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)
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設(shè)備的紅外信號時,無法避免大量未檢測目標熱輻射信息的干擾,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,可高效準確分割運行的電氣設(shè)備紅外圖像的異常區(qū)域。
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。
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。
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。
在基本的GSO 算法中,當鄰域集內(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
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
基于不同波段紅外成像原理,為了準確捕獲運行設(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?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融合算法更能準確分割運行電氣設(shè)備圖像異常區(qū)域,
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)。