黃志鴻，洪 峰，黃 偉,3

形狀自適應(yīng)低秩表示的電力設(shè)備熱故障診斷方法研究

黃志鴻1，洪 峰2，黃 偉1,3

（1. 國網(wǎng)湖南省電力有限公司電力科學(xué)研究院，湖南 長沙 410007；2. 國網(wǎng)湖南省電力有限公司，湖南 長沙 410029；3. 湖南省湘電試驗研究院有限公司，湖南 長沙 410007）

本文提出一種形狀自適應(yīng)低秩表示的電力設(shè)備熱故障診斷方法。該方法通過聯(lián)合超像素分割和低秩表示技術(shù)進行熱故障診斷。首先，使用主成分分析算法對輸入的紅外圖像進行變換，并對第一主成分進行超像素分割處理，將紅外圖像自適應(yīng)地分割為若干非重疊的超像素。然后，采用低秩表示技術(shù)對逐個超像素進行熱故障診斷，通過充分挖掘空間結(jié)構(gòu)信息和紅外溫度信息，優(yōu)化提升熱故障診斷精度。實驗結(jié)果表明，與其他傳統(tǒng)熱故障診斷方法相比，本文提出的方法在熱故障診斷精度上具有較大的優(yōu)勢，滿足電力設(shè)備紅外巡檢的應(yīng)用需求。

電力設(shè)備；紅外圖像；熱故障診斷；超像素分割；低秩表示

0 引言

電力設(shè)備熱故障為一種常見的故障類型，及早診斷出熱故障，對電力設(shè)備安全運行具有積極的現(xiàn)實意義。近年來，紅外成像技術(shù)有著長足的發(fā)展，能有效顯示物體表面的溫度信息[1]。因此，該技術(shù)廣泛應(yīng)用于電力設(shè)備巡檢中。

隨著電力網(wǎng)絡(luò)規(guī)模的不斷擴大，紅外巡檢壓力也愈發(fā)增大。當(dāng)前巡檢模式嚴(yán)重依賴人工識別和分析。這種巡檢模式存在效率低、誤檢率高等缺點。為此，研究人員提出多種智能化的熱診斷方法。這些方法可分為如下兩大類。

第一大類是傳統(tǒng)圖像處理的診斷方法[2-8]。其中張文峰等人提出一種圖像分割方法[2]對紅外圖像中的熱故障目標(biāo)進行目標(biāo)分割。王淼等人采用一種梯度分析方法[3]，診斷熱故障。一種改進的K-均值方法[4]用于紅外熱故障診斷。魏鋼等人采用基于小波變換和后驗概率分布的熱故障診斷方法[5]，通過提高圖像質(zhì)量，進而提升熱故障診斷精度。李鑫等人采用一種粒子群圖像分割[6]的熱故障診斷方法。黃志鴻[8]等人采用一種引導(dǎo)濾波技術(shù)，利用紅外圖像的空間相似性，提升熱故障診斷精度。第二大類是基于深度學(xué)習(xí)的診斷方法。這類方法近年來也得到研究人員的廣泛關(guān)注[9-11]。文獻[9]對紅外圖像進行分割，并采用卷積神經(jīng)網(wǎng)絡(luò)進行熱故障識別。魏東等人[10]利用遞歸神經(jīng)網(wǎng)絡(luò)定位異常熱故障區(qū)域。周可慧等人[11]提出一種改進的卷積神經(jīng)網(wǎng)絡(luò)模型，對紅外熱故障圖像進行診斷。

上述方法大多直接對整張紅外圖像進行處理和解譯。這些方法僅挖掘紅外圖像中的溫度信息，未有效利用圖像的空間結(jié)構(gòu)信息進行熱故障診斷。因此，這些方法在復(fù)雜電力巡檢環(huán)境下，難以獲得高精度的熱故障診斷結(jié)果。近年來，超像素分割[12]已被證明是一種有效挖掘圖像空間結(jié)構(gòu)信息的圖像分割技術(shù)，廣泛應(yīng)用于圖像分類和目標(biāo)識別領(lǐng)域中。該類方法通過使用基于熵率的圖像分割方法，生成若干互不重疊的超像素。超像素為一個形狀自適應(yīng)的同質(zhì)區(qū)域。該區(qū)域中的像素通常有著高度相似的空間紋理和灰度信息[12]。如何聯(lián)合利用紅外圖像的空間結(jié)構(gòu)信息和溫度信息，提升電力設(shè)備熱故障診斷的精度是本文擬解決的應(yīng)用難題。

