一种基于红外或紫外图像的电缆接头故障检测方法及系统与流程

本发明涉及计算机图像处理方法的，尤其涉及一种基于红外或紫外图像的电缆接头故障检测方法及系统。

背景技术：

1、由于电力电缆都是埋藏于地下，随着电缆广泛使用，长年累月运行过程中，其本身的质量问题、系统增容以及受到外界外力的作用发生破损，埋在土壤中，长时间受到泥土中潮气的侵蚀导致电缆附件等绝缘薄弱的环节出现缺陷，最终致使绝缘击穿产生故障。早期过程中由于绝缘老化会发生局部放电，长时间放电最终会导致永久性故障的产生。地下电力电缆一般都敷设于地下，发生故障时，对故障的定位和故障的诊断都具有较大的难度，将耗费大量的人力物力和财力寻找故障点。除此之外，电缆没有架空线路那样具有直接观测性，使得电缆的故障检测与诊断任务要更加艰巨而富有挑战性。由于电力电缆的故障定位和故障诊断是电力系统安全稳定运行的重要保障，因此快速准确定位故障点以及对于电缆故障和故障扰动的有效诊断和识别能够快速分析故障原因，尽快发现绝缘缺陷和隐患，避免故障进一步恶化，显著降低因故障造成的人力、物力、财力的损失。

2、目前，我国对于普通电缆的电力维护一直采用人工定期巡检的方式并进行预防性维护，然而电缆隧道内潮气对电缆接头的侵蚀与机械应力对电缆接头造成的损伤都是缓慢进行的，工作人员尽管定期对隧道内电缆进行巡检，还是无法预料电缆接头何时会发生故障。电缆接头出现故障的主要原因是绝缘老化劣化，从而导致温度上升以及局部放电，严重时甚至会引发电缆隧道内火灾事故。因此，如何在电缆故障之前对电缆状态进行预知和预警是该领域人员亟需解决的问题。

3、目前，国内外对电缆接头状态检测的方法有：直流分量法、介质损耗角正切值检测法、局部放电监测法等。在实际应用中，电缆屏蔽层与大地之间存在杂散电流，将对直流分量的测量造成极大干扰，从而影响监测结果；在实际运行中电缆金属护层上的容性电流远大于阻性电流，故求得的电缆绝缘介质损耗角正切值很小，实际测量中设备往往难以得到准确的测量值；在实际应用中局放信号监测受传感器性能、现场噪音、电磁干扰、信号衰减等因素影响，采集难度大。

4、为了准确测量和分析电缆接头在日常工作中存在的缺陷问题，国内外专家研究制造很多检测仪器(包括红外测温仪、紫外成像仪等)应用于电气设备的缺陷检测，对于巡检人员在巡检过程中排查设备的缺陷及诊断故障工作具有重大意义。

5、目前融合人工智能算法的故障诊断技术具备了相关学习能力和实时监测能力，从而实现了对电缆故障的在线诊断。yolo系列算法是深度学习单阶段算法中的一种，其快速、高效、准确的检测性能受到了广泛关注和应用，能够适应不同尺度、姿态、遮挡等复杂情况下的目标检测任务。

技术实现思路

1、有鉴于此，有必要提供一种基于红外或紫外图像的电缆接头故障检测方法，用以实时监控电缆接头的故障情况，通过改进yolov7算法对红外或紫外图像的电缆接头故障进行检测，提高了故障识别精度，并解决了红外测温易受环境湿度影响的缺点。

