CN103487729B - 基于紫外视频与红外视频融合的电力设备缺陷检测方法 - Google Patents

Abstract

本发明公开了基于紫外视频与红外视频融合的电力设备缺陷检测方法，包括：获得电力设备的紫外、红外图像，同时在拍摄成像时记录电力设备的高精度、位置姿态以及时间同步信息；对任意一帧拍摄的电力设备的紫外、红外图像，选取其前后多帧连续的图像进行自动配准；对配准后的紫外、红外图像进行基于时间戳的异源数据帧对准；对紫外图像进行均值滤波、阈值分割、光斑检测、区域生长、光斑聚类分析得到放电点；对红外图像进行图像拼接、区域分割、目标提取、温度反演得到温度异常；结合处理后的紫外、红外图像进行放电、温度联合分析，最后得到诊断结果报表。该方法自动化程度高、检测高效、操作简单。

Description

基于紫外视频与红外视频融合的电力设备缺陷检测方法

技术领域

本发明属于应用于电力工业领域中的检测方法，具体是指基于紫外视频与红外视频融合的电力设备缺陷检测方法。

背景技术

导体和电器，当电压和电流都不超过额定值时，导体和电器能够长期安全、经济的运行。导体正常工作时，将产生各种损耗：导体通过电流，由本身电阻产生的电阻损耗；绝缘材料中出现的介质损耗；导体周围的金属部件，在电磁场作用下，引起涡流和磁滞损耗。这些损耗处在强电场的作用下发生局部放电，致使有机电解质的局部损坏，甚至引起绝缘的穿透性击穿；这些损耗变成热能能使导体的温度升高，致使材料的物理和化学性能变坏。因此，对电力设备进行紫外、红外视频融合的缺陷自动检测是电力设备制造和运行中的一项重要预防性试验。

目前电力设备缺陷自动检测技术主要是紫外、红外单独进行的检测技术。红外检测方法主要有两种，即：运用神经网络和运用图像处理的方法。大多数专家学者都把研究重点放在运用图像处理的方法进行运动目标检测和跟踪，现有的比较有效的图像运动目标检测的主要是光流法和差分图像法。一般来说，光流法的时间开销很大，其实时性和实用性较差。相反，图像差分法比较简单，易于实时，因而成为目前应用最广泛、最成功的运动目标检测方法。图像差分法可分为两类：背景图像差分法和帧间差分法。由于帧间差分的方法简单、易于实现，且行之有效。因此，是一种红外视频目标探测的有效方法。

但是，帧间差分进行目标探测具有如下缺点：1.不适用与目标和背景都不动而探测器运动的情况，不能提取对象的完整区域。2.同时依赖于选择的帧间时间间隔。对快速运动的物体，需要选择较小的时间间隔，如果选择不合适，当物体在前后两帧中没有重叠时，会被检测为两个分开的物体；而对慢速运动的物体，应该选择较大的时间差，如果时间选择不适当，当物体在前后两帧中几乎完全重叠时，则检测不到物体。

因而，提出了一种基于图像拼接的帧间差分方法，并使用一种基于输电线主方向来提取输电线的方法。为最终识别在图像中的目标，需要使用相应的目标识别算法对其进行识别，常用的目标识别算法有两种包括：一种是自下而上的数据驱动（data-driven）算法；另一种是自上而下的模型驱动算法（model-driven）算法。由于输电线本身具有相互平行且连续不间断的特性，利用主方向所给出的先验知识，可以采用模型驱动的方法，得到连续的完整的电力设备目标。

紫外检测主要是通过日盲型紫外光电管作为检测系的探头，以紫外脉冲数目的形式进行表征电晕强度。目前市场普遍使用的是紫外成像仪进行检测，国际上已有多家电力公司将电晕检测仪应用于用于138kV和500kV输电线路、电力设备和发电机线圈表面放电的检测，均取得了良好的效果。在随后检修中，验证了仪器检验的结果是正确的，如输电线路、复合绝缘子的接头处等。

