，堆疊的濾波特征圖通過PCA技術(shù)融合在一起，生成最終熱故障診斷結(jié)果圖：

＝PCA(,) (8)

式中：為主成分的數(shù)目；為疊加的濾波融合特征圖。PCA技術(shù)將維度為×的濾波特征圖，轉(zhuǎn)換得到維度為×的最終的熱故障診斷結(jié)果圖。在本文實驗中，取值1。

3 實驗分析

3.1 實驗介紹

在實驗中，本文采用3種經(jīng)典的異常目標(biāo)檢測方法進行對比實驗，驗證所提出方法的有效性。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[16]、低密度概率檢測（low density probability，LDP）方法[17]和低秩表示（low-rank representation, LRR）[18]診斷方法。其中，對于LRR方法，參數(shù)設(shè)置為＝0.05。

為評估診斷結(jié)果的優(yōu)劣，本文采用線下面積（area under curve, AUC）[16,19]指標(biāo)來評估對比方法的診斷性能。該指標(biāo)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，定量地評價診斷結(jié)果的精度。AUC指標(biāo)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

第一幅測試圖像由FLIR熱成像儀采集，該圖像包含240×330個像素。在該圖中，線路某處溫度異常過熱。該區(qū)域被視為熱故障目標(biāo)。圖4(a)和(b)展示測試圖像和參考的熱故障區(qū)域圖。不同方法的熱故障診斷結(jié)果如圖4(c)～(f)所示。在每幅圖的左下方為熱故障識別結(jié)果的局部放大圖。如圖所示，LDP和LRR方法未能有效地從背景中診斷熱故障區(qū)域。相較于RX的診斷結(jié)果，MGDF的診斷結(jié)果圖與參考的熱故障區(qū)域圖更接近。3種對比方法的AUC指標(biāo)分別為0.9709、0.8312和0.8974，MGDF取得最高AUC指標(biāo)，0.9985。

第二張測試圖像由FLIR熱成像儀所采集，該圖包含240×330個像素。在該圖中，線路某處的溫度異常過高。該區(qū)域被視為熱故障目標(biāo)。圖5(c)～(f)展示了不同方法的診斷結(jié)果。RX和MGDF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。RX、LDP、LRR和MGDF方法的AUC標(biāo)值分別為0.9901、0.9132、0.9326和0.9993。

圖4 不同方法在第一幅測試圖的診斷結(jié)果

第3幅測試圖像由FILR熱成像儀所采集，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6(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6(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。與RX方法的結(jié)果相比，MGDF方法最接近參考的熱故障區(qū)域圖。RX、LDP、LRR和MGDF方法的AUC得分分別為0.9893、0.9253、0.9486和0.9989。

不同方法AUC指標(biāo)如表1所示。如表所示，本文所提出的MGDF方法能獲得最高的診斷精度（已加粗）。通過多尺度決策融合和引導(dǎo)濾波，MGDF相較于3種對比方法在診斷精度上有明顯提升。對于3張測試圖像，AUC指標(biāo)分別提升0.1278，0.0601，0.0449。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LRR3種方法采用全局圖像的計算策略，計算效率更高。MGDF方法需進行多尺度運算。盡管所提出的MGDF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(shù)。

為證明多尺度融合技術(shù)的優(yōu)勢，MGDF方法與基于單一尺度的引導(dǎo)濾波方法進行對比實驗。在本文實驗中，GF1、GF2、GF3、GF4分別為引導(dǎo)濾波參數(shù)為(1,1)＝(1,0.05)，(2,2)＝(5,0.1)，(3,3)＝(10,0.2)，(4,4)＝(10,0.4)的濾波方法。表3展示了不同熱故障診斷方法的AUC指標(biāo)值。不同濾波尺度的診斷結(jié)果有著不同的邊緣細(xì)節(jié)和結(jié)構(gòu)特征。本文所提的MGDF方法將這些濾波特征圖疊加到一起，能夠挖掘不同尺度的空間結(jié)構(gòu)互補信息，進而提升熱故障的診斷精度。

圖5 不同方法在第二幅測試圖的診斷結(jié)果

表1 不同診斷方法的AUC指標(biāo)

表2 不同診斷方法的運行時間

表3 單一尺度濾波參數(shù)的AUC指標(biāo)

