CN107767374B - 一种gis盆式绝缘子内部导体局部过热智能诊断方法 - Google Patents

Abstract

本发明涉及一种GIS盆式绝缘子内部导体局部过热智能诊断方法，包括：第一步，建立基于标准视觉图像标记的拍摄位姿校准模型；第二步，建立针对GIS开关盆式绝缘子视觉索引认证引结构：结合电网系统特性，设计一种基于地理空间网格化的GIS开关盆式绝缘子索引机制，先将待索引目标按照地理空间进行粗网格划分，建立基于固定格网的一级索引，以减少跨网格空间对象数量，然后对完全包含在网格区域内的空间对象进行细分，最后为跨网格的空间对象建立索引链表，建立高效的盆式绝缘子索引认证的数据库；将位置信息编码进嵌入图像标记的视觉索引认证模型中；第三步：对内部异常进行识别。

Description

一种GIS盆式绝缘子内部导体局部过热智能诊断方法

技术领域

本发明属于图像识别领域，涉及一种综合利用基于传统图像处理方法和深度学习物体检测算法，基于多模态图像数据，对GIS壳体盆式绝缘子进行智能检索，以及对内部导体局部过热点进行自动诊断的方法。

背景技术

变电站在电力系统中起着非常重要的作用，该场所可以对电压和电流进行交换和分配，之后将电能输送给用户。直接关系到千家万户的用电问题，大规模断电将给国民经济带来不可估量的损失。随着我国电力系统向特高压、大容量、智能化稳步发展，对电力设备安全稳定运行的要求不断提高。而作为汇集、分配和传送电能的重要设备，气体绝缘组合电器(gas insulated switchgear，GIS)母线，在具有运行可靠、结构紧凑、安装维护方便、互换性好等优点的同时，也面临着密封性强、电流较大、损耗发热状况难以准确全面预测和监视的难题。GIS是指采用六氟化硫(SF₆)气体作为绝缘介质和灭弧介质的将母线、断路器、隔离开关、接地开关、互感器、避雷器、连接件等部件密封在金属腔体内部的封闭式开关设备^[1]。GIS因占地面积较小和可靠性高等优点，已被大量应用于电力系统中，随着GIS使用量的增加和使用电压等级的增高，其对电力系统供电连续性和稳定性的影响日益突出，因此必须对GIS的运行工况予以重视，尽量减少GIS故障的发生。

GIS在运行过程中，其内部经常会发生局部发热现象，尤其是盆式绝缘子的部位，这些局部发热会加速GIS部件老化，严重威胁GIS安全稳定运行。当前，主要通过红外测温仪对发热部位进行测温，并根据所得到的测温图来判别发热点和设备的缺陷类型，进而提出相应的处理解决方案。但对于电气设备内部发热点的确定往往是依赖于设备维修人员的相关工作经验，无法进行科学理性的分析和判断。

物体检测任务需要回答一张图像中在什么位置存在一个什么物体。与物体分类问题不同，物体检测问题从数学上是研究输入图像X与输出物体窗口Y之间的关系，这里Y的取值不再是一个实数，而是一组“结构化”的数据，指定了物体的外接窗口和类别^[2]。基于可见光图像和红外图像的盆式绝缘子检测任务作为物体检测任务的一种，依赖于对多模态图像特征的恰当选择与提取，现有的单一的机器学习算法、模板匹配、特征匹配等方法都不能进行有效的检测。盆式绝缘子的识别效率往往与拍摄所在的位置有关，因此考虑一种自适应纠正拍照的方法，来获得高质量的拍摄数据。卷积神经网络(Convolutional NeuralNetwork，CNN)提供了一种端到端的学习模型，经过训练后的卷积神经网络能够较好的学习到图像中的特征，并且完成对图像特征的提取和分类。在计算机视觉领域，CNN最主要的技术优势体现在：通过充分利用图像数据的层次属性，抽象或组合低层信号来构建高层特征，即局部边缘构成主题，主题聚合成部分，部分组成物体，最终使得图像中的物体易于检测或分类。因此，CNN具有极其优良的数据表征能力^[3]。

本发明提出一种，大大减少了人工识别的工作量。

[1]罗学琛.SF6气体绝缘全封闭组合电器(GIS)[M].中国电力出版社,1999.