目前，国外在紫外光设备故障自动检测方面已有应用，国内相关研究尚处于空白阶段，为了保障电网的线路稳定运行和停电检修时的安全，急需对高压设备的放电进行深入研究。利用放电的特征并结合紫外光检测技术来有效地进行输电设备的放电检测和高压验电，设计灵敏度高，准确度好，功耗小，操作方便、安全、简单，抗干扰强的电力设施安全性评估诊断方法具有很强的现实意义。

早期对电力设备异常放电检测的方法主要是观察法、超声波法、红外成像法。观察法是用高倍望远镜直接观察电力设备，此方法不易发现设备故障处，并且检测结果也不可靠；超声波法是采用超声波发生器发射始脉冲进入电力设备介质，根据时间轴上缺陷波的大小和位置来判断用电设备的缺陷情况，此方法灵敏度高、速度快、成本低、操作简单及安全可靠，但很难直观准确地定位远距离放电点，定量分析也十方困难；红外成像法是利用用电设备外部温升来发现某些缺陷，该方法可以在不接触电气设备、不停电的情况下进行，但是这种通过测量温度来确定电气设备故障的方法容易受到阳光、大风、潮气、环境温度及一些能引起高压设备表面温度急剧变化因素的影像。

为了能直观地显示运行的电力设备放电位置和放电形态，出现了紫外成像检测电力设备放电技术。该技术是通过观察和检测“日盲”紫外光信号，并将紫外图像信号转换成可见光图像信号，进行观察和测量。紫外成像检测受环境、气候等条件的限制比较少，能够迅速准确地定位放电点，具有连续检测、远距离、不停电、不接触、不解体等特点。紫外成像技术在电力设备放电检测领域中的应用大致有以下几个方面：导线外伤探测、绝缘子放电检测、高压设备污秽检查、绝缘缺陷、高压变电站及线路的整体维护、寻找无线电干扰源。

发明内容

本发明的目的是提供基于紫外视频与红外视频融合的电力设备缺陷检测方法，该检测方法高效且能够自动检测电力设备缺陷。

本发明的上述目的通过如下技术方案来实现的：基于紫外视频与红外视频融合的电力设备缺陷检测方法，该方法包括如下步骤：

（1）采用紫外、红外视频拍摄电力设备，获得电力设备的紫外、红外图像，同时在拍摄成像时记录电力设备的高精度、位置姿态以及时间的同步信息；

（2）分别对步骤（1）获得的紫外、红外图像进行预处理；

（3）步骤（2）获得的任意一帧的紫外、红外图像，分别选取该紫外、红外图像前后8—10帧连续的紫外、红外图像，进行多帧时序紫外、红外图像的自动配准；

（4）对步骤（3）获得的紫外、红外图像进行基于时间同步信息的紫外、红外数据帧对准；

（5）对步骤（4）基于时间同步信息对准的相对应的一帧紫外图像和一帧红外图像，进行如下处理；

（51）对紫外图像进行处理，获得电力设备放电点的图像数据；

（52）对红外图像进行处理，获得电力设备温度异常点的图像数据；

（53）对紫外、红外图像进行融合，得到紫外与红外图像相融合的融合图像；

（6）对步骤（53）得到的融合图像，同时进行放电和温度分析，获得电力设备放电点和温度异常点的缺陷诊断信息。

本发明中，所述步骤（1）中通过DGPS、IMU记录电力设备的高精度、位置姿态以及时间的同步信息。

本发明中，所述步骤（2）中紫外、红外图像预处理的方法包括双边滤波去噪和直方图均衡。

本发明中，所述步骤（3）中利用SIFT特征提取方法分别进行多帧时序紫外、红外图像的自动配准。

本发明中，所述步骤（51）中，对紫外图像依次进行帧间均值滤波去噪、阈值法光斑分割、放电光斑检测、区域生长、光斑聚类、放电点簇特征提取处理，获得电力设备放电点的图像数据。

