CN107292882B - 一种基于Meanshift自适应电气设备故障检测方法 - Google Patents

Abstract

本发明涉及一种基于Meanshift自适应电气设备故障检测方法，步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；步骤2，引入基于邻域灰度的权重因子对均值漂移算法进行扩展，获得扩展后的均值漂移模型；步骤3，利用自高向低的聚类阈值分割机制，使扩展后的均值漂移模型能快速地将故障区域进行聚类，实现故障区域的有效提取。本发明提供了一种赋予样本权重的扩展mean shift方法，采用一种自迭代聚类的策略，将区域根据其灰度特性聚集起来，最终得到故障区域完整提取，并提出了一种根据温度差异而自高向低的阈值分割机制，为运维人员在线巡检、数据录入、分析等操作提供方便。

Description

一种基于Meanshift自适应电气设备故障检测方法

技术领域

本发明属于电气领域，具体涉及一种基于Meanshift自适应电气设备故障检测方法。

背景技术

电力设备的运行状态监测是预防设备发生故障的一种有效手段。在现有的一些方法中，红外诊断技术作为目前一种新型的故障诊断技术，已经在电力巡检中发挥了重要的作用。其主要利用物体发射出来的红外辐射特性，判断设备内部结构是否出现故障，从而为开展其他工作提供方便。在红外故障诊断中，电气故障区域大都通常会呈现出高温、高热特性。根据红外辐射能量的强弱与温度大小成比例关系可知，温度越高，其红外辐射强度越大，即在红外成像中故障或异常区域体现为高亮度。因此，采用红外诊断技术，相比于其他方法，具有多方面的应用优势。然而，目前在红外诊断过程中，故障的发现、录入还是主要依赖于运维人员，这使得设备红外检测需要投入大量的时间，存在效率低、易漏检以及管理成本相对高等缺点。因此，研究能够较为高效的提取红外图像中故障区域的自动红外故障诊断方法非常必要。

为了实现自动红外故障诊断，结合图像处理的方式受到了研究者的广泛关注。在早期，故障判断通常采用经典的温度判定法^[1]，这本质上与图像处理中的阈值法类似^[2-3]，即高于某一阈值时被认为设备存在故障，而低于某一阈值则被认为正常。因不同地区温度差异影响，在实际环境中，获取故障区域的完整性得不到很好的保障，特别是受人为设定温度阈值的因素影响较大。为此，井金剑^[3]采用最大类间方差(Otsu)阈值法，选择最优阈值将故障区域从背景中分割出来。但是，由于该方法得到的阈值受故障区域和背景区域方差影响，通常故障区域方差相对较大，而高亮的故障区域则相对较小。梁利利^[4]在此基础上结合形态学和Krisch算子对红外图像中故障区域进行提取，以弥补受阈值的影响，然而Krisch算子是一种边缘检测算子，这种算子在图像噪声弱的情况下，效果较好，但是红外图像本身含有复杂的噪声，显然会因噪声而降低完整故障区域提取能力。王如意^[5]则采用分水岭分割算法和模糊聚类方法一起对红外图像进行分割。由于分水岭方法是根据区域的边界来分离图像中相邻但不相似的区域，其不足之处在于，当故障区域的灰度分布不均匀时，容易将故障区域分割成多个区域。为了提升故障区域提取效果，徐雪涛^[6]提出改进PCNN(Pulse-coupled neural network)模型的图像分割方法提取红外图像中故障区域，但仍因PCNN内部参数设置以及红外故障图像的差异，使得模型的推广受到了限制。以上模型在对红外故障图像进行处理时，受到参数及阈值设置等方面的影像，使得分割后的图像不能完全提取出电力故障区域，从而疏漏对故障系统的检测和维护，由此引发电气系统事故，造成电气设备损坏和人员伤亡。

相关参考文献如下：

[1]成曙,赵军红,刘政波,陈祥初.电气设备运行状态监测及智能诊断系统[J].电力自动化设备,2000,20(3):45-47.

