基于多特征融合的电压致热型设备故障检测
时间：2023-02-13 10:30:12 来源：柠檬阅读网 本文已影响 人 
门茂琛， 段石磊， 郭 磊
(1.郑州大学综合设计研究院有限公司，郑州450001；
2.郑州大学电气工程学院，郑州450001；
3.国网河南省电力公司电力科学研究院，郑州450000)
电压致热型设备包括高压套管、避雷器、绝缘子等，因为温差较小(0～4 K)，在变电站检测现场只有将温宽调至非常窄的范围才能判断这些设备是否有温度异常，检测难度比较大[1]目前电网主要的电压致热性故障诊断方法是通过图像特征判断法、同类比较法进行判别，但是经常遇到检测人员对同一个缺陷等级的判断存在分歧的情况，同一个缺陷在不同人眼里对于它的严重程度判断不统一、对于它的发生机理判断也很难统一、对于它的后续处理判断也不统一，多数依据DL/T 664-2016或测试人员的经验进行判断，但DL/T 664-2016内容并不完善，很多界定较为模糊，难以形成对缺陷的有效判断。电压致热型缺陷的发现很大程度上依赖于环境、操作人员的经验和精确检测的操作水平[2]。红外热图像的拍摄经常出现设备重叠的情况，因此颜色特征要捕捉图像中目标的局部特征具有较大困难[3-4]，导致颜色特征提取的效果很差；
Sobel算子对于提取边缘特征，尤其是红外图像边缘特征具有效率高的特点，针对本研究所要解决的问题，即多用于检测目标的每个像素在邻域中的灰度变化，故选用此算子进行边缘特征提取。边缘特征中的特征量在排除外界影响因素方面具有良好的性能，因此作为本研究融合特征之一[5]；
纹理特征是一种全局特征，可以表征图像或图像区域相应位置的表面特征，但不能完全反映对象的基本特征，因此，仅通过使用纹理特征不能获得高级图像内容[4]。
综上所述，单一特征在完成目标识别及故障诊断时，识别率低，仅用单一特征很难表示故障图像的目标特征。因此笔者提出基于多特征融合的电压致热型设备故障检测方法。不同于以往提取图像的单一特征，如人工特征、绝缘体类别和场景等，多特征包括低级视觉特征(HSV颜色特征、LBP纹理特征和边缘特征)和高级网络提取特征。本研究方法主要提取基于HSV空间的颜色特征直方图[6, 7]；
并利用Sobel算子计算目标图像的边缘特征，此算子对灰度渐变和噪声较多的图像特征提取效果较好[8]，通过计算红外图像中每个像素的梯度大小和方向，提取出红外图像故障区域的边缘特征直方图；
对于纹理特征，本研究利用改进的LBP方法OCS-LBP特征。相比于传统的LBP特征，OCS-LBP特征一定程度上解决了光照的影响，且计算了邻域中相对像素之间的差异，而不是对每个像素进行比较，该方法具有旋转不变性，并且不需要太多的参数，抵抗噪声的能力较强。之后将目标的颜色、纹理和边缘这3种特征通过判别相关分析(DCA)作为特征融合策略进行融合[9]，继而提取故障特征，运用SVM达到绝缘子红外图像目标识别及故障分类的目的。
本研究主要以绝缘子红外图像作为分析方法示例，然后以高压套管、避雷器和电流互感器作为验证，给出验证数据，提高了电压致热型设备故障识别及分类的准确性[10]。
1.1 颜色特征提取
颜色直方图是红外图像特征的重要信息，HSV更接近人眼对颜色的定义，笔者首先将绝缘子红外图像的RGB颜色模型转换为HSV空间模型[11]，并采用二维直方图方法将空间划分为8个色调，每个色调分为8个亮度，每幅图像可以表示为64维矢量。将最具概率的一维转换为64维矢量。将H、S、V各分量特征数据合成一维向量。见图1和图2。
图1 HSV各分量直方图Fig.1 Histogram of each component of HSV
图2 合成分量直方图Fig.2 Composite component histogram
作为融合特征中的一种输入向量，提高了对各种图像特征的识别率[12]。另外识别模板概率计算公式为
