基于紅外圖像識別的輸電線路故障診斷方法

王 淼，杜 偉，孫鴻博，張 靜

基于紅外圖像識別的輸電線路故障診斷方法

王 淼1，杜 偉1，孫鴻博1，張 靜2

（1. 國網通用航空有限公司，北京 100005； 2. 天津航天中為數據系統科技有限公司，天津市智能遙感信息處理技術企業重點實驗室，天津 300301）

基于紅外圖像研究了輸電線路的故障診斷方法，首先采用LSD線段檢測法提取紅外圖像中的導線，采用深度卷積神經網絡提取紅外圖像中絕緣子，從而得到線路元件區域。在線路元件區域內進行溫度和灰度分析提取發熱點，并利用漫水填充算法對過熱區域進行分割，提取骨架掃描點數、有效凸缺陷、引流線對缺陷類型進行識別。實驗證明該算法有較高發熱點定位準確率和缺陷類型識別準確率。

紅外圖像；輸電線巡檢；導線提??；絕緣子檢測；缺陷點定位；特征提??；缺陷識別

0 引言

高壓輸電線是電力系統的動脈，其運行狀態直接決定了電力系統的安全及國家經濟的運行，線路走廊穿越的地理環境復雜，遠離主要交通干道，而且輸電線路在長期運行中易受自然災害及人為損傷。傳統的輸電線路人工巡檢不僅耗時長，危險性高，利用飛行器自動巡檢輸電線已經成為當前電力行業的必然趨勢。而紅外檢測具有遠距離、不停電、不接觸等的特點，可以檢查出多種電力設備的致熱缺陷，給電力系統的線路巡檢提供了先進手段。因此，可以利用無人機搭載紅外熱像儀進行輸電線路的熱缺陷巡檢，該方式會產生大量的紅外視頻和圖像數據，傳統的紅外缺陷識別方法大都需要人工交互，即人工定位缺陷位置或者判斷發生缺陷的電力部件類型，效率低下。文獻[1]提出的紅外缺陷智能識別算法在HIS顏色空間提取溫度最高的區域，但該方法對復雜背景環境的檢測結果并不理想。文獻[2]提出基于圖像拼接的幀間差分法定位輸電線的主方向進行故障診斷，該方法只能定位識別導線斷股等發熱缺陷，無法識別引流管、絕緣子、線夾的等線路元件。文獻[3]提出利用圖像中的直線、曲線的位置關系定位線路元件的區域，并讀取溫度數據診斷缺陷，該方法對線段噪聲敏感，元件識別不準確，誤檢率較高。

本文首先采用LSD（Line Segment Detector）線段檢測法提取紅外圖像中的導線區域。采用深度卷積神經網絡提取紅外圖像中絕緣子區域，在導線和絕緣子區域內進行溫度和灰度分析提取發熱點，并利用漫水填充算法對過熱區域進行分割，提取骨架掃描點數、有效凸缺陷、引流線對缺陷類型進行識別。

