【《电力设备图像处理与故障诊断技术分析案例》9200字】

电力设备图像处理与故障诊断技术分析案例图像的识别技术采用基于灰度和纹理识别的电力设备识别方法，识别阈值K的取值直接影响红外图像的分割结果，当K取适当阈值时，可将电力设备从环境背景中分割出来，然后，利用识别算法对设备特征进行分析，实现对电力设备的识别。一般步骤为：（1）提取目标的基础特征，如灰度、纹理等特性并对其直接描述；（2）找出目标图像无论如何都不变化的目标图像特性，这些特征是目标固有的特性。以电流互感器为例，电力设备的一般识别流程如图4.1所示。图4.1图像识别框架流程（1）图像灰度化图像灰度化可以通过Matlab的rgb2gray指令实现RGB彩色图像向灰度图像的转化。灰度其实就是图像的亮度，单精度的灰度图分为介于白色255和黑色0之间的28−1=255个灰度程度，当利用（2）图像二值化将目标图像转换成二值图，即只存在黑和白两种颜色的图像，相当于将图像变成一个0和1组成的矩阵，确定像素为0或者为1可以通过设置阈值的方法来确定像素值，也可以通过自动确定阈值的方法来确定，因为本次识别的灰度图像样本时通过k=2的k-means算法提取后的样本，颜色分明，所以采用自动选取阈值的方式进行区分。（3）图像大小剪切图像大小剪切目的是为了剪切掉图像本身因为红外热像仪自身问题导致的干扰因子，如比色条、厂家标识等。图像剪切需要注意，不能过度剪切，尽可能地保证电气设备处理前的完整性，单纯地剪切并不能严谨地证明剪切过的电气设备部分是不必要的；也不能欠剪切，不然排除不了比色条和热像仪标识的干扰。最理想的情况就是设置的剪切度正好能剪切掉比色条和标识，再将剩余的部分进行分析，经过分析后提取出我们想要的感兴趣部分。总之，图像剪切是人为地将设备内部干扰因子去除的过程，这个过程极大地方便了后续的识别工作。（4）图像的膨胀和腐蚀运算在二值图像中，图像膨胀运算目的是为了给物体周围边界接触的像素点赋1值，使其由边界向外扩张，将周围像素融合到物体里。图像膨胀的最终目的是消除一些内部孔洞。在本次选取的样本左图中，二值图在蓝色标记处可见，电器设备的内部有一个小孔洞，如果直接进行腐蚀运算，中间孔洞会朝着边缘不断放大，导致电器设备本身造成部分缺损，这对于后续电气设备的识别带来了巨大的困扰。（a）互感器灰度图（b）互感器二值图图4.2互感器识别图像腐蚀的目的是将图像由外而内地缩小，一般用于消除小物体或缩小边界，它与膨胀运算是一个相反的过程。基于此情况，可以在剪切图的基础上先进行膨胀运算，再进行腐蚀，这样就可以先将中间的小洞消除，再将线缆等不必要的因素腐蚀掉，就能解决掉孔洞放大的问题。但是图像识别随之产生了一个副作用，在电气设备的主体和线缆相连接的部分存在凸起的毛刺，对于电气设备的边缘识别存在失真现象，这也是本文不能用基于边缘特性的识别算法原因之一。图4.3二值图直接腐蚀结果（5）图像区域标记图像区域标记目的是标记连通区域，返回的值是一个数组。连通可以是4连通也可以是8连通，在此处中间的1的上、下、左、右、左上、左下、右上、右下8个方向有一个是1，则可以认为此处是一个8连通区域，也就是说，只要在某处的8个方向只要有其中一个方向有一个1，则可以成为一个8连通区域，在上、下、左、右四个方向有一个是1即可认定此像素在四连通区域内。本文采用8连通的方法进行区域标记，目的为了更加严谨地标记出所有的连通区域中的像素，若采用四连通，在边缘处必定会存在较为严重的失真现象，减少失真也是识别过程中需要注意的事项。