[2]黄凯奇,任伟强,谭铁牛.图像物体分类与检测算法综述[J].计算机学报,2014,(06):1225-1240.

[3]刘栋,李素,曹志冬.深度学习及其在图像物体分类与检测中的应用综述[J].计算机科学,2016,(12):13-23.

发明内容

本发明针对GIS内部导体局部过热问题提供一种检测GIS盆式绝缘子内部导体局部过热点的方法。本发明综合利用基于传统图像处理方法和深度学习物体检测算法，并且融合可见光和红外多传感器的图像，实现从外部拍摄的图像中对内部导体过热缺陷的检测，可用于不同环境、光照强度及天气情况，对于复杂环境中的GIS壳体盆式绝缘子过热缺陷，可以保证较高的检测准确性。技术方案如下：

一种GIS盆式绝缘子内部导体局部过热智能诊断方法，包括下列步骤：

第一步，建立基于标准视觉图像标记的拍摄位姿校准模型，方法如下：

1)在GIS壳体附近相应位置设置黑色底色，白色图案的标准格式人工图像标记；

2)对拍摄的GIS图像，提取人工图像标记的边缘特征和几何形状特征；

3)及利用深度学习的方法，针对性的训练一个神经网络图像标记识别模型，该模型对在适当的距离、角度下采集到的图像标记准确识别，而对其他情况下的标记均判别识别错误，从而构建一个能够准确识别在适当位置处拍摄到的标记的深度学习图像标记检测模型：构建两个卷积神经网络，分别训练一个候选区域粗选网络和一个类别细选网络；首先将经过图像预处理的巡检数据输入粗选网络，通过在最后一层卷积层上的特征图进行滑窗的方法可得到候选框粗略的区域，然后用得到的粗选区域通过类别细选网络，采用交叉优化的训练机制，分步交替微调两个网络以构建最终的检测模型，同时考虑变形图像的角度信息提取及校正问题和多尺度下的标记信息提取及校正问题，利用在不同位置、不同距离拍摄到的图像标记形变特性、多尺度特性的不同，通过计算图像标记的长宽比、角度、屏占比特征，依据标记图像的几何特点来给出调整方向的建议，进而提示拍摄人员选择合适的拍摄角度和拍摄距离；

第二步，建立针对GIS开关盆式绝缘子视觉索引认证引结构：

结合电网系统特性，设计一种基于地理空间网格化的GIS开关盆式绝缘子索引机制，先将待索引目标按照地理空间进行粗网格划分，建立基于固定格网的一级索引，以减少跨网格空间对象数量，然后对完全包含在网格区域内的空间对象进行细分，最后为跨网格的空间对象建立索引链表，建立高效的盆式绝缘子索引认证的数据库；将位置信息编码进嵌入图像标记的视觉索引认证模型中，在实际应用时使用对应解码算法将编码区域转化为二进制信息，进而解析出认证标记包含的唯一索引信息，在数据库中查询到对应的盆式绝缘子区域位置信息，并且对纠错码进行译码比对；

第三步，通过建立可见光图像和红外图像之间的位置映射模型，将在可见光中检测出的目标位置对应到红外图像上，并利用异构图像间的几何关系，输出以盆式绝缘子为中线的边长为GIS壳体直径的正方形区域以及对应的绝缘子两侧上部区域，进而通过该区域内的温度梯度对内部异常进行识别。

