基于红外图像智能诊断高压输电线路热缺陷的方法

暂无

基于红外图像智能诊断高压输电线路热缺陷的方法\n技术领域\n[0001] 本发明涉及到一种基于红外热图像智能检测高压输电线路热缺陷的方法。特别涉及到在运动状态下从拍摄到的红外图像中智能检测输电线路存在的热缺陷方法，该方法能有效提高对输电线路热缺陷检测的效率。该方法可以有效应用到车载或直升机输电线路巡检业务中。\n背景技术\n[0002] 高压输电线路是电力系统的动脉，其运行状态直接决定电力系统的安全及国家经济的运行，红外检测具有远距离、不停电、不接触、不解体等特点，可以查出多种电力设备的致热缺陷，给电力系统线路状态监测提供了一种先进手段。\n[0003] 红外热像仪是利用红外探测器、光学成像物镜和焦平面光感应系统接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元上，在光学系统和红外探测器之间，焦平面光感应系统将被测物体的红外热像聚焦在红外探测器上，由探测器将红外辐射能转换成电信号，经放大处理、转换或视频信号通过电视屏或监测器显示红外热像图。\n[0004] 在室外影响红外热像仪测量精度的因素很多。如高小明，影响红外热像仪测量精度的因素分析，华电技术，2008年11月，第30卷第11期，分析了这几种因素：不同的被测物体的辐射率是不同的。物体的辐射率都在0~1之间，其大小和物体的材料、表面粗糙度、形状、氧化程度、颜色、厚度等均有一定的关系。对输电线路金属材料而言，表面状态对辐射率的影响较大，一般粗糙表面和受氧化后表面的辐射率是磨光表面的数倍；辐射率与测量的角度有关，测量的角度越大，误差越大；环境对红外测温工作的影响较大：在红外辐射的传输过程中，由于大气的吸收作用，总会有一定的能量衰减，在接近地面的大气中，吸收红外辐射能量的气体主要有水蒸气、二氧化碳。现大多数红外热像仪并没有针对大气衰减的补偿手段；当太阳光或强烈灯光照射时，由于光线的反射和漫反射，会极大影响红外热像仪的正常工作和准确判断，同时，光线照射造成被测物体的温升将略加在被测设备的稳定温升上，直接造成测量误差，因此红外测温工作最好选择在没有阳光的阴天；当被测物体处于室外且有风时，空气的流动会加速发热物体表面的散热，使物体表面温度降低；大气中的尘埃及悬浮粒子是红外辐射在传播过程中能量衰减的又一原因；邻近物体热辐射对测温的影响，被测物体温度越低或辐射率越小，受到邻近物体热辐射的影响越大，对测温精度的影响越大；当输电线路串联回路中的某一部件存在过热缺陷时，运行中的电气接头会向周围部件传导热量，导致回路中靠近过热点的其他部件发热，但由于热传递过程中有损耗，这些点比过热点的温度要低一些，因此，在进行测温时，必须做到准确定位，找到真正的发热源。\n[0005] 红外热像仪检测输电线路缺陷常采用的测量方法有，如程玉兰， 红外诊断现场实用技术[M ]. 北京: 机械工业出版社, 2002, 4。同类比较法：对同一线路不同位置的、同一类型的部件进行温升比较，进而判断是否存在热缺陷；历史对比法：对同一线路不同时期，拍摄同一位置同一类型的部件的热图像进行温升比较，进而判断是否存在热缺陷。同类比较法、历史对比法这两种热缺陷分析方法比较可靠、但效率较低，需要大量的测量数据来分析。绝对温度警界温升法：依据导线型号、负荷电流规定一个温度阈值，超出这个温度阈值，可能存在热缺陷，由于环境对被测物体影响较大，如太阳辐射引起的温升，因此这种方法并不可靠，也不准确。\n[0006] 胡世征，电气设备红外诊断的相对温差判断法及判断标准，电　网技术，1998年\n10月，第22卷第10期。相对温差是指两台设备状况相同或基本相同(指设备型号、安装地点、环境温度、表面状况和负荷大小) 的两个对应测点之间的温差, 与其中较热点温升比值的百分数。\n[0007] 郭贤潇，李炜，蔡汉生，高压输电线路红外检测初探，HIGH VOLTAGE ENGIINEERING,June.1999, Vol.25,No.2。在输电线路红外热缺陷检测时，常采用绝对温差法：取被测对象附近1m远的地方正常运行的导线或线路金具的最高温度为参考温度Ta，被测量对象的温度为T， △T = T-Ta,根据△T来判断热缺陷情况，这种方法可以消除太阳辐射造成的附加温升的影响。