王 淼，杜 偉，孫鴻博，張 靜

基于紅外圖像識(shí)別的輸電線路故障診斷方法

王 淼1，杜 偉1，孫鴻博1，張 靜2

（1. 國(guó)網(wǎng)通用航空有限公司，北京 100005； 2. 天津航天中為數(shù)據(jù)系統(tǒng)科技有限公司，天津市智能遙感信息處理技術(shù)企業(yè)重點(diǎn)實(shí)驗(yàn)室，天津 300301）

基于紅外圖像研究了輸電線路的故障診斷方法，首先采用LSD線段檢測(cè)法提取紅外圖像中的導(dǎo)線，采用深度卷積神經(jīng)網(wǎng)絡(luò)提取紅外圖像中絕緣子，從而得到線路元件區(qū)域。在線路元件區(qū)域內(nèi)進(jìn)行溫度和灰度分析提取發(fā)熱點(diǎn)，并利用漫水填充算法對(duì)過熱區(qū)域進(jìn)行分割，提取骨架掃描點(diǎn)數(shù)、有效凸缺陷、引流線對(duì)缺陷類型進(jìn)行識(shí)別。實(shí)驗(yàn)證明該算法有較高發(fā)熱點(diǎn)定位準(zhǔn)確率和缺陷類型識(shí)別準(zhǔn)確率。

紅外圖像；輸電線巡檢；導(dǎo)線提取；絕緣子檢測(cè)；缺陷點(diǎn)定位；特征提??；缺陷識(shí)別

0 引言

高壓輸電線是電力系統(tǒng)的動(dòng)脈，其運(yùn)行狀態(tài)直接決定了電力系統(tǒng)的安全及國(guó)家經(jīng)濟(jì)的運(yùn)行，線路走廊穿越的地理環(huán)境復(fù)雜，遠(yuǎn)離主要交通干道，而且輸電線路在長(zhǎng)期運(yùn)行中易受自然災(zāi)害及人為損傷。傳統(tǒng)的輸電線路人工巡檢不僅耗時(shí)長(zhǎng)，危險(xiǎn)性高，利用飛行器自動(dòng)巡檢輸電線已經(jīng)成為當(dāng)前電力行業(yè)的必然趨勢(shì)。而紅外檢測(cè)具有遠(yuǎn)距離、不停電、不接觸等的特點(diǎn)，可以檢查出多種電力設(shè)備的致熱缺陷，給電力系統(tǒng)的線路巡檢提供了先進(jìn)手段。因此，可以利用無人機(jī)搭載紅外熱像儀進(jìn)行輸電線路的熱缺陷巡檢，該方式會(huì)產(chǎn)生大量的紅外視頻和圖像數(shù)據(jù)，傳統(tǒng)的紅外缺陷識(shí)別方法大都需要人工交互，即人工定位缺陷位置或者判斷發(fā)生缺陷的電力部件類型，效率低下。文獻(xiàn)[1]提出的紅外缺陷智能識(shí)別算法在HIS顏色空間提取溫度最高的區(qū)域，但該方法對(duì)復(fù)雜背景環(huán)境的檢測(cè)結(jié)果并不理想。文獻(xiàn)[2]提出基于圖像拼接的幀間差分法定位輸電線的主方向進(jìn)行故障診斷，該方法只能定位識(shí)別導(dǎo)線斷股等發(fā)熱缺陷，無法識(shí)別引流管、絕緣子、線夾的等線路元件。文獻(xiàn)[3]提出利用圖像中的直線、曲線的位置關(guān)系定位線路元件的區(qū)域，并讀取溫度數(shù)據(jù)診斷缺陷，該方法對(duì)線段噪聲敏感，元件識(shí)別不準(zhǔn)確，誤檢率較高。

本文首先采用LSD（Line Segment Detector）線段檢測(cè)法提取紅外圖像中的導(dǎo)線區(qū)域。采用深度卷積神經(jīng)網(wǎng)絡(luò)提取紅外圖像中絕緣子區(qū)域，在導(dǎo)線和絕緣子區(qū)域內(nèi)進(jìn)行溫度和灰度分析提取發(fā)熱點(diǎn)，并利用漫水填充算法對(duì)過熱區(qū)域進(jìn)行分割，提取骨架掃描點(diǎn)數(shù)、有效凸缺陷、引流線對(duì)缺陷類型進(jìn)行識(shí)別。

1 線路元件區(qū)域提取

一般認(rèn)為引流管、線夾處于一組導(dǎo)線的主方向，兩組導(dǎo)線的相交區(qū)域，絕緣子在圖像中則可呈現(xiàn)多種狀態(tài)，因此求取導(dǎo)線區(qū)域和絕緣子區(qū)域作為線路元件區(qū)域。

