電纜終端紅外圖像過熱區域提取方法

夏湛然，楊 斌，郭浩然，徐小冰，周文俊，周承科

(1.國網湖北省電力有限公司武漢供電公司，湖北 武漢 430072；2.武漢大學電氣與自動化學院，湖北 武漢 430072)

中國城市電網迅速發展，電力負荷不斷上升，同時人們對供電可靠性和供電質量等提出了更高的要求[1]。由于電力電纜具備良好的電氣、機械等性能，同時還具備環境友好優勢，如今城市供電電纜化趨勢愈發顯著[2]。電纜終端作為電纜與其他電氣設備的連接部件，是電力電纜的重要附件，但是由于制造、需要現場安裝等因素，電纜終端也成為了電力電纜的薄弱環節[3]。大量實驗以及實際觀測均表明，當電纜終端存在缺陷，如金屬連接部件接觸不良、應力錐錯位、絕緣層破損或內部介質存在雜質和氣泡等，終端的運行溫度往往高于相同運行條件下的正常終端[4]。因此，測量電纜終端的溫度有利于及時發現異常發熱現象并進行消缺。

紅外測溫技術由于具有非接觸以及高效直觀等優點，已成為電纜終端定期巡檢的重要手段之一[5]。但是目前基于紅外圖像的電纜終端熱狀態診斷仍然依賴于人工，需要巡檢人員根據自身經驗，逐一判斷圖像中的診斷對象是否存在異常發熱現象。過分依賴人工的診斷方式不僅費時費力，同時還可能由于巡檢人員經驗不足、視覺疲勞等造成漏判或者誤判[6]。因此，針對電纜終端基于紅外圖像的智能化診斷研究具有重要意義。

許多團隊針對電氣設備紅外智能診斷進行研究，提出了不同的過熱區域提取方法。文獻[7]針對電抗器，提出了基于遺傳算法的模糊聚類方法；文獻[8]針對建筑物內的配電箱，提出了最大穩定極值區域分割方法；文獻[9]針對變壓器，提出了分水嶺結合K-means聚類方法。但是以上研究針對的對象均不是電纜終端，電纜終端的紅外圖像往往背景復雜，且發熱區域在圖像中所占面積較小，增大了準確提取的難度，因此，應用領域存在差異時無法保證上述圖像處理方法的效果。

然而，目前與電纜終端紅外診斷相關的研究較少，牛海清團隊對瓷套電纜終端紅外圖像進行研究，先后提出了基于逐層最優基小波和貝葉斯估計的自適應[10]、考慮尺度間相關性的圖像[11]以及改進的混合傅里葉—小波去噪方法[12]，但是上述研究僅涉及電纜終端紅外診斷的第1步，即圖像預處理；文獻[13-15]針對電纜終端紅外診斷進一步研究：文獻[13]提出一種結合Sobel算子和閾值分割的過熱區域提取方法，該方法在圖像背景簡單時能夠得到較好的分割效果，然而在圖像背景復雜時，定位易出現失誤，難以滿足對定位精度的要求；文獻[14]提出一種基于Radon和Fourier-Mellin變換的終端異常發熱部位識別方法，該方法計算過程較為復雜，當紅外圖像分辨率較高時，計算量大，難以滿足實時性的要求；文獻[15]提出了Canny算法結合K-means聚類算法的疑似過熱區域定位方法，文獻中聚類數k由人工設定為固定值，然而實際上，不同的紅外圖像取得最佳分割效果的聚類數也不同，因此，文獻[15]的方法雖然在部分圖像上能夠定位出關鍵區域，但是在其他圖像上可能出現欠分割或過分割，造成定位錯誤，無法保證準確提取關鍵區域。

