基于人工智能的红外热成像监控系统设计

王杨洋 杨京雷 付高阳 王泽超 查祖福水 白梅娟 侯帅

关键词：红外热成像；监控系统；温度检测；人工智能；目标检测；数据清洗

随着电网规模的不断增加，电力设备的维护成本越来越高。而故障发生前的检修尤为重要，可以减少设备故障次数，降低设备故障带来的损失[1]。国务院印发《新一代人工智能发展规划》，要求到2025年战略目标为人工智能成为我国产业升级和经济转型的主要动力。国家发展改革委在《“十四五”新型储能发展实施方案》中要求提升能源产业链现代化水平，推进能源产业数字化智能化升级，积极开展电网、电厂等领域智能化建设[2]。国家对于智能设备的要求越来越高，此前，红外热成像仪已广泛应用于电网的故障检修工作，红外热成像仪具有成像检测，图像直观，高灵敏度和高分辨率的特点[3]，可以进行无接触电气设备检测，保证設备问题及时消除，以及电网的持续供电[4]。然而，电网红外热成像设备在检测不同物体时都需要重新调整设备发射率，增加了人员操作时间以及操作复杂度，同时，红外热成像数据不能全部保存，造成了有效故障信息的数据流失问题。

针对以上问题，本系统围绕自适应发射率，红外热成像数据自动记录和处理展开深入的研究，主要研究内容如下：设计了一套易于携带的红外热成像硬件系统。以轻量级的设备，减少工作人员的巡检负担，增快巡检速度；设计了一套可全面记录和处理红外热成像数据的软件系统，具有自动调节发射率，自动记录和处理数据的功能，工作人员操作步骤大幅降低，节省大量的人力物力；设计了自适应调节发射率和数据清洗相关算法[5]，采用图像识别技术保证了自适应调节发射率的准确性和即时性[6-9]。

1 系统总体设计方案

设计了由主控板、红外热成像摄像头、深度摄像头、5G无线通信模组、显示屏、电池模组、电压变换器、环境温度传感器和外壳组成的红外热成像监控硬件系统；设计了基于Pyside2开发的软件系统；设计了基于计算机视觉、数据清洗等先进技术设计的算法结构。其系统结构图如图1所示：

2 系统硬件设计

硬件系统由主控板、红外热成像摄像头、深度摄像头、5G无线通信模组、显示屏、电池模组、电压变换器和环境温度测量器组成。其运作流程如图2所示：

本硬件系统所使用的红外热成像摄像头、深度摄像头和主控板，在满足本系统需求的前提下，对这三部分进行选型，使得质量和体积尽量小，满足硬件系统的便携性；电池模组包括电芯、电压转换模块和保护模块；使用3D打印技术制作的外壳具有质量轻的特点，与传统机器制造出来的相比要轻50%以上，并且同样坚固，外壳的防护等级达到IP54，外壳设计了可开合装置，便于后期进行改装和维修。硬件系统外壳实物图如图3所示：

3 系统软件设计

本仪器的软件模块如下：采用Yolo系列算法部署在深度摄像头中识别电气器件；在数据库中将所识别出来的电气器件发射率传递给红外热成像摄像头，识别电气器件的温度；将温度数据和红外热成像图片储存；本仪器利用异常值处理、3倍方差处理、重复记录去重和越界数据处理算法实现数据清理，保证数据的质量，为大数据处理奠定基础；开展了历史红外监测数据深度分析，具体包括利用随机森林实现故障的分类，利用相关性分析挖掘故障诊断过程中的关键因素。

红外热成像监控软件系统主要由以下界面构成：实时热成像；发射率检测；红外热成像数据处理与分析；历史数据；参数设置。软件架构图如图4所示：

采用Pyside2设计软件前端界面；采用Diango作为后端开发框架；采用MySQL进行数据存储。使得在Python基础上进行便捷开发，也可以设计出便于操作使用并且美观的界面，同时大量减少了代码量。软件界面如图5所示：

4 算法设计

4.1 自适应调整热成像仪发射率

基于目标检测技术，自动定义检测电气材质并自适应地调整热成像仪发射率。电网设备测温巡检主要依靠人工巡检，该巡检方式存在操作环境恶劣、劳动强度大、重复性高的问题。基于图像处理技术，检测电气设备并识别相应电气设备的类型，并自主推送被测设备的成像仪发射率。该方法能够减小工作人员面对不同类型、不同材质的电气设备时，人工手动调整发射率的弊端，兼顾保证测量数据精度和大幅提升工作效率，缩短耗时30%以上。目标检测流程如图6所示：

电气设备检测，具有实时性检测的要求。本系统采用Yolov5算法进行电气设备识别，更改主干网络使其轻量化。轻量级神经网络具有参数少、速度快、对设备算力的要求低的特点；使得目标检测算法既保证了识别精度，同时也保证了识别速度。

电气设备周围环境较为复杂，在网络模型中添加注意力机制来优化目标检测精度，加强对检测目标的关注，从而降低由于环境复杂造成的检测精度下降的问题，并且改善由于主干网络轻量化导致的精度下降问题。电气设备识别结果如图7所示：

4.2 数据清洗

电力行业的热成像历史数据中存在相似重复记录以及少量的空值和错误值等脏数据。设计了面向电力行业的热成像数据清洗框架，框架结构如图8所示：

4.3 历史红外监测数据深度分析

基于现场设备的数据，利用随机森林算法进行故障分类预测，判断电气设备是否存在故障，为工作人员不易采用肉眼识别的故障类别，提供数据驱动模型支撑，提高故障的诊断效率。该功能是传统的仪器设备所不具备的功能，本设备拟采用随机森林算法具有预测精度高、不易过拟合、参数优化过程简单的优点。算法具体流程如图9所示：

5 结束语

本系统采用自适应调整热成像仪发射率，提高了工作人员的工作效率和测量精度；采用红外测温数据预处理及自动记录，降低了工作人员的工作时间，方便后期对数据的查询与整理；采用历史红外监测数据深度分析，提高故障的诊断效率。使用本红外热成像监控软件和硬件系统检测设备温度，测试过程安全高效、监测数据直观可靠，能够准确反映设备发热情况，在发现设备安全隐患、降低运维检修成本、提升电网安全水平方面发挥着巨大作用。