一种变电站设备红外智能诊断系统及方法与流程

1.本发明涉及电力设备运行监控技术领域，更具体的是涉及一种变电站设备红外智能诊断系统及方法。


背景技术：

2.红外检测技术是发现处于带电状态的高压电气设备发热缺陷的重要手段，在高电压等级变电站中广泛应用。电压致热型设备主要包括避雷器、互感器、高压套管等。交流电压作用下产生的损耗在设备表面的反映并不明显，故在红外图谱中很难分析和判断。而电压致热型设备的缺陷纳入严重及以上缺陷处理程序管理，一旦出现易引发电气火灾，带来极大的财产损失和危害。
3.目前电网中主要通过《带电设备红外诊断应用规范》的带电检测手段和精确测温方法进行诊断，存在人为因素影响大、图像分析效率低等缺点，仅仅依赖于传统的人工红外图像分析已无法完全满足需求。
4.而代替人工判别的研究中，许多只利用单一的特征来表征热图像中的故障特征，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，故需要对电压致热型设备的红外图像进行智能化处理，从而达到早期故障诊断预警的目的，如何解决这一问题，成为了本领域技术人员努力的方向。


技术实现要素：

5.本发明的目的在于：为了解决现有故障诊断中人为因素影响大、图像分析效率低、识别率低的问题，本发明提供一种变电站设备红外智能诊断系统及方法。
6.本发明为了实现上述目的具体采用以下技术方案：
7.一种变电站设备红外智能诊断系统，包括图像预处理单元、目标检测单元和智能诊断单元，所述图像预处理单元对原始红外图像进行预处理，并将其输入到目标检测单元中，所述目标检测单元基于卷积神经网络的目标检测网络模型，识别和定位出预处理后的红外图像中电压致热型设备关键部位，保存得到只包含设备目标区域的红外图像，并将其输入到智能诊断单元中，所述智能诊断单元首先提取只包含设备目标区域的红外图像中的颜色、小波和纹理三种特征，再通过特征融合算法对提取到的三种特征进行融合得到融合特征，通过基于深度学习网络的分类器完成目标识别及故障诊断。
8.进一步地，所述图像预处理单元包括图像滤波模块和图像增强模块，所述图像滤波模块对原始红外图像进行去噪处理，所述图像增强模块对去噪后的图像细节部分进行增强。
9.进一步地，所述图像滤波模块采用非线性滤波器、中值滤波器、形态学滤波器、双边滤波器中的一种或多种。
10.进一步地，所述图像增强模块采用频率域法、空间域法中的一种或多种。
11.一种变电站设备红外智能诊断方法，包括以下步骤：
12.步骤1：对原始红外图像进行预处理；
13.步骤2：通过基于卷积神经网络的目标检测网络模型，识别和定位出预处理后的红外图像中电压致热型设备关键部位，保存得到只包含设备目标区域的红外图像；
14.步骤3：提取只包含设备目标区域的红外图像中的颜色、小波和纹理三种特征，进而通过串行融合算法对提取到的三种特征进行融合得到融合特征，以此代替原始图像作为深度学习网络的输入对分类器进行训练，通过训练后的分类器完成目标识别及故障诊断。
15.进一步地，所述步骤1中对原始红外图像进行预处理包括以下步骤：
16.步骤11：通过图像滤波模块对原始红外图像进行去噪处理；
17.步骤22：通过图像增强模块对去噪后的红外图像细节部分进行增强。
18.进一步地，所述步骤2中训练基于卷积神经网络的目标检测网络模型的具体步骤为：
19.步骤21：训练数据集格式设置为voc，使用labelimg作为数据集的图像标注工具，通过open dir打开存放红外图像的文件夹，然后使用change save dir更改标签文件的存放位置，点击create rectbox为红外图像创建矩形框，弹出类别界面，输入并保存；
20.步骤22：在集成开发环境中利用红外图像和标签文件训练centernet目标检测模型，首先通过主干特征提取网络进行初步的特征提取，获得初步特征，然后利用获取到的初步特征进行上采样，并获得高分辨率特征图，最后利用获取到的高分辨率特征图进行解码处理获得预测结果；
21.步骤23：通过训练得到训练权值文件，在预测阶段目标检测模型通过加载训练得到的权值文件对设备类别进行判断，并得到重新绘制后的包含预测框的设备红外图像，并将识别出来的关键区域进行保存。
22.进一步地，所述步骤3中通过深度学习网络模型训练分类器的具体步骤为：
23.步骤31：提取只包含设备目标区域的红外图像中的颜色、小波和纹理三种特征，并进行多特征融合；