1.1 導(dǎo)線區(qū)域提取

利用LSD線段檢測(cè)算法提取紅外圖像中的線段，并進(jìn)行線段連接，篩選判斷，得到圖像中的導(dǎo)線組，那么，一組導(dǎo)線的端點(diǎn)范圍，兩組導(dǎo)線的相交區(qū)域被認(rèn)為是線路元件區(qū)域。

1.1.1 LSD線段檢測(cè)

LSD是一種直線檢測(cè)分割算法，它能在線性的時(shí)間內(nèi)得出亞像素級(jí)精度的檢測(cè)結(jié)果。該算法被設(shè)計(jì)成可以在任何數(shù)字圖像上都無需參數(shù)調(diào)節(jié)。算法步驟如下：

1）以＝0.8的尺度對(duì)輸入圖像進(jìn)行高斯下采樣。

2）計(jì)算每一個(gè)點(diǎn)的梯度值以及梯度方向；

3）根據(jù)梯度值對(duì)所有點(diǎn)進(jìn)行偽排序建立狀態(tài)列表；

4）將梯度值小于（＝2/sin）的點(diǎn)在狀態(tài)表中剔除；

5）取出列表中梯度最大（偽排列的首位）的點(diǎn)作為種子點(diǎn)，種子點(diǎn)梯度角作為區(qū)域初始角度，搜索周圍方向在閾值[－,]范圍內(nèi)的點(diǎn)，并不斷更新區(qū)域角度，以此得到區(qū)域R；

6）計(jì)算R的重心坐標(biāo)作為該區(qū)域最小矩形的中心點(diǎn)，R的區(qū)域角度作為該矩形中軸線的方向；

7）計(jì)算6）中矩形的NFA（虛警數(shù)量，Number of Alarms）；若小于設(shè)定閾值，則輸出該區(qū)域，否則判定該區(qū)域R無效。

1.1.2 導(dǎo)線提取

對(duì)LSD算法檢測(cè)到的直線段，選取角度處于（－p/4,p/4）范圍內(nèi)的線段根據(jù)斜率、間距、位置關(guān)系進(jìn)行連接和篩選得到圖像中導(dǎo)線。

1）導(dǎo)線連接：將滿足以下3個(gè)條件的Line Cluster1中的任意兩線段1和2進(jìn)行連接。

①1和2的角度差小p/24；

②1和2的近鄰點(diǎn)距離小于1和2中最小長(zhǎng)度的2倍；

③1的端點(diǎn)到2的距離及2的端點(diǎn)到1的距離小于導(dǎo)線寬度的3倍。

2）導(dǎo)線篩選：對(duì)1）中得到的線段集按照角度進(jìn)行聚類，在每類中選取最長(zhǎng)的線段max，若max大于length（一般為紅外圖像寬度的1/4），則該類中的線段均被認(rèn)為是導(dǎo)線，由此可以得到紅外圖像中的導(dǎo)線組。

1.2 絕緣子區(qū)域提取

絕緣子在圖像中可能平行于導(dǎo)線組，垂直于導(dǎo)線組或與導(dǎo)線組成一定角度，且絕緣子在不同環(huán)境溫度與紅外采樣設(shè)備下呈現(xiàn)多種表面形態(tài)。傳統(tǒng)的目標(biāo)檢測(cè)方法均需人為選取特定特征，難以適應(yīng)多種復(fù)雜情況。

深度卷積神經(jīng)網(wǎng)絡(luò)可以從已有的數(shù)據(jù)中自動(dòng)進(jìn)行特征提取和判別，無需人的參與，算法根據(jù)大量的原始樣本，自動(dòng)學(xué)習(xí)刻畫出數(shù)據(jù)的內(nèi)在多級(jí)特征并逐級(jí)抽象。

本文采用如圖1所示的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)紅外圖像中的絕緣子進(jìn)行識(shí)別。該網(wǎng)絡(luò)采用3個(gè)卷積池化層對(duì)圖像進(jìn)行特征抽象，并采用全連接層和softmax回歸層對(duì)其類別進(jìn)行描述。本文將大量紅外巡線圖像，切分為64×64的帶標(biāo)記圖像塊，對(duì)上述網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

在應(yīng)用時(shí)，將待檢測(cè)圖像分為圖像塊輸入上述訓(xùn)練得到的深度卷積神經(jīng)網(wǎng)絡(luò)，可得到每個(gè)圖像塊屬于絕緣子的概率，若其＞0.75，則認(rèn)為該圖像塊屬于絕緣子。對(duì)整幅圖像中屬于絕緣子的圖像塊區(qū)域進(jìn)行整合便可得到紅外圖像中的絕緣子區(qū)域。

