基于改进SLIC算法的电力设备故障区域分割方法

王季峥 尹丽菊 咸日常 潘金凤 陈 尧 于 毅

(山东理工大学电气与电子工程学院 山东 淄博 255049)

0 引 言

电力数据来源各异，包括不同类型的计量和监测，实现海量数据的系统分析，进一步深入挖掘，是泛在电力物联网的首要建设目标[1]。随着电网规模的不断扩大，电力设备数量迅速增多，设备的巡检工作也越来越困难。随着智能化和检测技术的发展，面对庞大的巡检任务，远程图像监控系统和自动化巡检机器人，已经能将拍摄到的红外测温图像无线传输到监控室，进行人工综合分析诊断[2-4]。泛在电力物联网是以数据为中心的网络，收集到的监测数据必须转化为可操作的信息，才能从中获取价值。而上述方法都需要技术人员进行人工分析，未涉及到对红外测温图像自动化的处理，诊断的准确度也难以保证。因此为了进一步诊断设备故障的种类和程度，实现红外测温图像的数据化处理和应用，需要采用有效的图像分割算法对红外测温图像进行分割，智能地检测出可能存在的热状态异常或潜在的故障区域。

目前，超像素分割是一种较流行的图像分割技术，具有较好的分割边界、高效的处理速度等优势[5]。文献[6-7]对目前已有的生成超像素的方法NC、SL、GCa、PBa、Watersheds、Mean Shift、SLIC等进行了分析和比较，其中SLIC是一种高效的具有数控可控性和紧密度可控性的超像素分割算法，是目前最优的方法之一[6]。它利用不同像素之间的纹理、颜色、亮度等特征，根据其相似程度将像素分组构成超像素，进而从中提取图像特征，在很大程度上降低了后续图像处理任务的复杂度[8]。基于这个思想，红外测温图像可以被视为由不同温度构成的像素区域，温度相近的像素点可以组成一个超像素，而电力设备故障区域在红外测温图像中表现为高亮度，因此可以将超像素分割算法应用到故障区域分割处理过程中。

由于原始SLIC算法是从光学图像里提出来的，不能很好地解决实际工程问题，尤其在分割电力设备红外测温图像时，产生的超像素间会形成许多零碎的超像素，不能很好地贴合区域边缘。因此本文提出一种改进SLIC的超像素分割算法用于故障区域的分割。利用导向滤波器对图像进行预处理，滤除细节和边缘噪声；在迭代过程中，改进距离计算公式并对超像素匹配颜色；增加亮度相似性作为附加限制条件，对零碎超像素进行合并；最后通过色彩空间转换，自动根据图像色调设置阈值，提取和标记出发热的故障区域。

1 方法设计

1.1 方法流程

基于改进SLIC算法的电力设备故障区域分割方法流程如图1所示。

图1 本文方法流程图

1) 输入电力设备原始红外测温图像；2) 使用导向滤波器对图像预处理，消除细节噪声增强区域边缘；3) 通过改进SLIC算法，对红外测温图像进行超像素分割；4) HSV色彩空间转换，突出发热的故障区域；5) 自动设置色调阈值，分割提取出故障区域；6) 输出标记故障区域的红外测温图像。

1.2 导向滤波

在电力设备红外测温图像中，图像范围内噪声较大，尤其是细小的边缘噪声会在梯度图中造成许多虚假的局部最小值。因此在对图像进行分割前，有必要先对图像进行滤波去噪，并在平滑图像、抑制噪声的同时有效保留图像边界。导向滤波器在区域边缘附近有很好的处理效果，是目前最快的保边滤波器之一[9]。本文选择采用导向滤波器对电力设备红外测温图像进行预处理。

首先引入一个局部线性模型，该模型包括一个导向函数图像I，一个输入图像p，以及一个输出图像q[10]。导向滤波器的线性模型如下：

qi=akIi+bk∀i∈Wk

(1)

