郭法安 易 婷

(广东电网有限责任公司中山供电局)

0 引言

目前, 我国电力系统覆盖面积大、设备数量多、分布范围广, 电力设备的状态检修依靠人工巡视维护已逐渐不能适应当前的情况。无人值守变电站的快速发展对电网安全运行管理、设备在线状态变化提出了新的要求, 通过遥视系统、机器人、无人机等智能巡视设备实时监控电力设备的运行状况, 及时发现设备故障隐患并发出报警信号, 是电网设备智能巡检重要技术手段。

通常运行中的电力设备发生隐患或故障, 都伴随着电、磁、声、光、热等物理现象变化。当输电线路连接器、线夹、触头等部件接触不良, 主变或GIS 内部电气回路故障、绝缘介质老化破损, 都会出现着温度变化和局部发热, 这些异常温度场所造成的红外线外辐射为红外热成像观测电力设备故障提供了技术条件。利用热红外成像仪器生成电力设备的热成像图,直观的检测电力设备的状态和故障隐患。红外热成像技术具有操作便捷、检测速度快、抗电磁干扰性强等优点, 使得电力设备的故障诊断变得简单方便, 因而在电力设备状态检修中得到大量推广。

红外传感器从某种程度上来说其信息来源基于物体的红外辐射状态, 能较为直观的反应物体的温度场, 但是这种单一的信息来源不能反应物体周围的亮度细节信息, 例如在特定的光线环境下或隔着玻璃镜面观察物体时, 采用单一红外光谱图像不能很好的定位设备的故障隐患点。相比之下, 可见光图像能够清晰的反应物体周围亮度层次, 而且高像素的可见光摄像技术发展较为成熟, 亮度、对比度、饱和度等信息清晰度高, 其缺点在于不能获取设备的温度信息。如果在电力设备热成像中应用多光谱图像传感器, 将红外光谱和可见光光谱相融合来进行故障检测, 形成信息互补的热成像, 能综合反应电力设备在不同场景下的温度、亮度、对比度、饱和度等多个细节信息, 依据这些信息能够快速准确定位电力设备故障发热部位, 从而排除电力设备的故障隐患点。

因此, 本文提出一种基于多光谱图像融合的电力设备热成像方法, 将红外图像、可见光图像进行小波变换、频域融合、小波逆变换等步骤得到多光谱融合图像。这种电力设备热成像方法能够有效的解决传统红外热成像技术的不足, 所捕捉的信息提高了观察的准确性和鲁棒性, 对提高电力设备故障检测的准确度和诊断效率具有较高的理论和实践意义。

1 多光谱图像融合策略

图像融合的概念是指采集关于同一目标不同传感器的图像, 采用某种融合策略提取各信道的有利信息, 最后综合成为质量更高的图像。通过对多源信道不同光谱图像有用信息的提取和综合, 得到特定场景下同一目标的更加精确可靠的图像描述。在追寻更加契合人或机器视觉特征和识别方式的目标上, 为避免单一图像提供信息有限的弊端, 采用图像融合技术后得到图像更加能够满足生活、生产场景下的需求, 尤其在电力设备故障检测领域, 采用多光谱图像融合技术, 将可见光图谱和红外图谱相融相辅, 充分结合两者优势, 能够更加快速和准确的检测到故障点, 从而为检修工作带来方便和高效。

图像融合技术的发展最早可以追溯到线性加权法、金字塔图像融合等相对简单的算法。随着计算机科学与技术的推广应用, 数值计算方法和人工智能算法得到快速发展。1987 年, Mallat 在小波变换多分辨率分析理论与图像处理的应用研究中受到塔式算法的启发, 提出了信号的塔式多分辨率分析与重构的快速算法。Mallat 算法提出后, 小波的多分辨率特性在图像融合技术中得到广泛应用。小波变换可以在时域、频域来回穿插使用, 利用小波变换作为多尺度分析工具, 其提取的图像细节信息更加丰富、更加具有辨识度。图像融合采用小波变换算法的思路是将图像在复频域进行分解, 将图像的频率信息进行展开和投影,对不同频率的信息单独进行处理、融合, 然后再经小波逆变换后得到融合后图像[1]。多光谱图像融合采用小波变换算法, 具有运算速度快、结果精度高等优点, 在电力设备故障检测领域具有较强的可行性。

图像融合采用小波变换算法的基本步骤是:

(1) 将不同传感器采集的原始图像分别进行小波变换, 将其分解为不同的频域分量表示;

(2) 对提取到的复频域信息进行融合处理, 不同的频域分量采用不同的融合策略, 得到融合后的频率分量。

(3) 对融合后的频率分量进行小波逆变换, 所得的重构图像即为融合图像。

电力设备的多光谱图像融合, 利用红外传感器、可见光传感器进行采集, 两者的工作原理和成像性能完全不同。红外成像传感器通过探测目标和背景之间的热辖射差异来识别目标的红外图谱, 对目标的热效应具有较好的探测效果, 但其对环境的亮度、对比度、饱和度变化不敏感, 因此红外成像清晰度和分度率都较低, 不满足对场景细节信息的把握要求。相比之下, 可见光成像传感器信息来源于目标场景的可见光反射, 可见光图像能够清晰的反应物体周围亮度层次, 而且高像素的可见光摄像技术发展较为成熟, 亮度、对比度、饱和度等信息清晰度高, 能够满足观察场景目标的几何纹理细节信息要求, 其缺点在于不能获取设备的温度信息[2]。通过以上分析对比可知, 可见光成像是彩色纹理分割的结果, 而红外成像是温度场信息反馈的结果。利用小波变换分别对两者进行复频域分解, 分解后的图像包含不同的频域分量, 低频分量表征图像的近似程度, 高频分量表征图像的细节信息[3], 因此对不同的频率分量应考虑采用不同的融合策略, 是图像融合必须考虑的问题。