本发明中，所述步骤（52）中，对红外图像依次进行基于图像拼接技术进行帧间差分、兴趣区域图像分割、基于模型驱动思想进行目标提取、进行温度反馈、对温度异常点进行检测处理，获得电力设备温度异常点的图像数据。

本发明中，所述的电力设备包括电塔的塔身、绝缘子、地线和电塔金具。

本发明中，所述步骤中采用自适应分割算法对电塔序列影像进行图像分割；采用CANNY算子从分割后的图像中提取直线特征，并利用Hough变换，提取分割后的图像中的直线，从而提取和定位影像中电塔的塔身、绝缘子、地线和电塔金具；采用SURF描述子对影像进行提取，使用人工神经网络进行匹配；通过帧间差分消除背景和噪声；采用直接判别法、温差判别法得出温度异常点。

本发明的检测原理：①紫外部分：缺陷位置及其附近的电场强度会变强，并且会有电晕产生；附有污秽的高压设备也会产生放电现象；绝缘子劣化积污也会产生放电，这些情况都可以利用紫外检测技术进行分析。②红外部分：通过基于拼接的方法进行帧间差分，能够克服传统的帧间差分方法进行目标探测时探测器移动时难以将前景从背景中区分出来的特点；基于图像能量进行主方向提取的方法，能自动提取图像主方向，用于进一步的目标探测；利用图像主方向的先验知识，采用模型驱动的思想，基于模型来提取图像中的电力设备，提取的完整度高、连续性好；基于红外图像目标探测结果来进行故障诊断，能够有效的规避图像中其他辐射因素对红外图像的可能影响，有更好的诊断结果。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明。

图1为本发明检测方法的流程图；

图2为本发明检测方法中获得的紫外视频单帧原始影像；

图3为本发明检测方法中获得的红外视频单帧原始影像；

图4为本发明检测方法中紫外检测出的放电区域特征；

图5为本发明检测方法中红外处理后的结果。

具体实施方式

本发明基于紫外视频与红外视频融合的电力设备缺陷自动检测方法的理论基础如下：

1、最大类间方差法是日本学者大津展之在1979年提出的一种全局阈值选取法，是在判决分析最小二乘法原理的基础上推导出来的。该方法是以图像前景背景的最大方差值，作为该图像的阈值，它实现的前提是对图像的灰度直方图进行一阶特性统计。设原始图像灰度级为L，灰度为i的像素个数为ni，则总的像素是各灰度值出现的概率为，显然。设以灰度t为阈值将图像二值化分割为两个区域，灰度级为1—t像素背景，记作区域A，灰度级为t+1—L-1的像素为目标区域，记作区域B。

A和B出现的概率分别为：

$P_A=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{P}_i,P_B=\underset{i=i+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_i=1-P_A$

A和B的灰度均值分别为：

$W_A\underset{i=0}{\overset{t}{\mathrm{\Σ}}}\frac{i{P}_i}{P_A},W_B=\underset{i=i+1}{\overset{L}{\mathrm{\Σ}}}\frac{i{P}_i}{P_B}$

图像的总灰度均值为：

$W_0=P_A{W}_A+P_B{W}_B=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i{P}_i$

由此可以得到A和B两区域的类间方差为：

σ²=P_A(W_A-W₀)²+P_B(W_B-W₀)²

显然都是关于灰度级t的函数。

为了得到最优分割阈值，最大类间方差法把两类的类间方差作为判别准则，认为使得σ²值最t^*即为所求的最佳阈值：

$t*=\mathrm{Arg}\underset{0\≤i\≤L-1}{\max }[x{P}_A{(W_A-W_0)}^2+P_B{(W_B-W_0)}^2]$