(1)
式中a是内核带宽，u=1,2,3,…,m,K(x)是内核函数，该函数公式:
(2)
(3)
由图1可以看出：色度分量直方图为提取H分量的颜色直方图，其中横坐标表示灰度值，H颜色分量中对应像素点的个数显示在y坐标。当灰度值取为200时，就是把色度分量颜色范围切割为200块，则每块区域内所包含像素点的总个数为1.4×103；
同理，图1中，另外两个直方图分别表示S分量和V分量提取的特征量。图2为合成向量的特征直方图。
1.2 边缘特征提取
边缘提取通过大幅减少数据量来简化图像分析，保留有用的物体边界结构信息。Sobel边缘检测器是一种较优的边缘检测器，广泛应用于图像处理领域。基于绝缘子红外图像的特点及分析，用Sobel算子来计算图像亮度函数灰度之近似值。梯度由高斯滤波器的导数来计算。Sobel算子利用两个阈值分别检测强边缘和弱边缘。只有当强边与弱边连接时，弱边才会包含在输出值中。笔者首先利用梯度算子进行轮廓特征的计算[13]，理论基础为下列公式，最后计算出故障区域轮廓特征的直方图。
令绝缘子红外图像的像素点为k(i,j),(i,j)的梯度值公式如下:
(4)
分解该像素点，获取水平和垂直方向的梯度值。梯度方向:
(5)
令λ为识别目标的阈值，因此该像素点的梯度方向重新设定为式(6)
(6)
(7)
Kr表示目标模板的边缘特征直方图，则
(8)
图3 sobel算子检测轮廓Fig.3 Sobel operator detects contour
图4 sobel梯度概率分布图Fig.4 Sobel gradient probability distribution
图5 垂直方向梯度概率分布图Fig.5 Vertical gradient probability distribution
图6 水平方向梯度概率分布图Fig.6 Horizontal gradient probability distribution
1.3 纹理特征提取
由于绝缘子红外图像的特性，经常会出现环境相似目标重叠的情况，导致对HOG特征产生严重影响，使其对红外目标描述能力变小[14]，纹理特征不依赖于颜色和轮廓，目标识别效果更为优良。因为原始的LBP特征会生成很长的直方图，增加了计算时间，而且LBP特征不包含像素点的方向信息[14]。因此，运用了改进的纹理特征提取法：中心对称的局部二值模式(Oriented Center Sym-metric Local Binary Patterns)。
相对于传统的LBP特征，OCS-LBP特征一定程度上减少了光照变化的影响,而且具有旋转不变性[15]，计算速度快的优点[16]。为了提取识别目标在不同环境背景尺度下的纹理特征，对P和R赋予不同的值：
(9)
(10)
其中：gc代表中心像素yc的灰度值大小，而代表以gp为中心，T是一个比较阈值。
(11)
(12)
其中，(xc,yc)表示相邻像素中心点的坐标，ni和ni+(p/2)与ni和ni-(p/2)表示一组关于中心对称的一组像素的灰度值。k为梯度方向，取值为0～7。T是s(x)的比较阈值，由验证的具体情况来决定其取值大小。阈值T的不同设定可以提升目标识别特征的精确度。综上，纹理特征的提取过程就相当明确，将绝缘子红外图像的故障目标区域分割为几个小的区域，再提取这些小区域的特征，完成每个区域像素点的计算后，用归一化的方法获取红外图像的特征矩阵，即图8。
图7 OCS-LBP检测纹理Fig.7 OCS-LBP detects textures
图8 纹理特征图Fig.8 Texture feature map
2.1 特征融合机制
笔者将颜色、轮廓和纹理特征进行融合，然后基于判别相关分析对以上3种特征融合处理。如何正确地组合3个特征成为一个关键的任务[17]，特征融合的目的是将从图像场景中提取的两个或多个相关特征组合成一个比输入特征向量具有更多鉴别信息的特征向量[18]。每个过程显示所有要素图层的大小、完全连接的图层以及输出的大小。对于文献中的特征融合，目的是得到更多的信息描述符来表示图像场景。目前较为有效的特征融合策略有两种。
