刘小春，张 蕾

（湖南铁道职业技术学院，湖南 株洲 412001）

红外图像增强机车电力系统故障诊断与定位

刘小春，张 蕾

（湖南铁道职业技术学院，湖南 株洲 412001）

针对机车电力设备红外图像的对比度较差、细节不够明显的特点，该文提出一种基于非线性变换（nonsubsampled contourlet transform，NSCT）的图像增强算法，在算法模型中构造一个非线性匹配函数，该函数能够对红外图像的边缘进行一定的增强，并且能够抑制噪声的干扰。实验结果表明：该方法能够对电力系统过热故障进行智能诊断，并且能够提供复选解决方案。

非线性变换；红外图像；增强；机车电力；过热故障

0 引 言

随着我国电力机车的快速普及，铁路电网的规模不断扩大，机车电力设备的负责度也有了大幅度增强。智能电气设备是现代化机车的重要组成部分，红外图像检测技术在对电力系统进行故障诊断时，具有操作简单、检测定位准确等优势，已被广泛用于电力系统的故障诊断领域。传统的红外图像电力监控系统往往是采用人工巡检的方法，这种方法不但需要大量的人力物力，而且无法实现对电力设备的整体监控，无法满足目前机车电力系统故障监控的智能需要。电力设备发生故障时常伴有发热的现象，导致局部温度迅速升高；因此，通过测量电力系统的温度变化，就可以提前对电力系统的故障进行预测，从而为智能故障诊断提供依据。

红外图像检测技术以其不接触、无需断电且检测准确度高等优势已在电气智能检测领域得到了广泛应用[1-3]；但是，由于红外图像的边缘较模糊且对比度较差，导致红外图像在空间上存在一些孤立的点和脉冲噪声的干扰[4]，因此在对红外图像检测时首先需要对图像进行增强去噪处理，目前常用的图像增强方法有小波增强和直方图均衡化增强[5-6]。

1 NSCT电力系统红外图像增强原理

1.1 NSCT变换介绍

非线性变换（NSCT）可以分为两个平移不变的部分：1）非下采样金字塔（non-subsampled pyramid，NSP），用来确保NSCT的多尺度分析性质；2）非下采样方向滤波器组（non-subsampled directional filter bank，NSDFB），用来确保NSCT的多方向分析特性。这两部分的滤波器组都避免了采样环节，使得NSCT具有平移不变性。NSCT的平移不变性使得图像经NSCT变换后所得到的各个子带中的信息与原图像一一对应，而且NSCT的低频子带不会有频率混淆现象产生，因而具有更强的方向选择性[7-8]，NSCT变换如图1所示。

图1 NSCT变换结构图

NSCT变换的最大优点是各向异性和多尺度变换，能够在任意方向上实现任意尺度的分解，可以产生低频系数和各个带通方向的子带，将红外图像信息分解到每个尺度子带的图像方向信息，然后根据统计分析的结果对红外图像的不同细节信息分别进行增强去噪，以取得最为理想的图像增强效果。

1.2 NSCT图像增强原理

图像增强的最终目的是削弱噪声信号对有用信息的影响，以提高图像的信噪比。由于红外图像的对比度较低，因此在机器识别之前首先应该对红外图像进行图像增强和去噪处理，以提高红外图像的信噪比，使图像处理结果更加准确。

目前常用的红外图像增强方法是将原始图像信息用函数映射进行系数变换，然后对变换后的图像系数进行重构。相对于可见光图像，由于红外图像的对比度较低，含有较多的噪声信息，采用传统的图像增强方法虽然放大了有用信息，同时也将噪声信号进行了相当倍数的放大，反而可能导致图像质量的下降；因此，在对红外图像进行增强时，要考虑对图像噪声的抑制。在采用NSCT变换增强中，选择合适的增强函数对增强效果非常重要，本文采用Jean-LucStarck函数[9-10]，非线性映射函数修正NSCT变换系数为

