CN110243542A - 一种sf6气体泄漏成像检测方法及检测装置 - Google Patents

Abstract

本发明涉及一种SF₆气体泄漏成像检测方法及检测装置，所述检测方法包括以下步骤：1)以一自加热金属板作为红外成像热源及背景；2)红外成像检漏仪获取待检测气体的红外图像；3)将所述红外图像作为预先训练好的基于Faster‑RCNN的自动检测模型的输入，获得检测结果。与现有技术相比，本发明具有显著加强红外成像检测效果、适用于环境复杂、背景干扰较多的极端环境等优点。

Description

一种SF6气体泄漏成像检测方法及检测装置

技术领域

本发明涉及气体泄漏识别技术领域，尤其是涉及一种SF₆气体泄漏成像检测方法。

背景技术

SF₆由于其优良的绝缘性能和灭弧性能，被广泛应用于GIS组合电器中。但在GIS设备的运行过程中，出现了较多SF₆气体泄漏的现象。

导致SF₆泄漏的主要原因有以下几种：(1)电气设备缺陷，如电气设备在生产加工、安装、运输等过程中出现的沙眼、裂纹、焊接不良等情况。(2)设计上的缺陷，如多气室连接并共用一块密度继电器继而导致设备的连接管路较长、接头较多等。GIS发生SF₆气体泄漏时，会导致设备绝缘性能下降，同时SF₆会污染环境，如不及时处理，可能引起重大事故；当GIS设备位于室内，泄漏的SF₆气体浓度过高时，发生气体泄漏后会影响的运维人员的安全，甚至会使人窒息。因此，SF₆泄漏应当及时被发现，做好SF₆气体泄漏的检测工作是保障系统安全、稳定运行的重要内容之一。

SF₆无色无味，无法依靠感观直接检测，需要引入特殊手段。近年来红外热成像检漏技术在SF₆漏气检测中广泛应用，取得了不错的效果。然而，红外热成像检漏技术在一些场景下，如检测环境复杂、背景中物品较多或结构复杂、背景温度与被测气体温度相近等，其成像效果不理想，通过人眼观察容易出现漏检的情况。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种SF₆气体泄漏成像检测方法及检测装置。