本发明综合利用传统图像处理算法和深度卷积神经网络的算法，设计了一种基于多模态图像的GIS盆式绝缘子内部导体局部过热点检测系统。通过人工巡线构建GIS壳体可见光和红外图像库，通过视觉辅助标准拍摄模型和多模态数据融合识别算法的建立，能够通过外部拍摄直接对盆式绝缘子内部过热进行准确高效的检测。与现有技术相比，这种方法对能够获得规范的、高质量的拍摄图像，能够有效提升复杂背景环境下的过热故障识别，通过简单的外部拍摄工作即可对直接内部过热进行自动诊断，极大地减少了人工工作量，并且漏检率较低。

附图说明

图1基于深度学习的图像标记识别方法流程

图2变形图像的角度信息提取及校正

图3多尺度下的标记信息提取及自适应校正

图4图像融合过程示意图

图5(a)和(b)分别为GIS壳体盆式绝缘子可见光图像及红外图像检测效果

具体实施方式

为使本发明的技术方案更加清楚，下面结合附图对本发明做进一步阐述.。本发明按以下步骤具体实现：

第一步，建立基于标准视觉图像标记的拍摄位姿校准模型。

为了使得视觉系统能够准确有效地识别GIS壳体，以便于识别和分析，首先需要在GIS壳体附近相应位置设置人工设计的标志物。人工图像标记的设计以具有规则的几何外形和鲜明的色彩特征为准则。不同的图像标记有不同的识别方式、识别速度、识别准确率以及程序复杂性，在数字图像处理中黑白色较易区分、正方形较易辨认，因此选取黑色底色，白色图案的方式作为人工图像标记。

(1)、建立一种标准格式的图像标记，该标记满足以下几个设计要求：

a)该标记尺度和分辨率应该在分辨率、宽高比等因素上能够满足测量要求(即在不同距离、方位上，采用固定分辨率光学相机拍摄时，应该达到满足要求的屏占比)；

b)该标记对角度敏感，能够利用角度造成的图像畸变提示拍摄位姿的修正；

c)设计标记时应能够满足光学相机的焦距要求(中焦，不超过80mm)；

d)标记被光学相机捕捉时，应对环境变化具有鲁棒性；

e)标记被光学相机捕捉时，能够应对部分由摄影设备造成的畸变；

(2)、开发针对该图像标记的识别算法，该算法能够利用标记特征对拍摄位姿进行校正。

a)利用边缘检测对标记进行提取

图像灰度值的不连续性反映了物体的边缘信息，利用基于一阶微分算法的Sobel算子，与原图像卷积分别计算出横向及纵向的亮度差分近似值，根据像素点上下、左右邻点灰度加权差在边缘处达到极值这一现象检测图像标记的边缘。

b)基于几何信息的标记提取

由于人工图像标记具有特定的形状特征，使用基于图像几何特征的快速模板匹配算法，根据曲面拟合原理，通过平移变换推导出精确梯度方向和亚像素边缘坐标，在图像金字塔算法的搜索策略基础上，通过选择特殊的边缘点作为试探点，加快匹配度计算的效率，最后通过一次近似处理得到几何标记亚像素级的准确定位。

c)基于特征融合的图像标记识别算法

为了避免基于单一特征的识别精度低的问题，设计一种同时基于边缘特征和几何形状特征的图像标记识别算法。首先根据GIS壳体的现场情况，对采集到的图像进行适当的预处理，使用Sobel算子对图像进行边缘检测，提取图像标记存在的可能区域，进而使用模板匹配的算法在可能存在的区域附近进行图像金字塔匹配，减少了匹配算法的搜索空间，加快了图像标记的识别效率。

d)基于深度学习的图像标记识别算法

过拟合通常作为深度学习模型的不足之处，本项目利用针对性的训练一个过拟合的深度神经网络标记识别模型，该模型只对在适当的距离、角度下采集到的图像标记有准确地识别，而对其他情况下的标记均判别识别错误。首先在现场的合适位置采集到一定数量的标记图像数据，选用合适的数据增强方式扩大数据量，通过实验构建一个能够准确识别在适当位置处拍摄到的标记的过拟合模型。

