基于谱残差变换的电力设备热缺陷识别技术

黄志鸿，肖 剑，徐先勇，张 辉

〈红外应用〉

基于谱残差变换的电力设备热缺陷识别技术

黄志鸿1，肖 剑1，徐先勇1，张 辉2

（1. 国网湖南省电力有限公司电力科学研究院，湖南 长沙 410007；2. 湖南大学 机器人学院，湖南 长沙 410082）

本文提出一种基于谱残差变换的电力设备热缺陷识别技术。首先，根据电力设备红外图像中自然背景的冗余特性和热缺陷目标的显著性特征来构建谱残差变换模型，对电力设备红外图像进行谱残差变换，生成具有显著性信息的热缺陷初始识别结图。然后，采用引导滤波技术对初始识别结果进行处理，联合利用红外图像中的温差信息和空间结构信息，提升热缺陷的识别率，生成最终识别结果图。实验结果表明：与其他传统热缺陷识别方法相比，本文所提出的方法在识别精度与识别效率上有显著优势，满足电力设备热缺陷带电检测的应用需求。

电力设备；红外图像；热缺陷识别；谱残差变换；冗余信息

0 引言

随着电网建设规模的快速发展，电力设备巡检的压力也逐渐增大[1]。热缺陷是电力设备常见的一种缺陷类型。然而，当前红外巡检大多依赖于人工分析红外图像，进而判别设备热缺陷。这种巡检模式存在热缺陷识别效率不高、缺陷漏检率高等不足之处。为此，研究人员提出多种热缺陷识别方法。具体来说，这些方法可分为两种类型。

第一类[2-8]为基于图像特征提取的热缺陷识别方法。张文峰[2]等人提出一种目标分割的方法对红外视频中的热缺陷进行识别。王淼[3]等人介绍一种图像梯度特征提取方法用于热缺陷识别。胡洛娜等人[4]提出核猫群算法识别红外图像中的异常热缺陷目标。魏钢[5]等人提出一种基于小波变化和后验概率分布的热缺陷识别方法。李鑫[6]等人提出一种基于粒子群目标分割算法用于热缺陷检测。黄志鸿[7]等人提出一种引导滤波方法，优化热缺陷识别精度。洪峰等人[8]提出一种基于超像素分割的热缺陷识别方法。

除了上述方法外，近年来基于深度学习的识别方法也得到研究人员的广泛关注[9-11]。常亮[9]等人利用递归神经网络实现对异常热缺陷目标的识别。魏东[10]等人对红外图像进行分割，并采用卷积神经网络对热缺陷识别。周可慧等人[11]提出一种改进的卷积神经网络模型，对热缺陷目标进行识别。值得注意的是现有的热缺陷识别算法多侧重于对热缺陷目标的图像特征进行挖掘。但是，电力设备种类繁多，相应的热缺陷呈现的空间形式也复杂多变。仅利用热缺陷目标的图像特征，难以获取高精度识别结果。因此，本文从另一种思考角度来解决电力设备热缺陷识别问题：探索背景的冗余特征属性。

在信息论中[12]，图像信息可分解为显著性的目标信息和冗余性的背景信息两部分。在图像统计领域，这种冗余特征对应于背景环境的统计不变性。而显著性特征对应于目标的新颖性。这些性质在有关自然图像的文献中得到了全面的论证[12-13]。现在人们普遍认为自然图像的统计特征不是随机的，它们服从高度可预测的分布。基于信息论的相关理论，本文提出一种基于谱残差变换（spectral residual transformation, SRT）的电力设备热缺陷识别算法。首先，根据电力设备红外图像中自然背景的冗余特性和热缺陷目标的显著性特征来构建谱残差变换模型，对电力设备红外图像进行谱残差变换，去除自然背景目标的冗余图像信息，生成具有显著性信息的热缺陷初始识别结果图。然后，采用引导滤波技术对初始识别结果进行处理，联合利用红外图像中的温差信息和空间结构信息，提升热缺陷识别率，生成最终的识别结果图。