式中：δ——图像各个子带的噪声标准差；

c——δ的系数，c＞3的噪声信息不会被放大。

图像每个子带上的噪声估计标准差δ的计算方法[11]如下式所示：

式中：Ym×n∈{di，j}——原始图像Im，n的NSCT变换系数；

m——临界点参数，小于m的子带参数都会被放大，图像的像素决定了m值的大小。

在一般情况下将NSCT子带系数块内最大值的80%设置为m的值。通过对参数m和c的调整，能够有效增强图像的细节，抑制噪声，通过调整k值可以改变系统对噪声的抑制程度。

2 过热区域定位与故障判断

物体辐射的能量等级不同，决定了物体各个部分温度的差异，在红外图像中表现为灰度值与能量具有一定的线性或者非线性的关系，即温度高，能量大，对应的灰度值就会越大，基于此理论可以实现对机车电力系统的故障检测与定位。然而，由于红外图像采集识别本身受环境因素的影响，红外图像在增强以后仍可能包含一些孤立的脉冲信号点，其数值往往与其附近有着明显差异，在接下来的故障判别过程中极有可能将其误判为过热点。另一方面，由于电力系统局部过热的现象在红外图像上的呈现往往具有一定区域性的特点，因此可以通过拓扑矩阵对孤立的脉冲噪声信号进行剔除，最终实现对电力系统过热区的提取与定位。

首先通过阈值法对电力系统红外图像过热区进行初步标示。用x（i，j）表示第（i，j）个像素点的灰度值，用矩阵Im×n表示红外图像所有像素点的灰度值。设灰度图像的像素点的最大值为maxm×n，将阈值设定为Th，因此，x（i，j）≥Th的像素点标记为1，x（i，j）＜Th的像素点标记为0，得到一个m×n的矩阵Pm×n；然后遍历矩阵Pm×n的所有像素点，寻找4×4的单位矩阵，如果存在则将矩阵Pm×nnew所对应的位置赋1，其余为0，如果不存在这样的4阶单位阵，那么就令Th=maxm×n，n=1，2，3，…，重新寻找赋值，依此类推，直到找到4×4的单位阵为止，具体运算过程如图2所示。

图2 拓扑矩阵修正图

采用非线性NSCT变换对红外图像进行增强处理以后，通过求解电力系统热红外图像相对温度差就可以对故障点进行判别。相对温度差是两个测量点之间的温度差与中热电之间的升温百分比，可表示为

根据电力系统被测对象相对温度差的大小，可以对设备故障的严重程度进行等级划分，部分电流致热导致机车电力系统故障的温度差判据如表1所示。

表1 机车电力设备电流致热型故障相对温度差判据

3 实验结果分析

采用机车电力系统中易发生打火、发热等故障的部位进行实验，选取其中的两个部位进行讨论，经对比分析得出如下结论：

1）对比图3中各个算法对红外热图像的增强效果，发现采用直方图均衡化的方法对红外图像具有一定的增强效果，然而对噪声信号的滤除效果不好，信噪比改善较小。分析图3中小波增强算法的效果，小波增强技术虽然对图像信息的增强效果较好，但由于缺少红外图像的方向信息，导致红外图像信噪比改善不明显，其抑制噪声的效果不如非线性NSCT方法好。采用非线性NSCT变换的红外图像增强算法能够很好地增强红外图像的细节，且对噪声有很好的抑制效果，信噪比得到了大幅度的提高。

图3 不同增强算法增强结果对比

2）NSCT红外图像增强算法中，将s的值设为0，这样可以保证增强后的图像与原始图像灰度图的像素值系数不发生变化，不会对图像产生影响，然后通过拓扑矩阵进行修正，将疑似故障点在图4（a）中标出，其中图4的最大迭代灰度值maxm×n=245，即表明采用NSCT变换图像增强算法具有很强的适应性。

