变电设备红外图像致热型缺陷超分辨率识别方法

任 罡,查显光,胡晓丽,张梦梦,朱向军,刘旻超

(1.国网江苏省电力有限公司技能培训中心,江苏 苏州 215002;2.国网江苏省电力有限公司,江苏 南京 210024)

变电站属于重要节点,在电网中其主要任务是分配电能、转换电压,直接影响着电网的运行状态。经调查发现,在电气设备故障中,变压器、套管等电加热装置的致热型缺陷所占的比例较大,容易造成电网的大面积停电[1]。红外检测技术可有效地检测电加热装置的致热型缺陷,在应用过程中体现出了较多优点[2]。近年来通过固定摄像头、无人机和巡检机器人采集的红外图像已经成为应用最为广泛的技术手段,因此加大了电加热装置致热型缺陷识别的难度,需要对电加热装置致热型缺陷识别方法展开分析和研究。

针对此问题,相关学者提出了一些较典型的方法和观点。李文璞等人[3]提出基于旋转目标检测的变电设备红外图像电压致热型缺陷智能诊断方法。在Faster RCNN模型的基础上定位并识别电加热装置区域,对装置的温差展开计算,设定温差阈值,根据温差计算结果完成致热型缺陷识别。该方法获取的变电设备红外图像中存在大量的噪声,存在图像采集质量差的问题。黄锐勇等人[4]提出电力设备红外图像缺陷检测方法。将现场红外图像数据样本输入CenterNet结构中,获取设备部件的表面温度,结合温度规范完成电加热装置致热型缺陷检测,该方法的缺陷识别率低。谭宇璇等人[5]提出基于图像增强与深度学习的变电设备红外热像识别方法。结合Retinex算法和快速导向滤波增强红外图像,在改进YOLOv3网络中输入增强后的红外图像,完成缺陷识别,该方法存在缺陷误报率高的问题。

为了解决上述方法中存在的问题,提出变电设备红外图像致热型缺陷超分辨率识别方法。通过预处理变电设备红外图像,提高其分辨率。将处理后的图像输入改进残差网络,完成变电设备的致热型缺陷识别。

1 预处理

1.1 超分辨率重建

为了克服硬件的不足,对变电设备红外图像展开超分辨率重建,以此提高致热型缺陷识别的准确率。

用y∈Rm表示电加热装置的低分辨率图像;x∈Rn表示理想的高分辨率图像,利用下式描述电加热装置红外图像的降质模型:

y=NJx+m

(1)

式中:J为模糊算法;m为红外图像中存在的噪声;N为下采样矩阵。

采用近似稀疏正则化方法[6-7]完成电热装置红外图像的超分辨率重建,用下述变分问题描述稀疏正则化超分辨率重建问题:

(2)

式中:β为重建后红外图像的高分辨率稀疏系数;Fβ为过完备冗余字典;μ为正则化参数。所提方法在凸松弛算法[8]的基础上,通过连续可微函数l0范数近似,求解上述问题:

(3)

设置具有式(4)性质的连续可微近似稀疏函数gσ(β):

(4)

(5)

式中:σ∈R+,此时利用gσ(β)近似l0范数,存在式(6):

(6)

通过上述分析,采用近似稀疏函数正则化方法建立图像超分辨率重建模型:

(7)

1.2 图像校正

在变电设备红外图像超分辨率重建过程中,有可能导致图像出现“鬼影”,为消除“鬼影”对缺陷识别的影响,采用中值直方图非均匀算法对图像展开校正处理[9],具体过程如下:

(1)设Hj(l)代表相对于像素值l,图像每列的累计直方图,其表达式如下:

(8)

式中:p(i,j)=k描述的是图像位置p(i,j)处对应的像素值为k;M为电加热装置红外图像的行数。

(9)

式中:h(k)为高斯权重函数,其表达式如下:

(10)

式中:s为校正参数;d为平滑程度参数。

(3)利用校正参数通过下式校正电加热装置红外图像中的像素点对应的灰度值:

(11)

式中:f(i,j)为像素点校正后的灰度值。

(4)受噪声的影响,每行相邻点在电加热装置红外图像中的灰度值均不相同,因此选取校正参数时,可依据邻点间差值绝对值最小的原则,通过下式选取校正参数d:

(12)

通过上述公式获取最佳校正参数,利用该参数对电加热装置红外图像校正处理,在视觉效果上提高图像的平滑性。

2 致热型缺陷识别

电加热装置包括三种致热型缺陷,分别是电压致热型缺陷、电流致热型缺陷和综合致热型缺陷。只采用红外图谱难以识别三种类型的致热型缺陷[10-11],因此将处理后的电加热装置红外图像输入改进的残差网络中,实现电加热装置致热型缺陷识别。

残差网络在数据库分类领域中具有良好的效果[12-13]。为提高电加热装置致热型缺陷识别的准确率,需要改进残差网络。

设置正态分布函数N(ν,σ2),利用Xavier正态分布初始化方法设置卷积层在残差网络中的初始权重值El:

(13)