通过构建卷积神经网络的方法，先提取图像中的显著区域，并进一步进行分类，来实现变电站典型设备部件的检测与识别。本课题构建两个卷积神经网络，分别训练一个候选区域粗选网络和一个类别细选网络。首先将经过图像预处理的巡检数据输入粗选网络，通过在最后一层卷积层上的特征图进行滑窗的方法可得到候选框粗略的区域，然后用得到的粗选区域通过类别细选网络，采用交叉优化的训练机制，分步交替微调两个网络以构建检测模型。考虑到深度卷积神经网络计算量大，将卷积运算进行分解，在提升网络深度宽度的同时，加大模型的非线性，提升模型运算速度。使两个网络共享卷积层参数，组合为一个统一的、端到端的卷积神经网络，构成变电站典型设备部件目标检测模型。再经边框回归步骤，通过配合非极大值抑制算法排除一些不精确的框，可以得到最佳的设备部件的位置以及类别。如图1所示。

e)变形图像的角度信息提取及校正

检测出标记图像区域后，提取出区域的边缘直线段，利用在不同位置拍摄到的图像标记形变特性的不同，通过计算图像标记的长宽比、角度等特征，依据标记图像的几何特点来给出调整方向的建议来确定图像的倾斜角度，进而提示拍摄人员选择合适的拍摄角度。水平方向上分别计算左侧和右侧的两个角度之和，若(∠1+∠2)>(∠3+∠4)，则说明拍摄的角度偏右，提示拍摄人员应往左方移动；垂直方向上计算上方和下方两个角度之和，若(∠1+∠3)>(∠2+∠4)，则说明拍摄的角度偏下了，提示拍摄人员抬高相机。通过在线计算这4个角的上述关系并给出提示，直到两个式子左右相等(均为180°)或接近，则提示拍摄人员角度合适，可以进行拍摄。如图2所示。

f)多尺度下的标记信息提取及校正

利用标记图像由于距离远近引入的多尺度效应，通过计算图像标记占整幅图像的屏占比，来确定拍摄距离是否合适。如图3所示。当拍摄距离不满足要求时，相机自适应调整焦距，当标记图像屏占比满足要求时自动按下快门捕捉标记。采用基于图像处理的自动调焦方法，离焦深度(depth from defocus，DFD)法。通过图像复原技术对离焦模糊图像进行处理，从而得到聚焦位置图像的最佳恢复。通过采集少量(2～3幅)不同成像参数的离焦图像，并对图像进行处理分析以得到图像标记的深度信息(距离信息)，从而推算出镜头的聚焦位置，并调整镜头到该聚焦位置完成自动调焦。在拍摄距离满足要求，即标记图像满足要求的屏占比时，通过拍摄到的多幅标记图像估计深度信息，从而通过镜头的自动调焦完成对大小、角度均符合要求的标记的捕捉。

第二步，建立GIS壳体盆式绝缘子的视觉索引认证标记。

(1)、盆式绝缘子索引认证的数据结构设计

需要对各种盆式绝缘子数据进行有效处理，要求有一个高效的视觉索引认证引结构结合电网系统特性，设计一种基于地理空间网格化的GIS开关盆式绝缘子索引机制，其设计思想是先将待索引目标按照地理空间进行粗网格划分，建立基于固定格网的一级索引，进行粗分的目的是为了减少跨网格空间对象数量；然后对完全包含在网格区域内的空间对象进行细分，这是二级索引；最后为跨网格的空间对象建立索引链表。这样，对于变电站系统中较长的GIS线路，虽然跨越了多个网格，但其索引信息被存放在单独的链表中，克服了基于网格索引将其索引信息存放在多个磁盘页而造成的冗余存储问题，从而建立高效的盆式绝缘子索引认证的数据库。