[2]孙怡,吴邦树,刘仪卜,杜永成等.基于红外图像处理的电气设备故障诊断方法[J].机电工程技术,2016,45(6):58-61.

[3]井金剑,翟春艳,李书臣,苏成利.基于红外图像识别的电气设备故障诊断[J].电子设计工程,2014,22(12):171-173.

[4]梁利利.变电站红外图像的识别与故障诊断[D].西安科技大学,2010.

[5]王如意.变电站电力设备红外图像分割技术研究[D].西安科技大学,2011.

[6]徐雪涛.基于红外成像技术的电气设备故障诊断[D].华北电力大学,2014.

发明内容

本发明的目的是提供一种基于Meanshift自适应电气设备故障检测方法，以自动高效的提取红外图像中故障区域，预防设备事故的发生。

本发明所采用的技术方案是，一种基于Meanshift自适应电气设备故障检测方法，包括如下步骤：

步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；

步骤2，引入基于邻域灰度的权重因子对均值漂移算法进行扩展，获得扩展后的均值漂移模型，具体实现方式如下，

假设一幅图像可以表示成二维网格上的p维向量，每个网格点表示一个像素，网格点的坐标表示图像中的空间信息，那么图像的空间信息和色彩信息可以表示为向量x＝(x^s，x^r)，其中，x^s表示网格点的坐标，x^r表示该网格点上p维向量特征，

为了能够较好的定义概率密度估计，通常规定像素点x的x^r特征与像素点x_i相近，则定义概率密度高；其次，离x的位置越近的像素点x_i，概率密度高，因此采用图像空间和色彩特征的核函数的组合来定义一个新的核函数

其中，h_s为图像空间带宽，h_r是灰度带宽，C是一个归一化常数，k(·)为核函数K(·)的剖面函数；

已知d维空间中n个样本点x_i，i＝1，2，…，n，考虑样本点权值，f(x)的概率密度函数可重写为，

式中，x表示当前聚类中心点，h表示高维球区域的一个固定带宽；ω(x_i)≥0是赋给每一个样本的权重，通常是由样本点到中心点距离的大小决定，距离越大权重越小，表达式为，

其中，c_r为归一化参数，N_i为像素x_i的邻域，y指邻域N_i内的点；由公式(3)可知，如果当邻域特征x^r与对应中心点x_i相近，则权重ω(x_i)越大；而当邻域特征x^r与中心点x_i相比差异较大，则ω(x_i)较小，从而使得中心点x_i朝方差变化较小的方向漂移；

由公式(2)和(3)可知，概率密度函数的梯度估计为，

其中，即对核函数求导的负方向；m_h(x)表示均值漂移向量，那么该均值漂移向量会将当前聚类中心朝着权重密度极大以及概率密度极大方向漂移；

步骤3，利用自高向低的聚类阈值分割机制，使扩展后的均值漂移模型能快速地将故障区域进行聚类，实现故障区域的有效提取，具体实现方式如下，

步骤3.1，采用均值滤波对原始红外图像进行平滑处理，去除噪声；

步骤3.2，设初始阈值T为红外图像中最高灰度值，以阈值T对步骤3.1中处理之后的红外图像进行划分，得到的分割区域作为初始聚类区域，并标记为故障区域；

步骤3.3，遍历已经聚类的区域之外且满足图像空间带宽h_s内未聚类的像素点x_i，基于步骤2获得的扩展后的均值漂移模型，针对每一个像素点进行聚类；

步骤3.4，将聚类区域的灰度均值赋给阈值T，并对图像进行划分，获取图像空间中其他可能出现的高亮区域，同时保留已经标记的像素点；

步骤3.5，如果整个聚类区域不再发生变化，停止迭代，输出故障区域结果，否则转向步骤3.3，继续循环。

进一步的，利用红外成像仪获得电气故障设备的红外图像。

本发明利用的Mean shift算法，原始实现方式为：

Mean shift算法，通常被称为均值漂移算法，在聚类、图像平滑、分割、跟踪等方面有着广泛应用。本质上，它可归结为一种迭代搜索算法，即先根据数据集计算出当前点的偏移均值，然后以此为新的起始点，继续移动，直至满足收敛条件。因此，作为一种聚类技术，在聚类迭代过程中，每个类中的样本点都将收敛至其概率密度极大值处，基于此，可将多类进行自适应划分。