在實現電纜終端紅外智能診斷的過程中，圖像關鍵區域的提取至關重要，診斷對象和異常發熱部位能否準確提取，很大程度上決定了后續缺陷識別的成敗。本文針對電纜終端紅外圖像關鍵區域提取進行研究，提出一種包括圖像預處理、電纜終端識別與定位以及像素點自適應聚類的紅外圖像過熱區域提取方法。首先，利用基于最大后驗概率估計的自適應小波閾值去噪方法進行圖像去噪，提升圖像質量；然后，利用深度學習網絡Faster RCNN在圖像中識別并定位出電纜終端；最后，利用均值漂移算法對終端像素點進行自適應聚類，并基于聚類結果提取出異常發熱區域。將上述方法應用到實際拍攝的電纜終端紅外圖像中，驗證本文所提方法的有效性。

1 電纜終端紅外圖像去噪

紅外成像系統的成像效果同時受到拍攝對象材料發射率、背景與目標相似度以及探測距離等因素影響，因此相較于可見光圖像，紅外熱像圖圖像質量較低，主要表現在對比度較低、細節分辨率較差以及信噪比較低[16]。圖像質量低下可能造成后續關鍵區域定位出現偏差，因此，有必要先對紅外圖像進行去噪處理，改善圖像質量。

小波閾值去噪作為紅外圖像去噪的常用方法，具有原理簡單、易于實現等優點[17]。本文從電纜終端紅外圖像小波系數的分布特性出發，基于最大后驗概率估計理論，提出一種不同分解尺度、不同方向上的局部自適應小波閾值去噪方法。

1.1 小波系數分布特性

常被用于描述電氣設備紅外圖像小波系數分布的模型包括高斯、拉普拉斯分布[10-12]。本文提取電纜終端紅外圖像小波分解后的高頻子帶系數并繪制其分布曲線，計算實際分布曲線與上述2種統計模型的吻合程度，從而確定電纜終端紅外圖像小波系數的分布特性。

如圖1所示，圖1(a)為近似無噪的電纜終端灰度化圖像，灰度化公式[18]為

I=0.299R+0.587G+0.114B

(1)

式中I為像素點灰度值；R為紅外圖像紅色分量；G為綠色分量；B為藍色分量。

文中采用Db4小波基，將分解尺度設置為3，對灰度圖像進行小波分解，基于高頻子帶小波系數繪制得到的分布曲線如圖1(b)～(d)所示。

圖1 電纜終端灰度圖第1級高頻小波系數分布特性Figure 1 Distribution characteristics of the first order high frequency wavelet coefficients of cable termination grayscale image

為了客觀描述高頻子帶系數分布與統計模型的吻合程度，本文以確定系數R2作為評價指標，計算公式為

(2)

R2取值范圍為[0,1]，越接近1說明吻合程度越高[19]，最終的計算結果如表1所示。結合圖1、表1，可見在不同分解尺度、不同方向上，拉普拉斯模型與電纜終端紅外圖像高頻小波系數分布的吻合程度更高。因此，相較于高斯模型，采用拉普拉斯模型對其小波系數進行描述更加合適。

表1 不同統計模型與高頻小波系數分布曲線的擬合程度Table 1 The degree of fitting between different statistical models and the distribution curves of high frequency wavelet coefficients

1.2 最大后驗概率估計

假設用Y、X、N分別表示電纜終端去噪前圖像小波變換后、去噪后圖像、高斯白噪聲對應的小波系數，則

Y=X+N

(3)

本文根據最大后驗概率估計[20]，得到去噪后圖像小波系數X的估計值：

(4)

根據貝葉斯定理，后驗概率密度PX|Y(X|Y)[17]由先驗概率密度計算得到，即

(5)

式中PN(Y-X)為噪聲小波系數N的概率密度；PX(X)為去噪后小波系數X的概率密度；PY(Y)為去噪前小波系數Y的概率密度。

對小波系數分析可知，電纜終端去噪后圖像的小波系數分布與拉普拉斯模型高度吻合，即X呈拉普拉斯分布；而高斯白噪聲的小波系數N呈高斯分布。因此將式(5)代入式(4)，得到X的最大后驗概率估計：

(6)

式中 sgn為符號函數；σX為小波系數X的標準差；σN為小波系數N的標準差。

1.3 局部自適應小波閾值

(7)