2、本发明提供一种基于红外或紫外图像的电缆接头故障检测方法，包括如下步骤：

3、(1)通过红外或紫外成像仪采集电缆接头的红外或紫外图像数据作为数据集；

4、(2)对采集的数据集进行基于限制对比度自适应直方图均衡化的增强，利用图像标注软件labelimg对原始图像进行标注，并按3:1随机划分训练集和测试集；

5、(3)将训练集输入到改进的yolov7模型中进行故障诊断训练，得到训练后的模型；

6、(4)使用训练后的改进yolov7模型对测试样本库中的红外或紫外图像进行效果测试和故障诊断，通过比较两类图像的故障重叠区域，进而判断故障的严重程度。

7、进一步的，步骤(2)中对采集的数据集进行基于限制对比度自适应直方图均衡化的增强包括：

8、(2.1)分块：将输入图像划分为大小相等的不重叠子块rk，其中k＝0，1，…，l＝1，l为子块数量；

9、(2.2)计算子块直方图h(rk)；

10、(2.3)用剪切阈值剪辑每个子块的直方图：剪切规则为

11、

12、式中，h'(rk)为每个子块的剪辑直方图；nclip为定义的实际剪切阈值；navg为要重新分配到每个直方图的像素的平均值；

13、

14、(2.4)像素点重新分配：对于每个子块，使用步骤(2.3)中多余的像素重新分配，直到所有被剪切的像素点分配完毕；

15、(2.5)对经过上述步骤后的图像每个子区域的灰度直方图均衡化处理，使非均匀分布的直方图变成均匀分布；

16、(2.6)采用双线性插值方法对像素点灰度值进行重构，以得到的各子块中心像素点的灰度值为参考点，计算最终输出图像中各点的灰度值。

17、进一步的，所述改进的yolov7模型对yolov7模型的改进具体包括：

18、使用轻量级网络mobileone作为yolov7的主干网络；

19、在模型颈部添加全局注意力机制gam来获取更丰富的跨通道信息，提高模型的特征提取能力；

20、引入focal-eiou loss损失函数，增加算法收敛速率。

21、进一步的，所述轻量级网络mobileone的核心模块基于mobilenetv1设计，结构与mobilenetv1基本一致，区别是把mobilenet中的深度可分离卷积替换为了神经网络结构块，其左侧部分构成了mobileone的一个完整结构块，由上下两部分构成，其中上面部分基于深度卷积，下面部分基于点卷积，act.表示激活函数；深度卷积模块由三条分支构成，最左侧分支是1×1卷积；中间分支是过参数化的3×3卷积，即k个3×3卷积；右侧部分是一个包含bn层的跳跃连接；深度卷积本质上是分组卷积，分组数与通道数相同，这里的1×1卷积和3×3卷积都是深度卷积；点卷积模块由两条分支构成，左侧分支是过参数化的1×1卷积，由k个1×1卷积构成，右侧部分是一个包含bn层的跳跃连接。

22、进一步的，所述全局注意力机制gam由通道注意力子模块和空间注意力子模块构成，该机制在cbam中的顺序通道-空间注意机制的基础上，对其子模块进行了优化设计；

23、其中，输入特征由f1表示，将gam注意力机制中的一系列中间操作定义为中间状态f2，输出状态定义为f3，则三者之间的关系如下式所述：

24、

25、进一步的，所述通道注意力子模块的原始输入特征f1维度为c×w×h，通道注意力子模块首先对其进行三维通道置换，将信息保存为w×h×c的形式；利用一个两层的mlp，第一层进行编码操作将通道数c缩减至c/r，第二层进行解码操作以获取与输入特征具有相同通道数的结果。最终，通过对结果进行sigmoid激活函数处理，得到权重系数mc，可以有效地扩大跨维通道空间的依赖性。

26、进一步的，所述空间注意力子模块的输入特征f2采用了双重卷积，每个卷积层都使用了7*7的卷积核，以达到空间信息融合的效果；通道注意力子模块根据特征的重要性进行缩减并得到缩放后的新特征；最后，对于这个特征的权重系数ms，采用激活函数sigmoid进行处理，以获得更加准确的权重值。

27、进一步的，所述引入focal-eiou loss损失函数，具体包括：

28、eiou loss相较于原始yolov7使用的ciou loss所做出的改进是将损失函数拆分为重叠面积损失、中心点距离损失及宽高比损失3部分，并且对ciou loss中的a和v进行修改，cw和ch为包含真实框、预测框的最小框的宽度和高度，eiou loss利用和直接计算包围框宽高的真实值，解决ciou loss使用宽高比比例所造成的阻碍优化问题以及训练过程中的发散问题；考虑到预测框的回归中存在训练样本不平衡的问题，在输入图像中回归误差小的优质锚框的数量远少于误差大的低质量数量，质量较差的样本会产生过大的梯度影响参数的优化；通过整合eiou损失函数和focal损失函数，得到最终的focal-eiou loss的表达式，如式(5)所示：

29、

30、lfocal-eiou＝iouγleiou   (5)

31、式中liou、ldis、lasp分别表示重叠面积损失、中心点距离损失及宽高比损失。

32、进一步的，步骤(4)中的故障诊断包括：

33、通过计算已识别的电缆接头区域与发热区域以及光斑区域的重叠度，来诊断待检测的电缆接头是否存在故障；重叠度指的是yolov7模型产生的电缆接头目标窗口与发热区域目标窗口以及光斑区域目标窗口的交叠率，即二者检测框选区域的交集比上它们的并集，即为故障诊断的准确率重叠度，对于故障诊断而言，当重叠度低于一定值x时，可认为电力设备存在异常发热以及异常放电的可能性较小，此时通常需要进行二次人工诊断；当重叠度为0时，可基本判断电缆接头上不存在异常区域，此时无需进行二次诊断；当重叠度大于一定值是，可判断电缆接头存在异常区域。

34、一种基于红外或紫外图像的电缆接头故障检测系统，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现所述的基于红外或紫外图像的电缆接头故障检测方法。

35、与现有技术相比，本发明的有益效果包括：

36、由于红外或紫外成像仪的成像效果同时受到拍摄对象材料发射率、背景与目标相似度以及探测距离等因素影响，因此相较于可见光图像，红外或紫外图像质量较低，主要表现在对比度较低、细节分辨率较差以及信噪比较低，因此，有必要先对红外或紫外图像进行基于限制对比度自适应直方图均衡化的图像增强，有效提高了图像中物体轮廓的清晰度，方便后续的数据集标注和物体识别精确率；yolov7主干网络的通道数设置较大，其模型复杂度往往较高，为了使模型复杂度降低，使算法更适合完成电缆接头的图像检测任务，本发明使用了轻量级网络mobileone作为yolov7的主干网络以加快识别速度达到实时检测的要求；为了减少网络信息缩减并放大全局维度交互特征，在模型颈部添加了gam注意力机制来获取更丰富的跨通道信息，提高模型的特征提取能力；为了增加算法收敛速率，提高原算法性能和检测精度，采用focal-eiou loss损失函数来代替ciou loss损失函数。gam注意力机制和focal-eiou loss损失函数进一步增加了目标识别准确度，mobileone主干网络则提高了检测速度，三者相互配合，使综合性能相较于原算法更加优越，并由此提出了一种轻量级yolov7网络。