24.步骤32：为保证分类数据尺度的统一和准确性，对融合后的特征向量做归一化设置，使其位于[0,1]间；
[0025]
步骤33：将整理好的红外图像分为训练集和测试集，并标注训练集中的样本类别，形成标签文件；
[0026]
步骤34：采用4层dbn结构进行训练，利用cd快速算法进行学习；
[0027]
步骤35：通过训练好的dbn网络对测试集进行验证，得出分类结果。
[0028]
进一步地，所述步骤3-1中特征提取包括以下步骤：
[0029]
步骤311：基于hsv得到颜色特征直方图，并将其作为设备红外图像的融合特征中的一种输入向量；
[0030]
步骤312：对电压致热型设备红外图像进行二维单尺度小波变换；
[0031]
步骤313：对于纹理特征采用完全局部二值模式得到更为全面的图像特征。
[0032]
进一步地，所述步骤312中采用coif1小波。
[0033]
本发明的有益效果如下：
[0034]
1.本发明能减少外界干扰，电气设备红外图像时会受到诸多干扰，例如大气辐射、背景噪声、探测器噪声等等，这些干扰会使获取到的红外图像对比度降低，噪声多并且包含
的细节减少，因此本发明首先通过图像预处理单元对原始红外图像进行预处理，以减少这些干扰，提高后续红外设备识别以及故障诊断的精度。
[0035]
2.本发明目标检测单元包含基于卷积神经网络的目标检测网络模型，输入预处理后的红外图像，得到只包含设备目标区域的红外图像，缩小了监测范围，避免无关信息影响后续的诊断。
[0036]
3.本发明识别率高，通过目标检测得到设备的目标区域，以只包含设备目标区域的红外图像重新组成新的数据集，进而输入到智能诊断单元中，提出的红外诊断模型结合了提取的三种特征，采用多特征融合方法能够有效地表示电压致热型设备故障特征及正常特征，一定程度上降低了环境因素对故障目标特征识别的影响。
[0037]
4.本发明采用的深度学习网络结合了监督学习和非监督学习的优点，能够更深层次的挖掘故障样本数据和运行状态之间的联系，模型对于变电站电压致热型设备红外图像故障诊断的准确度更高。
附图说明
[0038]
图1是本发明的系统框架图；
[0039]
图2是本发明的图像预处理单元结构图；
[0040]
图3是本发明的目标检测单元结构图；
[0041]
图4是本发明的智能诊断单元结构图。
具体实施方式
[0042]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0043]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
实施例1
[0045]
如图1所示，本发明一种变电站设备红外智能诊断系统，包括图像预处理单元、目标检测单元和智能诊断单元，所述图像预处理单元对原始红外图像进行预处理，并将其输入到目标检测单元中，所述目标检测单元基于卷积神经网络的目标检测网络模型，识别和定位出预处理后的红外图像中电压致热型设备关键部位，保存得到只包含设备目标区域的红外图像，并将其输入到智能诊断单元中，所述智能诊断单元首先提取只包含设备目标区域的红外图像中的颜色、小波和纹理三种特征，再通过特征融合算法对提取到的三种特征进行融合得到融合特征，通过基于深度学习网络的分类器完成目标识别及故障诊断。
[0046]
图像预处理单元对原始红外图像进行预处理后将预处理后的红外图像输入到目标检测单元中，如图3所示，目标检测单元基于卷积神经网络的目标检测网络模型，识别和定位出电压致热型设备关键部位，保存得到只包含设备目标区域的红外图像，并将其输入
到智能诊断单元中；如图4所示，智能诊断单元首先提取颜色、小波和纹理三种特征，进而通过特征融合算法对提取到的三种特征进行融合得到融合特征，以此代替原始图像作为深度学习网络的输入，进一步通过网络模型进行训练，通过训练后的分类器完成目标识别及故障诊断。
[0047]
实施例2
[0048]
如图2所示，在实施例1的基础之上，图像预处理单元包括图像滤波模块和图像增强模块，图像滤波模块对原始红外图像进行去噪处理，图像增强模块对去噪后的图像细节部分进行增强，图像滤波模块采用非线性滤波器、中值滤波器、形态学滤波器、双边滤波器中的一种或多种，图像增强模块采用频率域法、空间域法中的一种或多种。
[0049]