式中Y為去噪前圖像小波分解后的第1級對角方向高頻子帶系數。

σX采用最大似然估計法得到[22-23]，文獻[22-23]均以子帶為單位進行計算，每個子帶采用一個通用閾值。本文在此基礎上進行改進，在各個子帶中取方形窗口作為單位，在不同方向、不同分解尺度上得到σX的局部自適應估計：

(8)

綜上所述，結合式(6)～(8)，最終得到基于最大后驗概率估計的局部自適應小波閾值：

(9)

1.4 去噪效果對比與分析

為了分析不同小波閾值去噪方法得到的去噪效果，本文在電纜終端紅外圖像中添加不同程度的高斯白噪聲，然后利用Matlab，分別基于傳統的小波閾值去噪方法以及考慮小波系數統計特性的閾值去噪方法實現圖像處理。電纜終端未去噪圖像、傳統閾值去噪效果(以啟發式閾值Heursure為例)以及基于本文提出的自適應小波閾值去噪效果分別如圖2(a)～(c)所示。

圖2 不同小波閾值去噪效果Figure 2 Results of different wavelet threshold denoising methods

為了更加客觀地描述去噪效果，本文利用均方誤差(mean-square error, MSE)、峰值信噪比(peak signal-to-noise ratio, PSNR)作為圖像質量的評價指標，MSE越小、PSNR越大，說明圖像質量越高，即去噪效果越好[24]。

(10)

(11)

式(10)、(11)中m、n分別為紅外圖像對應矩陣的行、列數；f(i,j)為近似不含噪圖像像素點(i,j)對應的灰度值；f2(i,j)為含噪圖像對應的灰度值。

不同去噪方式在不同噪聲水平下得到的MSE、PSNR如表2所示，可見傳統小波閾值去噪方法雖然能夠去除圖像中包含的噪聲，但是同時也破壞了圖像的細節部分，導致去噪后的圖像變得模糊；而基于小波系數統計特性的閾值去噪方法不僅能夠有效去除噪聲，同時還能較好地保存圖像邊緣等細節信息，去噪后的圖像清晰度高。根據表2，可見相較于傳統的小波閾值去噪方法，基于小波系數統計特性的閾值去噪方法得到的去噪圖像MSE大幅度減小，同時PSNR明顯增大，說明其對圖像質量的改善程度明顯優于傳統的小波閾值去噪方法。在基于小波系數統計特性的閾值去噪方法中，本文提出的基于最大后驗概率估計的局部自適應小波閾值去噪方法在不同噪聲程度下均表現最佳，其去噪效果優于文獻[22]、[23]的去噪方法。

表2 不同小波閾值去噪效果對比Table 2 Performance comparison of different wavelet threshold denoising methods

2 電纜終端紅外圖像識別與定位

電纜終端紅外圖像往往背景復雜，如圖3所示，圖像中不僅包含電纜終端，還包含眾多干擾物體，包括天空、植被等環境干擾，以及架空線、桿塔和絕緣子等非診斷對象的其他電氣設備干擾。因此，在實現紅外圖像去噪后，本文通過在圖像中識別并定位出電纜終端，以避免干擾信息影響后續的像素點聚類，防止過熱區域提取出現偏差。

圖3 電纜終端紅外圖像Figure 3 Infrared images of cable terminations

目前，基于灰度特征的模板匹配方法常被用于變電站電氣設備圖像的識別與定位[25]。此類紅外圖像多由固定的拍攝距離與拍攝角度獲得，而模板匹配方法在模板與待匹配圖像中診斷對象的尺寸以及角度一致時，匹配精度非常高，能夠得到很好的匹配效果。但是電纜終端的紅外圖像大多由巡檢人員在巡檢過程手持熱像儀拍攝所得，每一次的拍攝距離和拍攝角度均可能發生變化，這種情況下傳統的匹配方法很難保證魯棒性。另一方面，電纜終端紅外圖像尺寸較大，大多達到640×480，而傳統的模板匹配方法需要在搜索窗口移動過程不斷計算其與模板的相似程度，因此，應用于電纜終端紅外圖像時將導致計算量大、耗費時間長。