本文提出的形狀自適應(yīng)低秩表示方法（shape-adaptation low-rank representation, S-LRR）包含兩個主要步驟。首先，使用主成分分析算法對輸入紅外圖像進行變換，并對第一主成分采用超像素分割方法，將紅外圖像自適應(yīng)地分割為若干非重疊的超像素區(qū)域。然后，采用低秩表示技術(shù)對逐個超像素區(qū)域進行熱故障診斷，充分挖掘空間結(jié)構(gòu)信息和紅外溫度信息，提升熱故障診斷精度。

1 低秩表示模型

Candes等人在2013年提出低秩表示模型[13]。該模型設(shè)定一個輸入的矩陣可以分解為低秩矩陣、稀疏矩陣和噪聲矩陣。基于這種設(shè)定，一個輸入的紅外圖像可以表示為：

＝＋＋(1)

式中：是高斯噪聲項。由于紅外圖像的空間鄰域像素具有相似性，我們可以使用幾個基向量的線性組合來表示背景中的每個像素[13]。因此，背景區(qū)域通常擁有低秩特性。與周圍環(huán)境相比，熱故障目標(biāo)通常是小區(qū)域目標(biāo)。因此，熱故障區(qū)域具有稀疏特性。綜上分析，我們采用低秩表示模型從輸入的紅外圖像中分離稀疏的熱故障目標(biāo)和低秩的背景區(qū)域。低秩表示模型如下所示：

2 形狀自適應(yīng)低秩表示的熱故障診斷方法

本文包含兩個主要創(chuàng)新點。第一，首次將電力設(shè)備熱故障診斷問題建模為圖像低秩表示模型。第二，通過超像素分割技術(shù)和低秩表示方法，聯(lián)合利用紅外圖像的空間結(jié)構(gòu)信息和溫度信息，提升熱故障的診斷精度。圖1為所提出方法的流程圖。

圖1 所提出的SS-LRR方法流程圖

2.1 形狀自適應(yīng)區(qū)域生成

本文中，我們采用熵率超像素（entropy rate superpixel，ERS）[12]方法將輸入紅外圖像分割，生成若干個非重疊的超像素區(qū)域。首先，采用主成分分析算法[13]獲取紅外圖像的第一主成分，第一主成分能反映中最關(guān)鍵的圖像信息。提取的第一主成分被視為一個基圖像，并映射到一個圖。然后，應(yīng)用ERS算法，通過求解如下優(yōu)化問題，生成若干超像素邊緣：

式中：代表熵率；代表平衡項；為平衡參數(shù)；E為選擇的邊緣集合。通過熵率超像素分割，生成若干個非重疊的超像素區(qū)域。每個超像素區(qū)域由若干具有高度相似空間結(jié)構(gòu)信息的像素組成。因此，基于超像素分割的方法能自適應(yīng)地挖掘紅外圖像的空間結(jié)構(gòu)信息。

2.2 形狀自適應(yīng)區(qū)域熱故障識別

3 實驗與分析

3.1 實驗介紹

在實驗中，用于測試的紅外圖像由FILR成像儀所獲取。圖像空間分辨率為0.68mrad，波長范圍為7.5～14mm。為評估本文所提方法對電力設(shè)備熱故障的診斷性能，采用3種經(jīng)典的異常目標(biāo)檢測方法進行對比實驗。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]、低密度概率檢測（low- density probability，LDP）方法[15]和低秩表示（LRR）[16]診斷方法。其中，對于LRR方法，參數(shù)設(shè)置為＝0.05。對于SS-LRR方法，超級像素數(shù)設(shè)置為100，參數(shù)設(shè)置為＝0.05。

圖2 部分中間過程圖

為評估診斷結(jié)果的優(yōu)劣，本文采用線下面積（area under curve, AUC）[16-17]指標(biāo)來客觀評估對比方法的診斷性能。該指標(biāo)基于目標(biāo)檢測結(jié)果和參考的熱故障區(qū)域圖，定量地評價診斷結(jié)果的精度。該指標(biāo)能較好地評估診斷結(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指標(biāo)越高，識別結(jié)果越接近參考的熱故障區(qū)域圖，熱故障診斷性能越優(yōu)異。