区域标记的目的在于对连通区域进行标号，可对于连通区域进行计数，简而言之，就是在黑背景中记录有多少个白色的“块”。（6）统计区域面积统计被标记区域的属性，计算区域面积，即连通区域1的数量。（7）删除小面积区域删除小面积区域目的是将一些不必要的白色连通区域去掉，保留住目标电气设备图像的主题。在此处有两种方式进行删除操作：1.去掉最大面积连通区域以外的连通区域，此方法根据之前统计的各个区域像素总个数，利用find函数找出面积最大值的连通区域；但是这种方式有一个致命缺点，当图像中存在两个或两个以上的电流互感器时，这种方法只能输出最大面积像素的电流互感器，导致漏判目标电气设备，所以这种方法不可取，如图4.4.所示。图4.4删除小面积区域结果2.去掉小于某一面积的连通区域。这种方法首先要设置某一面积阈值，大于此阈值的连通区域视为目标图像，小于此阈值则认为目标为干扰因子，将其区域中所有元素赋0值。这种方法优点在于突出大面积目标的主体，不会造成漏判。如图4.5所示，图（a）是两电气设备经灰度图转化后的二值图，在图中明显可以看出具有两个需要识别的电气设备对象；图（b）是通过去掉最大面积以外的连通区域方法得到的图像，在这幅图中主要电气设备被提取出来，但是次要电气设备未被提取，如果有特别说明提取主要电气设备而忽略掉次要电气设备，才能采用这种方法；图（c）是利用去掉低于某一阈值面积方法分离电气设备，在这幅图中可以明显看到两电气设备主题被完整地保留了下来，即使在拍摄过程中大面积的电气设备是主要目标，小面积电气设备甚至都没拍摄完全，这是拍摄时候存在的问题，由于样本不足找不到完整的红外热像图样本。但不可否认，为了程序的严谨性，在没有特殊要求的情况下，本文采用通过设置阈值筛选大面积目标的方法。（a）原图(b)最大值筛选(c)阈值筛选图4.5两个删除小面积区域方法的对比（8）去除底座在图像识别过程中，底座部分是属于多余的部分，为了将互感器的主体给识别出来，需要将图像的底座给剔除，保留主体部分。常用提取电气设备主体为基于边缘特征进行识别。利用灰度差异将边缘特征识别出，再利用最小二乘法确定互感器主体边缘的线性关系，将线性关系相似的部分单独识别出来，但是这方法有一缺陷，当图像分辨率不高时常常会出现分辨不出结果的现象。针对本次样本图像分辨率不高的基础，本次去除底座步骤利用一种基于外接矩形与目标设备重心欧氏距离以及外接矩形内部白色像素占有率的方法，这也是本文创新点之一。1）分离部分图像此部分和裁剪图像一个原理，利用for循环语句，图像宽不变，渐渐地由下至上将底座去除，并持续地进行判定是否满足判定条件。2）计算整个图像中心点坐标计算整个图像中心点坐标，可利用整个图像的长和宽来进行计算，因为图像经过裁剪的，如果一幅图像长为y2，宽为x2，可以认为整个图像范围限制在（0,0）、（0，y2）/(x2，0)，(x2，y2)的一个矩形中，图像中心点坐标即：x,y=(3）计算目标图象重心坐标目标图像，即整个图像中像素为白色的目标。重心坐标公式为xg由目标图象可明显看出，图像白色像素区域主要分布在底座部分，所以重心必定会比整个图像中心点偏下一段距离。图像重心坐标可以通过matlab中的regionprops函数获取。4）计算两坐标的欧氏距离本次去除底座识别目标主体的核心思想之一就是利用这段距离的变化设置阈值，通过阈值筛选出感兴趣区域。具体表达式为D=(x−进行距离计算。阈值可以自由选定，如果距离设置过小，会造成过度裁剪，导致提取到不完整的目标图；如果阈值设置过大，会造成欠裁剪，会存在剩余的底座在图像底部，不利于后续的分析。