劉沛津，王 曦，賀 寧

（西安建筑科技大學(xué) 機電工程學(xué)院，陜西 西安 710055）

引言

電氣設(shè)備的正常運行不僅對電網(wǎng)供電穩(wěn)定性具有重要影響，而且是操作人員及實驗設(shè)備安全的基礎(chǔ)。據(jù)統(tǒng)計電力系統(tǒng)事故中90%是由電氣設(shè)備故障引起，而出現(xiàn)故障的電氣設(shè)備中約50%會在早期階段表現(xiàn)出不正常的發(fā)熱癥狀[1]。紅外診斷技術(shù)作為故障診斷的一種有效手段，能夠有效地對電力設(shè)備運行中的過熱缺陷進行檢測和診斷[2]。但是，由于熱輻射現(xiàn)象普遍，紅外圖像在接收目標(biāo)設(shè)備的紅外信號時，無法避免大量未檢測目標(biāo)熱輻射信息的干擾，因此紅外圖像必然存在不相關(guān)背景噪聲、對比度低的問題[3]。對于運行中的電氣設(shè)備紅外圖像情況更為復(fù)雜，除無關(guān)背景干擾之外，電氣設(shè)備不同部位發(fā)熱情況也不同，導(dǎo)致紅外圖像信息量更多，增加了電氣設(shè)備紅外圖像分割的難度。文獻[4]采用基于加權(quán)切比雪夫距離的K-means 算法對變電站設(shè)備紅外圖像進行分割，能夠較好地將目標(biāo)區(qū)域完整的分割出來；文獻[5]采用了一種基于粒子群優(yōu)化方法的 Niblack 電氣設(shè)備紅外圖像分割算法，能較好地將電氣設(shè)備輪廓分割，同時提高了分割效率；文獻[6] 提出一種基于紅外可見光圖像配準(zhǔn)的電氣設(shè)備分割方法，實現(xiàn)了電氣設(shè)備的分割，以便于進行故障檢測。但文獻[4]～[6]中的方法都有一個共同的缺陷，只能將背景與電氣設(shè)備輪廓分割，但當(dāng)電氣設(shè)備內(nèi)部故障程度不同時，單單只分割出設(shè)備的輪廓遠遠不夠，對其故障區(qū)域分類就顯得非常重要，尤其是突出溫度最高區(qū)域，為了將不同溫度區(qū)域分割開，進行多閾值分割是非常必要的。在多閾值分割過程中，最大類間方差法（Nobuyuki OTSU，OTSU）是最常用的分割方法之一[7]，但是一維OTSU 算法沒有考慮到周圍像素點對中心像素點的影響，不能很好地處理圖像中的噪聲，二維OTSU 算法在圖像分割效果上雖取得了很大的改善，但仍存在耗時多、圖像分割精度低、圖像誤分割等不足，進而影響計算效率[8]。2005年，Krishnanand 和 Ghose 提出了一種新的基于螢火蟲行為的智能算法（glowworm swarm optimization，GSO）[5]，它的靈感來源于螢火蟲之間的趨光性尋優(yōu)[9]，不僅成功應(yīng)用于群體機器人的協(xié)同運作，還用于圖像的多閾值分割。

基于此，針對傳統(tǒng)的GSO 與二維OTSU 算法融合時，GSO 容易陷入局部最優(yōu)的缺陷[10]，對GSO算法進行了優(yōu)化改進。其中在螢火蟲的移動過程中引入非線性遞減步長以及新的移動策略，并將局部尋優(yōu)擴展到全局尋優(yōu)。實驗結(jié)果表明：本文融合算法在分割速度和精度上均顯著優(yōu)于二維OTSU 及未改進GSO與二維OTSU融合算法，可高效準(zhǔn)確分割運行的電氣設(shè)備紅外圖像的異常區(qū)域。

1 改進的螢火蟲優(yōu)化算法

在基本的螢火蟲算法中，所有螢火蟲都會被熒光強度大于自身熒光強度的群體所吸引。各螢火蟲通過不斷地尋找周圍最亮群體，最終形成幾個最優(yōu)群體[11]。在整個尋優(yōu)過程中包含熒光素更新、鄰居的選擇、移動概率計算、位置及決策半徑的更新[12]。本節(jié)就基本的GSO 尋優(yōu)過程中存在的部分缺陷進行分析并作了相應(yīng)改進。