本发明的目的可以通过以下技术方案来实现：

一种SF₆气体泄漏成像检测方法，包括以下步骤：

1)以一自加热金属板作为红外成像热源及背景；

2)红外成像检漏仪获取待检测气体的红外图像；

3)将所述红外图像作为预先训练好的基于Faster-RCNN的自动检测模型的输入，获得检测结果。

进一步地，获取红外图像时，所述自加热金属板的温度高于待测设备的温度。

进一步地，所述基于Faster-RCNN的自动检测模型获得的检测结果包括是否漏气及漏气位置。

进一步地，所述基于Faster-RCNN的自动检测模型中，在卷积层输出特征图上运用滑动窗口法选择候选区域。

进一步地，训练所述基于Faster-RCNN的自动检测模型时，以不同角度、不同浓度和不同周边环境的SF₆气体泄漏图片作为训练样本。

进一步地，该方法还包括：

先采用负电晕检测仪检测进行泄漏初步检测，在判断存在泄漏点时，执行步骤1)-3)。

本发明还提供一种SF₆气体泄漏成像检测装置，包括自加热金属板、红外成像检漏仪和上位机，其中，

所述自加热金属板为待测设备进行红外成像时的热源及背景，

所述上位机与红外成像检漏仪连接，上位机获取红外图像，将所述红外图像作为预先训练好的基于Faster-RCNN的自动检测模型的输入，获得检测结果。

进一步地，所述自加热金属板包括金属板本体、支架和加热底座，所述金属板本体可伸缩旋转地安装于支架上，所述支架设在加热底座上，所述金属板本体与加热底座电连接。

进一步地，所述金属板本体为正方形金属板。

与现有技术相比，本发明具有以如下有益效果：

1)本发明采用基于Faster-RCNN的自动检测模型实现红外成像图像的智能分析，提升最终的检测效果和智能化水平。

2)本发明以自加热金属板作为红外成像热源及背景，强大SF₆气体与背景的温度差距，SF₆气体检漏效果显著加强，可方便用于实际工程现场。

3)本发明结合负电晕设备使用灵活、适用范围广的特点，可以有效扩大红外成像的检测范围，使得在环境复杂、背景干扰较多的场景中也能获得较高的检测精度。

4)本发明通过结合金属板或结合另一个设备去检测，一方面提高了红外检漏仪的最小检漏值，另一方面提高了适用范围和可靠性。

5)本发明设计的自加热金属板中，金属板本体可伸缩旋转地安装于支架上，便于探入微小的缝隙中，扩大适用范围。

附图说明

图1为本发明的流程示意图；

图2为本发明实施例中采用的红外热像检漏仪示意图；

图3为本发明实施例中采用的自加热金属板示意图；

图4为红外图像比较示意图，其中，(4a)为不加金属板的红外图像示意图，(4b)为仅以自加热金属板为热源时的红外图像示意图，(4c)为以自加热金属板为热源及背景时的红外图像示意图；

图5为本发明实施例中采用的Faster-RCNN流程图；

图6为本发明实施例中母线通管漏气的检漏效果，其中，(6a)、(6b)是使用普通模式拍摄所得图片，(6c)、(6d)是高热灵敏度模式(HSM模式)下拍摄所得图片；

图7为本发明实施例中采用的负电晕放电检漏仪示意图；

图中标记：1—探头；2—净化层；3—检测器；4—抽气泵；5—信号放大器；6—指示仪表；7—报警电路；8—电源；9—自动跟踪电路；10—高压脉冲发生器；11—金属板本体；12—支架；13—加热底座。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

如图1所示，本实施例提供一种SF₆气体泄漏成像检测方法，包括以下步骤：

1)以一自加热金属板作为红外成像热源及背景；

2)红外成像检漏仪获取待检测气体的红外图像；

3)将所述红外图像作为预先训练好的基于Faster-RCNN的自动检测模型的输入，获得检测结果。

实现上述方法的装置包括自加热金属板、红外成像检漏仪和上位机，上位机与红外成像检漏仪连接，上位机获取红外图像，采用基于Faster-RCNN的自动检测模型获得检测结果。

由于大气中存在二氧化碳、水蒸气、臭氧等具有吸收作用的气体，红外线的辐射能量将会逐渐衰减。红外波长为1～2.5μm、3～5μm、8～14μm时大气的吸收作用较弱而红外线的穿透能力较强。常规红外热成像仪正是利用了8～14μm这一波段进行工作。而SF₆气体在10.6μm的红外辐射下具有极强的吸收峰，故而可将红外检测仪的可选工作波段进一步缩小。在该波段工作时，泄漏气体出现区域的视频图像将产生变化，气体浓度越大，吸收强度就越大，所造成的可视烟雾状阴影也就越明显。本实施例采用FLIR公司生产的GF306红外热成像仪，其主要由光学系统、信号处理器、红外探测器和显示器组成，工作波段为10.3～10.7μm，如图2所示。

红外热成像检漏的原理是基于待检测气体和环境温度不同进而导致的辐射能力不同，故选择与被测物体有较大温差的物体作为背景可取得更好的检测效果。天空的温度可认为接近绝对零度，因此天空是最为理想的拍摄背景。在以天空为背景时，SF₆可以取得较为理想的效果。然而，实际工程中往往无法选择以天空为背景，特别是对于狭小或犄角处，或环境温度和设备温度非常接近时，单独使用红外热成像检漏仪其检测效果难以保证。