具体而言，这里假设有一组采样点集{x_i∈R^d}_{i＝1，…，N}，其中任意点x处的概率密度估计如下式所示：

式中S_h是一个固定带宽为h的高维球区域：

S_h(x)＝{y| ||y-x||²≤h²}

d表示维数，K(·)为径向对称核函数：

K(x)＝c_k,dk(||x||²)

c_k，_d为一个归一化常量，以确保核函数K(x)的积分为1；k(x)为核函数K(x)的剖面函数。

由式(1)可知，样本点x_i对当前中心点x的贡献与核函数密切相关，在mean shift中，以下两类核函数经常用到；

(a)单位均匀核函数：

(b)单位高斯核函数：

由于单位均匀核使得各个样本点到中心点的贡献值一样，因此一般采用高斯核作为mean shift核函数。

为了迭代搜寻极大密度值点，令

▽f(x)＝0

则密度函数的梯度估计为：

式中g(x)＝-K'(x)，m_h(x)为偏移向量，也称为一个漂移向量，

可以发现，均值漂移向量总是指向密度增长最快的方向。

因此，当给定初始点，Mean shift就会根据下面两个步骤逐次迭代，

step1：Mean shift向量计算，改变当前中心值；

x^t+1＝x^t+m_h(x)

step2：平移窗口，重新计算概率密度；

最终收敛到概率密度极大值处，或||x^t+1-x^t||＜ε。

从以上计算原理可以看出，只要是落入S_h的样本点，无论其离当前中心点x远近，对最终的m_h(x)计算的贡献值与核函数定义有关。一般而言，离x越近的采样点对估计x周围的统计特性越有效。另外，考虑到每个样本点都可赋一定权值或比重，从而增强均移来优化求解双目标优化，即样本权值和概率密度最优。

本发明的有益效果是：本发明提供了一种赋予样本权重的扩展mean shift方法，摒弃了传统Otsu阈值方法，采用一种自迭代聚类的策略，将区域根据其灰度特性聚集起来，最终得到故障区域完整提取。为了提升扩展mean shift聚类速度以及聚类区域，提出了一种根据温度差异而自高向低的阈值分割机制，继而可进一步通过例如区域温度与背景差等对电力设备故障状态进行评价，以及判断故障类型等，同时也为运维人员在线巡检、数据录入、分析等操作提供方便。

附图说明

图1是本发明实施例流程图；

图2是本发明实施例电力设备故障红外检测图像；

图3是利用Otsu方法处理结果；

图4是利用分水岭方法处理结果

图5是改进的PCNN模型处理结果；

图6是本发明实施例的故障识别结果。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本实施例对真实的电力设备进行红外图像识别处理，采用具有样本权重的扩展mean shift方法，对电力设备故障进行检测。