同时，由于同向性、检测距离、环境温度、湿度、风速等参数的不。\n准确性带来的误差也减小了。在满负荷时，对高压线路发热判断取△T超过5 C时可认为。 。\n有轻微接触隐患（一般热缺陷），△T超过１5 C即为重大缺陷，△T超过４０ C即为紧急缺陷。\n[0008] 于德明，沈建，汪骏，姚文军，陈方东，武艺，直升机与人工巡视效果对比分析，中国电力，2008年11月，第41卷第11期。当前国内外都着手研究基于直升机和机器人的巡检系统，分析比较直升机巡检与人工巡检的优缺点，指出直升机巡视在巡查设备隐蔽性缺陷能力方面有着无法比拟的优势。在直升机巡检技术中我国由于受航空管制的影响发展滞后，在21世纪初才真正开始研发。而检测缺陷部件的设备总体上是朝着多光谱图像合成的方向发展，高压线路部件的诊断检测技术已经向着智能化方向发展。\n[0009] 在采用直升机开展巡检业务时，红外热像仪是一项检测线路热缺陷的重要手段。\n希望采用红外热像仪能自动发现线路热缺陷。由于受地面背景干扰，例如地面行驶的汽车、地面发热体及杆塔本身反射发热的影响，自动发现线路热缺陷是一件很困难的事情，本发明采用红外图像识别与相对温差法结合技术，在红外图像上智能识别线路部件，在识别部件的基础上，寻找最高温度，再采用相对温差法判决是否存在热缺陷的部件。该方法可以有效应用到直升机或车载巡检时智能检测高压线路热缺陷。\n发明内容\n[0010] 有鉴于此，本发明的目的就是在直升机巡检或车载巡检时，由红外热像仪采集到的红外图像智能诊断出线路存在的热缺陷，即提供一种基于红外图像智能高压输电线路热缺陷的方法，在对高压线路巡检时，能有效提高热缺陷诊断效率。\n[0011] 为达到上述目的，本发明的构思如下：本发明要求在直升机巡检或车载巡检时能有效排除背景干扰，例如自然复杂背景中地面行驶的汽车或地面发热体发出的热源，杆塔本身在太阳长时间照射下的发热，这些热源物体与线路部件发热一起叠加在红外图像上，常常影响对实际线路部件温度的判决，进而造成大量误判。在输电线路上，红外热缺陷常出现在导线、引流线、绝缘子及其这些部件连接接触部位。因此在识别出输电线路中导线、引流线、绝缘子部件，才能自动可靠诊断线路的热缺陷。\n[0012] 本发明将红外图像线路部件识别与相对温差判决技术结合，智能实现对线路部件热缺陷的诊断。在识别的每个部件温度区域内，自动找出最高温度，以这个最高温度像素作为种子点，采用区域生长方法，低于最高温度5度作为边缘判决条件，生成一个最高温度区域，如这个最高温度区域大小数目与该部件温度区域大小数目近似一致，则该部件温度正常；如最高温度区域大小数目明显小于该部件温度区域大小数目，将该部件最高温度区域外像素作为一个区域，计算最高温度区域内平均温度；计算除最高温度外区域平均温度，采用相对温差法，诊断该部件是否存在热缺陷。相对温差法可以消除太阳辐射造成的附加温升的影响，同时，将检测距离、环境温度、湿度、风速等参数不准确带来的误差也减少。\n[0013] 从直升机上红外热像仪拍摄输电线路景物来看：由自然的背景与输电线路组成。\n从输电线路组成结构来看：由直线杆塔、耐张杆塔、杆塔之间的导线与地线组成。\n[0014] 由于自然景物中一些发热的物体、行驶的汽车、在阳光照射下杆塔本身发热，这些发热对象常常干扰红外热像仪对线路热缺陷的诊断，造成误判，直接影响红外热缺陷诊断的正确性及可靠性。如采用专业的红外分析软件来分析红外图像上线路的热缺陷，需要大量的交互操作，首先依靠人眼从红外图像上找出线路设备，采用区域最高温度分析法来发现是否存在热缺陷，由于直升机巡检时，实时采用大量红外图像数据，采用交互分析诊断，工作强度很高，热缺陷诊断效率较低。\n[0015] 为了提高红外热缺陷诊断的效率，在直升机巡检或车载巡检时，实现一边采集红外图像，一边诊断线路上热缺陷，进而提高红外热缺陷诊断效率。因此需要从红外图像上识别出有电流负载的线路部件，如导线、引流线、绝缘子及这些部件的接触区域，在识别的每个部件区域上再采用相对温差法诊断部件的热缺陷。\n[0016] 在红外图像上识别线路部件，首先建立线路的知识模型及部件上下之间的位置关系。高压线路可以看成是由不同方向的线段组成：导线是由多段平行线对象组成的，引流线是向下弯曲的曲线，杆塔是由不同方向的线段拼接组成，绝缘子与导线、引流线、杆塔高压具有固定位置的稳定关系连接。