方差是灰度分布均匀性的一种度量，因此方差越大，说明图像的两部分差别越大，当方差最大时，前景和背景的差别最大，故可将此时的灰度值作为最佳阈值。

2、区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始，将与种子点性质相似（诸如灰度级或衍射的特定范围）的相邻像素附加到生长区域的每个种子上。在没有像素满足加入某个区域的条件时，区域生长就会停止。

区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长起点，然后将种子像素和周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子继续上面的过程，直到没有满足条件的像素可被包括进来。这样一个区域就生长成了。

基于区域灰度差的生长准则在我们使用的区域生长方法中，操作的基本单位是象素，基于区域灰度差的生长准则步骤如下：

1）对图像进行逐行扫描，找出尚无归属的象素；

2）以该象素为中心，检查它相邻的象素，即将邻域中的象素逐个与它比较，如果灰度差小于事先确定的阈值，则将它们合并；

3）以新合并的象素为中心，再进行步骤2检测，直到区域不能进一步扩张；

4）重新回到步骤1，继续扫描直到不能发现没有归属的象素，整个生长过程结束。

3、紫外图像面积参量的计算：在数字图像中，放电光斑区域由许多个像素点所构成，区域越大则相应该区域包含的像素点的个数越多，可用区域中像素点的多少来量化区域大小。在二值图像中该区域的每一个像素用“1”表示，而背景的黑色区域则以“0”表示，因此统计图像矩阵的“1”的个数即可得到光斑区域像素点的个数，本文将其定义为“光斑面积”s。此处所定义的光斑面积概念与传统意义上的面积概念并不相同，其实质是图像某区域范围的像素点的个数。

4、所采用的拼接方法如下：通过基于SURF描述子对影像尺度不变特征进行提取，使用人工神经网络的匹配算法，完成提取特征的匹配，能实现大旋角像对的特征匹配。对于存在的错误匹配点对，使用RANSAC方法对其进行滤除，提高匹配精度。

5、主方向获取：对图像进行二维傅里叶变换得到F_M(u,v)，并求其功率谱:P_M(u,v)＝|F_M(u,v)|²；将直角坐标系下的功率谱转换到极坐标系（θ，r）下，固定极坐标下的某一角度，对所有同一角度的功率谱求和，功率谱最大所对应的角度，即为求得的主方向。再采用基于模型驱动的方式来求直线，由于输电线本身具有相互平行且连续不间断的特性，利用主方向所给出的先验知识，可以采用模型驱动的方法，得到连续的完整的输电线。对红外图像，设置了一个和主方向平行的平行四边形窗口，四边形的高等于图像的高，四边形的底边和图像的底边在同一直线上，沿着图像所在的底边平移四边形窗口，将落在图像图幅和窗口重叠区域内的像素，计算落在该区域内的前景信息的填充度，当填充度大于某一阈值时保留该窗口信息，绘制相应的直线。

本发明基于紫外视频与红外视频融合的电力设备缺陷检测方法如图1所示，电力设备包括电塔的塔身、绝缘子、地线和电塔金具，该检测方法包括如下步骤：

（1）采用紫外、红外视频拍摄电力设备，获得电力设备的紫外、红外图像，同时在拍摄成像时通过DGPS、IMU记录电力设备的高精度、位置姿态以及时间的同步信息，获得的紫外视频单帧原始影像和红外视频单帧原始影像分别如图2、图3所示；

（2）分别对步骤（1）获得的紫外、红外图像进行预处理，紫外、红外图像预处理的方法包括双边滤波去噪和直方图均衡；

（3）步骤（2）获得的任意一帧的紫外、红外图像，分别选取该紫外、红外图像前后8—10帧连续的紫外、红外图像，利用SIFT特征提取方法分别进行多帧时序紫外、红外图像的自动配准；