1.1 GSO 算法位置更新方程收斂性能分析

根據(jù)螢火蟲個體移動的可能性，基本的GSO更新策略如（1）式所示：

式中：xi（t）表示第i個體在t時刻的位置；||xj（t）-xi（t）||為兩者之間的歐氏距離；s為步長。

分析GSO 算法的位置更新（1）式，可以推算（2）式：

式中：螢火蟲個體開始位置為xi（0）；在t時刻，螢火蟲的位置由xi（0）、步長s和矢量xj（m）-xi（m）的方向決定，為確保螢火蟲能夠全局收斂，GSO 算法的收斂性將由步長s和矢量xj（m）-xi（m）的方向決定，因而至為重要。

1.2 非線性遞減步長

基本的GSO 算法尋優(yōu)過程中，步長被設(shè)置為一個固定值，并被要求小于一個極小值ε，因而導(dǎo)致算法的收斂速度很慢[13]。在實際應(yīng)用中，GSO 算法需要動態(tài)優(yōu)化步長，步長是與迭代次數(shù)有關(guān)的函數(shù)，且兩者不是線性關(guān)系[14]。也就是說在搜索初期，螢火蟲個體與最優(yōu)解之間的距離較遠，步長較大，收斂速度較快；后期又要逐步減小步長，為了保證收斂精度，步長又不宜過大[12]；另外空間維數(shù)越高，步長越大。本文根據(jù)迭代次數(shù)及搜索維數(shù)提出一種非線性減小的自適應(yīng)步長s，如（3）式所示：

式中：Smax表示最大步長；Smin表示最小步長；最大迭代次數(shù)Niter_max取值為100；c為空間維數(shù)；a為調(diào)節(jié)參數(shù)。

分析（3）式可知，當(dāng)t=0 時，步長取最大。隨著時間增加，該函數(shù)類似于指數(shù)函數(shù)，且底數(shù)（smin/smax）小于1，則隨著時間增加，步長s將非線性減小，在同一時刻下，維數(shù)越多，其步長也滿足越大的原則。

1.3 移動策略改進

在基本的GSO 算法中，當(dāng)鄰域集內(nèi)螢火蟲j比螢火蟲i的熒光素值大時，則螢火蟲向鄰域j運動，但都僅僅是局部尋找最亮鄰域，為了使得各螢火蟲具有全局搜索能力，即在每次迭代過程中引入了全局信息，使得各螢火蟲都能在全局尋找到適合自己的最優(yōu)位置。移動策略如（4）式所示：

式中：xi（t）表示第i個體在t時刻的位置；||xj（t）-xi（t）||為兩者之間的歐氏距離；s為步長；cg為全局最優(yōu)吸引常數(shù)；g（t）為全局最優(yōu)位置。

圖1 給出了螢火蟲算法尋優(yōu)過程的模型圖，其中黑色的星型小物體代表螢火蟲，其個體在空間隨機分布，藍色的區(qū)域表示亮度較小的區(qū)域，黃色的區(qū)域代表亮度較大的區(qū)域。尋優(yōu)后的結(jié)果如圖2所示。從圖2 可以發(fā)現(xiàn)，在尋優(yōu)結(jié)束后螢火蟲在較亮的黃色區(qū)域形成了幾個最優(yōu)群體。

圖1 螢火蟲初始分布圖Fig.1 Initial distribution diagram of glowworm swarm

圖2 螢火蟲收斂后群體分布Fig.2 Population distribution of glowworm swarm after convergence

2 二維OTSU 結(jié)合IGSO 圖像分割算法步驟

在紅外電氣設(shè)備圖像分割過程中，將OTSU 與IGSO 進行融合，IGSO 算法的目標(biāo)函數(shù)為OTSU 的最大累間方差函數(shù)。從而把紅外圖像最佳閾值的確定問題轉(zhuǎn)化為目標(biāo)函數(shù)的最優(yōu)值問題。根據(jù)種群熒光更新、鄰域選擇、位置更新以及第1 節(jié)中確定的決策范圍，完成螢火蟲種群的全局迭代，得到最優(yōu)解。具體分割步驟如圖3所示。

