CN112700424B - 一种变电设备带电检测红外检测质量评估方法 - Google Patents

Abstract

在输变电设备运维检修实际运维过程中，检测人员往往对于相邻的测点基本不变换角度和位置进行拍摄，无法体现出分别的观察目的，后续对该设备的分析也很难真实反映设备的真实状态。本发明为了解决上述问题，提出了一种带电检测红外检测质量评估指标及方法，结合红外检测现场实际检测要求，基于信息论、图像处理相关技术手段，从不同测点红外图像相似性、红外图像中被测设备主体性、检测时刻环境信息四个维度实现检测质量的自动化评估，保证了检测的有序开展和有效性。

Description

一种变电设备带电检测红外检测质量评估方法

技术领域

本发明涉及输变电设备运维检修领域，更具体涉及一种变电设备带电检测红外检测质量评估方法。

背景技术

红外检测是一种在输变电设备运维检修中常见的带电检测手段，通过红外检测可以对设备的早期故障缺陷、绝缘性能做出可靠的预测。在国网山东省电力公司，红外检测是一种日常性的设备运维手段，绝大多数设备一年内至少要检测3～4次。

和在线监测装置有所不同，带电检测的质量由检测仪器和操作人员决定，即使具备高精度的检测仪器，检测人员对仪器的操作、数据的流转、汇总对检测结果的分析影响巨大。

为了最大程度的降低检测人员对检测数据的影响，国网山东省电力公司制定了变电设备带电检测标准化检测流程，在变电站内根据设备台账和检测需求进行测点制定，测点名称及检测顺序均有规定顺序，并改造红外热像仪实现变电站内设备的规定测点检测、检测数据实时上传和规范化管理。

例如对于某电流互感器，会制定A，B，C，三相整体四个测点。其目的是为了对于每一相设备、三相设备之间、三相设备整体都有一个全局和个体的对比和分析。

但是在实际运维过程中，会发现检测人员在到达被检设备区域后，往往对于相邻的测点基本不变换角度和位置进行拍摄，根本无法体现出对多相设备分别的观察目的，后续对该设备的分析也很难真实反映设备的真实状态。

发明内容：

本发明为了解决上述问题，本发明的具体方案如下：

一种变电设备带电检测红外检测质量评估方法，包括步骤：

a)评估不同测点红外图像相似性：

a-1)计算余弦相似度；

a-2)计算图像特征点相似度，即计算两张红外图像最终的匹配点个数；

b)计算被测设备中心性和主体性：

评估被测设备主体中心是否位于或接近图像中心；

评估被测设备主体面积是否在高度或宽度上占据图像大部分空间；

c)检测时刻环境信息是否符合DLT664-2016中规定的最佳检测环境要求；

d)利用历史检测数据整理多组覆盖不同变电站、不同电压等级、不同检测季节、不同类型的设备红外带电检测图像数据，每组包含3张图像，选取相邻三个测点的设备红外检测数据，人工标记质量评估分类标签，所述分类标签的划分原则为：该幅图像与临近测点是否相似、检测图像本身检测位置选取不佳、检测环境不符合要求，分别对应不合格Ⅰ级、不合格Ⅱ级、不合格Ⅲ级，若未出现以上问题则标记为合格；

e)对每组图像中的每张图像，按照步骤a计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值，按照步骤b计算被测设备中心性和主体性，依据检测记录获得该图像检测时刻的天气、温度、湿度信息进行步骤c，将上述所有信息构成该张图像的属性记录；

f)计算每张图像的属性记录及分类标签，利用ID3算法训练得到决策树，从而得到了明确的检测质量评估分类原则；

g)在获得训练好的决策树后，对于任一张需评估检测质量的图像，按步骤e计算其与前后两个测点的红外图像相似性、被测设备中心性和主体性、环境信息，将提取的属性记录输入决策树，可获得该图像的最终检测质量评估分级结果。

进一步，步骤a-1评估余弦相似度的具体步骤为：

拍摄获取需检测的带电设备待评价红外图像I₁和其他测点用于比较的红外图像I₂；

对I₁进行仿射变换，仿射变换的变换公式如(1)所示，其中x，y为I₁中图像的坐标，α为图像顺时针旋转角度，k₁和k₂分别为x和y轴方向的图像缩放系数，t₁和t₂分别为x和y轴的平移系数，x′,y′为旋转后的图像坐标：