1)序列特征融合[13]，简单地将两组特征连接成一个单一特征。假设x和y分别是从p、q向量维数的输入图像中计提取的两个特征，然后融合的特征是z，其大小等于p+q。
2)并行策略[19]将两个特征向量组合成一个复数向量z=x+iy，其中是i虚单位。
假设X∈Rq×n和Y∈Rq×n是两个特征矩阵，其中n表示训练特征的个数，p和q分别表示X和Y的特征维数。设Sxx∈Rp×p和Syy∈Rq×q分别表示X和Y的协方差矩阵，Sxy∈Rq×q表示集间协方差矩阵，其中Syx=STxy。
总协方差矩阵S∈R(p+q)×(p+q),然后计算S:
(13)
如文献[20]所述，很难从矩阵S中理解这两个特征之间的关系，典型相关分析(CCA)的共同目标是定义一个线性组合X*=WTxX和Y*=WTyY,它最大化了两个特征集的成对相关性：
(14)
(15)
或者
(16)
式中Z是典型相关鉴别特征。
然而，CCA的主要局限性在于它忽略了图像数据集之间的类结构关系，我们希望最大化特征集之间的相关性，并且需要在每个特征集中分离类。
(17)
式中n表示属于第i类的图像数:
(18)
文献[14]中定义了类间散布矩阵，
式中,
(19)
现在，需要对角化变换特征集的集间协方差矩阵，
(20)
使Wcx=U∑-1/2和Wcy=V∑-1/2,就有
(21)
(22)
2.2 特征融合算法流程
根据上述分析可得，基于DCA方法的深度特征融合所遵循的过程，本研究从输入的红外图像中提取深度特征，进行多特征融合，同样，与DCA方法一样，特征融合可以通过并行或串联来执行，其中并行方法允许融合特征的维数更低，精度变化较小。图9描述了基于DCA方法的深度特征融合所遵循的步骤，从输入的红外图像中提取深层特征，然后，从3个完全连接的层中选择3个特征集。基于DCA计算这些特征的新转换。在此基础上，将变换后的特征组合起来，用融合的信息特征来表示输入图像。具体算法流程图如下：
图9 特征融合算法流程Fig.9 Feature fusion algorithm flow
步骤如下:
1)输入绝缘子红外图像，提取输入图像中的深度特征。
2)对每张红外图像提取颜色、轮廓和纹理3个特征信息。
3)从两个完全连接的层中选择3个特征集，基于DCA计算这些特征的新转换。
4)将变换后的特征组合起来，用归一化后的信息特征来表示输入图像。
本实验充分利用某省电科院提供的红外图谱、红外检测报告等资料。首先，提取红外图像的轮廓边缘特征以识别绝缘子，然后提取颜色和纹理特征，并标记故障特征，然后选择三层作为3个不同的特征描述符。根据分析，本研究使用正常融合和DCA融合将提取的特征进行有效融合[20]。对于DCA融合，变换特征的大小由式(16)决定。将提取的组合特征输入到状态模型，得到绝缘子红外图像故障类别，包括正常，缺陷，以验证多特征融合的效果。
3.1 验证数据
笔者搜集并整理了某省电科院近两年全省34座500 kV变电站及1 000 kV特高压的红外图谱及红外检测报告中的缺陷图谱，其中避雷器共120张，高压套管共109张，电流互感器118张，训练和测试比例按照7∶3的比例分配。具体如表1。
表1 样本具体分配Table 1 Specific sample allocation
所有样本存放在6个文件夹中分别是命名arf，arn，hbf，hbn，ctf，ctn存放缺陷避雷器，正常避雷器，缺陷高压套管，正常高压套管，缺陷电流互感器，正常电流互感器。
3.2 验证过程