圖3 電氣設(shè)備紅外圖像分割流程圖Fig.3 Flow chart of infrared image segmentation for electrical equipment

圖3 流程圖中，目標(biāo)函數(shù)的值用二維最大累間方差公式來表示，步長采用本文改進的自適應(yīng)遞減步長（3）式代替?zhèn)鹘y(tǒng)的步長，位置的更新采用（4）式的全局移動策略。通過100 次迭代尋優(yōu)，形成幾個最亮螢火蟲群體，該群體對應(yīng)的位置將是螢火蟲幾個群體的最優(yōu)適應(yīng)度值，進而可以確定出幾組最優(yōu)的分割閾值，實現(xiàn)對電氣設(shè)備紅外圖像的多閾值分割，以將不同故障區(qū)域分割出來，并重點突出故障區(qū)域最高溫度區(qū)域。

為了確保改進后的IGSO 算法能夠找到圖像分割的全局最優(yōu)閾值，感知范圍覆蓋圖像整個空間，感知半徑取255，其中螢火蟲的最大步長smax=3，最小步長設(shè)置為0.01。

算法中各個參數(shù)的值如表1所示，分別給出了GSO 以及IGSO 尋優(yōu)過程中必要參數(shù)的值，具體的參數(shù)可參考文獻[15]。

表1 螢火蟲算法參數(shù)設(shè)置Table 1 Parameter setting of glowworm swarm optimization algorithm

3 實驗結(jié)果與分析

基于不同波段紅外成像原理，為了準(zhǔn)確捕獲運行設(shè)備實際溫度變化，本文采用FLIR Systems 公司生產(chǎn)的T360 長波非制冷焦平面紅外熱成像儀拍攝運行電機紅外圖像，并對圖像進行分析。該儀器熱成像像素為160×120，光學(xué)鏡頭焦距25 cm，發(fā)射率0.95。

圖4（a）為電機過載紅外圖像，電機溫度最高區(qū)域在方框內(nèi)呈現(xiàn)，最高溫度達到了47.7 ℃，十字光標(biāo)處即點溫度為46.3 ℃。圖5（a）為通電線管圖，其中線路管道方框內(nèi)最高溫度為37.4 ℃，點溫度為37.3 ℃。為了更清楚地判斷溫度較高區(qū)域，將不同溫度區(qū)域進行劃分，對圖像進行多個閾值的分割，在分割過程中發(fā)現(xiàn)本文實驗圖像分割閾值超過5 個以后，分割效果變得不理想，且隨閾值增加，迭代時間變長，因此實驗時分割閾值最多取5。雙閾值到五閾值分割的實驗結(jié)果如圖4、圖5所示。

圖4 過載電機圖及不同閾值分割圖像Fig.4 Overload motor diagram and segmentation images with different thresholds

圖5 通電線管圖及不同閾值分割圖像Fig.5 Energized pipeline diagram and segmentation images with different thresholds

圖4、圖5 分別為電流過載的電機圖，通電線管圖以及多閾值分割后的結(jié)果。圖4 和圖5 中的（c）、（d）分別為雙閾值、三閾值分割的結(jié)果，圖4（c）、4（d）中能將電機發(fā)熱區(qū)域輪廓分割出來、圖5（c）、5（d）中能將通電線管輪廓分割出來，但是達不到對不同溫度區(qū)域進行劃分。圖4 和圖5中的（e）、（f）分別為四閾值、五閾值分割后的結(jié)果，圖4（e）、4（f）中可以將電機溫度不同的部位分割出來，圖5（e）、5（f）中亦能將線路管道不同溫度區(qū)域加以區(qū)分。但是從圖4、圖5 的（e）、（f）分割效果來看，每幅圖中四閾值分割后的圖像干擾較多，而經(jīng)過五閾值分割后的圖像既能排除周圍區(qū)域的干擾，又能將最高溫度區(qū)域突出，因而對故障區(qū)域的檢測有良好的效果。