经变换后

从实际校验图像相似度考虑出发，如果利用红外热像仪采集时检测人员仅进行微小变动，两个图像相似度较高，其图像顺时针旋转角度α，缩放系数k₁、k₂，平移系数t₁、t₂均在较小范围内变化，本例中，α取值范围设定为[-3°,3°]，步长为0.5°,k₁、k₂取数值范围[0.95,1.05],步长为0.05，t₁、t₂取值范围分别[-.0.05n,0.05n]，[-0.05m,0.05m]，步长设为3，定义I₁依照上述取值范围的仿射变换后得到的图像为T₁；

对I₁，T₁，I₂进行灰度图像转换，得到转换后的图像G₁、G₁₂、G₂；

对于待比较的两张红外图像I₁、I₂，将其余弦相似度定义为：

式中，m是I₁、I₂的行数，n是列数；

在顺时针旋转角度α，缩放系数k₁、k₂，平移系数t₁、t₂的取值范围内对上述五个参量进行遍历，寻找s_c最大值的角度、尺度、平移系数作为不同测点间两张红外图像的余弦相似度

[α₀,k₁,k₂,t₁,t₂]＝argmax(s_c)

进一步，步骤a-2利用SIFT算法进行评估，具体步骤包括：

a-2-1)各自对I₁，I₂进行SIFT特征点提取，并获取特征点位置及128维描述符；

记I₁提取的特征点集为F₁，I₂提取的特征点集为F₂，

F₁＝{loc_1,i,des_1,i}i＝1,2,…n₁

F₂＝{loc_2,i,des_2,i}i＝1,2,…n₂

loc表征的为该特征点的位置，loc＝[x,y,σ,θ],x,y为该特征点的坐标，σ为所处尺度，θ为方向。des为提取的该特征点的128维特征。n₁为I₁中提取的特征点个数，n₂为I₂中提取的特征点个数；

a-2-2)对于F₁中第i个特征点，依次计算其描述符des_1,i，des_1,i遍历F₂中的所有描述符des₂并求反余弦值，提取最小的两个反余弦值，并计算比值，若比值小于阈值t_r，t_r设为0.6，则认为反余弦值最小的点就是与第i个特征点匹配上的点；

a-2-3)经过a-2-2的循环遍历，计算得到两张红外图像最终的匹配点个数N_m。

进一步，步骤b包括：

记I₁的灰度图像G₁进行otsu二值分割后得到的二值化图像为B₀，

其中t_B为otsu二值分割阈值；

统计图像B₀中最大的二值化区域R的区域属性，包括区域中心点C＝(x₀,y₀)、区域面积A，(x₀,y₀)为中心点C的坐标，为区域R内所有像素点坐标(x_i,y_i)的平均值：

设图像I₁的图像中心点坐标为(x_c,y_c)，定义被测设备中心性d₁：

被测设备主体性d₂：

优选的，步骤d中选取500-5000组设备红外带电检测图像数据。

本发明可以替代人工校核，从数据源头上对带电检测红外检测的检测质量进行实时评估和反馈，从技术手段上一方面敦促了现场检测质量的提升，保证了检测的有序开展和有效性，另一方面，规范化高质量的源头数据也有利于红外智能化缺陷诊断结果的可靠性和准确性。可以极大地促进人工智能、移动互联技术在变电设备智能运检领域的有效落地。

附图说明

图1为实施例中三个测点红外检测图像；

图2为实施例中三个测点红外检测图像特征点匹配结果图；

图3为实施例中不同设备类型的两组样本红外图像；

图4为实施例中决策树示意图。

具体实施方式

下面将根据具体实施例对本发明提出的技术方案进行进一步说明。

在实际运维过程中，会发现检测人员在到达被检设备区域后，往往对于相邻的测点基本不变换角度和位置进行拍摄。如图1所示,三张图分别为某110kV电流互感器A，B,C三相三个测点分别检测的图像，但是从图像中可以看出，三张图像基本为同一位置角度，根本无法体现出对三相设备分别的观察目的，后续对该设备的分析也很难真实反映设备的真实状态。