本实施例使用自加热金属板来加强效果。如图3所示，自加热金属板包括金属板本体11、支架12和加热底座13，金属板本体11可伸缩旋转地安装于支架12上，所述支架12设在加热底座13上，且金属板本体11与加热底座13电连接。加热底座13具有温度调节功能，在加热底座13连接电源后，可设定金属板本体11的温度。通过合理放置自加热金属板的位置，对周围空气进行加热，同时使得自加热金属板成为红外成像检漏仪拍摄的背景，可以显著地提升检测效果。自加热金属板由于自身的温度区别于泄漏气体和设备，因而在红外热成像仪的拍摄下显得格外明显，如将金属板本体的温度设置为45度，即明显高于设备温度时，金属板本体在成像图片中的亮度较高，颜色接近于白色，这使得温度较低的SF₆气体特别显著，极大地提高了检测精度。

图4给出了在不加金属板、金属板仅作为热源和金属板既作为热源又作为背景的三者对比。在实验室环境下控制SF₆泄漏强度为0.75μL/L，图(4a)为不加金属板的情况，气体泄漏只有非常淡的阴影，很难被观测到。图(4b)为使用自加热金属板作为热源的拍摄效果，可以观测到阴影部分变得略微明显，但是仍然不易察觉。图(4c)为使用自加热金属板即作为热源又作为拍摄背景的情况，成像效果大为改善——以自加热金属板为背景后，背景非常亮接近于白色，而颜色较深的SF₆气体在其上的泄漏现象变得十分显著。

进一步，为了定量评估提升效果，本实施例测试了三种情况下的SF₆泄漏的极限检漏值。极限检漏值是指在某一环境下，红外成像检漏仪能够检测到最低的气体泄漏强度，其结果如表1所示。实验室内使用SF₆气体泄漏发生装置逐次减小SF6的泄漏强度，直至完全观测不到泄漏现象为止。通过表1可以看出，改善周边温度可以提升红外成像仪的检漏效果，不加加热板时极限检漏值为0.93μL/L；加入加热板仅作为热源时，极限检漏值为0.77μL/L，效果略有提升；而将加热板既作为热源又作为背景时，检漏效果显著加强，极限检漏值达到0.13μL/L，仅为原始极限检漏值的13.98％。该实验证明了本发明所提的基于自加热金属板的改善拍摄背景和温度的方法效果极为显著，且可用于实际工程现场。

表1三种情况下的极限观测值

卷积神经网络是人工神经网络的一种，在图像分析，目标检测领域有着非常好的效果，其基本结构包括输入层、卷积层、池化层、全连接层及输出层。卷积核用于提取图像的局部特征，卷积层中的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输出：

x^l＝f(W^lx^l-1+b^l) (1)

其中，x^l,x^l-1分别为本层输入(上一层输出)和本层卷积后所得特征，W^l和b^l分别表示卷积核的连接权值与偏置。所提特征再经过池化操作，池化操作通过对数据中的局部进行运算来降低数据维度，避免过拟合。采用最大值池化，选取局部的最大值作为压缩后的特征。卷积层和池化层一般会取若干个，采用卷积层和池化层交替设置，多层次提取特征。在一定范围内，网络层数越高，学习到的特征越抽象，越能表示图像的全局化信息。

通过不同的大量卷积核对图像中不同的特征进行提取，逐渐合并成高维特征，最终通过全连接层和softmax层对图像进行分类。全连接层即普通的前向传播神经网络，Softmax层把输出映射为概率的形式，如式：

其中eⁱ表示某一个神经元的输出值。

Faster-RCNN不仅能够识别是否存在漏气，同时能够标出漏气的位置。在Faster-RCNN的训练中，首先使用区域回归网络(RPN)生成一定量的可选区域。RPN的输出端有两个神经网络，一个用于给出矩形区域，一个用于判断是否漏气。RPN利用卷积神经网络从特征中直接提取出不同大小，不同位置候选区域，并且给每个候选区域一个判断为目标的得分，得分通过阈值即可认定为漏气。通过RPN所提取到的候选区域一般会有大量的重复，本方案基于候选区域的分类得分，对候选区域集合中选取得分最高的前几个候选区域，最后边框输入到回归网络和分类网络。为了生成候选区域，在卷积层输出特征图上运用滑动窗口法选择区域。在特征图中有若干区域，对于每个区域，同时预测k个目标候选区域，卷积特征图中的每一个像素都可以作为目标候选区域的中心。每个滑窗被映射到一个256维的低维向量中。该特征向量被传送到检测网络的两个子网络中：边框回归网络和边框分类网络。RPN最终输出多张可能的候选区域，并且给出一定的分值，之后在利用卷积神经网络进行下一步判断。