\n[0017] 将采集的红外图像进行分类。由于红外热像仪不能将两个杆塔之间的500米线路走廊全部拍摄下来，因此将采集的线路红外热图像分为三类：第一类红外图像中没有杆塔，只存在导线，导线有多条平行的直线对象组成，且贯穿红外图像全程；第二类红外图像中既存在导线，又存在杆塔且为直线杆塔；第三类红外图像被定义为：图像中既存在导线，又存在杆塔且为耐张杆塔。\n[0018] 根据上述发明构思，本发明采用下述技术方案：一种基于红外图像智能诊断高压线路热缺陷的方法，其特征在于操作步骤如下：\n[0019] 1、采用基于线对象感知聚类算法识别线路部件，具体步骤如下：\n[0020] 1-1、带方向的边缘算子处理红外图像，提取出水平线段、垂直线段、斜线段、曲线段，通过最大类间二差法生成红外二值图像，记为IB(i,j)表示红外二值图像；\n[0021] 1-2、在步骤1-1的红外二值图像上，计算每个水平、倾斜、垂直小线段的斜率与截距，将斜率与截距相同的小线段，合并连接为长的直线线段；通过分析小线段共端点的方式来拟合曲线段；\n[0022] 1-3、在步骤1-2红外二值图像上垂直等分区域，分析每个区域内的三类小线段分布密度；如存在同时水平、垂直、倾斜线段分布密度较高的区域，确认为包含杆塔的红外图像；如杆塔图像中不存在曲线，确认为包含直线杆塔红外图像；杆塔图像中存在曲线，确认为包含耐张杆塔红外图像；\n[0023] 1-4、将水平线段与倾斜线段中，斜率近似相同，截距不同的线段归类为平行线组；\n并确认为导线组；\n[0024] 1-5、依据步骤1-3与步骤1-4，在确认包含直线杆塔的红外图像中，如存在两组平行导线，判断相邻端点接近程度，同时相对扩展导线，使这两组导线相交，在交点的垂直方向存在合成绝缘子，推理出合成绝缘子位置，作为识别的合成绝缘子部件；如存在一组平行导线，与杆塔区域相邻的端点，按16*8大小像素区域扩展其端点，使其有效扩展到线路部件之间的接触区域；\n[0025] 1-6、依据步骤1-3与步骤1-4，在确认包含耐张杆塔的红外图像中，如存在平行导线组，判决与曲线相邻导线端点，该端点平行延长方向上存在玻璃绝缘子部件，推理出玻璃绝缘子位置，作为识别的玻璃绝缘子部件；\n[0026] 1-7、将识别的导线、引流线、绝缘子位置坐标用独立的连通区域结构管理，具体采用如下结构管理，用于对识别部件的管理；\n[0027] struct part_object {\n[0028] PART_NAME part_ID;\n[0029] unsigned int elements_number;\n[0030] vector elements;\n[0031] //部件外接矩形区域坐标\n[0032] int leftx, lefty;\n[0033] int topx, topy;\n[0034] int rightx, righty;\n[0035] int bottomx, bottomy;\n[0036] }\n[0037] 在红外图像上，将识别出每个部件区域位置坐标用对象区域BLOB来管理，建立每个部件区域像素与对应实际温度之间的映射，进而建立每个部件温度区域。\n[0038] 2、在识别出每个部件区域内，采用相对温差法诊断其热缺陷，具体热缺陷诊断采用如下过程：\n[0039] 2-1，读取识别的每个部件区域，依据其区域像素坐标，从红外温度图像IW（i,j）上，读取该区域内实际的温度值，对导线部件采用分块自动找出最高温度值，对绝缘子部件依据连通性，自动找出最高温度值，记为Tmax_hot；\n[0040] 2-2、以最高温度像素为种子点，采用区域生长方法，以低于最高温度5度作为边界判决条件，生成最高温度的连通区域，如这个最高温度区域大小数目与该部件区域大小数目近似一致，则该部件温度正常，则结束诊断；如最高温度区域大小数目明显小于该部件区域大小数目，将该部件最高温度区域外像素作为一个区域，转入步骤2-3；\n[0041] 2-3、对这个部件区域在红外温度图像IW（i,j）上生成两个温度连通区域：一个是最高温度的连通区域，另一个是由除最高温度外像素组成的温度连通区域。