当D小于阈值时，进行步骤5；当D大于阈值时，返回步骤1继续对图像进行裁剪。5）计算图像占空比计算图像占空比，即图像中白色部分的像素与图像长轴短轴作为长和宽的外接矩形中的总像素的比值。因为在存在底座的图像中，图像的两侧会存在黑色的区域，黑色区域面积越大，占空比越小。底座的突出部分会降低占空比的值，根据这一特性，利用占空比设置阈值进行判定是本文另一个核心思想。经过计算，存在底座时的占空比约为50%至70%之间，而互感器主体部分的占空比可达到80%甚至更多。当图像底座部分在图像中占的面积越小，占空比越高。所以设置阈值作为判据也能够较好地分离底座。图像识别过程可以分为图像灰度化、图像二值化、图像大小剪切、图像膨胀和图像腐蚀、图像区域标记、统计区域面积、删除小面积区域、去除底座八个主要步骤。采用自动选取阈值的方式进行二值图颜色判定，当目标区域内部存在小孔洞时需要对其进行膨胀处理，消除内部孔洞，再将目标进行腐蚀处理，将不必要因素腐蚀殆尽。腐蚀完成后图像中存在目标区域和小面积区域，利用连通区域标记方式将区域由大面积至小面积进行区域标记，再统计各个区域的区域面积，因为提取的目标一般都是大面积区域，所以利用设置阈值的方法将所需的目标提取出来，利用占空比和整幅图像中心与图像重心之间的距离双重判据来判定底座是否被成功去除。图像分割技术基于形态学标记的分水岭分割法，本文采用了一种基于形态学标记的改进分水岭算法，具体算法流程如图4.6所示。输入红外热像输入红外热像形态学预重建形态学重建分割红外热像形态学梯度标记提取分割处理标记图像对分割图像进行修正修正后图像进行分水岭分割输出图像图4.6基于形态学标记的分水岭分割算法主要流程图（1）形态学梯度形态学梯度是一种通过检测目标图像中某点的梯度值大小来确定这一点是否存在轮廓边缘的方法。在形态学梯度中，利用结构元素b对目标图像分别做膨胀和腐蚀，求出f的局部极大值和局部极小值，再用数字差分定义的梯度来与之相对应，其形态学梯度图像可表示：（4.4）其中表示形态学的膨胀，表示形态学的腐蚀，表示圆盘状元素。为了更好地提高边缘检测的质量，一般将形态学梯度和阈值法结合起来使用。（2）形态学重建对于形态学梯度图像来说，虽然对噪声进行了去除，但不可能去除得十分彻底，图像当中仍然含有噪声。因此，这里就需要利用一种新的图像处理技术：形态学重建。形态学重建是指先形态学开重建，再形态学闭重建，通过把开、闭重建组合在一起，进一步消除目标图像中含有的噪声以及那些无法包含结构元素的像素点。形态学开重建和闭重建运算是通过结合形态学膨胀和腐蚀两个运算方法形成的。对于形态学梯度图像、参照图像与结构元素b，形态学膨胀可定义为)（4.5）其中b为圆盘状结构元素，表示逐点求最小值，形态学膨胀为迭代性的运算。当迭代的次数达到预设值或者时，中止。因此，形态学开重建定义为：（4.6）其中表示测地学膨胀收敛的结果。形态学开、闭重建是互为对偶的。因此，形态学腐蚀及闭重建可定义为：（4.7）（4.8）其中，表示的是逐点求最大值，表示形态学腐蚀时的结果。因此，形态学重建的定义为：（4.9）（3）标记提取经过形态学重建处理后，减少了噪声，但无可避免会含有许多伪极小值点。本文利用扩展最小变换技术。扩展最小变换技术的工作方法是：首先给出一个图像阈值H，通过与之来比对，消去局部区域中小于H的极小值点，这样就可以大大减少了过分割区域的数目。所以，H值的确定非常重要。如果H值太小，去除的极小值点也相对较少，就不能发挥显著作用；如果值太大，又把大多数事实存在的极小值点给去除了，又会出现欠分割的现象。