优选地，所述图像滤波模块采用形态学滤波器，采用形态滤波器时，根据不同的目的选择具有不同形状、大小和方向特性的结构元素，此外，形态学开、闭运算都具有幂等性，一次滤波就将所有特定于结构元素的噪声滤除干净，再次重复不会产生新的结果。
[0050]
优选地，所述图像增强模块采用频率域法，通过对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征，使图像与视觉响应特性相匹配，频率域法把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强，采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。
[0051]
实施例3
[0052]
本实施例的一种变电站设备红外智能诊断方法基于实施例1的一种变电站设备红外智能诊断系统实现，一种变电站设备红外智能诊断方法，包括以下步骤：
[0053]
步骤1：对原始红外图像进行预处理；
[0054]
步骤2：通过基于卷积神经网络的目标检测网络模型，识别和定位出预处理后的红外图像中电压致热型设备关键部位，保存得到只包含设备目标区域的红外图像；
[0055]
步骤3：提取只包含设备目标区域的红外图像中的颜色、小波和纹理三种特征，进而通过串行融合算法对提取到的三种特征进行融合得到融合特征，以此代替原始图像作为深度学习网络的输入对分类器进行训练，通过训练后的分类器完成目标识别及故障诊断。
[0056]
实施例4
[0057]
在实施例3的基础之上，步骤1中对原始红外图像进行预处理包括以下步骤：
[0058]
步骤11：通过图像滤波模块对原始红外图像进行去噪处理；
[0059]
步骤22：通过图像增强模块对去噪后的红外图像细节部分进行增强。
[0060]
图像滤波在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性，图像增强中的有用信息是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
[0061]
实施例5
[0062]
在实施例3的基础之上，训练基于卷积神经网络的目标检测网络模型的具体步骤为：
[0063]
步骤21：训练数据集格式设置为voc，使用labelimg作为数据集的图像标注工具，
通过open dir打开存放红外图像的文件夹，然后使用change save dir更改标签文件的存放位置，点击create rectbox为红外图像创建矩形框，弹出类别界面，输入并保存；
[0064]
步骤22：在集成开发环境中利用红外图像和标签文件训练centernet目标检测模型，首先通过主干特征提取网络进行初步的特征提取，获得初步特征，然后利用获取到的初步特征进行上采样，并获得高分辨率特征图，最后利用获取到的高分辨率特征图进行解码处理获得预测结果；
[0065]
步骤23：通过训练得到训练权值文件，在预测阶段目标检测模型通过加载训练得到的权值文件对设备类别进行判断，并得到重新绘制后的包含预测框的设备红外图像，并将识别出来的关键区域进行保存。
[0066]
准备好整理的红外图像数据集，训练数据集格式为voc格式。使用labelimg作为数据集的图像标注工具，为数据集中的不同类别的红外图像分别进行标注，open dir打开存放红外图像的文件夹，然后change save dir更改标签文件的存放位置。点击create rectbox为红外图像创建矩形框，弹出类别界面，输入并保存即可，通过图像标注工具生成的.xml类型的标签文件与红外图像一一对应，标注文件内容代表被标注图片内所含的电气设备。
[0067]
在集成开发环境中利用红外图像和标签文件训练centernet目标检测模型，如今常见的目标检测算法会在图片上设置大量的先验框，这些先验框本身就会占用一定的区域，先验框很大程度上提高了网络的检测能力，但是也会受到物体尺寸的限制。网络的预测结果会判断这些先验框内部是否包含物体，以及这个物体的种类，当目标检测算法发现某个先验框内部可能包含目标后，就会给出这个先验框包含目标的置信度，并对这个先验框进行调整从而获得预测框。centernet目标检测算法无先验框的，与常规的目标检测算法不同，它将目标看作一个点，一个目标由一个特征点确定。具体实现思路是通过将输入的图片划分为若干个区域，每个区域都包含一个特征点，当物体的中心落在这个区域，就由这个区域的特征点来确定，网络的预测结果就是判断这个特征点是否有目标，从而利用左上角的特征点给出目标的种类和置信度，并对这个特征点的x轴、y轴的坐标进行调整获得目标的中心坐标，还会回归预测出目标的宽和高。模型是端到端可微的，更简单，更快，更精确。通过三个核心步骤，首先通过主干特征提取网络进行初步的特征提取，获得初步特征，然后利用获取到的初步特征进行上采样获得高分辨率特征图，最后利用获取到的高分辨率特征图进行解码处理获得预测结果。centernet模型实现了速度和精确的很好权衡。