4 結(jié)論

在本文中，我們提出一種基于多尺度引導(dǎo)濾波和決策融合的電力設(shè)備熱故障診斷方法。該方法的主要創(chuàng)新點在于，聯(lián)合多尺度引導(dǎo)濾波和決策融合技術(shù)，充分挖掘紅外圖像的空間結(jié)構(gòu)信息和溫度信息，提升熱故障的診斷精度。實驗測試結(jié)果表明，本文方法在熱故障診斷精度上有明顯優(yōu)勢，滿足電力設(shè)備紅外巡檢的應(yīng)用需求滿足電力紅外巡檢的應(yīng)用需要。在未來的研究工作中，該項技術(shù)也可應(yīng)用于絕緣子破損、通道樹竹識別等巡檢任務(wù)工作中。

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

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

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

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

[3] 康龍. 基于紅外圖像處理的變電站設(shè)備故障診斷[D]. 北京: 華北電力大學(xué), 2016.

KANG Long. Fault Diagnosis of Substation Equipment Based on Infrared Image Processing[D]. Beijing: North China Electric Power University, 2016.

[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(yīng)用[J]. 紅外技術(shù), 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(shè)備紅外故障診斷技術(shù)與試驗研究[J]. 電氣技術(shù), 2013, 14(6): 75-78.

WEI Gang, FENG Zhongzheng, TANG Yuelin, et al. The infrared diagnostic technology of power transmission devices and experimental 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(shè)備紅外圖像分割[J]. 紅外技術(shù), 2018, 40(8): 780-785.

LI Xin, CUI Wuyang, HUO Sijia. 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(luò)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, 洪峰, 黃偉. 形狀自適應(yīng)低秩表示的電力設(shè)備熱故障診斷方法研究[J]. 紅外技術(shù), 2022, 44(9): 870-874.

HUANG Zhihong, HONG Feng, HUANG Wei. Shape-adaptation low-rank representation for thermal fault diagnosis of power equipments[J]., 2022, 44(9): 870-874.

[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(xué)報, 2016, 42(9): 1300-1312.

CHANG Liang, DENG Xiaoming, ZHOU Mingquan, et al. Convolutional 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(luò)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(xué)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(shè)備紅外圖像分類模型構(gòu)建研究[J]. 紅外技術(shù), 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] HUANG Z, ZHOU J, LI S, et al. Superpixels segmentation and low-rank matrix recovery for thermal fault diagnosis of power equipment[C]//5, 2021: DOI: 10.1109/EI252483.2021.9713012

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

[14] HE K, SUN J, TANG X. Guided image filtering[C]//, 2010: 1-14.

[15] Durand F, Dorsey J. Fast bilateral filtering for the display of high-dynamic-range images[J]., 2002, 21(3): 257-266.

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

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

[18] XU Y, WU Z, LI J, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]., 2016, 54(4): 1990-2000.

[19] 蔣昀宸, 樊紹勝, 陳駿星溆. 帶電作業(yè)智能新技術(shù)及其應(yīng)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.

Multi-scale Guided Filter and Decision Fusion for Thermal Fault Diagnosis of Power Equipment

LIANG Jian1,2，HUANG Zhihong1，ZHANG Keren1

(1.,410007,;2.,410004,)

This paper introduces a thermal fault diagnosis method called multi-scale guided filtering and decision fusion. The proposed method combines multiscale guided filtering and decision-fusion techniques for fault diagnosis. It comprises three main steps. First, the Mahalanobis distance between the fault area and background is estimated, and initial thermal fault diagnosis results are generated. The initial diagnosis result is then filtered using guided filtering with various parameters, and several filtering feature maps are generated. Different filtering feature maps contain complementary spatial-structure information. Finally, a principal component analysis algorithm fuses these filtering feature maps to capture their spatial structure information and thermal information in filtering feature maps. Experimental results show that the proposed diagnosis method has a better detection performance than the current state-of-the-art detectors.

power equipment, infrared image, thermal fault diagnosis, guided fusion, multi-scale, decision fusion

TP751.1

A

1001-8891(2022)12-1344-08

2022-05-19；

2022-07-11.

梁劍（1972-），男，湖南衡陽人，碩士，高級工程師，主要研究方向為電力人工智能，電力設(shè)備帶電檢測。E-mail: 952897509@qq.com。

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(shè)備故障智能診斷、紅外圖像處理。E-mail: zhi hong_huang111@163.com。

國網(wǎng)湖南省電力有限公司科技項目（5216A522000U）。