式中：系数ak和bk在窗口函数Wk中保持不变。对式(1)两边同时取导，得到▽q=a▽I，能够保证图像q与图像I的边缘相似。q和I可以是完全相同的图像，也可以是不同的图像。为确定ak和bk，输出应满足：

qi=pi-ni

(2)

式中：ni表示噪声。为了将q与p之间的差异最小化，引入以下代价函数：

(3)

式中：ε为正则化参数。通过线性变换可得ak和bk：

(4)

(5)

由于每一个像素点i用不同的Wk计算出来的qi不同，所以将其取均值来代替，由于窗口的对称性，将式(1)改写为：

(6)

1.3 改进的SLIC故障区域分割算法

SLIC超像素分割算法基于K-means思想，利用Lab颜色空间对像素进行聚类，能够控制超像素个数，运行速度快[11]。但是该方法由于聚类条件有限，超像素间的连通性较差，会形成许多小的、零碎的超像素。为了提高对故障区域的分割精度，本文在采用导向滤波器对红外测温图像进行预处理后，使用改进的SLIC算法对故障区域进行超像素分割。

原始SLIC分割算法根据颜色和距离两种特征对图像中的像素进行聚类，将RGB彩色图像转化为Lab色彩空间的色彩值(L,a,b)与空间位置(x,y)相组合形成5维特征向量V[L,a,b,x,y]。在此基础上，本文对SLIC超像素分割算法进行了改进，算法过程如下：

(2) 距离度量。计算每个种子点和搜索到的像素点的欧氏距离：

(7)

(8)

(9)

最终用于故障区域提取的距离计算公式为：

(10)

式中：m用来调整ds的权值。

(3) 迭代更新超像素。在种子点的2S×2S范围内，对归属于同一个超像素的像素点的5维向量求平均值，更新种子点并确定每一个像素点的归属。为了方便后续的分割提取，将每块超像素内的颜色以其种子点的色彩值[Li,ai,bi]替代，将整个超像素重新匹配颜色。不断重复以上步骤进行更新迭代，直到每个超像素不再发生变化为止。

(4) 合并超像素。在更新迭代过程中，生成的超像素可能会出现尺寸过小，产生零碎超像素的问题。原始SLIC算法没有将超像素间的相似程度考虑在内，仅通过增强连通性来解决。本文根据红外测温图像的特点增加限制条件，利用超像素间亮度值的相似性合并零碎超像素，条件如下：

Dn=e-|μ-μn|

(11)

式中：μ和μn分别表示零碎超像素G的平均亮度值和它邻近的第n个超像素Gn的平均亮度值；Dn表示零碎超像素和它邻近超像素间的相似程度，n=1,2,…,N；Dn值越大，表示相似性越大，设Dn的最大值为Dm。为了判断零碎超像素是否合并到邻近超像素中，需设置一个合适的阈值T，当Dm>T时，零碎超像素G合并到它的邻近超像素Gm内，完成零碎超像素的合并；否则，这个零碎超像素将不再合并。

1.4 红外测温图像故障区域分割

电力设备因接触不良、老化等原因，故障区域会呈现出高温、高热特性，在红外测温图像中体现为高亮度[12-13]。HSV色彩空间与RGB色彩空间相比，可以更精确地区分出黄色或接近白色的故障区域，同时HSV色彩空间转换是非线性变换，具有简单且快速的特点。因此，本文采用HSV色彩空间对电力设备发生故障的区域进行提取。

HSV色彩空间是个六棱锥模型，六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量[14-15]。HSV色彩空间模型如图2所示。

图2 HSV色彩空间

在电力设备红外测温图像中，黄色或接近白色的区域是发热的故障区域，HSV色彩空间转换公式为：

(12)

(13)

(14)

(15)

V=Lmax

(16)

