CN112419243B - 一种基于红外图像分析的配电房设备故障识别方法 - Google Patents

Abstract

本发明公开了一种基于红外图像分析的配电房设备故障识别方法，包括，采集配电房设备的红外图像，并对其进行图像预处理；基于卷积神经网络识别所述红外图像中的配电房设备；通过结合所述设备对所述红外图像进行图像配准；构建深度置信网络模型，并对所述配准图像进行故障诊断。本发明可以准确地识别每个配电房设备和识别设备的故障类型。

Description

一种基于红外图像分析的配电房设备故障识别方法

技术领域

本发明涉及图像识别的技术领域，尤其涉及一种基于红外图像分析的配电房设备故障识别方法。

背景技术

配电房作为电力***的重要组成部分，承担着重要的工作。随着智能电网的发展与建设，电力***的状态数据、图像监测数据和环境气象数据正逐步在统一平台上进行整合和共享。

在对配电房设备进行故障诊断和分析时，要求构造的模型能够及时显示设备中存在的潜在故障信息。一般来说，变压器的潜在故障可分为内部故障和外部故障，机柜的外部故障主要包括导体的外部连接故障，冷却装置和油路***故障以及漏磁故障；机柜的内部故障主要是由于线圈，铁芯和引线等内部设备的不足和缺陷造成的。

当前的方法不能直接检测机柜内部的故障，但不同的内部故障缺陷将导致机柜表面的热状态分布不同，因此，通过分析机柜外部显示的热状态分布图，还可以粗略分析设备中存在的故障类型。

基于图像分析的配电房设备运行状态分析已有研究，例如采用卷积神经网络提取红外图像的特征，然后使用局部聚集描述符的矢量对其进行聚集；采用BP神经网络来检测太阳能光伏***中发生的故障；但目前的研究主要考虑设备图像的分解，或者仅使用RGB图像数据对设备的工作状态进行分类，对于完整的闭环分析***，并没有具体的实施计划。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于红外图像分析的配电房设备故障识别方法，通过结合卷积神经网络和深度置信网络，解决了完整的闭环分析***中没有图像识别和避免由于手动读取红外图像而导致的错误和不确定性的问题。

为解决上述技术问题，本发明提供如下技术方案：采集配电房设备的红外图像，并对其进行图像预处理；基于卷积神经网络识别所述红外图像中的配电房设备；通过结合所述设备对所述红外图像进行图像配准；构建深度置信网络模型，并对所述配准图像进行故障诊断。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述图像预处理包括，利用均值滤波法对所述红外图像进行降噪处理；通过特征匹配对所述降噪处理后的红外图像进行拼接；利用OSTU算法分割所述拼接后的红外图像。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述拼接包括，定义所述降噪处理后的红外图像的特征点F(x，y)，并使其的主方向成为坐标轴，旋转所述特征点的坐标：

以所述特征点为中心，通过计算所述特征点所在区域的梯度值和方向，获得特征向量；利用所述特征向量进行所述特征匹配。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述梯度值包括，

其中，L(x，y)为所述特征点的比例。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述方向包括，

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述OSTU算法包括，定义X为L级灰度图像，并将所述图像中的所有像素按阈值k划分为目标类别C0和非目标类别C1，其中，所述C0域中所有像素的灰度值的取值范围为[0，k-1]，所述C1域中所有像素的灰度值的取值范围为[k，L-1]；所述C0和C1的像素占总面积的比例分别为：

ω₁＝1-ω₀

其中，P_i为第i个像素点占所述C0域的面积比例，i＝0，1，2，…，m；定义所述C0和C1类之间的最大方差为：

δ²(k)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)²

其中，μ为平均灰度，μ₀为所述C0的方差，μ₁为所述C1的方差。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述卷积神经网络包括，卷积层的计算公式如下：

其中，M_j为输入图像的尺寸大小，i为步长，j为所述图像的高，l为所述图像的宽，为卷积核的个数，/>为卷积核的大小，/>为通道数。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述图像配准包括，假设A为所述设备位置正确的图像，B为待配准的图像；在所述B图上取任意一点Q(m，n)和所述A图上取任意一点R(u，v)，并将其分别代入配准方程：