1 線路元件區域提取

一般認為引流管、線夾處于一組導線的主方向，兩組導線的相交區域，絕緣子在圖像中則可呈現多種狀態，因此求取導線區域和絕緣子區域作為線路元件區域。

1.1 導線區域提取

利用LSD線段檢測算法提取紅外圖像中的線段，并進行線段連接，篩選判斷，得到圖像中的導線組，那么，一組導線的端點范圍，兩組導線的相交區域被認為是線路元件區域。

1.1.1 LSD線段檢測

LSD是一種直線檢測分割算法，它能在線性的時間內得出亞像素級精度的檢測結果。該算法被設計成可以在任何數字圖像上都無需參數調節。算法步驟如下：

1）以＝0.8的尺度對輸入圖像進行高斯下采樣。

2）計算每一個點的梯度值以及梯度方向；

3）根據梯度值對所有點進行偽排序建立狀態列表；

4）將梯度值小于（＝2/sin）的點在狀態表中剔除；

5）取出列表中梯度最大（偽排列的首位）的點作為種子點，種子點梯度角作為區域初始角度，搜索周圍方向在閾值[－,]范圍內的點，并不斷更新區域角度，以此得到區域R；

6）計算R的重心坐標作為該區域最小矩形的中心點，R的區域角度作為該矩形中軸線的方向；

7）計算6）中矩形的NFA（虛警數量，Number of Alarms）；若小于設定閾值，則輸出該區域，否則判定該區域R無效。

1.1.2 導線提取

對LSD算法檢測到的直線段，選取角度處于（－p/4,p/4）范圍內的線段根據斜率、間距、位置關系進行連接和篩選得到圖像中導線。

1）導線連接：將滿足以下3個條件的Line Cluster1中的任意兩線段1和2進行連接。

①1和2的角度差小p/24；

②1和2的近鄰點距離小于1和2中最小長度的2倍；

③1的端點到2的距離及2的端點到1的距離小于導線寬度的3倍。

2）導線篩選：對1）中得到的線段集按照角度進行聚類，在每類中選取最長的線段max，若max大于length（一般為紅外圖像寬度的1/4），則該類中的線段均被認為是導線，由此可以得到紅外圖像中的導線組。

1.2 絕緣子區域提取

絕緣子在圖像中可能平行于導線組，垂直于導線組或與導線組成一定角度，且絕緣子在不同環境溫度與紅外采樣設備下呈現多種表面形態。傳統的目標檢測方法均需人為選取特定特征，難以適應多種復雜情況。

深度卷積神經網絡可以從已有的數據中自動進行特征提取和判別，無需人的參與，算法根據大量的原始樣本，自動學習刻畫出數據的內在多級特征并逐級抽象。

本文采用如圖1所示的深度卷積神經網絡對紅外圖像中的絕緣子進行識別。該網絡采用3個卷積池化層對圖像進行特征抽象，并采用全連接層和softmax回歸層對其類別進行描述。本文將大量紅外巡線圖像，切分為64×64的帶標記圖像塊，對上述網絡進行訓練。

在應用時，將待檢測圖像分為圖像塊輸入上述訓練得到的深度卷積神經網絡，可得到每個圖像塊屬于絕緣子的概率，若其＞0.75，則認為該圖像塊屬于絕緣子。對整幅圖像中屬于絕緣子的圖像塊區域進行整合便可得到紅外圖像中的絕緣子區域。

圖1 絕緣子識別網絡

2 缺陷點定位

一般，在紅外圖像中，缺陷元件的灰度值較大，在紅外熱圖中，缺陷元件的溫度較高。因此，可以采用如下步驟提取紅外圖像中的異常發熱點：

1）對圖像進行高斯濾波，消除噪聲極值點的影響；

2）在線路元件區域內求取局部灰度極值點得到點集，剔除其中相互距離較近的及灰度值過小的點；

3）采用漫水填充算法對缺陷點周圍灰度圖像進行分割，得到疑似缺陷區域；

4）在紅外熱圖中，統計疑似缺陷區域相對于其周圍區域溫度差異，如果溫度差異大于閾值temp，則認為該點是缺陷點，如圖2所示。

一般引流管、絕緣子發熱在圖像中都呈現為小面積的亮度區域，分割得到的熱缺陷目標較小，不具有代表性特征，但引流管必然處于導線與引流線的交點處，絕緣子發熱必然處于絕緣子區域內，發熱的線夾在圖像中呈現“U”型。因此，提取目標占比、骨架掃描點數、有效凸缺陷數量、引流線進行缺陷類型識別，如圖3所示。