(2)、嵌入图像标记的视觉索引认证模型建立

利用特定的几何图形按一定规律在平面(二维方向上)分布的黑白相间的图形记录数据符号信息。首先需要建立特定的位置探测图形，用于视觉索引的准确定位以及编码内容的坐标系建立。在代码编制上利用构成计算机内部逻辑基础的“0”、“1”比特流的概念，使用若干个与二进制相对应的几何形体来表示文字数值信息，记录每个盆式绝缘子唯一的索引信息，通过图象输入设备自动识读以实现信息自动处理。设置合适的纠错码来对解码到的数据进行校验纠错，避免索引认证误差。

(3)、视觉索引认证标记的识别与查询

首先对探测图形进行搜索和定位，从而确定视觉索引认证模型中的编码坐标。使用适当的图像去噪算法去除外界环境和传感器本身引入的视觉索引图像上的噪点，并且进行适当的图像预处理方法对待识别区域进行增强。由于采用黑白两色对视觉索引认证模型进行编码，因此将图像进行灰度化和二值化，将视觉索引图像变成只含有黑白色编码的图像，根据使用对应解码算法将编码区域转化为二进制信息，进而解析出认证标记包含的唯一索引信息，在数据库中查询到对应的盆式绝缘子区域位置信息。并且对纠错码进行译码比对，对解码到的数据信息进行校验。

第三步，利用多模态图像进行盆式绝缘子定位及异常检测。

(1)、基于图像配准及特征匹配的多模态数据融合方法研究

首先进行像素级融合，主要采用基于小波变换的方法，基本步骤如下：对可见光和红外图的每一幅原图像分别进行小波分解，建立图像的小波金字塔分解；对各分解层分别进行融合处理，采用不同的融合算子对各分解层的不同频率分量进行融合，最终得到融合后的小波金字塔；对融合后所得的小波金字塔进行小波逆变换，所得到的重构图像即为融合后的图像。如图4所示。

(2)、基于可见光图像的盆式绝缘子目标区域检测

考虑到盆式绝缘子具有特定的外观特征以及GIS开关背景环境的多样性，因此采用采用传统图像检测方法与基于深度学习物体检测方法相结合的方式。

a)基于传统图像检测方法的盆式绝缘子检测

首先利用适当的图像预处理方式，去掉环境和传感器本身带来的噪声，增强目标区域的特征。充分利用人工的先验知识，设计能够有效提取盆式绝缘子颜色特征、纹理特征及形状特征的特征提取算法，研究针对于实际现场的图像检测算法，利用模板匹配的算法提取出拍摄图像中所有有可能存在盆式绝缘子的区域。

b)基于深度学习图像检测方法的盆式绝缘子检测

利用深度卷积神经网络分类器，对候选区域进行分类和二次检测，区分出背景区域、正常区域与缺陷区域。使用传统图像检测算法引入人工先验知识，再结合深度学习算法以对抗实际检测时背景环境的多样性和复杂性，提高盆式绝缘子目标区域检测。通过分割算法得到盆式绝缘子的中线部位以及GIS壳体的直径，输出以盆式绝缘子为中线的边长为GIS壳体直径的正方形区域以及对应的绝缘子两侧上部区域。

(3)、基于多模态图像的盆式绝缘子温度异常检测

a)基于多模态图像盆式绝缘子定位和温度识别

对于红外影像的盆式绝缘子异常诊断问题，首先进行红外热成像图像采集，然后利用异构图像间的几何关系，将可见光图像识别出的盆式绝缘子目标区域位置，对应到配准融合之后的红外图像上，从而将红外图像上对应的盆式绝缘子目标区域提取出来。采用基于直方图均衡化和小波变换的图像增强技术，在此基础上对拍摄到的红外影像分析出各点的温度值，并且区分出设备温度与环境温度。如图5所示。

b)基于红外图像的盆式绝缘子温度异常检测

根据识别到的设备不同部位温度值以及环境或者对应参考点温度值，对检测到的温度异常数据和故障类别进行匹配分析，判别出问题种类及其位置，对盆式绝缘子的故障实现智能诊断与定位