式中:σ2、ν分别为随机变量对应的方差和均值;al-1为神经元在第l-1层中的数量。

Relu激活操作和归一化处理所有卷积层对应的输出,完成特征融合和网络深度优化。

2.1 基于卷积分解的网络优化

在训练过程中为了避免样本类别不平衡造成的过拟合现象,通过卷积核分解技术提高残差网络的泛化性能,减少参数的整体数量,通过下式描述卷积核的分解过程:

(14)

式中:→为卷积核在分解过程中的分解方向;mc×mc为卷积核的大小。

2.2 多尺度卷积特征融合优化

致热型缺陷在电加热装置红外图像中所占的比例较小,网络浅层中包含了电加热装置大量的异常过热特征信息。采用多级卷积层对异常过热特征展开提取及融合处理时,容易丢失部分信息,影响了电加热装置致热型缺陷的识别结果。因此设置了三级分层的快捷连接方式,以此突出致热型缺陷特征[14-15]。

通过下式描述每个模块对应的输入:

(15)

式中:xi为第i个模块在残差网络中的输入;xi+1为第i个模块在残差网络中的输出;A为模块数量;G1、G2均为不同的残差函数;j为自然数;g为Relu激活函数。

2.3 自适应调整卷积核数量与网络深度

遵循逐一增加原则增加残差网络的深度,通过式(16)调整卷积核在残差网络中的数量k:

k=32+16a

(16)

式中:a为常数,取值为0,1,2,3,4。

将预处理后的电加热装置红外图像输入上述改进的残差网络中,获取过热区域的最高温度T1:

T1=Tr+T0

(17)

式中:Tr为温升,℃;T0为环境温度,℃。

设定参考区域的最高温度T2,计算参考区域与电热装置过热区域最高温度T1之间的温差ε:

(18)

设定温度阈值ζ,将上式计算得到的温差ε与温度阈值ζ对比,根据对比结果完成变电设备致热型缺陷的识别。

3 实验与分析

为了验证变电设备红外图像致热型缺陷超分辨率识别方法的整体有效性,需要对其展开测试。实验采用的CPU为Intel Core i7-11370H,内存为512GB,显卡为NVIDIA Geforce RTX 3050。使用的软件为Caffe和MATLAB2016b。实验选取某市一工厂内变电设备作为实验研究对象,分别采用变电设备红外图像致热型缺陷超分辨率识别方法、文献[3]方法和文献[4]方法进行实验,图1为在工厂随机选取的两个电加热装置图像,并对其采集红外图像。

图1 电加热装置

分析图2～图4可知,采用所提方法采集的电加热装置红外图像可清晰的体现出电加热红外装置的细节信息,而文献[3]方法和文献[4]方法采集的电加热装置红外图像存在“鬼影”和噪声现象。通过上述测试可知,所提方法可获取高质量的电加热装置红外图像,因为所提方法对电加热红外图像展开了超分辨率重建和校正处理,消除了电加热红外图像中存在的噪声和“鬼影”,提高了电加热装置红外图像的整体质量。

图2 所提方法的红外图像采集结果

图3 文献[3]方法的红外图像采集结果

图4 文献[4]方法的红外图像采集结果

为了进一步测试所提方法、文献[3]方法和文献[4]方法的图像采集质量,选取峰值信噪比PSNR作为指标,PSNR的计算公式如下:

(19)

式中:L为电加热装置红外图像的灰度级数;N、M分别为电加热装置红外图像的列数和行数;gj(x,y)为处理后的电加热装置红外图像;g(x,y)为电加热装置的原始图像。

上述方法的峰值信噪比PSNR测试结果如表1所示。

表1 不同方法的峰值信噪比

分析表1中的数据可知,对10幅电加热装置图像展开处理时,所提方法的峰值信噪比远高于文献[3]方法和文献[4]方法,表明所提方法的图像处理效果好,可提高电加热装置致热型缺陷识别的准确率。

将缺陷误报率ιFAR和缺陷识别率ιFDR作为指标,测试所提方法、文献[3]方法和文献[4]方法的识别性能,测试结果分别如图5和图6所示。

图5 不同方法的缺陷误报率

图6 不同方法的缺陷识别率

(20)

式中:ιFP为将正常电加热装置判定为缺陷装置的数量;ιTN为正确识别正常电加热装置的数量;ιTP为正确识别缺陷装置的数量;ιFN将缺陷装置判定为正常装置的数量。

分析图5和图6中的数据可知,随着电加热装置数量的增加,所提方法、文献[3]方法和文献[4]方法的缺陷误报率不断增加,缺陷识别率不断降低。但在相同电加热装置数量以及测试环境中,所提方法的缺陷误报率保持在20%以内,低于其他两种方法;而缺陷识别率则在95%以上,高于其他两种方法,验证了在电加热装置热缺陷识别领域中,所提方法具有较高的识别性能。

4 结 语

电力系统中变电设备等电加热装置得到了广泛的应用。目前变电设备致热型缺陷识别方法存在图像质量差、缺陷识别率低和缺陷误报率高的问题,提出变电设备红外图像致热型缺陷超分辨率识别方法。通过对变电设备红外图像展开预处理,输入改进残差网络中完成电加热装置的致热型缺陷识别,解决了目前方法中存在的问题,经验证所提方法具有良好的缺陷识别性能。