黃志鴻，吳 晟，肖 劍，張可人，黃 偉

（國網(wǎng)湖南省電力有限公司電力科學研究院，湖南 長沙 410007）

0 引言

電力設備是電力系統(tǒng)中的重要組成部分。在電力設備的運行過程中，不可避免地出現(xiàn)各式各樣的故障，其中熱故障是最常見的一種故障類型[1]。及時診斷出電力設備發(fā)熱故障，對保障電力系統(tǒng)穩(wěn)定與安全地運行起著至關重要的作用[2]。紅外熱成像檢測技術(shù)具有非接觸帶電檢測的優(yōu)勢，能夠有效檢測電力設備的溫度場信息（如圖1所示），現(xiàn)已成為電力設備熱故障診斷的一種重要手段，在電力系統(tǒng)各個單位中有著廣泛的應用[3]。

圖1 湘潭市某處220 kV 變電站Fig.1 A 220 kV substation in Xiangtan city

隨著我國電力系統(tǒng)的不斷發(fā)展，電力設備的紅外巡檢任務壓力也逐漸增大。傳統(tǒng)依靠人工判別與分析處理的手段，不僅人工成本高，檢測周期長，巡檢效率低，而且誤檢率較高。為提高電力設備熱故障診斷的智能化和信息化水平，國內(nèi)外研究人員提出了許多熱故障診斷方法?？偟膩碚f，這些熱故障診斷方法可以分為兩大類。

第一類是基于傳統(tǒng)的圖像特征分析方法。康龍等人在2016年[4]采用一種圖像分割的方法來分離出電力設備紅外圖像中的熱故障區(qū)域。王淼等人在2017年[5]提出一種基于梯度分析的邊緣檢測方法來診斷出紅外熱故障區(qū)域。胡洛娜等人在2018年[6]采用改進的k-means 聚類算法用于異常熱故障區(qū)域診斷。一種基于小波變換和后驗概率分布的診斷方法[7]用于增強圖像質(zhì)量，提升診斷熱故障目標的精度。

除了上述方法外，基于深度神經(jīng)網(wǎng)絡的檢測方法近年來也得到了研究人員的廣泛關注。文獻[8]首先對紅外圖像進行超像素分割，然后利用卷積神經(jīng)網(wǎng)絡對電力設備的紅外圖像進行診斷。文獻[9]利用遞歸神經(jīng)網(wǎng)絡定位異常熱故障區(qū)域像素。賈鑫等人[10]先對紅外圖像進行區(qū)域分割，然后利用卷積神經(jīng)網(wǎng)絡進行熱故障診斷。值得注意的是，上述基于深度學習的方法均是采用有監(jiān)督的檢測方式，嚴重依賴于人工標定的已知的故障區(qū)域，根據(jù)已知故障區(qū)域的紅外熱信號來診斷故障目標。

然而，在真實巡檢環(huán)境下，電力設備故障區(qū)域的紅外信號易受到環(huán)境因素的影響，例如拍攝角度遮擋，輻射率設置不準確，噪聲污染。因此，在真實電力巡檢場景下，這類有監(jiān)督學習的檢測技術(shù)難以獲取一致性的熱故障區(qū)域紅外信號，并構(gòu)建大量可靠的紅外數(shù)據(jù)庫。相反，基于無監(jiān)督學習的異常檢測技術(shù)不需要電力設備故障區(qū)域的先驗信息[11]。如何通過異常目標檢測方法實現(xiàn)對電力設備熱故障的有效監(jiān)測是本文擬解決的應用難題。

為此，本文提出一種基于引導濾波的電力設備熱故障診斷方法。本文的創(chuàng)新點主要包括兩個方面。第一，將電力設備熱故障診斷問題建模為基于無監(jiān)督學習的異常目標檢測的問題，有效解決熱故障訓練樣本不足的問題。第二，將圖像濾波技術(shù)用于電力設備熱故障診斷中，提出一種基于引導濾波（guided filtering,GF）的電力設備紅外圖像故障診斷方法。通過圖像后處理的方式，極大地提升熱故障的診斷精度。

