基于条件扩散与边界感知的电气设备红外热缺陷提取方法

摘要: 本发明涉及电力设备状态检测与红外热成像故障诊断,具体涉及基于条件扩散与边界感知的电气设备红外热缺陷提取方法。背景技术:1、电气设备在长期运行过程中,受接触电阻增...
基于条件扩散与边界感知的电气设备红外热缺陷提取方法

本发明涉及电力设备状态检测与红外热成像故障诊断,具体涉及基于条件扩散与边界感知的电气设备红外热缺陷提取方法。

背景技术:

1、电气设备在长期运行过程中,受接触电阻增大、绝缘老化、过载运行、连接螺栓松动与污秽放电等因素影响,其接头、触头与套管等关键部位会出现异常发热,形成过热缺陷。过热缺陷是引发设备故障、停电事故乃至火灾的主要隐患,及时、准确地发现并定位过热缺陷,对于保障电网安全稳定运行、推进状态检修与设备全寿命周期管理具有重要的工程价值。红外热成像技术具有非接触、不停电、不受电磁干扰影响的优势,已成为电力系统带电检测中应用最为广泛的过热缺陷诊断手段。在传统的红外诊断方法中,运维人员通常借助红外热像仪人工巡检,依据经验观察热像图中的亮温分布并结合红外诊断规范人工判读,存在效率低、主观性强、难以定量、依赖人员经验、缺陷档案难以结构化归档等问题。

2、近年来,研究者陆续提出了基于阈值分割、区域生长、边缘检测、分水岭变换与形态学重建等传统图像处理技术的红外热像缺陷分割方法。但红外热像具有分辨率低、信噪比低、目标与背景温差小、温度过渡带模糊、易受日照辐射与邻近热源干扰等特点,传统图像处理方法仍存在以下不足:

3、(1)阈值类方法依赖人工设定温度阈值,对设备类型、负荷水平、环境温度与拍摄距离的适应性差,当背景存在高温部件或日照反射时会产生大量误检。

4、(2)边缘检测与区域生长方法对红外热像的低信噪比极为敏感,提取结果轮廓破碎、边界呈锯齿状且存在大量孤立噪声区域,难以给出可用于定量分析的缺陷边界。

5、(3)判别式分割模型对每个像素进行独立预测,缺乏对缺陷区域整体形状一致性的建模,且单步前向预测缺少迭代修正机制,难以在推理阶段逐步优化轮廓细节;同时现有方法多以纯视觉特征为输入,未显式引入温度梯度与过热显著性等物理先验,也未将缺陷边界提取结果与相对温差判据、缺陷等级判定相衔接。因此,亟需一种面向电气设备红外热像的、具有强形状一致性建模能力、边界自适应修正能力与物理先验融合能力的过热缺陷自动提取方法。

技术实现思路

1、为解决现有技术难以克服红外热像分辨率低、信噪比低、温度过渡带模糊、易受日照反射与邻近热源干扰,无法对电气设备过热缺陷进行自动化、高精度定位与边界提取的技术问题,本发明的目的在于提供基于条件扩散与边界感知的电气设备红外热缺陷提取方法,所采用的技术方案具体如下:所述方法包括:获取电气设备红外热像与配套可见光图像,进行非均匀性校正、辐射定标以及大气与反射环境补偿预处理,反演得到设备表面温度场;根据温度场计算温度梯度图与温度显著性先验图,与红外灰度图通道拼接构成三通道模型输入;对预处理影像按直方图均衡化与几何变换进行数据增强;沿过热缺陷区域外轮廓对增强后的影像进行人工标注,获得过热缺陷标注掩膜;对过热缺陷标注掩膜进行欧氏距离变换生成边界距离权重图;对参考图像数据集进行归一化处理获得数据集;基于多尺度残差cnn网络设计温度梯度与细节条件提取分支,将输入影像信息转换成多尺度条件特征张量;设计边界感知引导模块,包括边界距离权重图生成子模块和条件交叉注意力子模块;基于条件u-net网络设计反向扩散生成分支,用于在每一去噪时间步预测噪声并逐步恢复过热缺陷掩膜;在反向扩散的各时间步中加入时间步嵌入与条件特征的自适应调制,构成tbdm-net扩散模型;根据过热缺陷边界像素占比小、温度过渡带模糊、轮廓不规则的特点设计温度—边界双感知加权扩散损失函数,获得过热缺陷边界区域的损失函数权重;根据损失函数权重进行多时间步监督计算,获得模型反馈;根据tbdm-net扩散模型进行训练获得训练好的模型;利用训练好的模型对电气设备红外热像进行过热缺陷提取;对提取结果进行形态学规整与连通域筛选后处理,获得过热缺陷区域轮廓;统计过热缺陷区域的最高温度、平均温升与相对温差,结合相对温差判据完成缺陷等级判定。