1 相关理论

1.1 基于显著性检测的谱残差模型

显著性视觉检测理论假定视觉系统会选择性地忽略不感兴趣的冗余区域，并聚焦于显著性突出区域。谱残差模型被证明为一种有效的显著性检测方法。在信息论中[12]，图像信息（image）由两部分所组成：

(image)＝(Innovation)＋(Prior) (1)

式中：(Innovation)为中的显著性信息，(Prior)为图像中的冗余信息。谱残差模型基于上述思想，处理输入图像的对数谱，抑制图像中的冗余信息，得到图像中的显著性信息。具体来说，该方法首先对输入的图像进行傅里叶变换，将二维数据由空间域变换到频域，生成振幅谱()和相位谱()。

(),()＝[()] (2)

式中：[.]为图像的傅里叶变换操作。然后，谱残差()根据振幅谱的log谱()与平均频谱()差值计算生成。

()＝log2(()) (3)

()＝()*h() (4)

()＝－1[()－()] (5)

式中：－1为傅里叶逆变换；h()为局部*均值滤波器。

由于本文篇幅限制，有关谱残差理论细节，请参考文献[12]。在本文中，SR()表示为对输入图像进行谱残差运算。

1.2 引导滤波模型

图像滤波是常见的图像处理手段，其中引导滤波模型近年来在机器视觉领域中有着广泛应用[14]。该方法具有实时性和高效性等优点[14]，常应用于图像去噪、目标检测等领域。引导图像在局部空间窗口w中进行线性变换生成输出图像：

式中：w是以像素为中心的局部区域，空间大小为(2＋1)×(2＋1)的区域。能量函数(a,b)表示如下：

式中：为控制滤波平滑程度的参数。系数a和b通过下列公式求解：

2 基于谱残差模型的红外热缺陷识别方法

本文包含两个主要创新点。第一，首次将电力设备热缺陷识别问题建模为谱残差模型。第二，通过引导滤波技术和谱残差模型，联合利用红外图像的空间结构信息和温度信息，提升热缺陷的识别精度。图1为所提出方法的流程图。

图1 所提出的SRT方法流程

2.1 谱残差模型的初始热缺陷识别

根据上一章介绍的内容，本文首先采用谱残差模型[13]来识别热缺陷。在电力设备红外图像中，图像背景信息可由少量像素通过线性组合来表示[15-16]，因此背景信息拥有较强的冗余特征。而热缺陷目标异常信息明显，具有较强的显著性特征。基于上述分析，本文首先将电力设备热缺陷识别问题转化为基于谱残差的显著性目标检测模型。通过获取输入图像在频域下的光谱残差信息，从而在空域中构建相应的热缺陷目标显著图。

＝SR() (10)

式中：为热缺陷初始识别结果。图2为输入的红外图像，右侧为局部放大图。图3为初始识别结果图，右侧为初始识别结果图中的局部放大图。虽然基于谱残差的识别模型能较好地定位热缺陷的区域，但丢失热故障区域部分空间细节信息。这是因为，谱残差模型通过频谱变换虽然能提取出红外温度异常信息，进而定位出显著性热缺陷目标。但是该方法未能较好地利用红外图像中的空间结构信息，导致部分目标空间信息丢失。

图2 输入的红外图像与局部放大图

图3 初始识别结果图与局部放大图

2.2 基于引导滤波的热缺陷识别

为联合利用红外图像中的温度信息和空间结构信息，提高热缺陷目标的识别精度，在获取热缺陷初始的识别结果后，我们采用引导滤波技术对初始结果进行优化提升。在本文中，G,(,)表示为引导滤波操作。

＝G,(,) (11)