1 基于引導濾波的熱故障診斷方法

圖2展示的是所提出方法的流程圖。所提方法主要包含兩個步驟。首先，根據(jù)熱故障區(qū)域與圖像背景的溫升差異特性，逐像素計算測試像素與圖像背景的馬氏距離，獲得初始的診斷結(jié)果圖。然后，采用引導濾波對初始診斷結(jié)果進行優(yōu)化，充分利用相鄰像素之間的空間相關性，抑制圖像中噪聲等突變細節(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，生成最終診斷結(jié)果。

圖2 所提出的GF 方法流程圖Fig.2 The schematic diagram of the proposed GF method

1.1 相關研究

圖像濾波技術(shù)是計算機視覺領域中常用的處理技術(shù)。與傳統(tǒng)的濾波技術(shù)不同，在邊緣保持濾波技術(shù)中，不同位置的圖像像素對應的濾波核會發(fā)生變化。在平滑濾除圖像噪聲等畸變細節(jié)時，不會對空間邊緣造成模糊[12]。近些年來邊緣保持濾波技術(shù)在計算機視覺領域得到了廣泛的研究[12–14]。常見的邊緣保持濾波算法有：引導濾波[12]、雙邊濾波[13]、加權(quán)最小二乘濾波[14]。其中引導濾波在圖像紋理編輯、去噪、特征提取等領域被證明為一種有效的濾波技術(shù)引導濾波是一種基于局部線性模型的濾波技術(shù)，具有實時性和高效性等優(yōu)點。在引導濾波中，輸出圖像O通過如下線性變換方式而成：

式中：wj是以像素j為中心的局部窗口，空間尺度為(2r＋1)×(2r＋1)；P為輸入圖像，一個能量函數(shù)用于構(gòu)建引導濾波算法中的aj和bj。

式中：ε為控制濾波的模糊程度。系數(shù)aj和bj通過求解如下線性回歸問題而解得：

式中：μj和δj為引導圖像I中wj區(qū)域的均值和方差。

1.2 故障區(qū)域初始診斷

熱故障是電氣設備運行中常見的一種故障類型，通常伴隨著局部發(fā)熱現(xiàn)象。紅外圖像能較好地反應出電力設備溫度場的變化情況。設備故障發(fā)生區(qū)域與周圍背景區(qū)域在紅外圖像上存在較大的溫度差異特性，本文采用Reed-Xiao 異常檢測算法[15]來診斷故障區(qū)域。該方法假設圖像背景可以用多元高斯分布來表示。背景的協(xié)方差可以用來計算測試像素和背景像素之間的光譜差異。Reed-Xiao（RX）異常檢測算法表示如下：

式中：mi代表輸入紅外測試圖像m中的第i個像素的像素值。μ和Γ分布表示為m的均值和協(xié)方差。DRX(mi)?[0,1]指的是第i個像素屬于異常熱故障的發(fā)生概率。通過計算輸入紅外圖像的馬氏距離，得到初始的熱故障檢測結(jié)果圖I。圖3左側(cè)展示為一個初始診斷結(jié)果圖，右側(cè)展示為該圖中的兩個局部細節(jié)放大圖。我們可以發(fā)現(xiàn)，初始診斷結(jié)果能較好地診斷出異常熱故障的發(fā)生區(qū)域，但未能較好地抑制圖像中噪聲等突變細節(jié)，同時未能較好地保持熱故障區(qū)域的空間邊緣信息。

圖3 初始發(fā)熱故障診斷結(jié)果圖Fig.3 Initial thermal fault diagnosis result

1.3 引導濾波后處理

在計算機視覺領域，利用圖像的空間相似性，是抑制噪聲等突變細節(jié)和保持目標空間邊緣信息的一種有效手段[11-13]。

為提高發(fā)熱故障區(qū)域的診斷精度，我們對得到的初始診斷結(jié)果圖I進行引導濾波處理。通過挖掘圖像M像素間的空間相似性信息，提升熱故障診斷的性能：