H值的选择一般都是根据先验知识来确定的，并没有特定的选择方法。这里采用所有极小值的平均值来修正值的大小。假设中极小值为，则（4.10）在运用扩展最小变换前，采取Gaussian滤波器获得低频。则可以表示为：（4.11）其中，为扩展最小变换，为二值标记图像，也就是经扩展最小变换后的图像。（4）分水岭分割通过变换提取极小值后，用极小值强制标记运算修改，即可得到，可表示为：（4.12）最后进行分水岭分割，得到分割后的红外热像图，如图4.7所示。下面对分水岭分割算法和基于形态学的分水岭分割算法进行分析对比。首先，对电力变压器套管的原始红外热像图进行传统的分水岭分割处理，分割目标是热异常区域，但图中存在严重的过分割现象。（a）原始热像图（b）分水岭算法分割后的彩色标记图图4.7热像图然后，采用本文方法对电力变压器套管的原始红外热像图进行分割处理，按照分割步骤，可依次获得调整后的区域最大值分割图，形态学开、闭重建后的分割图，标记边界后的分割图，分割后的彩色标记分割图，如图4.8所示。(a)原始热成像图(b)分割后的热成像图(c)标记边界后的热成像图(d)彩色标记热成像图图4.8基于形态学标记的分水岭分割图从图中可以看出在，采用基于形态学标记的分水岭分割方法处理后，电力变压器套管的红外热像图的过分割现象明显减少，由传统分水岭方法分割的24个区域，减少为3个区域，图像中目标区域轮廓更清楚，有效地减少了分水岭变换后的个数，证明了这种分割方法可行性，并且顺利提取出图像的热异常区。图像的特征提取及诊断技术研究由于电力设备状态检测图像的多样性及复杂性，选择具有良好描述和分类性能的检测图像状态特征参数，以及提取这些特征就成为解决图像检测与识别问题的关键，为不同类型、不同部件典型热缺陷或故障的统计分析提供数据支持。本文研究了适合于变电站人工巡视、在线监测等采集图像数据分析应用的背景分离、图像分割、特征提取技术，并通过红外图像处理提取热点温度分布、局部过热区域、异常部位等特征参数，实现红外热像核心区域分割和特征提取。（1）基于改进RBFNN的电力设备红外温度预测方法与普通图像相比，红外热图像受到工作原理、外界环境及自身器件等因素的影响，视觉效果不够清晰、目标设备与背景对比度差，对后续的故障分析处理造成诸多不便。目前，红外可见光图像双通道在线监测系统得到大面积推广，但是红外监测设备市场，几乎被国外大型公司占据，如美国FLIR等。由于行业垄断、技术封锁等原因，电力公司只能被动购买、使用设备自带的分析软件，无法较好的满足个性化要求，严重制约了变电站中电力设备故障诊断水平的提高，不利于智能电网的安全稳定运行。红外热图像的研究关键在于明确温度与图像的一般关系，即温度拟合、预测，目前人工神经网络(artificialneturalnetwork,ANN)理论，在温度预测的研究非常突出，具有很强的自学习和复杂的非线性函数拟合能力。其中，RBF神经网络具有全局最佳逼近能力，预测效果显著。本文通过量子遗传(QGA)-正交最小二乘算法(OLS)优化径向基神经网络(RBFNN)的变电站设备红外温度预测方法，对获取的红外热图像进行加工处理，将红外热像图的像素与温度进行拟合，建立设备的红外温度预测模型，并配准到可见光图像上，直接点击可见光图像，即可获取对应位置的红外温度；直接点击红外热像图，即可获取红外温度，并定位至可见光图像区域。通过实验数据，首先将QGA与自适应遗传算法(AGA)进行适应度进化情况对比，然后将本文改进的RBF算法与OLS-RBF、AGA-OLS-RBF算法进行对比验证，从而体现本文方法的优越性和有效性。