出于匹配精度以及耗時兩方面的考慮，本文提出利用深度學習網絡Faster RCNN實現圖像中電纜終端的識別與定位。

2.1 Faster RCNN網絡

Faster RCNN網絡的結構以及工作原理如圖4所示，該網絡主要由卷積神經網絡、區域建議網絡、感興趣區域池化層以及目標檢測網絡構成。

當輸入電纜終端紅外圖像之后，一方面由卷積神經網絡提取圖像的高維特征形成特征圖；另一方面由區域建議網絡初步確定電纜終端在圖像中所處的位置。具體如下。

圖4 Faster RCNN網絡工作流程Figure 4 Workflow of Faster RCNN

1)卷積神經網絡通過卷積核在紅外圖像上滑動檢測到相應特征，即

(12)

2)區域建議網絡首先在分類層通過分類器初步確定包含電纜終端的前景區域，然后在回歸層對候選區域進行平移和縮放，實現定位的初步調整，調整方式[26]為

(13)

式中x、y分別為候選框中心點的橫、縱坐標；w、h分別為候選框的寬、高度；(Gx,Gy,Gw,Gh)為原始候選框的坐標；(G′x,G′y,G′w,G′h)為經過回歸層調整的候選框坐標；dx(G)、dy(G)為平移參數；dw(G)、dh(G)為縮放參數。

將候選區域映射到特征圖上，便得到了尺寸不一的候選特征，Faster RCNN網絡將這些特征輸入感興趣區域池化層，通過最大池化處理將其轉化為同一尺寸的候選特征，基于此，目標檢測網絡通過回歸層對候選區域進行二次調整，完成紅外圖像中電纜終端的定位與識別。

2.2 測試結果與分析

本文利用含有一相或多相電纜終端的紅外圖像作為測試樣本，如圖5(a)所示。在Ubuntu軟件上分別通過傳統的模板匹配方法以及Faster RCNN網絡實現圖像中電纜終端的識別與定位，為了更好地體現測試結果，本文僅保留被識別為電纜終端的圖像內容，而將其他像素點的R、G、B值均設置為零，最終結果如圖5(b)、(c)所示。

本文對100張紅外圖像樣本進行測試，如表3所示，結果表明：傳統的模板匹配方法不僅用時長，且當拍攝角度不同或是拍攝距離不同導致圖像中電纜終端尺寸發生變化時，還可能出現定位不完全(漏判，如圖5(b2)所示)甚至定位錯誤(誤判，如圖5(b3)所示)；而Faster RCNN網絡檢測結果不受拍攝距離與角度影響，具有良好的魯棒性，保持極高的檢測精度；同時相較于模板匹配方法，Faster RCNN網絡用時大幅減少，在檢測效率上也極具優勢。

圖5 不同方法識別定位結果Figure 5 Recognition and location results of different methods

表3 不同識別定位方法結果對比Table 3 Performance comparison of different recognition and location methods

3 電纜終端紅外圖像過熱區域提取

在識別并定位出紅外圖像中的電纜終端之后，本文進一步在電纜終端中提取出過熱區域。由于紅外圖像像素點的灰度值能夠反映溫度高低，具體而言，灰度值越大，對應的溫度越高，因此，本文基于灰度信息進行過熱區域的提取。

均值漂移聚類作為一種無監督學習的方法，常被用于數據分析，該方法能夠自適應地將數據點劃分為不同的類別，同一類別的數據點具有相似的屬性或特征，不同類別的數據點之間具有差別較大的屬性或特征。因此，本文通過均值漂移聚類對電纜終端紅外圖像的灰度信息進行分析。

3.1 均值漂移算法

假設d維空間的樣本點xi∈Rd，i=1，2，…，n，則x處的密度、密度梯度估計[27]分別為

(14)

(15)