3 特征提取

1）目標占比TA

選取目標對應缺陷點鄰域，求取目標的輪廓面積，計算與區域的面積比，作為目標占比TA。

2）骨架掃描點數SSCX和SSCY

細化目標二值圖像提取骨架[4]。以1為例，其8鄰域如圖4所示。

圖2 缺陷點定位結果

圖3 提取的特征

圖4 像素點p1的鄰域示意圖

第一步，滿足如下條件的像素點置為0；

①2≤(1)≤6

②(1)＝1

③2*8*6＝0

④4*8*6＝0

第二步，滿足如下條件的像素點被置為0；

①2≤(1)≤6

②(1)＝1

③2*4*6＝0

④2*4*8＝0

其中，(1)表示的是鄰域中非零點的個數，(1)表示的是從0到1的跳變個數。

重復第一步和第二步直至當前圖像中沒有可刪除的點。

按照方向和方向對骨架進行掃描，求取兩個方向的掃描點數SSCX和SSCY。

3）有效凸缺陷個數ECD

選取相關點兩兩距離大于convexdist（可取分割出目標區域寬度的1/2）的凸缺陷作為有效凸缺陷，統計有效凸缺陷的個數ECD。

4）引流線

在目標區域內將提取到的線段經過端點連接形成曲線，作為引流線。引流管處于導線與引流線的交點處。

4 目標識別

目標識別流程如圖5所示。如果目標占比大于RTA，則提取骨架掃描點數、有效凸缺陷數量，若滿足以下兩個條件則認為其屬于線夾。

1）有效凸缺陷個數CED＝1；

2）骨架掃描點數SSCX＝1，SSCY＝2或者SSCX＝2，SSCY＝1。

如果目標占比TA＜RTA則提取引流線，若引流線通過目標區域則認為其屬于引流管。否則判斷其是否處于絕緣子區域內。

5 實驗與分析

在紅外熱圖中，求取疑似缺陷區域與周圍區域的溫度差，若大于10℃，則認為當前點屬于區域屬于缺陷區域。

對缺陷點進行漫水填充，分割出目標。求取目標占比，如果占比＜0.025，則求缺陷點鄰域內的曲線，判斷缺陷點是否處于導線與曲線的交點處，如果不屬于則判斷其是否處于絕緣子區域內；如果占比＞0.025，則求取目標的骨架，并掃描骨架，同時求取目標的有效凸缺陷，判定目標是否屬于線夾，如果不屬于則求取目標區域的曲線判斷其是否屬于接續管，如果不屬于引流管則判斷其是否處于絕緣子區域內。

實驗測試了105幅存在熱缺陷的紅外圖像，正確定位熱點數96個，正確識別缺陷元件87個。缺陷定位的準確率為91.4%，缺陷元件識別的準確率為82.9%。

105幅熱缺陷紅外圖像存在虛警熱點8處，實驗還測試了50幅無熱缺陷的紅外圖像，存在虛警11處，總虛警率為12.3%。

6 結論

本文采用LSD線段檢測算法并進行線段連接篩選提取紅外圖像的導線區域，并采用卷積神經網絡檢測紅外圖像中絕緣子區域，有效地提取了紅外圖像的線路元件區域，降低了缺陷點定位的虛警率。

在導線和絕緣子區域內進行溫度/灰度分析求過熱點并進行目標分割，提取的目標占比、骨架掃描點數、有效凸缺陷、引流線特征可有效地識別缺陷類型。

圖5 目標識別流程

[1] 楊政勃, 金立軍, 張文豪, 等. 基于紅外圖像識別的輸電線路故障診斷[J]. 現代電力, 2012, 29(2): 76-79.

YANG Zhengbo, JIN Lijun, Zhang Wenhao, et al. The fault diagnosis of transmission line based on infrared image recognition [J]., 2012, 29(2): 76-79.

[2] 張文峰, 彭向陽, 陳銳民, 等. 基于無人機紅外視頻的輸電線路發熱缺陷智能診斷技術[J]. 電網技術, 2014, 38(5): 1334-1338.

ZHANG Wenfeng, PENG Xiangyang, CHEN Ruimin, 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] 韓軍, 張書鳴, 馬行漢. 基于紅外圖像智能診斷高壓輸電線路熱缺陷的方法: 中國, 201210006788.8 [P]. 2012-07-11.

HAN Jun, ZHANG Shuming, MA Xinghan. Intelligient fault diagnosis of high voltage transmission line based on infrared image: China, 201210006788.8 [P]. 2012-07-11.

[4] ZHANG T Y, Suen C Y. A fast parallel algorithm for thining digital patterns[J]., 1984, 27: 236-239.

Transmission Line Fault Diagnosis Method Based on Infrared Image Recognition

WANG Miao1，DU Wei1，SUN Hongbo1，ZHANG Jing2

(1..,100005,; 2..,,300301,)

A fault diagnosis method of transmission line based on infrared image recognition is proposed in this paper. Firstly, LSD(Line Segment Detector) is used to extract the conductor and CNN (convolutional neural network) is used to extract insulator in the infrared image, both conductor areas and insulator areas are thought as line component areas. Heating pixels in component areas are obtained according to their temperature and gray value. Heating regions are segmented applying Flood Fill algorithm. Target accounting, skeleton scanning points, effective convex defects and lead wire are extracted to identify the type of the defects. Experiments show the effectiveness of defect points locating and defect types classifying.

infrared image，transmission line inspection，conductor extraction，insulator detection，defect points locating，feature extraction，heat defect classification

TN219

A

1001-8891(2017)04-0383-04

2016-09-18；

2016-11-30.

王淼（1981-），男，工程師，博士，主要研究方向：直升機/無人機電網運維技術。