許霄霄,張昕,姚強,朱佳祥 ,王昕

(1.上海電力大學(xué) 電氣工程學(xué)院, 上海 200090; 2.國網(wǎng)吉林省電力有限公司延邊供電公司,吉林 延邊 133000; 3.上海交通大學(xué) 電工與電子技術(shù)中心, 上海 200240)

0 引 言

電力設(shè)備作為電網(wǎng)中不可或缺的一部分,能否正常運行對整個電力系統(tǒng)意義重大,若對其采用停電檢修,會對電網(wǎng)造成巨大影響,近年來帶電檢測成為主流,而紅外檢測技術(shù)是目前針對電力行業(yè)電力設(shè)備可靠性分析以及故障預(yù)測的廣泛使用的不停電檢測手段。電力設(shè)備發(fā)生故障時溫度通常與正常運行時候相差甚大,而紅外檢測技術(shù)正是監(jiān)測溫度的差異,據(jù)此分析預(yù)測故障,保證電力設(shè)備穩(wěn)定運行從而保證電力系統(tǒng)的運行穩(wěn)定性[1-2]。

紅外成像測溫技術(shù)作為電力設(shè)備紅外檢測主要方法,能夠全面顯示電力設(shè)備各區(qū)域的熱量分布,從而對要檢測的目標(biāo)進行更全面具體的分析[3]。但是也存在不少缺點,如受到外界環(huán)境和紅外傳感器探測器誤差等影響,導(dǎo)致成像圖含有噪聲、待檢測電力設(shè)備與無關(guān)背景之間灰度級差異較小、待檢測電力設(shè)備細節(jié)邊緣不夠明顯等,不利于人眼識別故障區(qū)域,容易導(dǎo)致誤判,影響紅外檢測效率[4]。紅外圖像成像在電力設(shè)備紅外檢測中占著十分重要的地位,決定著能否準(zhǔn)確顯示目標(biāo)電力設(shè)備熱量狀態(tài),進而對電力設(shè)備故障進行分析判斷。紅外診斷技術(shù)作為一種廣泛使用的技術(shù),在保證可靠性的條件下,使用的方便性和低成本將是紅外成像技術(shù)的保持長期生命力的重點,因此研究低成本、便攜的紅外檢測系統(tǒng)是目前學(xué)者們研究重要內(nèi)容,紅外圖像增強技術(shù)對其至關(guān)重要,將圖像處理技術(shù)應(yīng)用在電力設(shè)備紅外檢測中,達到凸顯熱故障區(qū)域的效果,實現(xiàn)對電力設(shè)備紅外圖像的增強[5]。

空域處理和頻域處理作為目前圖像增強的兩種處理方法,前者的控制效果不能很好控制各部分,而頻域方法具有很好的頻率處理能力,因此頻域增強是目前比較常用的紅外圖像增強方法[6-13]。在眾多頻域變換算法中,傅里葉變換不能將時間域上信號的局部特征很好地刻畫出來,導(dǎo)致圖像信息缺失;小波變換在其基礎(chǔ)上發(fā)展,雖然克服了它不能進行時頻分析的缺點,但只能進行各方向?qū)儆谙嗤淖儞Q,不能體現(xiàn)出圖像各相異性特征;輪廓波變換隨后產(chǎn)生,其克服了上述變換算法的缺點,但是其下采樣過程最終會有偽吉布斯效應(yīng)產(chǎn)生進而影響圖像質(zhì)量。接著在其基礎(chǔ)上進行發(fā)展,得到非下采樣輪廓波變換(non-subsampled contourlet transform, NSCT)變換,其過程分為多尺度分解和方向濾波兩個過程,兩者相互獨立,變換過程具有平移不變性。它不但能夠消除偽吉布斯效應(yīng),也不會影響圖像細節(jié)及輪廓信息。能夠更準(zhǔn)確得到圖像中目標(biāo)邊緣、空間細節(jié)信息,因此更適合作為紅外圖像的變換算法[14]。

文章針對具有復(fù)雜紅外圖像的變電站電力設(shè)備設(shè)計了一種基于NSCT的算法。首先進行NSCT變換;對變換后含有大部分紅外主體信息的低頻分量,采用灰狼自適應(yīng)閾值分割法分為前景和后景部分,分別進行增強處理后融合構(gòu)成新的低頻分量;對于變換后含有大量噪聲的高頻分量采用VT去噪算法,去除無關(guān)的噪聲后再采用改進隸屬度模糊增強后即完成高頻分量的增強;最終增強后的圖像由各分量融合得到。