式中：函數(shù)Guided 代表引導濾波操作，I代表輸入的初始診斷結(jié)果；g為一個引導圖像，它由輸入紅外熱像M的第一個主成分組成；s和r為兩個控制濾波結(jié)果平滑度的參數(shù)，在本文中，s和r兩個參數(shù)默認設置為0.5 和20。R為輸出的濾波后的診斷圖。圖4左側(cè)展示的是一個濾波優(yōu)化后的診斷結(jié)果圖，右側(cè)展示的是該圖中的兩個局部細節(jié)放大圖。

圖4 最終發(fā)熱故障診斷結(jié)果圖Fig.4 Final thermal fault diagnosis result

此濾波處理步驟的優(yōu)點是在濾波過程中充分挖掘了輸入紅外圖像中的空間信息，抑制圖像背景和噪聲等圖像突變細節(jié)的影響，恢復目標的邊緣細節(jié)信息，提高設備故障的診斷精度。具體濾波求解過程見參考文獻[12]和文獻[13]。

2 實驗與分析

本實驗中，用于測試的紅外圖像由FILR-T620成像儀所采集。圖像空間分辨率為0.68 mrad，波長范圍為7.5～14 μm。拍攝對象為輸電、變電、配電環(huán)節(jié)中的電氣設備，如避雷器、斷路器、互感器、絕緣子、電纜等。

為評估本文所提方法對熱故障的診斷性能，采用3 種經(jīng)典的異常目標檢測方法進行了對比實驗。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]，基于全局統(tǒng)計的局部RX（LRX）方法[14]以及低秩矩陣分解檢測方法（LRaSMAD-based Mahalanobis Distance，LSMAD）[15]。其中，LRX 方法的內(nèi)部窗口大小win從3～19 中選擇，外部窗口大小wout從5～23 中擇優(yōu)選擇。LSMAD 方法的秩r設置為1。

為了評估診斷結(jié)果的優(yōu)劣，我們采用面積（area under curve,AUC）[16]指標來進一步評價診斷性能。AUC 指標基于目標檢測結(jié)果和參考檢測圖，定量地評價檢測結(jié)果的精度。該指標能較好地評估檢測結(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 值越高，檢測結(jié)果越接近參考檢測圖，診斷性能越優(yōu)異。AUC 指標具體計算公式如下：

式中：DP(T)表示當檢測結(jié)果的閾值設置為T時，檢測到的正確目標像素占總目標像素的比率。FAR(T)表示檢測到錯誤的目標像素與背景像素間的比率。

第一幅測試圖像拍攝于湖南省湘潭市韶梅線10 kV 線路上的一景。該圖像包含640×970 個像素。該幅圖像中絕緣子出現(xiàn)了溫度過熱的異常發(fā)熱情況。圖5(a)和(b)展示了該數(shù)據(jù)的紅外熱圖像和參考的熱故障區(qū)域圖。

圖5(c)～(f)展示的是RX、LRX、LSMAD 和GF 等不同檢測方法的診斷結(jié)果。在每幅圖的左側(cè)展示了診斷結(jié)果的局部放大圖。如圖所示，我們可以發(fā)現(xiàn)，GF 方法能有效地抑制背景像素的干擾，同時很好地凸顯出熱故障識別結(jié)果區(qū)域。RX 方法能較好地識別出異常熱故障區(qū)域，但是不能有效地抑制如輸電線路等背景環(huán)境對診斷結(jié)果的干擾。LRX 方法雖然能較好地定位出異常發(fā)熱故障的區(qū)域位置，但是未能較好地診斷發(fā)熱區(qū)域的形狀。LSMAD 方法未能較好地將發(fā)熱故障區(qū)域從背景中診斷出來。四種檢測方法的 AUC 指標分別為0.9707、0.9075、0.8514、0.9929，其中GF 方法的熱故障檢測指標最高。

圖5 不同方法在絕緣子發(fā)熱故障的診斷結(jié)果圖Fig.5 Different diagnosis results on the fault of insult

第二幅測試圖像拍攝于湖南省湘潭市韶南線10 kV 線路上的一景。該圖像包含240×330 個像素。該幅圖像中輸電導線出現(xiàn)了溫度過熱的異常情況。圖6(a)和(b)展示了該數(shù)據(jù)的紅外熱圖像和參考的熱故障區(qū)域圖。