圖1 絕緣子識(shí)別網(wǎng)絡(luò)

2 缺陷點(diǎn)定位

一般，在紅外圖像中，缺陷元件的灰度值較大，在紅外熱圖中，缺陷元件的溫度較高。因此，可以采用如下步驟提取紅外圖像中的異常發(fā)熱點(diǎn)：

1）對(duì)圖像進(jìn)行高斯濾波，消除噪聲極值點(diǎn)的影響；

2）在線路元件區(qū)域內(nèi)求取局部灰度極值點(diǎn)得到點(diǎn)集，剔除其中相互距離較近的及灰度值過小的點(diǎn)；

3）采用漫水填充算法對(duì)缺陷點(diǎn)周圍灰度圖像進(jìn)行分割，得到疑似缺陷區(qū)域；

4）在紅外熱圖中，統(tǒng)計(jì)疑似缺陷區(qū)域相對(duì)于其周圍區(qū)域溫度差異，如果溫度差異大于閾值temp，則認(rèn)為該點(diǎn)是缺陷點(diǎn)，如圖2所示。

一般引流管、絕緣子發(fā)熱在圖像中都呈現(xiàn)為小面積的亮度區(qū)域，分割得到的熱缺陷目標(biāo)較小，不具有代表性特征，但引流管必然處于導(dǎo)線與引流線的交點(diǎn)處，絕緣子發(fā)熱必然處于絕緣子區(qū)域內(nèi)，發(fā)熱的線夾在圖像中呈現(xiàn)“U”型。因此，提取目標(biāo)占比、骨架掃描點(diǎn)數(shù)、有效凸缺陷數(shù)量、引流線進(jìn)行缺陷類型識(shí)別，如圖3所示。

3 特征提取

1）目標(biāo)占比TA

選取目標(biāo)對(duì)應(yīng)缺陷點(diǎn)鄰域，求取目標(biāo)的輪廓面積，計(jì)算與區(qū)域的面積比，作為目標(biāo)占比TA。

2）骨架掃描點(diǎn)數(shù)SSCX和SSCY

細(xì)化目標(biāo)二值圖像提取骨架[4]。以1為例，其8鄰域如圖4所示。

圖2 缺陷點(diǎn)定位結(jié)果

圖3 提取的特征

圖4 像素點(diǎn)p1的鄰域示意圖

第一步，滿足如下條件的像素點(diǎn)置為0；

①2≤(1)≤6

②(1)＝1

③2*8*6＝0

④4*8*6＝0

第二步，滿足如下條件的像素點(diǎn)被置為0；

①2≤(1)≤6

②(1)＝1

③2*4*6＝0

④2*4*8＝0

其中，(1)表示的是鄰域中非零點(diǎn)的個(gè)數(shù)，(1)表示的是從0到1的跳變個(gè)數(shù)。

重復(fù)第一步和第二步直至當(dāng)前圖像中沒有可刪除的點(diǎn)。

按照方向和方向?qū)羌苓M(jìn)行掃描，求取兩個(gè)方向的掃描點(diǎn)數(shù)SSCX和SSCY。

3）有效凸缺陷個(gè)數(shù)ECD

選取相關(guān)點(diǎn)兩兩距離大于convexdist（可取分割出目標(biāo)區(qū)域?qū)挾鹊?/2）的凸缺陷作為有效凸缺陷，統(tǒng)計(jì)有效凸缺陷的個(gè)數(shù)ECD。

4）引流線

在目標(biāo)區(qū)域內(nèi)將提取到的線段經(jīng)過端點(diǎn)連接形成曲線，作為引流線。引流管處于導(dǎo)線與引流線的交點(diǎn)處。

4 目標(biāo)識(shí)別

目標(biāo)識(shí)別流程如圖5所示。如果目標(biāo)占比大于RTA，則提取骨架掃描點(diǎn)數(shù)、有效凸缺陷數(shù)量，若滿足以下兩個(gè)條件則認(rèn)為其屬于線夾。

1）有效凸缺陷個(gè)數(shù)CED＝1；

2）骨架掃描點(diǎn)數(shù)SSCX＝1，SSCY＝2或者SSCX＝2，SSCY＝1。

如果目標(biāo)占比TA＜RTA則提取引流線，若引流線通過目標(biāo)區(qū)域則認(rèn)為其屬于引流管。否則判斷其是否處于絕緣子區(qū)域內(nèi)。

5 實(shí)驗(yàn)與分析

在紅外熱圖中，求取疑似缺陷區(qū)域與周圍區(qū)域的溫度差，若大于10℃，則認(rèn)為當(dāng)前點(diǎn)屬于區(qū)域?qū)儆谌毕輩^(qū)域。