本实施例所使用的Faster-RCNN的总体流程图如图5所示，其中的Roi池化即对候选区域四个顶点的坐标进行池化，使得不同大小的候选区域池化后有相同大小的特征向量。Faster-RCNN作为一种图像分析工具，经过充分的训练后，可以自动检测出红外热成像仪所得热像中气体泄漏的位置，具有快速性和实效性，同时避免了人工逐帧观察，节省了大量的人力；在部分特殊场景时，Faster-RCNN甚至可取得优于人眼的检测效果。

Faster-RCNN作为一种深度学习技术，需要首先经过线下的训练，才能在实际场景发挥作用，训练时需要大量的SF₆气体泄漏图片作为输入。这些输入的图片应是多角度，不同浓度和周边环境下的图片，实际现场发生的SF₆气体泄漏由于数量有限，不能够满足本实施例训练Faster-RCNN模型所需，因而本实施例利用实验室的SF₆气体泄漏仪，在实验室中产生足够的图片集。

本实施例以某500kV换流站为例，其备用六间隔处气压出现异常，采用FLIR的GF306红外热成像仪拍摄发现备用六间隔二号管母线通管处SF₆气体泄漏，如图6所示，图6中(6a)、(6b)是使用普通模式拍摄所得图片，经训练后的Faster-RCNN检测发现漏气，得分分别为84％和73％，图(6c)、(6d)是高热灵敏度模式(HSM模式)下拍摄所得，在HSM模式下SF₆气体泄漏可以更加明显得被检测到，图(6c)、(6d)的检测得分均为99％，可以非常好的检测到发生漏气。

Faster-RCNN在不同浓度，不同热源的情况下检漏精度不同。在训练完成后，本实施例为了测试Faster-RCNN的效果，生成了图片种类相对较少，每种情况下图片量较大，与训练集不同的测试集。为了与训练集有所区别，测试集对SF₆气体泄漏浓度0.05μL/L到1.95μL/L，每0.1μL/L为跨度的图片，热源仍为室温，手和装满热水的矿泉水瓶。每种情况生成10张图片进行测试。测试时通过网络输出的得分进行评估，通常来说得分超过70％即认定为发现泄漏。本实施例对测试集中的每种情况做了实验，详细实验结果如表1。在拍摄中，连续拍摄了SF₆气体泄漏浓度0.1μL/L到2μL/L，以每0.1μL/L为跨度的不同浓度的数据。热源分别使用室温、手、装满热水的矿泉水瓶，各类情况下拍摄5张图片，共计5×20×3＝300张图片用来作训练集。

为了证明基于Faster-RCNN的检漏方法比直接使用红外热成像检漏技术的效果好，本实施例测试了同样条件下人眼直接观测的极限检漏值，极限检漏值指在某一环境下，红外成像检漏仪能够检测到最低气体测量量，如表2所示。

表1不同泄漏浓度，热源下的检测与误检数，每组实验有10张图片进行检测

表2三种情况下的极限观测值

条件	室温	手	装满热水的矿泉水瓶
				极限观测值	0.93μL/L	0.73μL/L	0.64μL/L

在室温条件下极限检漏值为0.93μL/L，而基于Faster-RCNN的方法0.85μL/L时仍能全部检测到气体泄漏，在0.75μL/L仍然能检测到80％的泄漏。二在采用手作为热源辅助成像时，极限检漏值为0.73μL/L，基于Faster-RCNN的检漏算法在0.65μL/L仍能全部检测到，在0.45μL/L时仍具有80％的检漏率。当使用装满热水的矿泉水瓶作为热源时，极限检漏值为0.64μL/L，而Faster-RCNN在0.45μL/L以上都具有较高的检测率。由此可以证明，本实施例所提出的基于Faster-RCNN的算法可以有效的提高红外热成像检漏技术的检测精度。