通过求解所述配准方程获得所述a，b的值，而后遍历所述B图的所有像素点并将其代入所述配准方程，进而获得所有配准像素点。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述深度置信网络模型包括，预训练：在无监督的情况下对玻尔兹曼机进行逐层预训练，并深度挖掘数据的隐藏特征信息；微调：对所述玻尔兹曼机的下一层进行训练和堆叠，并将标签与样本结合使用，采用反向传播进行监督性调整以实现故障分类。

作为本发明所述的基于红外图像分析的配电房设备故障识别方法的一种优选方案，其中：所述反向传播包括，采用所述反向传播策略更新所述深度置信网络模型的网络参数，定义代价函数如下：

其中，E为平均平方误差，N为隐元的个数，和X_i分别表示输出层的输出和理想输出，i为样本索引，(W^l,b^l)表示在l层的有待学习的权重和偏置参数。

本发明的有益效果：通过在特征点处建立特征向量，可以更准确地识别每个配电房设备；通过建立深度置信网络模型实现对不同配电房设备故障的智能分类，且具有识别精度高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的一种基于红外图像分析的配电房设备故障识别方法的流程示意图；

图2为本发明第一个实施例所述的一种基于红外图像分析的配电房设备故障识别方法的最大池化法示意图；

图3为本发明第一个实施例所述的一种基于红外图像分析的配电房设备故障识别方法的受限的玻尔兹曼机器结构示意图；

图4为本发明第一个实施例所述的一种基于红外图像分析的配电房设备故障识别方法的深度置信网络结构示意图；

图5为本发明第二个实施例所述的一种基于红外图像分析的配电房设备故障识别方法的配电房设备图像分类结果示意图；

图6为本发明第二个实施例所述的一种基于红外图像分析的配电房设备故障识别方法的正常情况下套管的测试结果示意图；

图7为本发明第二个实施例所述的一种基于红外图像分析的配电房设备故障识别方法的套管状态异常的测试结果示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～图4，为本发明的第一个实施例，提供了一种基于红外图像分析的配电房设备故障识别方法，包括：

S1：采集配电房设备的红外图像，并对红外图像进行图像预处理。

其中需要说明的是，采用红外CCD探测器来采集红外图像；由于电气设备的故障类型很多，且每种类型的故障之间存在一定差异，为了使用红外图像数据来定位故障，需要对图像进行分割，图像分割是使用灰度、深度、纹理和颜色等数据将图片划分为一个或多个区域。

电气设备红外数据的图像分割主要有以下几个特点：一是红外辐射信号相对较弱，如果图片在远程位置收集，则会获得模糊不清的图片；其次，红外信号受到许多外部环境因素的干扰，因此通常只能得到物体的近似形状；最后，红外图像中可能有多个电气设备，它们之间会有重叠，从而影响分析的准确性。

针对这些问题，本实施例首先利用均值滤波法对红外图像进行降噪处理；然后通过特征匹配对降噪处理后的红外图像进行拼接；最后使用OSTU算法分割拼接后的红外图像。

图像分割的具体步骤如下：

(1)均值滤波是对相邻区域的像素值求平均的线性滤波方法；原理是以目标点为中心，计算其八个相邻像素值以获取像素平均值。

(2)为了确保旋转不变性，需要先旋转图像，定义经过平滑处理的红外图像的特征点F(x，y)，并使其的主方向成为坐标轴，旋转后特征点的坐标如下：

进一步的，以特征点为中心，计算特征点所在区域的梯度值和方向，并将梯度方向分为36个部分，以建立特征向量；

梯度值：

其中，L(x，y)为特征点的大小。

方向：

较佳的是，通过在特征点处建立特征向量，促进了特征匹配中相似度的测量；特征向量不仅包含有关特征点和邻近像素的信息，而且还可以在一定程度上消除亮度变化对特征匹配的影响。