本发明提供的一种基于Meanshift自适应电气设备故障检测方法，具体如图1所示，包括以下步骤：

步骤1，应用红外成像仪采集故障电气设备，生成红外图像，其中电力故障区域即为图像中亮度较高的区域，五种电气设备不同区域的红外图像如图2所示；

步骤2，引入基于邻域灰度的权重因子对均值漂移算法进行扩展，获得扩展后的均值漂移模型，具体实现方式如下所述：

对于一个概率密度函数f(x)，已知d维空间中n个点x_i，i＝1，2，…，n，考虑样本点权值，f(x)的概率密度函数可重写为：

ω(x_i)≥0是赋给每一个样本的权重，通常是由样本点到中心点距离的大小决定，距离越大权重越小。因此，概率密度函数的梯度估计为，

式(三)所示的均值漂移向量会将当前聚类中心朝着权重密度极大以及概率密度极大方向漂移。

一幅图像可以表示成二维网格上的p维向量，每个网格点表示一个像素，网格点的坐标表示图像中的空间信息，那么整个图像的空间信息和色彩信息可以表示为向量x＝(x^s，x^r)，维度为p+2，其中x^s表示网格点的坐标，x^r表示该网格点上p维向量特征。当p＝1时，该图像为灰度图像，p＝3时为彩色图像。

由于像素点均匀分布在图像上，因此不需要考虑样本点的稠密性。为了能够较好的定义概率密度估计，通常规定像素点x的x^r特征与像素点x_i相近，则定义概率密度高；其次，离x的位置越近的像素点x_i，概率密度高，因此采用图像空间和色彩特征的核函数的组合来定义一个新的核函数

其中h_s为图像空间带宽，h_r是灰度带宽，C是一个归一化常数。

另外，针对像素点权重ω(x_i)的设置，本发明根据像素点x_i的邻域方差进行设置，

式中c_r为归一化参数，N_i为像素x_i的邻域，y指邻域N_i内的点，为了方便取像素x_i的3*3或5*5邻域。显然，如果当邻域特征x^r与对应中心点x_i相近，则权重ω(x_i)越大；而当邻域特征x^r与中心点x_i相比差异较大，则ω(x_i)较小，从而使得中心点x_i朝方差变化较小的方向漂移。

步骤3，利用自高向低的聚类阈值分割机制，使扩展的均值漂移算法能快速地将故障区域进行聚类，实现故障区域的有效提取，具体实现方式如下：

步骤3.1，采用均值滤波对原始红外图像进行平滑处理，去除噪声；

步骤3.2，设初始阈值T为红外图像中最高灰度值，以阈值T对步骤3.1中处理之后的红外图像进行划分，得到的分割区域作为初始聚类区域，并标记为故障区域；

步骤3.3，遍历已经聚类的区域之外且满足图像空间带宽h_s内未聚类的像素点x_i，，基于步骤2获得的扩展后的均值漂移模型，针对每一个像素点进行聚类；

步骤3.4，将聚类区域的灰度均值赋给阈值T，并对图像进行划分，获取图像空间中其他可能出现的高亮区域，同时保留已经标记的像素点；

步骤3.5，如果整个聚类区域不再发生变化，停止迭代，输出故障区域结果，否则转向步骤3.3，继续循环。

本发明方法是建立在电力设备红外故障特性基础上；其次，区域亮度均值作为阈值能够有效地确定聚类区域，使得最终获得较为完整的区域，从而为后续电力故障自动辨识奠定基础。

为了便于比较与分析，本发明在Intel(R)Core(TM)i5CPU 4GB内存PC机Matlab(2010b)上编程实现。图2给出了真实的电力设备发生故障的红外图像。在这些测试图像中，很显然，电力故障区域即为图像中亮度较高的区域。实验中，本发明的初始化核参数h_s＝3，h_r＝5，以及最高灰度聚类中心作为初始阈值，为了进一步说明该方法比现有的一些方法分割的有效性，在相同平台下应用Otsu、分水岭方法、PCNN以及本发明方法进行对比实验，得到的结果分别如图3-6所示。