1）RBF神经网络RBFNN是多维空间插值的传统技术，具有很好的全局逼近能力，由输入层、隐含层和输出层组成，是为了克服BPNN存在的局部最小值和收敛速度慢等缺陷，而提出的神经网络模型，其结构具有自适应性，且其输出与初始权值无关。其结构如图4.4所示。RBFNN的隐含层基函数有多种形式，最常用的是高斯核函数：（4.13）式中：X=[x1,x2,…,xn]为n维输入向量；cj为第j个基函数的中心，是与X具有相同维数的向量；j为第j个神经元的的标准化常数，即高斯基函数的方差；n、p分别输入层和隐含层的神经元的个数。确定了隐含层函数后，RBFNN输入和输出的之间的关系表达式为（4.14）式中：m为输出层神经元的个数；yi为输出层第i个神经元的输出值；wj,i为隐含层第j个单元与输出层第i个单元之间的连接权值。RBF神经网络结构的确立，需要求解的参数有3个：基函数的数据中心cj、方差j以及隐含层到输出层的权值wj,i。构造RBF神经网络的关键在于基函数的中心位置、隐含层的单元数以及网络权值的合理选取。但传统的RBFNN在调整各参数时，训练算法很容易陷入局部最小值。图4.9RBFNN结构图正交最小二乘RBFNN正交最小二乘法（OLS）以计算量小占用存储空间少、收敛速度快等特点而得到广泛应用。OLS算法能够较好地确定基函数中心位置等参数，通过引入一个误差项来实现：（4.15）用矩阵的形式表达，则为（4.16）其中是神经网络的期望输出向量，是每列向量的回归矩阵，是网络权值向量，是网络输出实际值与预测值的误差向量。通过运用Gram-Schmidt正交化，回归矩阵B可以被分解成一组正交基向量，表示为:（4.17）是一个上三角局长，是一个正交矩阵，di可通过公式进行运算。（4.18）（4.19）综合公式可得，期望的网络输出为Y:（4.20）由于Gram-Schmidt正交化能够确保矩阵E和DG为正交，所以（4.21）因此，包含在第k个中心的误差递减比EER可被定义为：（4.22）在RBF神经网络不断的向前回归过程中，EER提供了一个有效的标准来确定网络中心，在每一步向前回归中，当EER值最大时，适当的网络中心被选出，回归过程将在第q1步中止，条件是：（4.23）由于采用OLS方法构建神经网络时，初值的选取对网络隐含层单元数有很大影响]。因此，OLS-RBFNN的参数应进一步优化选取。3）改进的OLS-RBFNN为提高所建OLS-RBF神经网络的效率，本文引进量子遗传算法(QGA)，将初值和隐含层单元数进行综合优化。量子遗传算法是由AjitNarayanan和MarkMoore等首先提出的概念，QGA是一种量子计算理论与进化算法相结合的概率搜索优化算法，即用量子位编码表示染色体，用量子门作用和量子门更新完成进化搜索。具有比普通遗传算法更好的种群多样性、更快的收敛速度和全局寻优的能力。本文构造改进RBF神经网络的过程为：量子比特编码采用量子态对信息进行编码，一个量子位不仅能表示0或1这两种状态，而且同时可以表示0和1之间的任意中间态，因此一个量子位的状态可表示为：（4.24）式中：和可以是复数，表示相应状态的概率幅，且满足归一化条件为:|在上式中，||表示的概率，||表示的概率。因此，一条有m个量子比特位的染色体可以表示为：（4.25）初始化种群：设n为种群规模(即染色体数目)，初始种群Q(t)={q1t,q2t,…,qnt}中全部染色体的量子比特都被赋为,这意味着每条染色体表示的状态都为所有可能状态的等概率叠加。