2、进一步地,所述红外热像获取与预处理方法包括:采用工作波段为8-14微米的红外热像仪采集变压器套管、隔离开关触头、电缆接头、母线连接处与绝缘子的红外热像,同步采集对应位置的可见光图像;采用两点或多点黑体定标进行非均匀性校正,消除探测器阵列响应的非均匀性;按红外辐射传输方程进行辐射定标,扣除环境反射辐射与大气辐射的影响,红外辐射定标公式如下所示:

3、

4、其中,为被测目标等效辐射亮度;为热像仪测得的辐射亮度;为目标表面发射率;为环境反射等效辐射亮度;为大气透过率;为大气等效辐射亮度;按辐射温度反演公式将辐射亮度转换为设备表面温度,辐射温度反演公式如下所示:

5、

6、其中,为设备表面温度;、为热像仪标定常数;采用尺度不变特征变换与仿射变换将可见光图像配准至红外热像坐标系,经裁剪与重采样获得空间分辨率统一、尺寸为512×512的红外温度场影像。

7、进一步地,所述温度梯度图与温度显著性先验图获得方法,包括:对温度场按一阶差分计算温度梯度幅值,温度梯度幅值计算公式如下所示:

8、

9、其中,为像素点处的温度梯度幅值;为设备表面温度;按温度显著性先验图计算公式将温度映射为过热显著性概率,温度显著性先验图计算公式如下所示:

10、

11、

12、其中,为像素点处的过热显著性;为陡度系数,取值范围为0.2-1.0;为过热判定温度阈值;为环境温度;为预设温升门限,取值范围为5-20开尔文;将红外灰度图、温度梯度图与温度显著性先验图沿通道维拼接,构成尺寸为512×512×3的模型输入张量。

13、进一步地,所述数据增强与标注方法包括:对预处理影像按直方图均衡化公式进行数据增强,在提高模型泛化能力的同时丰富数据多样性,直方图均衡化公式如下所示:

14、

15、其中,表示灰度级变换后的像素值;表示影像灰度级总数;表示灰度级的像素个数;表示影像像素总数;将增强后的影像沿过热缺陷区域外轮廓对每个缺陷区域进行人工像素级标注,生成二值化参考图像掩膜;对过热缺陷标注掩膜进行欧氏距离变换生成边界距离权重图,边界距离权重图计算公式如下所示:

16、

17、

18、其中,表示过热缺陷标注掩膜的边界像素集合;表示像素点到最近边界像素的欧氏距离;为距离衰减系数,取值范围为5-20像素;表示边界距离权重图在处的取值;根据参考影像像素信息进行归一化处理,将像素值线性映射至[0,1]区间,获得标准数据集。

19、进一步地,所述tbdm-net扩散模型获得方法,包括:采用在imagenet上预训练的resnet-34作为温度梯度与细节条件提取分支,将输入影像重塑为512×512×3的张量,通过残差卷积块由浅入深提取4个尺度的条件特征图;设计边界感知引导模块,其中边界距离权重图生成子模块由欧氏距离变换与高斯核卷积串联组成,条件交叉注意力子模块以去噪网络中间特征为查询、以多尺度条件特征为键和值进行跨模态交互;采用条件u-net去噪网络作为反向扩散生成分支,通过4个下采样阶段与4个上采样阶段在每一时间步预测噪声;在每一时间步中引入正弦位置编码的时间步嵌入,并通过自适应层归一化对去噪网络中间特征进行尺度与偏置调制;将边界距离权重图经3×3卷积映射后与时间步嵌入逐元素相加,并将温度显著性先验图经1×1卷积映射后与去噪网络输入沿通道维拼接,构成温度—边界双感知条件引导,融合获得tbdm-net扩散模型。

20、进一步地,所述温度—边界双感知加权扩散损失函数获得方法,包括:针对过热缺陷边界像素占比小、温度过渡带模糊、易与背景高温区及日照反射混淆的问题,在前向扩散与反向去噪的简化训练目标基础上引入边界感知加权重建损失、dice损失与温度梯度加权重建损失,得到温度—边界双感知加权扩散损失函数计算公式如下所示:

21、

22、

23、

24、

25、

26、

27、

28、

29、其中,为过热缺陷标注掩膜;为第步加噪后的掩膜;为第步噪声方差;;为噪声累积系数;为标准高斯噪声;为噪声预测网络;为多尺度条件特征;为过热缺陷真值掩膜;为模型预测过热缺陷掩膜;为掩膜像素总数;为边界距离权重图;为温度梯度幅值;为温度梯度幅值最大值;为温度梯度加权系数;为温度梯度权重图;、、、为多任务平衡系数;利用损失函数对tbdm-net扩散模型进行多时间步监督计算,获得模型反馈。

30、进一步地,所述模型训练获得方法,包括:将过热缺陷区域像素作为前景目标,将非缺陷区域像素作为背景;采用在imagenet上预训练的resnet-34权重初始化温度梯度与细节条件提取分支,进行迁移学习;训练时先冻结条件提取分支浅层阶段进行预热训练,再解冻全部参数进行微调;扩散时间步总数设置为,采用线性噪声调度,线性增至;初始学习率设置为,并按余弦退火策略进行动态调整;批量大小设置为8,采用adamw优化器,迭代训练不少于200个epoch;当验证集损失值连续20个epoch不再下降时停止训练,保存最佳模型权重。