因此，本发明提出一种变电设备带电检测红外检测质量评估方法，包括步骤：

评估不同测点红外图像相似性：

若不同测点的红外图像相似性较高，则并未达到精确检测的检测目的，对于一张输入的待评价红外图像I₁，比较与其他测点的红外图像I₂之间的相似性，可以从一个维度上反映其检测质量。

S1评估余弦相似度：对I₁进行仿射变换，仿射变换的变换公式如(1)所示，其中x，y为I₁中图像的坐标，α为图像顺时针旋转角度，k₁和k₂分别为x和y轴方向的图像缩放系数，t₁和t₂分别为x和y轴的平移系数，x′,y′为旋转后的图像坐标

经变换后

从实际校验图像相似度考虑出发，如果利用红外热像仪采集时检测人员仅进行微小变动，两个图像相似度较高，其图像顺时针旋转角度α，缩放系数k₁、k₂，平移系数t₁、t₂均在较小范围内变化，本例中，α取值范围设定为[-3°,3°]，步长为0.5°,k₁、k₂取数值范围[0.95,1.05],步长为0.05，t₁、t₂取值范围分别[-.0.05n,0.05n]，[-0.05m,0.05m]，步长设为3，定义I₁依照上述取值范围的仿射变换后得到的图像为T₁；

首先对I₁，T₁，I₂进行灰度图像转换，得到G₁、G₁₂、G₂，

对于一张彩色图像I，其转换为灰度图像G的公式如下

G＝r×0.299+g×0.587+b×0.114

其中，r、g、b为红色、绿色、蓝色三种颜色分量，测点图像余弦相似度是利用向量空间中两个向量夹角的余弦值作为衡量两个图像个体间差异的大小，将两张红外图像等效看作两个向量，两个图像越相似，其余弦值越接近1。因此，对于待比较的两张红外图像I₁、I₂，其余弦相似度为

式中，m是I₁、I₂的行数，n是列数；

在顺时针旋转角度α，缩放系数k₁、k₂，平移系数t₁、t₂的取值范围内对上述五个参量进行遍历，寻找s_c最大值的角度、尺度、平移系数作为不同测点间两张红外图像的余弦相似度

[α₀,k₁,k₂,t₁,t₂]＝argmax(s_c)

S2图像特征点相似度

利用SIFT算法(或其他能够达到相似效果的特征匹配方法)提取特征点并利用特征点匹配的方式来进行相似度校验：

对于待评价红外图像I₁,及其他测点红外图像I₂，如果两张图像拍摄内容、角度相近，则能匹配上的特征点个数较多，若两张图像拍摄内容差异大，则匹配点数量极少，甚至为0，因此匹配点个数可以等效理解为两图像间的相似度；

S2.1首先各自对I₁，I₂进行SIFT特征点提取，并获取特征点位置及128维描述符；

记I₁提取的特征点集为F₁，I₂提取的特征点集为F₂，

F₁＝{loc_1,i,des_1,i}i＝1,2,...n₁

F₂＝{loc_2,i,des_2,i}i＝1,2,...n₂

loc表征的为该特征点的位置，loc＝[x,y,σ,θ],x,y为该特征点的坐标，σ为所处尺度，θ为方向。des为提取的该特征点的128维特征。n₁为I₁中提取的特征点个数，n₂为I₂中提取的特征点个数；

S2.2对于F₁中第i个特征点，依次计算其描述符des_1,i，des_1,i遍历F₂中的所有描述符des₂并求反余弦值，提取最小的两个反余弦值，并计算比值，若比值小于阈值t_r，t_r设为0.6，则认为反余弦值最小的点就是与第i个特征点匹配上的点；

S3.3经过上述循环遍历，计算得到两张红外图像最终的匹配点个数N_m用于表征测点间的特征点相似度，如图2所示，即为前述110kV电流互感器A，B，C三相三个测点分别检测的图像特征点匹配结果。