再进一步的，通过利用特征向量对经过平滑处理的图像进行特征匹配，完成图像拼接。

(3)需要说明的是，OSTU算法使用图像灰度值的特殊性质来分割和划分图像，其原理是通过计算目标阈值和非目标阈值类别之间的方差，以衡量这两者之间的差异程度。

①定义X为L级灰度图像，并将图像中的所有像素按阈值k划分为目标类别C0和非目标类别C1，其中，C0域中所有像素的灰度值的取值范围为[0，k-1]，C1域中所有像素的灰度值的取值范围为[k，L-1]；

C0的像素占总面积的比例为：

C1的像素占总面积的比例为：

ω₁＝1-ω₀

其中，P_i为第i个像素点占C0域的面积比例，i＝0，1，2，…，m；

②定义C0和C1类之间的最大方差为：

δ²(k)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)²

其中，μ为平均灰度；μ₀为C0的方差，μ₁为C1的方差，μ₁(k)＝1-μ₀(k)。

S2：基于卷积神经网络识别红外图像中的配电房设备。

需要说明的是，配电房设备的常见类型主要包括绝缘子、绕组、套管、散热器、储油柜、引线接头、开关。

本实施例使用卷积神经网络对这些类型进行分类，卷积神经网络的基本结构包括输入层，卷积层，激活层，池化层，完全连接层和输出层。

识别步骤如下：

(1)将S1处理后的图片经输入层输入至卷积神经网络，并将图像尺寸归一化为32*32。

(2)卷积层的按如下公式进行卷积：

其中，M_j为输入图像的尺寸大小，i为步长，j为图像的高，l为图像的宽，为卷积核的个数，/>为卷积核的大小，/>为通道数。

(3)激活层是卷积结果的非线性映射，具体的，使用ReLU进行激活，激活函数为为f(x)＝max(0，h)，当输入h<0时，输出为0，当h>0时，输出为h；该激活函数使网络更快速地收敛。

(4)采用最大池化法进行池化，如图2所示。

(5)利用卷积的方式模拟全连接层，共进行两次卷积。

(6)通过输出层输出配电房设备的图像特征。

(7)通过比对图像特征信息，实现识别。

S3：通过结合设备对红外图像进行图像配准。

假设A为设备位置正确的图像，B为待配准的图像；

在B图上取任意一点Q(m，n)和A图上取任意一点R(u，v)，并将其分别代入配准方程：

然后对方程进行求解，解得a和b；

再进一步的，得到方程后，遍历B图所有得像素元点(m_d，n_d)，分别将这些像素元点代入到方程中，进而获得全部配准后像素元点的位置坐标(u_d，v_d)。

S4：构建深度置信网络模型，并对配准图像进行故障诊断。

需要说明的是，深度置信网络(Deep Belief Network，DBN)由多个限制玻尔兹曼机(Restricted Boltzmann Machines，RBMSs)层组成，RBMs是随机神经网络的概率图形模型，其神经元的输出只有两个状态：激活和非激活，且每个输出状态都有被确定的概率；RBMs的网络结构如图3所示，该结构包括可见层和隐藏层。

DBN的最后一层是逻辑回归，其网络结构如图4所示；该网络的训练过程包括两个过程：预训练和微调。

具体的，(1)预训练：在无监督的情况下对RBMs进行逐层预训练，并深度挖掘数据的隐藏特征信息，其中，每个训练纪元仅训练一层RBMs；(2)微调：对RBMs的下一层进行训练和堆叠，并将标签与样本结合使用，然后采用反向传播进行监督性调整以实现故障分类；