计算最高温度连通区域内温度的平均值AVG_Tmax，计算除最高温度外像素组成的温度连通区域内温度的平均值AVG_Tref，做如下计算：\n[0042] \n[0043] 2-4、依据 诊断该部件热缺陷：\n[0044] 如： ，则该部件有轻微接触隐患（一般热缺陷）；\n[0045] 如： ，则该部件有重大缺陷；\n[0046] 如： ，则该部件为紧急缺陷；\n[0047] 2-5、依据上述步骤2-1到步骤2-4，对其他识别部件进行热缺陷诊断；\n[0048] 本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：本发明采用基于线对象感知聚类算法识别线路部件，能有效排除自然复杂景物中地面行驶的汽车发热、地面发现物体及杆塔本身反射热量对线路热缺陷诊断的影响。本发明采用相对温差法诊断部件热缺陷，可以消除太阳辐射造成的附加温升的影响，减少检测距离、环境温度、湿度、风速等参数不准确带来的误差。本发明有效提高对输电线路热缺陷检测的效率，能有效应用到车载或直升机输电线路巡检业务中。\n附图说明\n[0049] 图1为本发明智能检测热缺陷硬件工作环境图；\n[0050] 图2为本发明从红外灰度图像上识别高压线路部件的方法；\n[0051] 图3为从图2中识别出的部件进行绝对温差法诊断热缺陷的方法；\n[0052] 图4为实际采集高压线路导线上有热缺陷的红外图像；\n[0053] 图5为从图4红外图像上提取识别的导线并行线组；\n[0054] 图6为从图5识别的每个导线上分段搜索找出最高温度的方法；\n[0055] 图7为从实际采集的红外图像上扩展导线诊断接触区域热缺陷示例图。\n具体实施方式\n[0056] 以下结合附图对本发明的优选实施例作进一步的详细说明。本实施例以本发明的技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。\n[0057] 如图1所示，本发明的红外图像智能检测高压线路热缺陷的方法适用的硬件环境，可以在直升机巡检或车载巡检工作环境下，检测热缺陷。红外热像仪的分辨率为\n320╳240或640╳480，红外热像仪的输出接口是模拟PAL/NTSC视频数据或数字网络视频流，采集的每幅红外灰度图像带相应的温度图像，每采集一幅红外图像，同时实现红外热缺陷诊断。\n[0058] 如图2所示，本基于红外图像智能诊断高压输电线路热缺陷的方法，其操作步骤如下：\n[0059] 1、采用基于线对象感知聚类算法识别线路部件，其具体步骤如下：\n[0060] 1-1、对采集到的红外图像进行预处理包括：采用3╳3中值滤波降噪，直方图均衡化处理获取边缘清晰的红外灰度图像，通过四个方向的Prewiit算子对红外灰度图像进行边缘提取，通过最大类间二差法生成红外二值图像。记为IB(i,j)表示红外二值图像；图4是实际采集的红外图像，图5是经过处理生成的红外二值图像；\n[0061] 1-2、在二值图像上提取水平、倾斜、垂直三类小线段。倾角范围在 的直线是由水平小线段组成；倾角范围在 的直线是由倾斜小线段\n组成；倾角范围在 的直线是由垂直小线段组成。在二值图像上按8搜索并标记水平、倾斜 、垂直小线段，定义三个链表结构Hsegment、Vsegment、Ssegment用来存放水平、垂直、倾斜小线段；\n[0062] 1-3、计算每个水平、倾斜、垂直小线段的斜率与截距，将斜率与截距相同的小线段，连接为长的直线线段；通过分析小线段共端点的方式来拟合曲线段；采用如下结构来表示线段：\n[0063] struct Segment{\n[0064] Point startP; //线段起始点坐标\n[0065] Point endP; //线段结束点坐标\n[0066] Double slope; //线段斜率\n[0067] Double intercept; //线段截距\n[0068] Int length; //线段长度\n[0069] Int locate; //是否是曲线线段\n[0070] }\n[0071] 1-4、在二值图像上垂直等分区域，分析每个区域内的三类小线段分布密度；如存在同时较高分布水平、垂直、倾斜线段的区域，确认为杆塔区域，在杆塔图像中是否存在曲线来区分是第二类图像还是第三类图像，如杆塔图像中不存在曲线，确认为第二类红外图像；杆塔图像中存在曲线，确认为第三类红外图像；\n[0072] 1-5、分析水平、垂直、倾斜线段的平行关系，将斜率近似相同，截距不同的线段聚类为平行线组；并确认为导线组。