量子旋转门调整策略个体的调整是通过量子旋转门实现的,或者说在量子遗传算法中,旋转门是最终实现演化操作的执行机构,旋转门的工作原理为：其中，(ii为为染色体中的第i个量子比特,为旋转角，控制算法收敛的速度，S(ii和Di分别为旋转角的旋转方向和脚步长。表中的delta是一个与算法收敛速度有关的系数，取值必须合理。本文结合动态调整量子门旋转角思想，delta的具体实现形式为其中，n为当前的进化代数，MAXGEN为终止代数。k为[0,1]之间常数。在算法运行初期，搜索的网格较大，从而增加了算法的收敛速度，在算法运行末期，搜索的网格较小，从而实现了精确搜索，有利于寻得最优解。表4.1旋转角度的确定方法xiif(x)≥f(b)文献Di本文DiS(i,iiiiiii00F00000000T00000001F00000001T0.05delta-1+1010F0.01delta-1+1010T0.025delta+1-1011F0.005delta+1-1011T0.025delta+1-10表中，xi和bi分别为解x与当前最优个体b的第i个量子位对应的二进制位；f(x)为适应度函数；该旋转量子门能够保证算法很快收敛到具有更高适应度的染色体。本文量子遗传算法(QGA)与自适应遗传算法(AGA)进行适应度进化对比，如图4.10所示。我们可以明显的发现QGA比AGA在进化效率上有明显提高，并且最佳适应度值也更优异，其中AGA的最佳适应度为1.5944，平均适应度为1.4369，而QGA的最佳适应度为2.3212，平均适应度为1.9191。图4.10QGA与AGA进化过程对比图4）红外温度预测模型为了便于电力工作人员进行设备分析，通过直接查阅可见光图像，获取红外温度信息，可降低由于红外热图像模糊而引起的热异常位置定位难度，缩小定位准确度误差。图4.11为某变电站变压器热异常红外热图像及其可见光图像。（a）红外热图像（b）可见光图像图4.11变电站设备图像由图我们可以发现，红外热图像的温度条，因为配套软件的设置，各温度匹配条的温度上下限均进行自动调整，一般情况下，各红外热像图均不相同，例如，图中的红外温度范围为3℃至28℃，而红外温度范围分别为-6℃至7℃，-13℃至3℃。本文运用数字智能识别方法自动获取红外图像温度匹配条的温度上下限值。本文首先将同一场景的可见光图像及红外热图像进行预处理、配准融合，本文默认红外图像尺寸小于可见光图像，否则将进行裁剪。进行预处理后的图像效果。图4.12可见光红外融合图像随后，将可见光图像与红外热图像的像素矩阵进行匹配，直接点击可见光图像，获取位置信息，通过本文的改进RBF神经网络进行温度预测，得到红外热像温度。同理，直接点击红外热像图，即可获取目标位置的温度，并定位至可见光图像区域。模型流程图所示；图像图像预处理选择图像红外热像图可见光图像点击目标位置并标记标记对应可见光图像位置RBFNN温度预测RBFNN温度预测点击目标位置并标记目标出界获取对应红外热图像位置输出温度是否图4.8温度分析模型流程图5）实验结果与分析通过在红外图像上进行选点，自动获取对应红外热图像目标位置坐标及所在位置的R、G、B三像素，并随机选取50组数据作为本文RBF神经网络的输入，红外热像温度为输出，并且与OLS-RBF、AGA-OLS-RBF神经网络的输出值进行对比试验，具体对比见表4.2。表4.2各算法评价指标对比表算法平均相对误差最大相对误差OLS-RBF0.4864251.819685AGA-OLS-RBF0.1417670.598378QGA-OLS-RBF0.060