采用反向传播策略更新深度置信网络模型的网络参数，定义代价函数如下：

其中，E为平均平方误差，N为隐元的个数，和X_i分别表示输出层的输出和理想输出，i为样本索引，(W^l,b^l)表示在l层的有待学习的权重和偏置参数。

进一步的，采用梯度下降法更新权重和偏置参数：

其中，λ为学习效率。

DBN模型训练的部分代码如下：

function DBN＝DBNsetup(DBN,x,opts)

n＝size(x,2)；#n是单个样本的特征维度。

DBN.sizes＝[n,DBN.sizes]；#DBN.sizes为RBMs的维度。

for u＝1:numel(DBN.sizes)-1#numel(DBN.sizes)返回DBN.sizes中的元素个数。

DBN.RBMs{u}.alpha＝opts.alpha；#初始化RBMs的学习速率。

DBN.RBMs{u}.momentum＝opts.momentum；

DBN.RBMs{u}.W＝zeros(DBN.sizes(u+1),DBN.sizes(u))；#对应的连接权重，初始值全为0。

DBN.RBMs{u}.vW＝zeros(DBN.sizes(u+1),DBN.sizes(u))；

DBN.RBMs{u}.b＝zeros(DBN.sizes(u),1)；#显层的偏置值，初始值全为0。

DBN.RBMs{u}.vb＝zeros(DBN.sizes(u),1)；#第一个RBMs是100，第二个RBMs是100。

DBN.RBMs{u}.c＝zeros(DBN.sizes(u+1),1)；

DBN.RBMs{u}.vc＝zeros(DBN.sizes(u+1),1)；

再进一步的，向该模型输入配准图像，由模型输出设备的故障类型。

优选的，通过采用深度置信网络识别故障设备，可以避免由于手动读取红外图像而导致的错误和不确定性。

实施例2

为了对本方法中采用的技术效果加以验证说明，本实施例分别选择阈值分割，区域提取，边缘检测，前向型神经网络以及支持向量机的方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

阈值分割对图像的分割质量低，区域提取和边缘检测法对目标提取的准确率低，且对图片质量的要求高。

为验证本方法相对阈值分割，区域提取和边缘检测法具有较高识别精度和分割质量，本实施例中将采用阈值分割，区域提取和边缘检测法和本方法分别对采集的设备红外图像进行识别对比。

(1)每种电力设备都表示为一个类别，而故障部件则分别标记为另一种类别，分别采用阈值分割(Threshold Segmentation,TS)，区域提取(Area Extraction,AE)和边缘检测法(Edge Detection,ED)和本方法对像素精度(Pixel Accuracy，PA)，平均像素精度(Mean Pixel Accuracy，MPA)，均交并比(Mean Intersection over Union，MIoU)和频权交并比(Frequency Weighted Intersection over Union，FWIoU)进行计算对比，以衡量每种方法对图像的处理质量，计算公式分别如下所示：

其中，K为预测数；p_ij是属于类i的像素数，但是预测为类j；p_ji是属于类j的像素数，但是预测为类i；p_ii是属于类别i的像素数，并被预测为类别i的像素数。

计算结果如表1所示。

表1：使用阈值分割，区域提取和边缘检测法和本方法计算精度的结果对比表。

由上表可见本方法相对于传统方法，PA和MPA的分割质量提高了5％以上。

(2)主要使用召回率和精确率对设备的故障状态分类进行性能评估：

召回率：recall＝TP/(TP+FN)

精确率：precision＝TP/(TP+FP)

其中，TP(True Positive)：在判定为positive的样本中，判断正确的数目；FP(False Positive)：在判定为positive的样本中，判断错误的数目；TN(True Negative)：在判定为negative的样本中，判断正确的数目；FN(False Negative)：在判定为negative的样本中，判断错误的数目。

将提取的隐藏信息用作DBN网络的输入，而7种类型的设备用作输出。

表2给出了DBN，SVM(支持向量机，)和BPNN(前向型神经网络，Back PropagationNeural Network)的分类结果。

表2：配电房设备的不同类型分类性能对比表。

从表中可以看出，本方法在变压器故障分类中具有很高的精确率，并且在召回率和精确率上均表现最佳，BPNN的分类效果最差。

为了更好地验证本方法对设备故障识别的有效性，我们测试了基于红外图像的配电房设备故障分析的全过程。首先，对输入的RGB图像执行图像识别，然后将红外图像用于图像配准，最后，将经过训练的深度置信网络用于确定结合设备温度变化的故障类型。