3.2 實驗結(jié)果與分析

第一幅測試圖像拍攝于湖南省湘潭市韶梅線10kV線路上的一場景，共有240×330個像素。在這張圖中，架空線路一處溫度過高。該區(qū)域被視為熱故障目標(biāo)。圖3(a)和(b)展示測試圖像和參考的熱故障區(qū)域圖。圖3(c)～(f)為不同方法的診斷結(jié)果。在每幅圖的左下方展示了診斷結(jié)果的局部放大圖?？梢钥吹?，RX、LDP和LRR方法未能有效地從背景中診斷熱故障區(qū)域。而SS-LRR方法的診斷結(jié)果圖最接近參考的熱故障區(qū)域圖。

圖3 不同方法在第一幅測試圖的診斷結(jié)果

第二幅測試圖像拍攝于湖南省湘潭市的10kV邵南線上的一場景，共有240×330個像素。在這張圖中，架空線路一處的溫度異常過高，因此該處被視為熱故障目標(biāo)。不同對比方法的診斷結(jié)果如圖4(c)～(f)所示。我們可以觀察到，RX和SS-LRR方法能有效地診斷出熱故障區(qū)域。LDP和LRR方法不能有效去除背景像素的干擾。

第3幅測試圖像拍攝于湖南省湘潭市的220kV輸電線路的一場景，由325×450個像素組成。該幅圖像中，絕緣子出現(xiàn)溫度過熱的異常情況。圖5(a)和(b)展示該圖像的紅外熱圖像和參考的熱故障區(qū)域圖。不同方法的診斷結(jié)果如圖5(c)～(f)所示。LRR方法可以診斷出熱故障區(qū)域，但不能有效地去除背景像素的干擾。RX和SS-LRR方法有著優(yōu)異的診斷性能，SS-LRR方法最接近參考的熱故障區(qū)域圖。

不同診斷方法的AUC指標(biāo)如表1所示。如表所示，本文所提出的SS-LRR診斷方法能獲得最高的診斷精度（用加粗字體標(biāo)識）。通過超像素分割，SS-LRR相較于LRR方法在診斷精度上有著明顯的提升表2展示了不同方法的運行時間。從表中我們可以發(fā)現(xiàn)，RX，LDP和LRR三種方法采用全局圖像的計算策略，計算效率更高。SS-LRR方法需逐個處理超像素。盡管所提出的SS-LRR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熱故障診斷技術(shù)。

表1 不同診斷方法的AUC指標(biāo)

表2 不同診斷方法的運行時間

4 總結(jié)

本文提出一種形狀自適應(yīng)低秩表示的電力設(shè)備熱故障診斷方法，在復(fù)雜電力巡檢環(huán)境下高精度地診斷出電力設(shè)備的熱故障。通過超像素分割技術(shù)和低秩表示方法，自適應(yīng)地分割紅外圖像中目標(biāo)的形狀，聯(lián)合利用紅外圖像的空間結(jié)構(gòu)信息和溫度信息，優(yōu)化提升熱故障的診斷精度，滿足電力紅外巡檢的應(yīng)用需要。

[1] 劉嶸, 劉輝, 賈然, 等. 一種智能型電網(wǎng)設(shè)備紅外診斷系統(tǒng)的設(shè)計[J]. 紅外技術(shù), 2020, 42(12): 198-1202.

LIU Rong, LIU Hui, JIA Ran, et al. Design of intelligent infrared di-agnosis system for power grid equipment[J]., 2020, 42(12): 1198-1202.

[2] 張文峰, 彭向陽, 陳銳民, 等. 基于無人機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 Ruiming, 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] 王淼, 杜偉, 孫鴻博, 等. 基于紅外圖像識別的輸電線路故障診斷方法[J].紅外技術(shù), 2017, 39(4): 383-386.

WANG Miao, DU Wei, SUN Hongbo, et al. Transmission line fault diagnosis method based on infrared image recognition[J]., 2017, 39(4): 383-386.

[4] 胡洛娜, 彭云竹, 石林鑫. 核貓群紅外圖像異常檢測方法在電力智能巡檢中的應(yīng)用[J]. 紅外技術(shù), 2018, 40(9): 323-328.

HU Luona, PENG Yunzhu, SHI Linxin. Anomaly detection method of infrared images based on kernel cat swarm optimization clustering with application in intelligent electrical power inspection[J]., 2018, 40(9): 323-328.

[5] 魏鋼, 馮中正, 唐躍林, 等. 輸變電設(shè)備紅外故障診斷技術(shù)與試驗研究[J]. 電氣技術(shù), 2013, 14(6): 75-78.

WEI Gang, FENG Zhongzheng, TANG Yuelin, et al. The infrared diagnostic technology of power transmission devices and experimen-tal study[J]., 2013, 14(6): 75-78.