1 NSCT域增強

1.1 NSCT變換算法

利用NSCT進行多尺度、多方向的變換,變換后產(chǎn)生1個包含著整體的輪廓信息低頻子圖像和若干個高頻子圖像;這些高頻子圖像中包含圖像的細節(jié)和邊緣信息,同時也有部分噪聲。因此對高頻子圖像進行去噪,對低頻子圖像進行對比度增強,能夠增強變電站電力設(shè)備紅外圖像細節(jié),凸顯熱故障,進而準(zhǔn)確地進行故障定位。

1.2 高頻分量算法

文章對高頻分量采用全變分去噪,再采用改進隸屬度模糊增強對其邊緣細節(jié)提高對比度,從而提高圖像細節(jié)增強能力。

1.2.1 VT全變分去噪

圖像全變分去噪是將圖像能量用一個函數(shù)表示,在約束條件下,求解圖像最小能量從而完成去除圖像噪聲,同時保留圖像邊緣細節(jié)。

設(shè)u0為含噪聲圖像,Ω為圖像定義域,u0(i,j)=u(i,j)+n(i,j),其中u(i,j)為去噪后的圖像,n(i,j)為噪聲。U的變分為：

(1)

可將此過程近似為求最小值的過程：

(2)

全變分問題通常最終轉(zhuǎn)變?yōu)樘荻认陆登蠼猓?/p>

(3)

圖像經(jīng)過VT處理后不僅能夠達到去噪目的,同時也不會過濾掉細節(jié)及其邊緣信息,因此適用于作為變電站電力設(shè)備高頻分量的去噪算法。

1.2.2 改進模糊增強算法

1)Pal-King算法的第一步是將圖像從原來的空間域變換到模糊域上,經(jīng)典Pal-King算法模糊隸屬度函數(shù)為：

(4)

式中xij為圖像(i,j)點的灰度值;L為灰度級;Fd為分母模糊參數(shù);Fe為指數(shù)模糊參數(shù)。

2)映射后對隸屬度進一步增強,采用S型變換,公式如下：

(5)

3)經(jīng)上步驟增強后,按照模糊隸屬度的反函數(shù)變換到[0L-1]范圍內(nèi),得到增強灰度值,即：

(6)

但是傳統(tǒng)的模糊增強存在不足：經(jīng)過變換后,很多的灰度值較低的像素點被強迫置0,從而失去邊緣信息。同時其變換形式和公式復(fù)雜,需要反復(fù)測試,存在參數(shù)優(yōu)化問題。

文章對式(4)隸屬度函數(shù)進行修改：

(7)

接著仍用式(5)進行平坦S型處理,得到逆變換表達式為：

(8)

1.3 低分量算法

1.3.1 自適應(yīng)閾值分割算法

對低頻分量進行灰狼自適應(yīng)閾值分割,將信息熵作為自適應(yīng)度,尋找最優(yōu)分割閾值。在圖像分割中,一個灰度值為{0,1,2,3,4,…,L-1}的直方圖圖像,信息熵通常定義為：

(9)

圖像被分割閾值t分割為區(qū)域A和區(qū)域B,區(qū)域A代表待檢測目標(biāo)區(qū)域,區(qū)域B代表著背景區(qū)域。pi為第i個像素的灰度值出現(xiàn)概率。

目標(biāo)圖像A的信息熵為：

(10)

背景圖像B的信息熵為：

(11)

H(t) =HA+HB

(12)

1)電氣設(shè)備區(qū)域線性增強算法。

(13)

2)背景區(qū)域直方圖均衡。

選取直方圖均衡(histogram equalization, HE)算法對分割出的低溫子帶進行增強。對低頻低溫子帶增強后,能有效拓寬灰度值域,較暗的非目標(biāo)區(qū)域變得更暗,將誤分割到背景區(qū)域的電氣設(shè)備區(qū)域增強,處理結(jié)果對比度有明顯提高。

直方圖均衡算法是增強圖像灰度值差、增大信息熵常用的算法,其原理是利用灰度分布函數(shù)進行變換,進而得到新的灰度值?；叶确植己瘮?shù)是增函數(shù),且一定程度上能表示不同灰度間的大小差異。

灰度值為g的像素點占全圖的比例為：

(14)

式中N為全圖像素總數(shù);ng為灰度值為g的像素點個數(shù);G為灰度級,通常為28= 256級?；叶确植己瘮?shù)為：

(15)

利用灰度分布函數(shù)構(gòu)造變換公式,T(g)為經(jīng)過轉(zhuǎn)換后的灰度值：

(16)