(1) 低频分量融合策略

小波变换后的低频分量表征图像的近似程度, 采用加权平均值对各幅图像的低频分量进行融合容易造成图像模糊失真, 因此为了充分提取低频分量的边缘特征, 本文对低频分量簇采用边缘检测策略进行融合, 可以克服上述缺点。

(2) 高频分量融合策略

小波变换后的高频分量表征图像的细节信息, 对高频分量的处理原则需考虑保充分留原图的区域边界细节信息。在高频分量信息中, 小波系数幅值大者表明该区域亮度、对比度变化较大, 因此为了充分提取高频分量的亮度、对比度信息, 本文对高频分量簇采用系数幅值最大化的融合策略。

如图1 所示, 可见光图像和红外图像经过小波变换进行复频域分解, 分解后的图像包含低频分量和高频分量, 釆用边缘检测策略对两者的低频部分进行融合, 采用幅值最大原则对两者高频部分进行融合, 融合后的低频分量、高频分量经小波逆变换后得到多光谱融合图像。这种信息互补的热成像, 起到了扬长避短的效果, 能综合反应电力设备在不同场景下的温度、亮度、对比度、饱和度等多个细节信息, 达到良好的视觉效果。

图1 多光谱图像融合策略

2 电力设备热成像方法

基于多光谱图像融合的电力设备热成像方法包括以下步骤, 如图2 所示:

图2 多光谱图像融合的电力设备热成像步骤

第(1) 步S1: 电力设备通过红外传感器与可见光传感器分别生成红外光图像与可见光图像; 可见光传感器敏感于电力设备场景的可见光反射, 可以提供场景的几何纹理的亮度细节信息; 红外传感器获取电力设备的红外光辖射, 依靠探测电力设备和背景间的热辖射差异来识别电力设备的温度场。

第(2) 步S2: 对红外光图像与可见光图像分别进行小波分解, 均产生低频分量与高频分量; 红外光图像与可见光图像通过小波分解形成复频域层, 各分解层根据频率分量产生低频分量与高频分量。

第(3) 步S3: 将红外光图像与可见光图像的低频分量进行边缘检测, 选取低频分量的边缘特征, 采用低频融合算子进行融合, 得到低频的多尺度图像。

第(4) 步S4: 对红外光图像与可见光图像的高频分量采用系数幅值最大化的原则进行融合, 得到高频的多尺度图像。

第(5) 步S5: 针对低频的多尺度图像和高频的多尺度图像进行小波反变换, 得到融合图像。

3 应用场景下的显像效果

运行中的电力设备导线连接部分发生接触不良或松动时, 可见光下拍摄的成像图片如图3 - (1) 所示, 可见光图像在亮度、对比度、饱和度等信息清晰度和空间分辨率较高, 能够满足观察场景目标的几何纹理细节信息要求, 有利于观察者形成对场景的整体认知, 其缺点在于不能获取设备的温度信息, 因此无法观测到故障点。采用红外测温枪检测到的热成像如图3 -(2) 所示, 红外成像传感器通过探测目标和背景之间的热辖射差异来识别目标的红外图谱, 对目标的热效应具有较好的探测效果, 但其对环境的亮度、对比度、饱和度变化不敏感, 因此红外成像清晰度和分度率都较低, 不满足对场景细节信息的把握要求。采用基于多光谱图像融合的电力设备热成像方法, 融合后的图像如图3 -(3) 所示, 将红外光谱和可见光光谱相融合来进行故障检测, 形成信息互补的热成像, 能综合反应电力设备在不同场景下的温度、亮度、对比度、饱和度等多个细节信息, 依据这些信息能够快速准确定位电力设备故障发热部位, 从而排除电力设备的故障隐患点。

图3 多光谱图像融合前后电力设备热成像对比图

应用场景表明, 木文所提出的基于多光谱图像融合的电力设备热成像方法能够很好的在将可见光图像、红外图像进行融合。当测温枪、摄像头、无人机、机器人等智能巡视设备应用该方法后, 融合后的图像既能清晰的显示红外检测的故障点, 又能显示出设备亮度纹理细节信息, 为工程检修人员提供准确良好的参照。

4 结束语

本文提出一种基于多光谱图像融合的电力设备热成像方法, 对电力设备的可见光光谱、红外光谱的成像特点进行分析对比, 利用小波变换分别对两者进行复频域分解, 分解后的图像包含不同的频域分量, 釆用边缘检测策略对两者的低频部分进行融合, 采用幅值最大原则对两者高频部分进行融合, 融合后的低频分量、高频分量经小波逆变换后得到多光谱融合图像。基于多光谱图像融合的电力设备热成像方法, 将红外光谱和可见光光谱相融合来进行故障检测, 形成信息互补的热成像, 能综合反应电力设备在不同场景下的温度、亮度、对比度、饱和度等多个细节信息,具有计算简单、融合速度快、融合效果好等优点, 融合后的图像既能清晰的显示红外检测的故障点, 又能显示出设备亮度纹理细节信息, 能够很好的满足电力设备状态检修的准确性和可靠性要求。