式(14)、(15)中h為聚類帶寬；c為歸一化常數；φ(·)為核函數。

令g(x)= -φ′(x)，則式(15)可轉化為

(16)

其中，

(17)

式中m(x)即為均值漂移向量，聚類中心根據m(x)進行迭代更新，即

xt+1=xt+m(x)

(18)

式中t為迭代次數；xt、xt+1分別為更新前、后的聚類中心。

均值漂移算法正是通過聚類中心的迭代更新實現對數據點的自適應分類，其聚類流程如圖6所示，具體步驟：首先，該方法隨機選取一個數據點作為初始聚類中心，并將與聚類中心距離小于帶寬的所有數據點劃分為同一類；然后，根據式(17)、(18)不斷更新聚類中心，直到收斂；重復上述操作直到遍歷所有數據點。

圖6 均值漂移算法聚類流程Figure 6 Clustering process of mean-shift algorithm

3.2 像素點聚類效果與分析

本文利用不同部位存在異常發熱現象的電纜終端紅外圖像進行測試。為了驗證文中方法的有效性，基于Matlab，同時利用最常見的OTSU方法以及文獻[15]應用的K-means聚類方法進行像素點的聚類，從而實現與文中方法的效果對比。

實現電纜終端識別與定位之后的紅外圖像如圖7(a)所示；基于OTSU方法以及K-means聚類方法實現的過熱區域提取效果分別如圖7(b)、(c)所示；基于本文方法提取的異常發熱區域如圖7(d)所示。

根據測試結果，發現電纜終端常發生過熱的區域，如連接金具、終端柱頭以及應力錐對應的套管等，在終端整體中均只占較小的面積。而OTSU方法默認將像素點劃分為2類，以類間方差最大為目標，自適應地計算出圖像的分類閾值。當像素點的灰度值低于閾值時，認為該像素點屬于背景，否則認為該像素點屬于前景[28]。當這樣的劃分方式應用到電纜終端紅外圖像時，得到的分類閾值往往偏低，無法正確區分故障、正常運行區域。

圖7 不同方法過熱區域提取結果Figure 7 Extraction results of overheating regions by different methods

K-means聚類方法的效果明顯優于OTSU方法。這是因為K-means聚類算法能夠有效解決OTSU算法僅將像素點劃分為兩類的缺陷。該算法的工作原理為根據設定的類別數k，隨機確定k個起始聚類中心，計算其余像素點與各聚類中心的相似程度，基于此將所有像素點劃分為k類；之后以各類別均值替代原始聚類中心，迭代更新直到收斂[28]。但是不同的紅外圖像，其最適用的聚類數也不相同，而文獻[15]中K-means聚類算法的聚類數根據人工經驗設置為固定值，因此，難以保證針對所有電纜終端圖像都取到恰當的聚類數。

而均值漂移算法能夠根據不同的圖像，自適應選擇最合適的聚類數，解決K-means聚類算法需要人為設定聚類類別的問題。在測試中均值漂移算法能夠準確且完整地提取出電纜終端存在異常發熱的區域，效果優于OTSU方法與K-means聚類算法。

4 結語

本文針對電纜終端紅外圖像，提出了一種包括圖像預處理、電纜終端識別與定位以及像素點自適應聚類的過熱區域提取方法。首先，通過基于最大后驗概率估計的自適應小波閾值去噪方法實現圖像去噪，測試結果表明：相較于傳統的小波閾值去噪以及基于小波系數統計特性的其他閾值去噪方法，本文方法在不同噪聲水平下均取得最好的去噪效果，使得電纜終端紅外圖像質量得到有效改善；然后，利用深度學習網絡Faster RCNN識別并定位出圖像中的電纜終端，有效解決了傳統模板匹配方法應用在電纜終端時存在的耗時長、魯棒性差等問題；最后，基于均值漂移算法進行終端像素點的自適應聚類，測試結果表明：本文方法能夠有效區分故障區域與正常運行區域，完整并且準確地提取出過熱區域。