WEKA是一种数据挖掘机器学习软件，其中包括处理标准数据挖掘问题的所有方法，如分类、回归、关联规则和在新的交互式界面上的可视化[22]本过程基于WEKA软件对各特征进行分类效果的验证，首先利用Matlab提取的3个单一特征对所有样本进行故障分类，然后与本研究提出的融合方法提取融合特征，进行对比。为了保证控制唯一变量，在WEKA中用同一种算法，本研究选用公认效果比较好SVM算法对样本进行分类[23]。改变颜色特征的权值ω1、纹理特征的权值ω2和轮廓特征ω3(ω1=0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，且ω1+ω2+ω2=1)进行分类，然后选取分类效果最佳的ω1、ω2和ω3，分别作为颜色特征、纹理特征轮廓特征的权值。综合考虑每个类别分类结果的平均准确率，取ω1、ω2和ω3的值分别为0.6、0.1和0.3。图10为避雷器、高压套管和电流互感器的分类验证效果示例：
图10 分类示例Fig.10 Classification of the sample
本研究缺陷识别准确率计算公式：
(23)
分别训练单一特征和融合特征对所有样本进行训练，建立故障分类模型，通过测试集验证得到各设备故障分类的缺陷识别准确率和训练时间，结果见表2。
表2 缺陷识别准确率及训练时间Table 2 Defect recognition accuracy and training time
由表2可知，当以单个特征作为训练模型的分类器时，可以看出分类精确度比较差，但所用时间比较少，训练时间短；
而对于多特征融合，就要对样本的每张图片的3个特征进行提取并融合，进而对样本训练，相对于训练单一特征，由融合特征进行的分类模型，缺陷分类的准确度得到了明显提高，但增加了对多个特征进行融合的过程，因此训练样本的时间有所增加。同时，电流互感器为混合型致热设备，故障特征相对于电压致热型设备比较明显，识别率最高，说明本研究方法可以考虑适用于电流致热型设备的故障识别。
本研究提出了一种多特征融合方法来提高变电站电压致热型设备红外图像故障识别的性能，该方法结合了改进的局部二值模式、Sobel算子、HSV颜色空间提取的3种特征，在3个不同的数据集上的实验结果表明，特征融合技术能够有效地表示电压致热型设备故障特征及正常特征。此外，DCA融合方法能很好地表达低维图像场景，一定程度上降低了环境因素对故障目标特征的识别的影响。验证表明，该方法在绝缘子红外图像故障分类中具有很高的性能，并且优于仅利用单一特征的方法，为电压致热型设备故障检测提供了条件和新的思路，并为变电站实时精确监测打下了基础。
多特征融合虽然剔除了各个特征之间的冗余信息，增加了互补信息，提高了故障图像分类准确率，但增加了图片识别时间。样本数量有限是本验证的一个缺点，另外SVM算法对大规模训练样本难以实施、用SVM解决多分类问题存在困难。因此，如何提高算法的时效性和尝试神经网络算法是本研究下一步的研究重点。
猜你喜欢 直方图绝缘子纹理 符合差分隐私的流数据统计直方图发布湘潭大学自然科学学报(2022年2期)2022-07-28基于Mask RCNN的绝缘子自爆缺陷检测计算技术与自动化(2022年1期)2022-04-15零值绝缘子带电检测方法探讨宁夏电力(2021年1期)2021-03-19基于FPGA的直方图均衡图像增强算法设计及实现安徽电子信息职业技术学院学报(2020年5期)2020-11-13基于BM3D的复杂纹理区域图像去噪软件(2020年3期)2020-04-20用直方图控制画面影调摄影之友(影像视觉)(2018年12期)2019-01-28使用纹理叠加添加艺术画特效摄影之友(影像视觉)(2018年12期)2019-01-28浅析输电线路绝缘子防污闪技术电子制作(2018年17期)2018-09-28TEXTURE ON TEXTURE质地上的纹理Coco薇(2017年8期)2017-08-03中考频数分布直方图题型展示初中生世界·八年级(2017年3期)2017-03-24