式中：为热缺陷初始识别结果。根据参考文献[13]和文献[15]中的研究，图像的第一主成分能够有效表示图像绝大部分的数据信息。在引导滤波的相关研究中，图像的第一主成分通常作为引导滤波的引导图像。在本文中，表示为输入红外图像的第一主成分，和为引导滤波器的两个参数，默认值大小设置为10和0.8。通过引导滤波技术，联合挖掘红外图像的温度信息和空间结构信息，提升热缺陷识别精度。滤波后的热故障识别结果如图4所示。最终识别结果部件不仅能较好反映热缺陷目标位置，同时能较好地抑制空间畸变信息。

图4 最终识别结果图与局部放大图

3 实验与分析

3.1 实验介绍

为验证本文提出SRT算法的识别性能，本文采用3种经典的异常目标识别算法进行对比测试。包括基于全局统计的马氏距离计算Reed-Xiao（RX）方法[15]、低密度概率检测（low-density probability，LDP）方法[16]和低秩表示（LRR）[17]识别方法。其中，LRR方法的参数设置为＝0.05。

为客观评价识别结果的优劣，本文采用面积曲线（area under curve, AUC）[15-17]指标判别识别结果的准确性。AUC指标通过计算目标识别结果和参考的热缺陷区域图，定量计算识别结果的精度。当AUC指标越高，识别结果越接近参考的热缺陷区域图，热缺陷识别性能越优异。

3.2 实验结果与分析

第一幅测试数据采集于湖南省湘潭市，图像分辨率为240×330。图5(a)和(b)展示测试图像和参考的热缺陷区域图。图5(c)～(f)为不同识别方法的结果。为清楚反映识别结果的细节信息，每幅图的左下方展示了识别结果的局部放大图。RX、LDP和LRR方法未能有效地从背景中识别热缺陷目标。而SRT方法不仅能有效定位出热故障区域目标，同时较好地抑制背景像素对识别结果的干扰。

第二幅测试图像拍摄于湖南省湘潭市，图像分辨率为240×330。图6(c)～(f)展示了不同对比方法的识别结果。其中，RX和SRT方法能有效地识别出热缺陷区域。LDP和LRR方法不能较好地抑制并去除背景像素的干扰。

图5 不同方法在第一幅测试图的识别结果

图6 不同方法在第2幅测试图的识别结果

第3幅测试图像拍摄于湖南省湘潭市，图像分辨率为325×450。图7(a)和(b)展示该图像的红外热图像和参考的热缺陷区域图。不同方法的识别结果如图7(c)～(f)所示。LRR方法可以识别出热缺陷区域，但不能有效地去除背景像素的干扰。RX和SRT方法有着优异的识别性能，SRT方法能获取最好的AUC识别精度值，0.9992。

不同识别方法的AUC指标如表1所示。如表所示，本文所提出的SRT方法能获得最高的识别精度。联合谱残差变换与引导滤波技术，SRT相较于其他3类热缺陷识别方法在精度上有显著的提升。表2展示了不同方法的运行时间。虽然SRT方法检测效率不是最高的，但考虑其出色的检测精度，SRT方法仍是实用的热故障检测方法。

图7 不同方法在第3幅测试图的识别结果

表1 不同识别方法的AUC指标

表2 不同识别方法的运行时间

此外，为进一步评估SRT方法中引导滤波处理步骤对识别性能的影响。图8展示在3幅测试数据中，有无引导滤波处理步骤对诊断结果的影响。从图中，我们可以看到无引导滤波处理的热缺陷识别精度分别为0.9651，0.9797，0.9371，而经过引导滤波处理的热故障诊断精度分别为0.9969，0.9990，0.9993。热识别诊断精度依次提升了3.3%，2.0%，6.6%。实验结果表明通过联合谱残差模型和引导滤波技术，能充分挖掘红外图像中的温度信息和空间结构信息，提升热缺陷的识别精度。