根据下式计算出GIS热谱图像中的相对温差，之后得出异常点的相对温升值，比较正常状态下的温升，从而对异常部位进行分解检测。

式中，τ₁和T₁为发热点的温升和温度，τ₂和T₂正常相对应点的温升和温度，T₀为环境参照体的温度。

GIS壳体典型发热主要有接头发热、罐体环流发热、涡流发热和外部因素引起发热等情况，其中接头接触不良发热属于内部异常发热，其他三项是外壳发热，内部发热检测难度大、危害大，不及时处理，易引发事故。根据相对温差值判断GIS壳体的故障异常。当相对温差大于相应的阈值范围时分别认定为一般缺陷、重大缺陷和紧急缺陷。

同时考虑到设备温度变化的趋势性特点，将不同检测点测得的设备温度分别进行记录和统计，构建温度变化的回归模型，利用历史数据拟合出温度变化的趋势，预测出未来时刻点可能出现的温度异常情况，进行提前预警。通过故障温度阈值与温度变化率的双重判断预测GIS设备的运行情况，并结合红外图像数据库中的信息判断GIS故障的类型，实现红外图像的盆式绝缘子故障检测。

Claims (1)

1.一种GIS盆式绝缘子内部导体局部过热智能诊断方法，包括下列步骤：

第一步，建立基于标准视觉图像标记的拍摄位姿校准模型，方法如下：

1）在GIS壳体附近相应位置设置黑色底色，白色图案的标准格式人工图像标记；

2）对拍摄的GIS图像，提取人工图像标记的边缘特征和几何形状特征；

3）利用深度学习的方法，针对性的训练一个神经网络图像标记识别模型，该模型对在设定的距离范围和设定的角度范围内采集到的图像标记准确识别，而对其他情况下的标记均判别识别错误，从而构建一个能够准确识别在适当位置处拍摄到的标记的深度学习图像标记检测模型：构建两个卷积神经网络，分别训练一个候选区域粗选网络和一个类别细选网络；首先将经过图像预处理的巡检数据输入粗选网络，通过在最后一层卷积层上的特征图进行滑窗的方法可得到候选框粗略的区域，然后用得到的粗选区域通过类别细选网络，采用交叉优化的训练机制，分步交替微调两个网络以构建最终的检测模型；

4）同时考虑变形图像的角度信息提取及校正问题和多尺度下的标记信息提取及校正问题，利用在不同位置、不同距离拍摄到的图像标记形变特性、多尺度特性的不同，通过计算图像标记的长宽比、角度、屏占比特征，构建拍摄位姿校准模型，依据标记图像的几何特点来给出调整方向的建议；

第二步，建立针对GIS开关盆式绝缘子视觉索引认证结构：

结合电网系统特性，设计一种基于地理空间网格化的GIS开关盆式绝缘子索引机制，先将待索引目标按照地理空间进行粗网格划分，建立基于固定格网的一级索引，以减少跨网格空间对象数量，然后对完全包含在网格区域内的空间对象进行细分，最后为跨网格的空间对象建立索引链表，建立高效的盆式绝缘子索引认证的数据库；将位置信息编码进嵌入图像标记的视觉索引认证模型中，在实际应用时使用对应解码算法将编码区域转化为二进制信息，进而解析出认证标记包含的唯一索引信息，在数据库中查询到对应的盆式绝缘子区域位置信息，并且对纠错码进行译码比对；

第三步，通过建立可见光图像和红外图像之间的位置映射模型，将在可见光中检测出的目标位置对应到红外图像上，并利用异构图像间的几何关系，输出以盆式绝缘子为中线的边长为GIS壳体直径的正方形区域以及对应的绝缘子两侧上部区域，进而通过该区域内的温度梯度对内部异常进行识别。

Images