S3被测设备主体性计算

在DLT664-2016中规定，在进行带电设备红外精确检测时，要求红外热像仪宜尽量靠近被测设备，使被测设备尽量充满整个仪器的视场。这一要求可以等效为：

(1)被测设备主体中心应该处于或接近于图像中心

(2)被测设备主体面积应该在高度或宽度上占据图像的大部分空间。

S3.1记I₁的灰度图像G₁进行otsu二值分割后，得到二值化图像B₀

其中t_B为otsu二值分割阈值；

统计图像B₀中最大的二值化区域R的区域属性，包括区域中心点C＝(x₀,y₀)、区域面积A(区域包含的像素点个数)。(x₀,y₀)为中心点C的坐标，为区域R内所有像素点坐标(x_i,y_i)的平均值：

设图像I₁的图像中心点坐标为(x_c,y_c)，被测设备的中心距离越大，说明偏离的越远,检测质量越差；

为该图像的对角线长度的一半，被测设备中心性d₁：

S3.2被测设备主体性d₂：

通过计算主体设备区域图像占比，占比越小表明该设备区域在图像中不够突出。

S4检测时刻环境信息

在DLT664-2016中规定，为了避免环境对检测精度的影响，带电设备红外精确检测时，对检测环境要求有：天气、温度、湿度等，根据相关行业规定，户外检测期间天气以阴天、夜间或晴天日落后时段为佳，环境温度宜不低于0℃，相对湿度不宜大于85％，不宜在雷、雨、雾、雪等恶劣气象条件下进行，因此得出下表：

S5利用历史检测数据整理了共计1000组3000条红外带电检测图像数据，覆盖了不同变电站、不同电压等级、不同检测季节、不同类型的设备，每组包含3张图像，选取的是相邻三个测点的设备红外检测数据，例如，图3所示的是两组示例数据,第一行是110kV变压器高压侧套管A、B、C相三个相邻测点检测的红外数据，第二行为同一间隔下相邻三个隔离开关测点的红外数据，可以看出，第一行相邻测点间相似度较高，可认为未达到检测的要求，第二行相邻测点间各不相同，设备主体性也较好。

S6通过经验丰富的专家团队对红外图像的检测质量进行检测质量分级，人工标记质量评估分类标签的划分原则是查看该幅图像与临近测点是否相似、检测图像本身检测位置选取不佳、检测环境不符合要求，分别对应不合格Ⅰ级、不合格Ⅱ级、不合格Ⅲ级，若未出现以上问题则标记为合格。

S7对每组图像中的每张图像，按照步骤1、2计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值，按照步骤3计算被测设备中心性和被测设备主体性，依据检测记录可以获得该图像检测时刻的天气、温度、湿度等信息，最终构成该张图像的属性记录。

S8对于计算得到的3000条属性记录及分类标签，利用ID3算法训练得到决策树，从而得到了明确的检测质量评估分类原则。图1、图3三组图像计算的部分分类特征因素及标注的分类结果如下表所示：

产生的决策树如图4所示；

图4中，天气、温度、湿度的分类条件描述见表1，余弦相似度、特征点相似度等其他量为真实取值。

S9在获得训练好的决策树后，对于任一张需评估检测质量的图像，按上述步骤按计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值、被测设备中心性和被测设备主体性、获得该图像检测时刻的天气、温度、湿度等信息，将该图像的属性记录输入步骤8得到的决策树，可获得该图像的最终检测质量评估分级结果。

应注意的是，上述实施例仅为本发明技术方案的一种实施方式，并不限制本发明的保护范围，任何无需创造性劳动的等效技术手段替换所产生的其他实施方式，都应落在本发明所保护的范围内。

Claims (4)

1.一种变电设备带电检测红外检测质量评估方法，其特征在于，包括步骤：

a)评估不同测点红外图像相似性：

a-1)计算余弦相似度；

a-2)使用特征匹配算法计算图像特征点相似度，即计算两张红外图像最终的匹配点个数；

b)计算被测设备中心性和主体性：

记I₁的灰度图像G₁进行otsu二值分割后得到的二值化图像为B₀，

其中t_B为otsu二值分割阈值；

统计图像B₀中最大的二值化区域R的区域属性，包括区域中心点C＝(x₀,y₀)、区域面积A，(x₀,y₀)为中心点C的坐标，为区域R内所有像素点坐标(x_i,y_i)的平均值：