图8 有无引导滤波处理对诊断精度的影响

4 总结

本文提出一种基于谱残差变换的电力设备热缺陷识别技术，在复杂电力巡检环境下高精度地识别出电力设备的热缺陷。联合谱残差模型和引导滤波技术，充分挖掘利用红外图像中的温差信息和空间结构信息，提升热缺陷识别率，满足电力红外巡检的应用需求。

[1] 刘嵘, 刘辉, 贾然, 等. 一种智能型电网设备红外识别系统的设计[J]. 红外技术, 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] 张文峰, 彭向阳, 陈锐民, 等. 基于无人机红外视频的输电线路发热缺陷智能识别技术[J]. 电网技术, 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, 杜伟, 孙鸿博, 等. 基于红外图像识别的输电线路故障识别方法[J].红外技术, 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. 核猫群红外图像异常检测方法在电力智能巡检中的应用[J]. 红外技术, 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] 魏钢, 冯中正, 唐跃林, 等. 输变电设备红外故障识别技术与试验研究[J]. 电气技术, 2013, 14(6): 75-78.

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

[6] 李鑫, 崔昊杨, 霍思佳, 等. 基于粒子群优化法的Niblack电力设备红外图像分割[J]. 红外技术, 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] 黄志鸿, 吴晟, 肖剑, 等. 基于引导滤波的电力设备热缺陷识别方法研究[J].红外技术, 2021, 43(9): 910-915.

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

[8] 黄志鸿, 洪峰, 黄伟. 形状自适应低秩表示的电力设备热故障诊断方法研究[J].红外技术, 2022, 44(8): 870-874.

HUANG Zhihong, HONG Feng, HUANG Wei. Shape adaptation low rank representation for thermal fault diagnosis of power equipments[J]., 2022, 44(8): 870-874.

[9] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网[J]. 自动化学报, 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] 魏东, 龚庆武, 来文青, 等. 基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 中国电机工程学报, 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, 廖志伟, 肖异瑶, 等. 基于改进CNN的电力设备红外图像分类模型构建研究[J]. 红外技术, 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] HOU Xiaodi, ZHANG Liqing. Salient detection: a spectral residual approach[C]//, 2007: 18-23.

[13] HE Kaiming, SUN Jian, TANG Xiao’ou. Guided image filtering[J]., 2013, 35(6): 1397-1409.

[14] GAGLIARDI Robert, REED Irving S. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]., 1990, 38(10): 1760-1770.

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

[16] XU Yu, LI Jun, WU Zebin, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]., 2016, 54(4): 1287-1293.

[17] 蒋昀宸, 樊绍胜, 陈骏星溆. 带电作业智能新技术及其应用现状[J]. 湖南电力, 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.

Spectral Residual Transformation for Thermal Defect Detection of Power Equipment

HUANG Zhihong1，XIAO Jian1，XU Xianyong1，ZHANG Hui2

(1.,410007,;2.,,410082,)

This study introduces a thermal defect detection technique for power equipment based on a spectral transformation model. First, the spectral residual transform model is constructed according to the redundancy of the natural background and significance of the thermal defect target in infrared images of power equipment. Then, the infrared image of the power equipment is transformed by spectral residuals to remove redundant image information of the natural background target, and a result map with significant information is generated. The experimental results show that compared with other traditional thermal defect detection methods, the proposed method has significant advantages in terms of recognition accuracy and efficiency and meets the application requirements of thermal fault detection of power equipment.

power equipment, infrared image, thermal defect detection, spectral residual transformation; redundant information

TP751.1

A

1001-8891(2023)08-0884-06

2022-12-26；

2023-01-30.

黄志鸿（1993-），男，湖南长沙人，博士，高级工程师，主要研究方向为电力设备故障智能诊断，红外图像处理。E-mail: zhihong_huang111@163.com。

国网湖南省电力有限公司科技项目（5216A520000V），湖南省科技人才托举工程“小荷”科技人才项目（2023TJ-X48）。