[6] 李鑫, 崔昊楊, 霍思佳, 等. 基于粒子群優(yōu)化法的Niblack電力設(shè)備紅外圖像分割[J]. 紅外技術(shù), 2018, 40(8): 780-785.

LI Xin, CUI Wuyang, HUO Siyang. Niblack's method for infrared image segmentation of electrical equipment improved by particle swarm optimization[J]., 2018, 40(8): 780-785.

[7] 林穎, 郭志紅, 陳玉峰. 基于卷積遞歸網(wǎng)絡(luò)的電流互感器紅外故障圖像診斷[J]. 電力系統(tǒng)保護與控制, 2017, 45(16): 87-94.

LIN Ying, GUO Zhihong, CHEN Yufeng. Convolutional-recursive network based current transformer infrared fault image diagnosis[J]., 2015, 45(16): 87-94.

[8] 黃志鴻, 吳晟, 肖劍, 等. 基于引導(dǎo)濾波的電力設(shè)備熱故障診斷方法研究[J].紅外技術(shù), 2021, 43(9): 910-915.

HUANG Zhihong, WU Sheng, XIAO Jian, et al. Thermal fault dagnosis of power equipments based on guided filter[J]., 2021, 43(9): 910-915.

[9] 常亮, 鄧小明, 周明全, 等. 圖像理解中的卷積神經(jīng)網(wǎng)[J]. 自動化學(xué)報, 2016, 42(9): 1300-1312.

CHANG Liang, DENG Xiaoming, ZHOU Mingquan, et al. Convolu-tional neural networks in image understanding[J]., 2016, 42(9): 1300-1312.

[10] 魏東, 龔慶武, 來文青, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究[J]. 中國電機工程學(xué)報, 2016, 36(5): 21-28.

WEI Dong, LONG Qinwu, LAI Wenqing, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]., 2016, 36(5): 21-28.

[11] 周可慧, 廖志偉, 肖異瑤, 等. 基于改進CNN的電力設(shè)備紅外圖像分類模型構(gòu)建研究[J]. 紅外技術(shù), 2019, 41(11): 1033-1038.

ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipments based on improved CNN[J]., 2019, 41(11): 1033-1038.

[12] LIU M, Tuzel O, Ramalingam S, et al. Entropy rate superpixel segmentation[C]//, 2011: 2097-2104.

[13] YUAN X, YANG J. Sparse and low-rank matrix decomposition via alternating direction methods[J].1990, 9(1): 1760-1770.

[14] Reed I S, YU X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]., 1990, 38(10): 1760-1770.

[15] KANG X, ZHANG X, LI S, et al. Hyperspectral anomaly detection with attribute and edge-preserving filters[J]., 2017, 55(10): 5600-5611.

[16] XU Y, WU Z, LI J, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]., 2016, 54(4): 1990

[17] 蔣昀宸, 樊紹勝, 陳駿星溆. 帶電作業(yè)智能新技術(shù)及其應(yīng)用現(xiàn)狀[J]. 湖南電力, 2018, 38(5): 1-4.

JIANG Yunchen, FAN Zhaosheng, CHEN Junxingxu. Smart new-technologies and applications for live work[J]., 2018, 38(5): 1-4.

Shape Adaptation Low Rank Representation for Thermal Fault Diagnosis of Power Equipments

HUANG Zhihong1，HONG Feng2，HUANG Wei1,3

(1.,410007,;2.,410029,; 3.410007,)

This work introduces a thermal fault diagnosis method that integrates superpixel segmentation and low-rank representation for diagnosis. The proposed method comprises two main steps. First, an input infrared image is transformed using a principal component analysis (PCA) algorithm, and a superpixel segmentation method is employed for the first principal component (PC). The first PC is divided into non-overlapping homogeneous superpixels. Then, the thermal fault region is detected by employing low-rank representation in a superpixel-by-superpixel manner. Experimental results show that the proposed diagnosis method has a better detection performance than that of current state-of-the-art detectors.

power equipment, infrared image, thermal fault diagnosis, superpixel segmentation, low-rank represent

TP751.1

A

1001-8891(2022)08-0870-05

2022-02-10；

2022-02-15.

黃志鴻（1993-），男，湖南長沙人，博士，高級工程師，主要研究方向為電力設(shè)備故障智能診斷，紅外圖像處理。E-mail: zhihong_huang111@163.com

國網(wǎng)湖南省電力有限公司科技項目（5216A522000U）。