设图像I₁的图像中心点坐标为(x_c,y_c)，定义被测设备中心性d₁：

被测设备主体性d₂：

c)检测时刻环境信息是否符合DLT664-2016中规定的检测环境要求：

d)利用历史检测数据整理多组覆盖不同变电站、不同电压等级、不同检测季节、不同类型的设备红外带电检测图像数据，每组包含3张图像，选取相邻三个测点的设备红外检测数据，人工标记质量评估分类标签，所述分类标签的划分原则为：该幅图像与临近测点是否相似、检测图像本身检测位置选取不佳、检测环境不符合要求，分别对应不合格Ⅰ级、不合格Ⅱ级、不合格Ⅲ级，若未出现以上问题则标记为合格；

e)对每组图像中的每张图像，按照步骤a计算该图像与该组内其余两张图像余弦相似度的最大值、特征点相似度的最大值，按照步骤b计算被测设备中心性和主体性，依据检测记录获得该图像检测时刻的天气、温度、湿度信息进行步骤c，将上述所有信息构成该张图像的属性记录；

f)计算每张图像的属性记录及分类标签，利用ID3算法训练得到决策树，从而得到了明确的检测质量评估分类原则；

g)在获得训练好的决策树后，对于任一张需评估检测质量的图像，按步骤e计算其与前后两个测点的红外图像相似性、被测设备中心性和主体性、环境信息，将提取的属性记录输入决策树，可获得该图像的最终检测质量评估分级结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤a-1评估余弦相似度的具体步骤为：

拍摄获取需检测的带电设备待评价红外图像I₁和其他测点用于比较的红外图像I₂；

对I₁进行仿射变换，仿射变换的变换公式如下，其中x，y为I₁中图像的坐标，α为图像顺时针旋转角度，k₁和k₂分别为x和y轴方向的图像缩放系数，t₁和t₂分别为x和y轴的平移系数，x′,y′为旋转后的图像坐标：

经变换后

α取值范围设定为[-3°,3°]，步长为0.5°；k₁、k₂取数值范围[0.95,1.05],步长为0.05；t₁、t₂取值范围分别[-0.05n,0.05n]，[-0.05m,0.05m]，步长设为3；

定义I₁依照上述取值范围的仿射变换后得到的图像为T₁；

对I₁，T₁，I₂进行灰度图像转换，得到转换后的图像G₁、G₁₂、G₂；

对于待比较的两张红外图像I₁、I₂，将其余弦相似度定义为：

式中，m是I₁、I₂的行数，n是列数；

在顺时针旋转角度α，缩放系数k₁、k₂，平移系数t₁、t₂的取值范围内对上述五个参量进行遍历，寻找s_c最大值的角度、尺度、平移系数作为不同测点间两张红外图像的余弦相似度

[α₀,k₁,k₂,t₁,t₂]＝argmax(s_c)

3.根据权利要求1所述的方法，其特征在于，所述步骤a-2利用SIFT算法进行评估，具体步骤包括：

a-2-1)各自对I₁，I₂进行SIFT特征点提取，并获取特征点位置及128维描述符；

记I₁提取的特征点集为F₁，I₂提取的特征点集为F₂，

F₁＝{loc_1,i,des_1,i}i＝1,2,...n₁

F₂＝{loc_2,i,des_2,i}i＝1,2,...n₂

loc表征的为该特征点的位置，loc＝[x,y,σ,θ],x,y为该特征点的坐标，σ为所处尺度，θ为方向，des为提取的该特征点的128维特征，n₁为I₁中提取的特征点个数，n₂为I₂中提取的特征点个数；

a-2-2)对于F₁中第i个特征点，依次计算其描述符des_1,i，des_1,i遍历F₂中的所有描述符des₂并分别计算两个描述符之间的欧氏距离，若最近距离除以次近距离的比值小于阈值t_r，t_r设为0.6，则认为欧氏距离最小的点就是与第i个特征点匹配上的点；

a-2-3)经过a-2-2的循环遍历，计算得到两张红外图像最终的匹配点个数N_m。

4.根据权利要求1所述的方法，其特征在于，所述步骤d中选取500-5000组设备红外带电检测图像数据。

Images