傳統(tǒng)OSTU分割算法存在一個缺點,當(dāng)待分割目標(biāo)與非目標(biāo)區(qū)域在圖像中的所占比例很大時,將會出現(xiàn)誤差。因此文章采用二維最大熵閾值分割算法,信息熵最大作為分割條件,以減少待測電力設(shè)備錯誤的分割到背景區(qū)域,并針對二維熵閾值法的窮盡搜索法的無目的性和計算量大問題,采用灰狼自適應(yīng)最大熵閾值算法,該算法不僅能夠減少計算時間,而且能夠減少傳統(tǒng)分割閾值算法導(dǎo)致的紅外灰度圖背景中灰度值較高的像素點的誤分割,有效平衡了目標(biāo)設(shè)備分割的完整性和背景中溫度較高區(qū)域誤分割的矛盾。

1.3.2 灰狼算法

灰狼算法(GWO)是一種新型的智能優(yōu)化算法,其模型是根據(jù)狼群捕食而建立的,最終目的是獲得最優(yōu)解?；依欠譃槭最I(lǐng)狼α、副首領(lǐng)狼β、普通狼δ以及底層狼ω,適應(yīng)度依次降低,種群數(shù)量依次增加。其中α作為狼群中的支配,對狼群的方向做出決策;β狼作為輔助α狼的存在,可以支配下級狼;δ作為第三級;ω受其他三級狼的支配。

1)狼群包圍獵物。

模型如下：

D= |C.Xp(t)-X(t)|

(17)

X(t+1) =Xp(t)-A.D

(18)

式中t為當(dāng)前迭代次數(shù);Xp(t)為獵物的位置向量;X(t)為灰狼個體的位置向量;c= 2r1為擺動因子;代表A= 2ar2-a收斂因子;r1、r2為取值為[0,1]的隨機數(shù);a為2線性衰減到0。

2)狩獵過程。

α、β、δ狼共同指導(dǎo)搜索過程,進而確定最優(yōu)解,模型如下：

(19)

(20)

狼群的位置最終由α、β、δ狼共同決定：

(21)

1.3.3 灰狼自適應(yīng)最大熵閾值分割算法實現(xiàn)

算法步驟如下：1)設(shè)定GWO算法中狼群數(shù)量S,最大迭代次數(shù)Tmax,優(yōu)化參數(shù)個數(shù)dim,個體學(xué)習(xí)因子b1,群體學(xué)習(xí)因子b2;2)狼群初始化,滿足約束條件并確定狼群初始向量,確定a、A、C,生成初始狼群;3)根據(jù)Fitness函數(shù)對每只狼的適應(yīng)度排序,保留適應(yīng)度最優(yōu)時候的狼個體作為α、β、δ狼的位置;4)α、β、δ狼指導(dǎo)進行捕獵,同時進行位置的更新;5)判斷是否滿足迭代條件,輸出最佳模糊參數(shù)Fd和Fe。

文中GWO算法參數(shù)設(shè)定：狼群數(shù)量S= 30,最大迭代次數(shù)Tmax= 100,優(yōu)化參數(shù)個數(shù)dim= 1,個體學(xué)習(xí)因子b1= 1,群體學(xué)習(xí)因子b2= 1。

算法流程圖如圖1所示。

圖1 文章分割算法流程圖

2 文章算法實現(xiàn)方法

文中紅外圖像增強算法實現(xiàn)方法如圖2所示。

圖2 基于NSCT域增強算法框圖

Step 1：原始紅外圖像采用NSCT變換;

Step 2：經(jīng)過NSCT多尺度變換后得到的低頻分量,采用灰狼最大閾值分割,分割為電力設(shè)備主體的前景和后景;

Step3：前景采用線性增強,后景采用直方圖均衡,接著進行融合;

Step 4：經(jīng)過NSCT多尺度變換后得到的高頻分量,先采用VT去噪,后進行改進隸屬度模糊增強得到增強后的高頻分量圖像;

Step 5：將增強后的高、低頻分量融合。

3 實驗仿真與分析

為驗證文中經(jīng)過智能灰狼優(yōu)化算法優(yōu)化過的閾值分割算法,基于MATLAB軟件隨機取樣某變電站紅外圖像進行分割分析,如圖3所示。

圖3 某變電站紅外圖像

如圖4所示,最大熵灰狼閾值分割法比傳統(tǒng)的最大閾值分割法處理速度縮短,且文中算法能夠有效分割出背景與目標(biāo),減少了Otsu算法中被誤分割為待測目標(biāo)區(qū)域的背景部分,更適合分割情況復(fù)雜的變電站電力設(shè)備紅外圖像。