从图3-6所示的区域提取结果表明，本发明提出的方法对故障区域提取以及区域完整性都得到了很好的保障。Otsu方法因阈值的选择取决于类间方差最大准则，然而，图像中因故障区域面积小，灰度分布均匀，使得阈值向低灰度值偏移，最终获取的结果显然会将非故障区域归类为故障区域。分水岭方法是一种将图像看出一幅“地图”，通过寻找“分水岭界限”实现图像分割，如图4所示的分割界限，这种方式对具有较大的变化的边界具有较好的效果，例如图4中第1、3幅图的结果，而当存在其他具有明显边界时，容易产生多个分割区域。PCNN模型分割在一定程度上依赖于其参数设置，从图5中可以看出，该方法对高亮度区域体现效果较好，但是对于目标区域小且灰度较低的故障区域，最终分割效果会受其参数设置以及停止迭代规则影响。本发明方法是建立在电力设备红外故障特性基础上；其次，区域亮度均值作为阈值能够有效地确定聚类区域，使得最终获得较为完整的区域，从而为后续电力故障自动辨识奠定基础。最终，与真实的故障区域对比，其区域检测性能指标如表1所示，本发明方法具有最小的检测错误，因此具有较好的应用前景。

表1误分类错误指标评价

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (2)

1.一种基于Meanshift自适应电气设备故障检测方法，其特征在于，包括如下步骤：

步骤1，获得故障电气设备的红外图像，其中电力故障区域即为红外图像中亮度较高的区域；

步骤2，引入基于邻域灰度的权重因子对均值漂移算法进行扩展，获得扩展后的均值漂移模型，具体实现方式如下，

假设一幅图像可以表示成二维网格上的p维向量，每个网格点表示一个像素，网格点的坐标表示图像中的空间信息，那么图像的空间信息和色彩信息可以表示为向量x＝(x^s，x^r)，其中，x^s表示网格点的坐标，x^r表示该网格点上p维向量特征，

为了能够较好的定义概率密度估计，通常规定像素点x的x^r特征与像素点x_i相近，则定义概率密度高；其次，离x的位置越近的像素点x_i，概率密度高，因此采用图像空间和色彩特征的核函数的组合来定义一个新的核函数

其中，h_s为图像空间带宽，h_r是灰度带宽，C是一个归一化常数，k(·)为核函数K(·)的剖面函数；

已知d维空间中n个样本点x_i，i＝1，2，…，n，考虑样本点权值，f(x)的概率密度函数可重写为，

式中，x表示当前聚类中心点，h表示高维球区域的一个固定带宽；ω(x_i)≥0是赋给每一个样本的权重，通常是由样本点到中心点距离的大小决定，距离越大权重越小，表达式为，

其中，c_r为归一化参数，N_i为像素x_i的邻域，y指邻域N_i内的点；由公式(3)可知，如果当邻域特征x^r与对应中心点x_i相近，则权重ω(x_i)越大；而当邻域特征x^r与中心点x_i相比差异较大，则ω(x_i)较小，从而使得中心点x_i朝方差变化较小的方向漂移；

由公式(2)和(3)可知，概率密度函数的梯度估计为，

其中，即对核函数求导的负方向；m_h(x)表示均值漂移向量；

步骤3，利用自高向低的聚类阈值分割机制，使扩展后的均值漂移模型能快速地将故障区域进行聚类，实现故障区域的有效提取，具体实现方式如下，

步骤3.1，采用均值滤波对原始红外图像进行平滑处理，去除噪声；

步骤3.2，设初始阈值T为红外图像中最高灰度值，以阈值T对步骤3.1中处理之后的红外图像进行划分，得到的分割区域作为初始聚类区域，并标记为故障区域；

步骤3.3，遍历已经聚类的区域之外且满足图像空间带宽h_s内未聚类的像素点x_i，基于步骤2获得的扩展后的均值漂移模型，针对每一个像素点进行聚类；

步骤3.4，将聚类区域的灰度均值赋给阈值T，并对图像进行划分，获取图像空间中其他可能出现的高亮区域，同时保留已经标记的像素点；

步骤3.5，如果整个聚类区域不再发生变化，停止迭代，输出故障区域结果，否则转向步骤3.3，继续循环。

2.如权利要求1所述的一种基于Meanshift自适应电气设备故障检测方法，其特征在于，利用红外成像仪获得电气故障设备的红外图像。