為了進一步論證本文改進算法分割結(jié)果的優(yōu)越性與高效性，選取圖4（b），分別采用二維OTSU閾值法、OTSU 結(jié)合GSO 分割法進行五閾值分割，并將結(jié)果與本文改進算法分割結(jié)果進行對比，如圖6所示。

圖6 各算法閾值分割結(jié)果Fig.6 Threshold segmentation results of each algorithm

從圖6 各算法閾值分割結(jié)果圖可以發(fā)現(xiàn)，圖6（a）所示的二維OTSU 分割結(jié)果，其溫度最高區(qū)域與其他溫度區(qū)域已融為一體，分割效果不符合預(yù)期且耗時最長；圖6（b）中OTSU 結(jié)合GSO 雖然可以將不同溫度區(qū)域進行區(qū)分，但是溫度最高區(qū)域分割效果不突出；圖6（c）為本文改進的GSO 結(jié)合OTSU 分割結(jié)果，其溫度最高區(qū)域被很好地分割且分割效果突出，其余溫度區(qū)域及電機輪廓也被很好地分割出來。

圖7、圖8 和圖9 分別為采用IGSO 結(jié)合OTSU的迭代次數(shù)和適應(yīng)度值關(guān)系圖、迭代次數(shù)和收斂值關(guān)系圖、像素和停止規(guī)則關(guān)系圖。

圖7 迭代次數(shù)和適應(yīng)度值關(guān)系圖Fig.7 Relationship between iterations and fitness value

圖8 迭代次數(shù)和收斂值關(guān)系圖Fig.8 Relationship between iterations and convergence value

圖9 像素和停止規(guī)則關(guān)系圖Fig.9 Relationship between pixel and stop rule

從圖7～圖9 中可以發(fā)現(xiàn)，當(dāng)?shù)螖?shù)達到80 次后，適應(yīng)度值基本保持不變，可以穩(wěn)定在3 443.287 附近，即在80 次之后尋優(yōu)過程基本穩(wěn)定，最終確定收斂閾值，靠近該閾值區(qū)域范圍的值將在這5 個閾值停止，最終完成尋優(yōu)。表2 為選取圖4（b）紅外圖像分別應(yīng)用各算法進行雙閾值到五閾值分割的運行時間及閾值。

表2 各算法分割閾值及運行時間Table 2 Segmentation threshold and running time of each algorithm

對上述3 種分割方法的結(jié)果從閾值以及運行時間2 個參數(shù)進行性能分析，可以得出：只采用二維OTSU 分割方法隨著維數(shù)的增加，運行最慢，在五閾值時已達到15.803 s，不符合分割的高效性；采用OTSU 與GSO 相結(jié)合的方法，在五閾值時分割時間為1.869 0 s；本文改進算法在五閾值分割時只需要0.818 0 s，分割速度分別提高19 倍、1.28 倍。實驗結(jié)果表明，上本文算法較二維OTSU 及未改進GSO與二維OTSU融合算法更能準(zhǔn)確分割運行電氣設(shè)備圖像異常區(qū)域，

4 結(jié)論

本文選取了過載電機、通電線管兩類具有代表性的電氣設(shè)備紅外圖像進行分割，在分割過程中，提出了一種改進的GSO 與二維OTSU 的融合算法來提高電氣設(shè)備紅外圖像多閾值分割的實時性與準(zhǔn)確度。實驗結(jié)果表明，所提出的算法有效可行，且與OTSU 分割算法，普通的GSO 與OTSU融合算法相比，本文算法都能夠得到較優(yōu)的結(jié)果，并具有較快的處理速度。綜上所述，本文算法不僅適用于單個設(shè)備內(nèi)部發(fā)熱故障區(qū)域的精確檢測，同時也能從復(fù)雜的環(huán)境中分割出特定恒溫設(shè)備，具體的分割閾值根據(jù)圖像的復(fù)雜度進行調(diào)節(jié)，具有較大的普遍適用性，為紅外圖像早期故障的有效識別與定位奠定基礎(chǔ)。