為了驗證文中算法的有效性, 選取某地變電站電力設(shè)備作為實驗樣本,分別采用He算法、Pk算法、傳統(tǒng)NSCT算法與文中算法進行對比分析。

圖4 分割算法分析

從圖5(a)某變電站紅外灰度圖像,可以看出該圖含有噪聲,具有豐富的故障區(qū)域目標(biāo)和背景;圖5(b)是基于直方圖增強后的紅外圖像,可以看到整體對比度確實有所提高,但是背景部分亮度增強,而且噪聲沒有得到抑制;圖5(c)是pal-king增強后的紅外圖像,經(jīng)過增強后目標(biāo)亮度得到增強,但是細節(jié)輪廓缺失;圖5(d)是經(jīng)過傳統(tǒng)NSCT處理后的紅外圖像,整體細節(jié)與處理前保持一致的同時,噪聲也得到抑制,但是熱源目標(biāo)與背景區(qū)域?qū)Ρ榷炔粔蛎黠@,不適于人眼識別故障;圖5(e)文中算法處理后的結(jié)果,從圖中不但能夠明顯看出電力設(shè)備故障區(qū)域熱源,待測區(qū)域與無關(guān)區(qū)域之間灰度對比度有所提高,去噪效果明顯,而且待檢測電力設(shè)備區(qū)域細節(jié)輪廓都十分清晰,便于人眼識別熱故障。

圖5 各增強算法對比圖

文章采用邊緣強度(OV)、信息熵(IE)、對比度(CR)、標(biāo)準(zhǔn)差(SD)和峰值信噪比(PSNR)五項客觀指標(biāo)評價進行對比分析,如表1所示。

表1 紅外圖像增強評價指標(biāo)

從實驗結(jié)果的客觀評價表可以看出, 相對于其他三種算法, 文中的算法的邊緣強度、信息熵、對比度、標(biāo)準(zhǔn)差、峰值信噪比均在四種算法中最高, 且文章算法在上述五類評價指標(biāo)上的漲幅至少為3.94%、2.16%、9.86%、7.45%、21.86%,說明所得圖像的對比度提升最明顯, 噪聲最小,對待監(jiān)測電力設(shè)備區(qū)域影響最小,紅外目標(biāo)顯著。從以上分析可以得到, 與其他算法相比, 不論是主觀效果還是客觀指標(biāo), 文中所提算法均表現(xiàn)優(yōu)異,如圖6所示。

圖6 紅外圖像增強方法效果對比圖

近年來輕便小巧、低成本的紅外成像系統(tǒng)廣受應(yīng)用,將上述所研究的實用有效的紅外圖像算法應(yīng)用到紅外成像系統(tǒng)硬件平臺中,實現(xiàn)一套低成本、便攜的智能紅外檢測設(shè)備。

分別使用本設(shè)備和傳統(tǒng)手持紅外測溫儀對以下現(xiàn)場圖進行分析。由圖7(b)得知使用現(xiàn)有設(shè)備檢測到此電力設(shè)備區(qū)域內(nèi)最高溫度點為29.9 ℃,最低溫度為12.4 ℃;由圖7(c)文中研制的紅外設(shè)備檢測此電力設(shè)備得到設(shè)備區(qū)域內(nèi)最高溫度點為27.85 ℃,并標(biāo)記出最大點的位置,同時能夠顯示最低溫度,與手持紅外測溫儀相差不大。驗證可得設(shè)備手持紅外攝像儀與文章研制的紅外設(shè)備檢測結(jié)果基本一致。說明文章算法的有效性,應(yīng)用在便攜紅外設(shè)備中,能夠克服傳感器和環(huán)境等因素造成的誤差,準(zhǔn)確的測量變電站電力設(shè)備溫度。

圖7 實際應(yīng)用對比圖

4 結(jié)束語

文中針對目前電力設(shè)備紅外檢測中出現(xiàn)的紅外圖像含有噪聲、模糊、對比度低導(dǎo)致的難以識別電力設(shè)備熱故障問題,設(shè)計了一種針對電力設(shè)備的圖像增強算法。通過文中算法與直方圖均衡算法、Pal-king增強算法、傳統(tǒng)NSCT算法進行實驗對比,無論是在主觀還是客觀方面,文中算法都表現(xiàn)優(yōu)異。文中算法增強后的紅外圖像去噪效果更好,待檢測的電力設(shè)備熱故障區(qū)域與背景之間的對比度明顯提高,細節(jié)紋理更清晰,更易于人眼識別故障。文中算法實用度也高,應(yīng)用于實際電力設(shè)備紅外檢測中具有良好的效果。