实施例2

本实施例提供的一种SF₆气体泄漏成像检测方法中，为了进一步提高检测精度，先采用负电晕检测仪检测进行泄漏初步检测，在判断存在泄漏点时，再执行如实施例1所述的步骤1)-3)，其余同实施例1。

图7是负电晕放电检漏仪的结构组成图，其工作原理如下：抽气泵从探头吸入气体，经净化层进入检测器内并与其中的负电晕发生作用——负电晕由高压脉冲发生器产生，当吸入气体含有电负性气体时，气体将会捕获负电晕的电子，致使电晕效应将受到抑制，继而减小电晕电流。该过程将随着吸入气体的浓度升高而加剧。电晕电流通过信号放大电路转换成浓度指示值，若浓度超限，则由报警电路发出警告信号。

负电晕检测仪具备体积小，重量轻、造价低的特点，且探头部分可以弯曲，适合于检测发生在狭小处的泄露。因此，将负电晕检测仪和红外热成像仪结合起来使用，可有效发挥各自的优越性。在SF₆气体泄漏量较小时，单独使用GF306并不能从外部发现气体泄漏，但通过负电晕检测技术逐点检测后，可大致估计SF₆的泄漏位置。依此打开机构箱再次使用GF306可观测到SF₆泄漏。因此，负电晕检测技术有效地辅助了红外热成像检漏技术的应用。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种SF₆气体泄漏成像检测方法，其特征在于，包括以下步骤：

1)以一自加热金属板作为红外成像热源及背景；

2)红外成像检漏仪获取待检测气体的红外图像；

3)将所述红外图像作为预先训练好的基于Faster-RCNN的自动检测模型的输入，获得检测结果。

2.根据权利要求1所述的SF₆气体泄漏成像检测方法，其特征在于，获取红外图像时，所述自加热金属板的温度高于待测设备的温度。

3.根据权利要求1所述的SF₆气体泄漏成像检测方法，其特征在于，所述基于Faster-RCNN的自动检测模型获得的检测结果包括是否漏气及漏气位置。

4.根据权利要求1所述的SF₆气体泄漏成像检测方法，其特征在于，所述基于Faster-RCNN的自动检测模型中，在卷积层输出特征图上运用滑动窗口法选择候选区域。

5.根据权利要求1所述的SF₆气体泄漏成像检测方法，其特征在于，训练所述基于Faster-RCNN的自动检测模型时，以不同角度、不同浓度和不同周边环境的SF₆气体泄漏图片作为训练样本。

6.根据权利要求1所述的SF₆气体泄漏成像检测方法，其特征在于，该方法还包括：

先采用负电晕检测仪检测进行泄漏初步检测，在判断存在泄漏点时，执行步骤1)-3)。

7.一种实现如权利要求1所述方法的SF₆气体泄漏成像检测装置，其特征在于，包括自加热金属板、红外成像检漏仪和上位机，其中，

所述自加热金属板为待测设备进行红外成像时的热源及背景，

所述上位机与红外成像检漏仪连接，上位机获取红外图像，将所述红外图像作为预先训练好的基于Faster-RCNN的自动检测模型的输入，获得检测结果。

8.根据权利要求7所述的SF₆气体泄漏成像检测方法，其特征在于，所述自加热金属板包括金属板本体、支架和加热底座，所述金属板本体可伸缩旋转地安装于支架上，所述支架设在加热底座上，所述金属板本体与加热底座电连接。

9.根据权利要求8所述的SF₆气体泄漏成像检测方法，其特征在于，所述金属板本体为正方形金属板。