用如下结构表示平行线组：\n[0073] struct Parallel{\n[0074] Int Group;\n[0075] Int size;\n[0076] Point startP;\n[0077] Point endP;\n[0078] Double slope;\n[0079] Int left_edge;\n[0080] Int right_edge;\n[0081] Int bottom_edge;\n[0082] Int up_edge;\n[0083] }\n[0084] 1-6、依据识别出导线的位置，检测出导线的宽度。依据绝缘子在第二类红外图像（在两平行折线断点处的垂直位置上）和第三类红外图像中的位置（在平行导线终点平行延长方向），推导出绝缘子的大致位置。\n[0085] 1-7、在生成导线、引流线、绝缘子的二值模板图像的基础上，将每个导线、引流线、绝缘子采用二值的连通区域来管理。为了有效检测导线与线路其他部件的接触区域，扩展二值的连通区域使其能有效扩展到部件之间的接触区域。采用如下结构来管理识别出的部件：\n[0086] struct part_object {\n[0087] PART_NAME part_ID;\n[0088] unsigned int elements_number;\n[0089] vector elements;\n[0090] //部件外接矩形区域坐标\n[0091] int leftx, lefty;\n[0092] int topx, topy;\n[0093] int rightx, righty;\n[0094] int bottomx, bottomy;\n[0095] }\n[0096] 2、如图3所示，红外图像识别高压线路部件的基础上，进行红外热缺陷诊断，其具体步骤如下：\n[0097] 2-1、识别的每个部件坐标，采用对象连通区域BLOB管理，依据其像素坐标，从红外温度图像上，记录该区域内实际的温度值，对导线部件采用分块自动找出最高温度值，对绝缘子部件依据连通性，自动找出最高温度值，记为Tmax_hot，如图6所示采用导线分块方法，自动找出的最高温度，用绿颜色框标记；\n[0098] 2-2、以最高温度像素为种子点，采用区域生长方法，以低于最高温度5度作为边界判决条件，生成最高温度的连通区域，如这个最高温度区域大小与该部件温度区域大小近似一致，则该部件温度正常，则结束对该部件的诊断；如最高温度区域大小明显小于该部件温度区域大小，将该部件最高温度区域外像素作为一个区域；\n[0099] 2-3、对这个部件区域在红外温度图像IW（i,j）上生成两个温度连通区域：一个是最高温度的连通区域，另一个是由除最高温度外像素组成的温度连通区域。计算最高温度连通区域内温度的平均值AVG_Tmax，计算除最高温度外像素组成的温度连通区域内温度的平均值AVG_Tref，做如下计算：\n[0100] \n[0101] 2-4、依据 诊断该部件热缺陷：\n[0102] 如： ，则该部件有轻微接触隐患（一般热缺陷）；\n[0103] 如： ，则该部件有重大缺陷；\n[0104] 如： ，则该部件为紧急缺陷；\n[0105] 如图7所示，实际采集的有缺陷的红外图像，Tmax= 48。C, Tref= 18。C, = 150%，该缺陷属于紧急热缺陷；\n[0106] 2-5、依据上述步骤4-1到步骤4-4，对其他识别部件进行热缺陷诊断，采用如下结构对诊断的热缺陷部件进行管理：\n[0107] struct tagIRFault\n[0108] {\n[0109] FAULT_PART_NAME IrFaultPart;\n[0110] //红外诊断的缺陷部件名称，为：NULL_FAULT：没有缺陷；否则如下为缺陷区域[0111] RECT IrFaultRect; //红外缺陷区域\n[0112] int highesttemperature; //最高温度；\n[0113] int DiffTempe; //相对温差；\n[0114] }。