[0068]
输入预处理后的红外图像，得到只包含设备目标区域的红外图像，具体过程如下：将整理后的红外图像数据集输入到目标检测单元中，通过图像标注工具为数据集中的不同类别的红外图像分别进行标注，生成的标签文件与红外图像一一对应，然后在集成开发环境中利用红外图像和标签文件训练基于卷积神经网络的目标检测网络模型，得到训练权值文件，在预测阶段目标检测模型通过加载训练得到的权值文件对设备类别进行判断，并得到重新绘制后的包含预测框的设备红外图像，并将识别出来的关键区域进行保存。大多数的电压致热性故障部位温升较小，在红外热像图中的表现难以判断，另外，变电站内的设备繁多，红外图像中的背景复杂，红外检测的难度进一步增加。因此，利用目标检测算法对目标设备的部位识别，有效提取设备目标是判断设备状态必要的前提。
[0069]
实施例6
[0070]
在实施例3的基础之上，通过深度学习网络模型训练分类器的具体步骤为：
[0071]
步骤31：提取只包含设备目标区域的红外图像中的颜色、小波和纹理三种特征，并进行多特征融合；
[0072]
步骤32：为保证分类数据尺度的统一和准确性，对融合后的特征向量做归一化设置，使其位于[0,1]间；
[0073]
步骤33：将整理好的红外图像分为训练集和测试集，并标注训练集中的样本类别，形成标签文件；
[0074]
步骤34：采用4层dbn结构进行训练，利用cd快速算法进行学习；
[0075]
步骤35：通过训练好的dbn网络对测试集进行验证，得出分类结果。
[0076]
进一步地，所述步骤3-1中特征提取包括以下步骤：
[0077]
步骤311：基于hsv得到颜色特征直方图，并将其作为设备红外图像的融合特征中的一种输入向量；
[0078]
步骤312：对电压致热型设备红外图像进行二维单尺度小波变换；
[0079]
步骤313：对于纹理特征采用完全局部二值模式得到更为全面的图像特征。
[0080]
智能诊断单元首先通过提取红外图像的颜色、小波和纹理特征，对于颜色特征由于hsv更接近人眼对颜色的判断，故基于此得到颜色特征直方图，并将其作为设备红外图像的融合特征中的一种输入向量。首先将红外图像的rgb颜色模型转换为hsv空间模型。然后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h、s、v各分量特征数据合成一维向量。针对电压致热型设备红外图像的特点，对其进行二维单尺度小波变换。对于纹理特征采用一种改进的lbp算法：完全局部二值模式(clbp)，它是一种基于lbp描述符的扩展纹理描述符，有效地弥补了lbp中丢失的信息，具有更强的描述能力，能得到更为全面的图像特征。与传统lbp不同，clbp有3个描述子，在三个描述子都计算完毕后，采用串联方法进行融合得到特征向量，并可得到红外图像的特征直方图。
[0081]
采用一个由3个rbm堆叠而成的dbn，结构为131-45-25-8，第1个rbm的显层有131个节点，对应输入图像融合特征的131维特征向量，第1个和第2个rbm的隐层分别有45和25个节点；最后1个rbm的隐层对应dbn的输出，有8个节点，即将红外图像分成8类。网络连接权值的初始值为随机数，其服从正态分布n(0,0.05)，批处理数量为8，学习率为0.11，动量项为0.5，偏置项为0，训练轮数为800轮。将训练过的网络模型作为分类器，从而对输入的红外图像进行故障分类，达到诊断预警的目的。
[0082]
实施例7
[0083]
在实施例6的基础之上，步骤312中采用coif1小波。
[0084]
coiflet系列小波具有很好的对称性，采用四层小波分解得到红外图像在coif1小波下的系数，然后其取均值和标准差作为小波矩，得到特征向量。