式中：R、G、B分别为红色、绿色、蓝色颜色分量。

经过HSV色彩空间转换后，色调已能将故障区域与背景显著区分开来。由于受周围环境因素的影响，对于不同场景或不同明暗程度的红外测温图像，设置固定的阈值效果不佳，因此需要自动设置色调阈值，将故障区域单独提取出来。对于不同的红外测温图像，阈值应由其色调(H)的范围而决定，本文将每个匹配颜色后的超像素色调(H)值从大到小进行排序，设为Hi,i=1,2,…,K，其中K为超像素个数。经实验发现，选择H3作为阈值可以达到较好的效果，因此本文选取色调阈值为H3。将发热的故障区域提取后，最后利用Python图像处理库，将发热的故障区域在原始图像上标记出来，完成对故障区域的提取和标记。

2 实 验

本文实验选取了主变高压侧套管和断路器进线接头的红外测温图像，图像像素大小为420×420，实验过程在主频为3.60 GHz，内存为8 GB的PC机上进行，使用Python软件开发环境和OpenCV开发工具。本文从滤波效果、边缘召回率、故障区域的分割和标记效果三方面来验证本文算法的有效性。

图3为导向滤波和双边滤波的滤波效果对比，(a)为主变高压侧套管红外测温原始图像，对(a)在细节处和边缘处局部放大，(b)为细节处导向滤波效果与双边滤波效果对比，(c)为边缘处导向滤波效果与双边滤波效果对比。可以看出，导向滤波在实现双边滤波平滑的同时，细节处的噪声处理得更好，且对区域边缘具有增强的效果，减少了在边缘处伪影现象的产生，其效果优于双边滤波。

图3 导向滤波效果与双边滤波效果的对比

图4为对电力设备红外测温图像以不同超像素个数进行分割实验。利用原始SLIC算法、滤波后原始算法，及滤波后本文算法的分割结果分别与手动分割的图像进行边界召回率比较。超像素边缘召回率是指目标区域超像素边缘像素点数目与真实分割边缘像素点数目的比值，比值越大，边缘召回率越高，超像素对目标区域分割的效果越好，是超像素评价体系中的重要指标。

图4 边界召回率对比

可以看出，利用导向滤波器平滑图像减少了边缘细节的噪声，因此边界召回率比原方法更高。随着超像素个数的增加，滤波后本文算法边界召回率更高，斜率更大；当超像素数量接近1 000时，滤波后本文算法边界召回率最先趋于平稳，达到了93.12%。由于超像素个数过多会消耗更多时间，而迭代次数过小聚类效果不理想，因此，本文选取超像素个数K=1 000，m=40；实验控制最大迭代次数为10次，T=0.52；导向滤波预处理过程中窗口半径设置为5，ε=0.01。

图5为断路器进线接头红外测温图像故障区域分割过程和结果：(a)为断路器进线接头红外测温原始图像；(b)为原始图像经过导向滤波预处理后的图像，可以看出经过预处理后消除了细小的噪声，强化了区域边缘；(c)为SLIC超像素分割后的图像，通过改进SLIC算法的超像素分割，生成的超像素变得更加规整，很好地趋于区域边缘；(d)为对超像素匹配颜色后的图像，可以看出对提取的超像素匹配颜色，使故障区域与背景之间的相似度减弱，特征差距增大；(e)为分割出故障区域的图像，经过HSV色彩空间转换，自动设置色调阈值，准确将黄色或接近白色的故障区域分割提取了出来；(f)为标记故障区域的图像，利用Python的图像处理库将故障区域在原始图像上标记了出来。

图5 故障区域分割过程和结果

3 结 语

本文针对传统电力设备状态检测中出现故障的区域需要人工进行标记和处理，结合电气设备红外测温图像的特点，提出一种改进SLIC的分割方法，用于故障区域的自动分割和标记。该方法使用导向滤波器预处理图像，减少边缘噪声对超像素分割的影响，以超像素颜色匹配和增加亮度相似性作为附加的限定条件，解决生成的零碎超像素造成分割精度不高的问题。实验结果表明，本文方法对红外测温图像故障区域的分割具有高准确性，同时改进的SLIC超像素分割算法提高了边界召回率，并有效改善了生成超像素形状大小的可视效果。本文方法有利于促进智能电网主动应对故障、智能管理的转变，提升智能化程度。