一种基于红外图像的电气设备故障检测方法

本发明涉及电气设备故障检测领域，具体涉及一种基于红外图像的电气设备故障检测方法。

背景技术：

1、目前在电气设备的故障检测中，红外热成像检测具有非接触式和非断电检测的优点，已广泛应用于各种电气单位中。随着中国电网的不断发展，对电气设备进行红外检查的压力越来越大，红外巡检机器人、固定采集红外热像仪等设备采集到大量红外热像数据。仅仅依赖于设置普通的温度阈值或人工手动分析比较的方法难以满足批量红外热像数据的检测，并且可能造成误检和漏检，不仅增加了检测的成本还影响了检测的实时性。电气设备发生热故障的时间较短，如果不及时对其进行故障设备类型识别和定位表现异常的区域，将会带来较大的经济和人力耗费。利用常规的图像特征分析方法，难以提取和识别电气设备的特征以及异常发热区域的特征。使用深度学习和计算机视觉算法结合传统图像处理算法，自动分析和检测电气设备和异常发热的红外数据可以显着提高红外图像检测的效率。将这种算法集成到变电站控制室的主设备中，通过检测实时采集的电气设备红外热像，当出现异常情况时及时报警，将后续检测到的异常图像增加到数据集中继续训练以达到更高的检测精度，做到更加精准的智能巡检。双监督信号深度学习的电气设备红外故障识别方法，该方案首先，使用slic超像素分割方法合并相似像素块；其次，根据改进后hsv空间的亮度信息判别设备温度异常区域，进而分割出温度异常区域所在的连通区域及所对应的设备；最后，基于googlenet卷积神经网络对电气设备红外故障图像进行特征提取，再采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练。

2、现有技术的缺点在于：双监督信号深度学习的电气设备红外故障识别方法不能排除干扰点的影响；算法复杂度较高；识别精度较低。目前的干扰点排除，主要是分析该发热点是否位于设备轮廓内，只要是位于设备轮廓内就视为有效发热点，这无疑会降低检测精度。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于红外图像的电气设备故障检测方法，本发明中首先，通过otsu算法对红外图像进行初步分割，提取电气设备轮廓；其次，将原红外图像的rgb转换为hsv颜色空间，提取发热点信息；然后，使用resnet-34网络和迁移学习的方法定位发热点；最后，在测试阶段采用改进的分水岭算法对设备进行分割，最终提取到故障设备异常区域和故障类型，能最大限度的降低干扰提高检测精度。

2、本发明的目的是通过以下技术方案来实现的：

3、一种基于红外图像的电气设备故障检测方法，包括：

4、步骤1)：获取电气设备第一维度红外图像和第二维度红外图像，所述第一维度和第二维度对应的红外图像位面彼此垂直；

5、步骤2)：通过otsu算法对红外图像进行初步分割，提取第一维度下的电气设备轮廓的红外图像a和第二维度下的电气设备轮廓的红外图像b；

6、步骤3)：基于红外图像a和红外图像b建立空间直角坐标系(x，y，z)，其中，红外图像a覆盖的区域的坐标为(y1-y2，z1-z2)，红外图像b覆盖的区域的坐标为(y1-y2，x1-x2)；

7、步骤4)：将红外图像a和红外图像b的rgb转换为hsv颜色空间，提取发热点的信息；

8、步骤5)：使用resnet-34网络和迁移学习的方法定位发热点；其中，红外图像a中的发热点坐标为(yn，zn)，红外图像b中的发热点坐标为(ym，xm)，其中n和m分别为红外图像a和红外图像b中发热点的个数；

9、步骤6)：干扰点排查，包括：

10、以红外图像a作为识别模型时，排除以及的点，排除后的yn记为yn’；

11、基于红外图像b中定位的发热点坐标(ym，xm)，排除的点，最后得到的点即为有效发热点；

12、或，

13、以红外图像b作为识别模型时，排除以及的点，排除后的ym记为ym’；

14、基于红外图像a中定位的发热点坐标(yn，zn)，排除的点，最后得到的点即为有效发热点；

15、步骤7)：故障测试，采用分水岭算法对设备进行分割，最终提取到故障设备异常区域和故障类型，其中，在所述分水岭算法中加入一次开预算和闭运算；

16、所述开预算用于去除有效发热点的小点和毛刺，所述闭运算用于填充一些小孔，将原始图像中电气设备的轮廓连通起来，避免提取到的电气设备轮廓缺失。

17、和传统的基于图像识别技术的故障检测相比，本技术中利用不同维度下的红外图像互为校正，基本可排除错位、重叠等情况下的干扰发热点，减少了干扰，提高了图像识别准确度，同时引入分水岭算法对设备进行分割，增加一次开预算和闭运算，进一步提高了图像识别的精细度，也就是说，在本技术中从“宏观”和“微观”的角度进行了一次校正，使得最终得到的图像识别精准度得以提升，可实现99％以上的故障识别。