图6和图7是采用本方法识别设备故障的实际结果图，从图中可以看出，该方法可以准确地提取图中存在的配电房设备的目标，且通过结合红外图像，可以更准确地实现图像配准。

在图6中提取的设备中，检测到的最低温度为39.02℃，最高温度为39.28℃；两者之间的差异小于1％，根据深度置信网络的分析结果，可以判断该设备当前处于正常状态；在图7中提出的设备中，发现最低温度为39.42℃，最高温度为41.68℃，两者之间的差异超过5％，同时，深度置信网络模型输出的结果还确定设备处于异常运行模式，此时，需要及时发出预警信号，通知工作人员进行进一步的设备运行状态调查。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于红外图像分析的配电房设备故障识别方法，其特征在于：包括，

采集配电房设备的红外图像，并对其进行图像预处理；

所述图像预处理包括，

利用均值滤波法对所述红外图像进行降噪处理；

通过特征匹配对所述降噪处理后的红外图像进行拼接；

所述拼接包括，

定义所述降噪处理后的红外图像的特征点F(x，y)，并使其的主方向成为坐标轴，旋转所述特征点的坐标：

以所述特征点为中心，通过计算所述特征点所在区域的梯度值和方向，获得特征向量；

利用所述特征向量进行所述特征匹配；

利用OSTU算法分割所述拼接后的红外图像；

所述OSTU算法包括，

定义X为L级灰度图像，并将所述图像中的所有像素按阈值k划分为目标类别C0和非目标类别C1，其中，C0域中所有像素的灰度值的取值范围为[0，k-1]，C1域中所有像素的灰度值的取值范围为[k，L-1]；

所述C0和C1的像素占总面积的比例分别为：

ω₁＝1-ω₀

其中，Pi为第i个像素点占所述C0域的面积比例，i＝0，1，2，…，m；

定义所述C0和C1类之间的最大方差为：

δ²(k)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)²

其中，μ为平均灰度，μ₀为所述C0的方差，μ₁为所述C1的方差；

基于卷积神经网络识别所述红外图像中的配电房设备；

所述红外图像进行图像配准；

通过结合所述设备对所述红外图像进行图像配准；

构建深度置信网络模型，并对配准图像进行故障诊断；

所述深度置信网络模型包括，

预训练：在无监督的情况下对玻尔兹曼机进行逐层预训练，并深度挖掘数据的隐藏特征信息；

微调：对所述玻尔兹曼机的下一层进行训练和堆叠，并将标签与样本结合使用，采用反向传播进行监督性调整以实现故障分类；

向所述模型输入配准图像，由模型输出设备的故障类型。

2.如权利要求1所述的基于红外图像分析的配电房设备故障识别方法，其特征在于：所述梯度值包括，

其中，L(x，y)为所述特征点的比例。

3.如权利要求2所述的基于红外图像分析的配电房设备故障识别方法，其特征在于：所述方向包括，

4.如权利要求1-3任一所述的基于红外图像分析的配电房设备故障识别方法，其特征在于：所述卷积神经网络包括，

卷积层的计算公式如下：

其中，M _j为输入图像的尺寸大小，i为步长，j为所述图像的高，l为所述图像的宽,为卷积核的个数，/>为卷积核的大小，/>为通道数。

5.如权利要求4所述的基于红外图像分析的配电房设备故障识别方法，其特征在于：所述图像配准包括，

假设A为所述设备位置正确的图像，B为待配准的图像；

在所述B图上取任意一点Q(m，n)和所述A图上取任意一点R(u，v)，并将

其分别代入配准方程：

通过求解所述配准方程获得所述a，b的值，而后遍历所述B图的所有像素点并将其代入所述配准方程，进而获得所有配准像素点。

6.如权利要求5所述的基于红外图像分析的配电房设备故障识别方法，其特征在于：所述反向传播包括，

采用反向传播策略更新所述深度置信网络模型的网络参数，定义代价函数如下：

其中，E为平均平方误差，N为隐元的个数，和X_i分别表示输出层的输出和理想输出，i为样本索引，(W^l,b^l)表示在l层的有待学习的权重和偏置参数。