對(duì)缺陷點(diǎn)進(jìn)行漫水填充，分割出目標(biāo)。求取目標(biāo)占比，如果占比＜0.025，則求缺陷點(diǎn)鄰域內(nèi)的曲線，判斷缺陷點(diǎn)是否處于導(dǎo)線與曲線的交點(diǎn)處，如果不屬于則判斷其是否處于絕緣子區(qū)域內(nèi)；如果占比＞0.025，則求取目標(biāo)的骨架，并掃描骨架，同時(shí)求取目標(biāo)的有效凸缺陷，判定目標(biāo)是否屬于線夾，如果不屬于則求取目標(biāo)區(qū)域的曲線判斷其是否屬于接續(xù)管，如果不屬于引流管則判斷其是否處于絕緣子區(qū)域內(nèi)。

實(shí)驗(yàn)測(cè)試了105幅存在熱缺陷的紅外圖像，正確定位熱點(diǎn)數(shù)96個(gè)，正確識(shí)別缺陷元件87個(gè)。缺陷定位的準(zhǔn)確率為91.4%，缺陷元件識(shí)別的準(zhǔn)確率為82.9%。

105幅熱缺陷紅外圖像存在虛警熱點(diǎn)8處，實(shí)驗(yàn)還測(cè)試了50幅無熱缺陷的紅外圖像，存在虛警11處，總虛警率為12.3%。

6 結(jié)論

本文采用LSD線段檢測(cè)算法并進(jìn)行線段連接篩選提取紅外圖像的導(dǎo)線區(qū)域，并采用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)紅外圖像中絕緣子區(qū)域，有效地提取了紅外圖像的線路元件區(qū)域，降低了缺陷點(diǎn)定位的虛警率。

在導(dǎo)線和絕緣子區(qū)域內(nèi)進(jìn)行溫度/灰度分析求過熱點(diǎn)并進(jìn)行目標(biāo)分割，提取的目標(biāo)占比、骨架掃描點(diǎn)數(shù)、有效凸缺陷、引流線特征可有效地識(shí)別缺陷類型。

圖5 目標(biāo)識(shí)別流程

[1] 楊政勃, 金立軍, 張文豪, 等. 基于紅外圖像識(shí)別的輸電線路故障診斷[J]. 現(xiàn)代電力, 2012, 29(2): 76-79.

YANG Zhengbo, JIN Lijun, Zhang Wenhao, et al. The fault diagnosis of transmission line based on infrared image recognition [J]., 2012, 29(2): 76-79.

[2] 張文峰, 彭向陽(yáng), 陳銳民, 等. 基于無人機(jī)紅外視頻的輸電線路發(fā)熱缺陷智能診斷技術(shù)[J]. 電網(wǎng)技術(shù), 2014, 38(5): 1334-1338.

ZHANG Wenfeng, PENG Xiangyang, CHEN Ruimin, et al. Intelligent diagnostic techniques of abnormal heat defect in transmission lines based on unmanned helicopter infrared video[J]., 2014, 38(5): 1334-1338.

[3] 韓軍, 張書鳴, 馬行漢. 基于紅外圖像智能診斷高壓輸電線路熱缺陷的方法: 中國(guó), 201210006788.8 [P]. 2012-07-11.

HAN Jun, ZHANG Shuming, MA Xinghan. Intelligient fault diagnosis of high voltage transmission line based on infrared image: China, 201210006788.8 [P]. 2012-07-11.

[4] ZHANG T Y, Suen C Y. A fast parallel algorithm for thining digital patterns[J]., 1984, 27: 236-239.

Transmission Line Fault Diagnosis Method Based on Infrared Image Recognition

WANG Miao1，DU Wei1，SUN Hongbo1，ZHANG Jing2

(1..,100005,; 2..,,300301,)

A fault diagnosis method of transmission line based on infrared image recognition is proposed in this paper. Firstly, LSD(Line Segment Detector) is used to extract the conductor and CNN (convolutional neural network) is used to extract insulator in the infrared image, both conductor areas and insulator areas are thought as line component areas. Heating pixels in component areas are obtained according to their temperature and gray value. Heating regions are segmented applying Flood Fill algorithm. Target accounting, skeleton scanning points, effective convex defects and lead wire are extracted to identify the type of the defects. Experiments show the effectiveness of defect points locating and defect types classifying.

infrared image，transmission line inspection，conductor extraction，insulator detection，defect points locating，feature extraction，heat defect classification

TN219

A

1001-8891(2017)04-0383-04

2016-09-18；

2016-11-30.

王淼（1981-），男，工程師，博士，主要研究方向：直升機(jī)/無人機(jī)電網(wǎng)運(yùn)維技術(shù)。