31、进一步地,所述形态学规整、连通域筛选与缺陷等级判定方法,包括:将模型提取结果影像按预设阈值进行二值化;使用形态学开运算去除孤立噪声点和细小毛刺,开运算公式为:

32、

33、使用形态学闭运算填充过热缺陷内部细小孔洞并平滑缺陷边界,闭运算公式为:

34、

35、其中,为输入二值图像,为结构元素;采用连通域标记算法提取过热缺陷连通区域,剔除面积小于面积阈值的连通区域,并采用边界跟踪算法提取缺陷外轮廓,获得初始轮廓多边形;采用douglas-peucker算法对轮廓多边形进行简化,点到线段距离计算公式为:

36、

37、其中,、为轮廓线段的起点与终点;为待判断的轮廓点;根据距离阈值迭代去除冗余顶点,获得简化后的过热缺陷轮廓多边形;按相对温差计算公式计算缺陷区域的相对温差,相对温差计算公式为:

38、

39、其中,为相对温差;为发热点温度;为正常相对应点温度;为环境参照体温度;根据相对温差与热点温度阈值判定缺陷等级:当不小于35%时判定为一般缺陷;当不小于80%或温升大于30开尔文时判定为严重缺陷;当发热点温度大于110摄氏度时判定为危急缺陷;输出过热缺陷区域的位置、轮廓、最高温度、平均温升、相对温差与缺陷等级。

40、本发明具有如下优异效果:本发明通过获取电气设备红外热像与配套可见光图像,进行非均匀性校正、辐射定标以及大气与反射环境补偿,消除了探测器非均匀性、环境反射与大气衰减对测温精度的影响,获得准确的设备表面温度场;由于过热缺陷在热像上表现为局部温升与温度突变,故计算温度梯度图显式刻画缺陷周围的温度突变强度,并计算温度显著性先验图将物理温度阈值转化为概率先验,与红外灰度图通道拼接后作为模型输入,使网络在视觉特征之外显式接收热物理先验;由于红外热像分辨率低、信噪比低,故采用直方图均衡化与几何变换进行数据增强,在提高模型泛化能力的同时丰富数据多样性;将影像沿过热缺陷区域外轮廓进行像素级人工标注,转换成二值化参考图像掩膜;对标注掩膜进行欧氏距离变换生成边界距离权重图,为边界像素赋予更高的损失权重;对影像数据进行归一化处理以减少运算量并提升训练效率,获得标准数据集;由于电气设备过热缺陷具有尺度差异大、边界模糊、形状不规则的特点,故采用多尺度残差cnn作为温度梯度与细节条件提取分支,提取缺陷边缘、温度突变带与局部细节条件特征;采用边界感知引导模块,通过边界距离权重图生成子模块显式建模缺陷边界位置,通过条件交叉注意力子模块在通道与空间维度聚焦过热缺陷轮廓;采用条件u-net去噪网络作为反向扩散生成分支,在每一去噪时间步中逐步预测噪声并迭代修正缺陷掩膜,克服了判别式模型单步预测轮廓破碎的缺陷;由于去噪过程需要感知当前时间步、缺陷边界条件与温度先验,故引入正弦位置编码的时间步嵌入与边界距离权重图逐元素相加,将温度显著性先验图与去噪网络输入沿通道维拼接,并通过自适应层归一化对去噪网络中间特征进行尺度与偏置调制,使去噪网络在正确的时间步上注入正确的温度—边界条件,获得tbdm-net扩散模型;由于过热缺陷边界像素占比小、温度过渡带模糊,故设计温度—边界双感知加权扩散损失函数,结合边界感知加权重建损失、dice损失与温度梯度加权重建损失进行多时间步监督,在保持缺陷区域形状一致性的前提下提升边界精度;利用训练好的模型对电气设备红外热像进行过热缺陷提取;由于模型提取结果可能存在细小噪声与孔洞,故采用形态学开闭运算进行规整、连通域筛选剔除伪缺陷,并采用边界跟踪与douglas-peucker算法进行轮廓矢量化;最后按相对温差判据完成缺陷等级判定,输出位置、轮廓、最高温度、平均温升与缺陷等级。本发明充分考虑了电气设备红外热像在分辨率、信噪比、温度过渡带与形状上的复杂性,设计了独特的条件去噪扩散生成框架、温度梯度与细节条件提取分支、边界感知引导模块与条件u-net去噪网络,并将视觉分割结果与红外诊断规范的相对温差判据相衔接,增强了深度学习模型对过热缺陷整体形状一致性的建模能力与边界自适应修正能力,提升了过热缺陷提取的完整度、边界准确度与诊断结论的规范性,为电气设备过热缺陷的自动识别、定量评估与状态检修决策提供了可靠的技术手段。