3）对电力系统疑似故障点进行标记后，可以得到过热点的坐标图，其结果如图4（b）所示，电力系统的红外图像目标温度分布图是由其灰度图像的灰度值直观反映出来的，因此通过对比坐标图可以对故障点进行分析，为下一步对电力系统故障的定位奠定了基础。

4）将机车电力系统的过热区域提取以后，通过式（3）可以对图4中的电力系统部件的故障进行判别。

4 结束语

本文首先利用红外图像的方法对机车电力系统的故障诊断进行了分析，然后对其红外图像对比度低、图像增强较为困难等问题，尝试采用非线性NSCT变换对机车电力系统的红外图像进行了增强与对噪声的抑制研究，然后运用拓扑矩阵修正的方法自动对系统的疑似故障区域进行定位，最后通过相对温度差的关系对疑似故障区域进行故障判别；基本可以实现对机车电力系统发生的热故障进行智能诊断和定位，为进一步研究机车电力系统故障智能监控系统提供了理论依据，同时为电力行业的其他领域以及电网系统的智能诊断提供了一定的参考价值。

图4 系统1的疑似故障区域提取结果

[1]李佐胜，李文利，姚建刚，等.应用绝缘子红外热像处理的现场污秽等级检测方法[J].中国电机工程学报，2010，30（4）：132-138.

[2]王祖林，黄涛，刘艳，等.合成绝缘子故障的红外热像在线检测[J].电网技术，2003，27（2）：17-20.

[3]刘健，解辰，蔺丽华，等.基于红外图像的电力变压器油位自动检测方法[J].高电压技术，2010，36（4）：964-970.

[4]李文杰，姚建刚，毛李帆.基于中值滤波法及小波自适应扩散法的绝缘子红外热像去噪[J].电网技术，2010，34（8）：160-164.

[5]王炳建，刘上乾，周慧鑫.基于平台直方图的红外图像自适应增强算法[J].光子学报，2005，34（2）：299-302.

[6]吴颖谦，施鹏飞.基于小波变换的低对比度图像增强[J].红外与激光工程，2003，32（2）：4-7.

[7]李殿均，贾振红，覃锡忠，等.一种新的基于NSCT域的遥感图像增强算法[J].计算机工程与应用，2012，48（33）：203-206.

[8]Chen J Y，Sun H.Multi-resolution edge detection based on alpha-stable model in SAR image using translation-Invariance Contourlet transform[C]∥IEEE International Symposium on Signal Processing and Information Technology.Vancouver Canada，2006：264-270.

[9]杨振亚，陈裕泉，潘敏，等.基于Curvelet变换的X射线图像增强[J].计算机科学，2010，37（3）：275-277.

[10]Jean L S.Gray and color image contrast enhancement by the curvelet transform[J].IEEE Transactions on Image Processing，2003，12（6）：706-717.

[11]Chang S G，Yu B，Vetterli M.Spatially adaptive wavelet thresholding with context modeling for image denoising[J].IEEE Trans Image Process，2000，9（9）：1522-1531.

Fault diagnosis and location for locomotive electric power system based on infrared image enhancement

LIU Xiao-chun，ZHANG Lei
（Hunan Railway Professional Technology Institute，Zhuzhou 412001，China）

Forlocomotive powerequipmentinfrared image contrastispoorer，and itsdetail characteristics are not obvious enough，this paper puts forward a kind of the image enhancement algorithm based on NSCT （nonsubsampled contourlet transform）nonlinear transform.The algorithm constructs a nonlinear matching function which can enhance the edge of the infrared image and suppress the interference of noise.Experimental results show that the proposed method can overheat faults in the power system with intelligent diagnosis，and this study can provide a solution for checking.

NSCT；infrared image；enhance；locomotive power；overheat faults

TP206+.3；TP391.41；U292.91+4；U262.1

：A

：1674-5124（2014)06-0120-04

10.11857/j.issn.1674-5124.2014.06.031

2014-04-20；

：2014-06-18

刘小春（1973-），女，副教授，硕士，主要从事自动控制教学与研究。