18、可选的，所述第一维度和第二维度分别为垂直维度和水平维度。优选的采用垂直维度和水平维度的角度进行红外图像提取，这种组合下，设备的安装更加简单，在操作层面而言，其实现更加可靠。

19、可选的，所述步骤1)还包括一个红外图像增强处理，分别对第一维度红外图像和第二维度红外图像做如下处理：

20、1-1)：在图像平面上对图像以一定方式进行平移；

21、1-2)：沿着水平或者垂直方向翻转图像；

22、1-3)：将原始图像分别旋转45度、90度、180度、270度，每张原始图像将得到4张旋转后的图像；

23、1-4)：增强图像对比度，也可以用直方图均衡化；

24、1-5)：将整个图像亮度调高。

25、本技术中，利用图像增强技术，扩大了识别对象，可以想象一下，原本发热点较小的区域或发热不明显的区域在传统故障识别中均可能被忽略掉，本技术中利用图像增强技术，将这些细节放大，从而可解决故障漏报的问题。

26、可选的，所述步骤2)中电气设备轮廓的提取包括：

27、2-1)：构建图像梯度图像；

28、2-2)：通过规则生成n个最初的注水区域，先验知识或局部梯度最小值；

29、2-3)：往注水区域内加水，当两注水区域即将合并时，记录下此时的边界；

30、2-4)：当图像边缘彻底被分割成n个独立区域时算法结束；

31、腐蚀：用结构b腐蚀a，b中需要定义一个原点，当b的原点平移到图像a的像元(x,y)时，如果b在(x,y)处，完全被包含在图像a重叠的区域，则将输出图像对应的像元(x,y)赋值为1，否则赋值为0，其中a表示被处理的图像，b是用来处理a，称b为一个结构元。

32、膨胀：用结构b膨胀a，将结构元素b的原点平移到图像像元(x,y)位置，如果b在图像像元(x,y)处与a的交集不为空，则输出图像对应的像元(x,y)赋值为1，否则赋值为0。

33、可选的，所述规则是指空间相邻并且灰度值相近的像素被划分为一个注水区域。

34、可选的，所述步骤4)具体为：

35、4-1)：从rgb到hsv的转换：

36、设(r,g,b)分别是一个颜色的红、绿和蓝坐标，它们的值是在0到1之间的实数，找到在hsv空间中的(h,s,v)值，计算为：

37、

38、设max等价于r,g和b中的最大者，设min等于这些值中的最小者；

39、h＝h*60

40、if h<0,h＝h+360

41、式中，h∈[0,360)是角度的色相角；

42、v＝max(r,g,b)

43、s＝(max-min)/max

44、式中，s,v∈[0,1]是饱和度和亮度；

45、4-2)：利用hsv分量从图像中提取目标区域，提取黄色接近白色部分图像。

46、可选的，所述hsv分量设置为：

47、hmax＝180、hmin＝0、smax＝100、smin＝0、vmax＝255、vmin＝221。

48、可选的，所述步骤5)为：

49、5-1)：使用pytorch搭建resnet网络并基于迁移学习的方法进行训练，通过获取预训练的resnet权重文件，再将自建的数据集放入模型中继续训练，最终得到训练结果，再放入测试集进行故障预测；

50、5-2)：红外图像数据集训练完成后，在预测环节加入分水岭算法和hsv颜色空间温度判别法，将深度学习方法识别结合到此环节，输入一张红外图像，最后的输出结果包括故障类型，在输出的图像中绘制出设备轮廓、定位发热点的位置。

51、可选的，所述resnet权重文件为34层的网络层。

52、本发明的有益效果是：

53、1)、在分水岭算法中加入一次开运算和闭运算，开运算将会去除原始图像中的孤立的小点和毛刺。原始图像的背景中存在一些干扰的小点和亮度异常的干扰点，通过开运算将这些干扰的点去除，便于提升异常发热点的准确率。闭运算可以填充一些小孔，可以将原始图像中电气设备的轮廓连通起来，避免提取到的电气设备轮廓缺失。

54、2)、对获取到的红外图像进行数据增强，在数据集量上得到了增加，对于故障识别精度和鲁棒性也有一定的提升。

55、3)、在训练阶段使用resnet算法，训练结束后在测试阶段加入分水岭算法和hsv颜色空间提取温度异常点，不仅可以得出故障类型，还可以分割故障设备、识别故障类型以及定位异常发热点。

56、4)、使用不同维度的红外图像，以不同维度下的发热点互为校正，排除了发热点重合造成的干扰，提高了故障判定的精准度。

57、5)、将原始图像的rgb颜色空间转换为hsv颜色空间，对故障点温度异常区域进行提取，使用分水岭算法对目标设备进行分割，避免了设备外干扰点对故障检测的影响；使用改进的resnet算法对处理过的红外图像进行训练，最后联合resnet算法、分水岭算法对电气设备进行故障检测，定位电气设备发热点。有效降低了模型复杂度，缩减了训练时间和参数的计算。