（4）对步骤（3）获得的紫外、红外图像进行基于时间同步信息的紫外、红外数据帧对准；

（5）对步骤（4）基于时间同步信息对准的相对应的一帧紫外图像和一帧红外图像，进行如下处理；

（51）对紫外图像依次进行帧间均值滤波去噪、阈值法光斑分割、放电光斑检测、区域生长、光斑聚类、放电点簇特征提取处理，获得电力设备放电点的图像数据，紫外检测出的放电区域特征如图4所示；（52）对红外图像依次进行基于图像拼接技术进行帧间差分、兴趣区域图像分割、基于模型驱动思想进行目标提取、进行温度反馈、对温度异常点进行检测处理，获得电力设备温度异常点的图像数据，红外处理后的结果如图5所示；

（53）对紫外、红外图像进行融合，得到紫外与红外图像相融合的融合图像；

（6）对步骤（53）得到的融合图像，同时进行放电和温度分析，获得电力设备放电点和温度异常点的缺陷诊断信息；该步骤中的放电分析和温度分析均由相应的行业标准；

（7）得到电力设备放电点和温度异常点的缺陷诊断结果，生成报表输出，同时将诊断结果存入电脑中。

本发明的上述实施例并不是对本发明保护范围的限定，本发明的实施方式不限于此，凡此种种根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，对本发明上述结构做出的其它多种形式的修改、替换或变更，均应落在本发明的保护范围之内。

Claims (7)

1.基于紫外视频与红外视频融合的电力设备缺陷检测方法，该方法包括如下步骤：

（1）采用紫外、红外视频拍摄电力设备，获得电力设备的紫外、红外图像，同时在拍摄成像时记录电力设备的高精度、位置姿态以及时间的同步信息；

（2）分别对步骤（1）获得的紫外、红外图像进行预处理；

（3）步骤（2）获得的任意一帧的紫外、红外图像，分别选取该紫外、红外图像前后8—10帧连续的紫外、红外图像，进行多帧时序紫外、红外图像的自动配准；

（4）对步骤（3）获得的紫外、红外图像进行基于时间同步信息的紫外、红外数据帧对准；

（5）对步骤（4）基于时间同步信息对准的相对应的一帧紫外图像和一帧红外图像，进行如下处理；

（51）对紫外图像进行处理，获得电力设备放电点的图像数据；

（52）对红外图像进行处理，获得电力设备温度异常点的图像数据；

（53）对紫外、红外图像进行融合，得到紫外与红外图像相融合的融合图像；

（6）对步骤（53）得到的融合图像，同时进行放电和温度分析，获得电力设备放电点和温度异常点的缺陷诊断信息。

2.根据权利要求1所述的基于紫外视频与红外视频融合的电力设备缺陷检测方法，其特征在于：所述步骤（1）中通过DGPS、IMU记录电力设备的高精度、位置姿态以及时间的同步信息。

3.根据权利要求1所述的基于紫外视频与红外视频融合的电力设备缺陷检测方法，其特征在于：所述步骤（2）中紫外、红外图像预处理的方法包括双边滤波去噪和直方图均衡。

4.根据权利要求1所述的基于紫外视频与红外视频融合的电力设备缺陷检测方法，其特征在于：所述步骤（3）中利用SIFT特征提取方法分别进行多帧时序紫外、红外图像的自动配准。

5.根据权利要求1所述的基于紫外视频与红外视频融合的电力设备缺陷检测方法，其特征在于：所述步骤（51）中，对紫外图像依次进行帧间均值滤波去噪、阈值法光斑分割、放电光斑检测、区域生长、光斑聚类、放电点簇特征提取处理，获得电力设备放电点的图像数据。

6.根据权利要求1所述的基于紫外视频与红外视频融合的电力设备缺陷检测方法，其特征在于：所述步骤（52）中，对红外图像依次进行基于图像拼接技术进行帧间差分、兴趣区域图像分割、基于模型驱动思想进行目标提取、进行温度反馈、对温度异常点进行检测处理，获得电力设备温度异常点的图像数据。

7.根据权利要求1至6任一项所述的基于紫外视频与红外视频融合的电力设备缺陷检测方法，其特征在于：所述的电力设备包括电塔的塔身、绝缘子、地线和电塔金具。