圖6(c)～(f)展示了RX、LRX、LSMAD 和GF等不同診斷方法的診斷結(jié)果。圖中左側(cè)展示了診斷結(jié)果的局部細節(jié)放大圖。4 種檢測方法的AUC 指標分別為0.9901、0.6075、0.9114、0.9965。相較于RX 檢測方法，本文提出的GF 方法能獲得更優(yōu)的診斷精度。LRX 和LSMAD 兩種檢測方法未能較好地抑制背景像素對故障識別的干擾。

圖6 不同方法在架空導線發(fā)熱故障的診斷結(jié)果圖Fig.6 Different diagnosis results on the fault of line

第三幅測試圖像拍攝于湖南省湘潭市某220 kV線路上的一景。該圖像包含325×450 個像素。該幅圖像中絕緣子出現(xiàn)了溫度過熱的異常情況。圖7(a)和(b)展示了該數(shù)據(jù)的紅外熱圖像和參考的熱故障區(qū)域圖。

圖7 不同方法在絕緣子發(fā)熱故障的診斷結(jié)果圖Fig.7 Different diagnosis results on the fault of insult

不同方法的診斷結(jié)果如圖7(c)～(f)所示。在圖的左下方展示了診斷結(jié)果的局部細節(jié)放大圖。如圖所示，我們可以發(fā)現(xiàn)，本章所提出的GF 方法能較好地診斷出發(fā)熱故障區(qū)域，同時對于背景像素有著較強地抑制能力。RX 和LSMAD 兩種方法雖然能較好地診斷出發(fā)熱故障區(qū)域，但是誤檢部分背景像素為故障區(qū)域。LRX 方法未能較好地從背景環(huán)境中分離異常發(fā)熱故障。4 種檢測方法的AUC 指標分別為，0.9893，0.8481，0.9486，0.9988。

不同檢測方法的AUC 指標如表1所示。我們可以發(fā)現(xiàn)本文所提出的GF 檢測方法能獲得最高的診斷精度（已加粗）。不同檢測方法的運行時間如表2所示。從表中我們可以發(fā)現(xiàn)，LRX 方法需要更多的運算時間。這是因為LRX 方法采用局部滑動窗口的計算策略，導致空間信息的重復利用，計算效率相對較低。相比之下，RX 和LSMAD 兩種方法采用全局圖像的計算策略，計算效率更高。盡管所提出的GF 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診斷技術(shù)。

表1 不同診斷方法的AUC 指標Table 1 AUC values of different diagnosis methods

表2 不同診斷方法的運行時間Table 2 Running time of different diagnosis methods

此外，為了進一步定量地分析GF 方法中引導濾波處理步驟對檢測性能的影響。圖8展示了在3幅測試圖像中，有無引導濾波處理步驟對診斷結(jié)果的影響。從圖中，我們可以看到無引導濾波處理的熱故障診斷精度分別為0.9707、0.9901、0.9893，而經(jīng)過引導濾波處理的熱故障診斷精度分別為0.9929、0.9965、0.9988。熱故障診斷精度依次提升了2.3%、0.3%、1.0%。實驗結(jié)果表明引導濾波操作為一種重要的圖像處理步驟在電力設備熱故障診斷中的有效性。

圖8 有無引導濾波處理對診斷精度的影響Fig.8 Diagnosis accuracy with and without the guided filtering step

3 總結(jié)

本文提出了一種基于引導濾波的電力設備熱故障診斷方法，在復雜環(huán)境下能有效地識別出電力設備的熱故障區(qū)域。本文的創(chuàng)新點主要包括兩個方面。第一，首次將電力設備熱故障診斷問題建模為基于無監(jiān)督學習的異常目標檢測的問題，有效解決熱故障訓練樣本不足的問題。第二，首次將圖像濾波技術(shù)用于電力設備熱故障診斷中，提出一種基于引導濾波（guided filtering,GF）的電力設備紅外圖像故障診斷方法。通過圖像后處理的方式，極大地提升熱故障的診斷精度，滿足電力設備帶電檢測的應用需要。