基于紫外成像技术的彩色光斑映射识别算法研究

刘云鹏， 李泳霖， 裴少通， 刘嘉硕， 来庭煜

(河北省输变电设备安全防御重点实验室(华北电力大学)，河北 保定 071003)

0 引 言

基于240～280 nm“日盲区”波段紫外光信号的“日盲”紫外放电检测具有抗太阳背景噪声干扰、探测距离远、非接触、放电位置定位准确等诸多优点,近几年在电气设备的放电检测中得到了较广泛的应用[1-6]。目前紫外成像仪检测结果输出的直观数据是电晕放电位置的光子数,根据紫外光子数多少可判断故障位置的电晕放电强度。文献[7]建立了紫外辐射检测平台,评估了视角和测量距离对紫外辐射检测技术的影响,并提出了检测光子数的坐标转换方程以补偿影响引起的误差。然而,文献[8-10]认为利用紫外图像中的光斑面积进行紫外成像检测比利用光子数更高效,光斑面积随检测距离、仪器增益的变化规律较好,可从成像和仪器的工作原理进行明确地解释。文献[11]进行了绝缘子电晕放电紫外检测实验,比较分析了光子数和光斑面积在量化电晕放电强度时的差异,发现使用光斑面积量化放电不存在多值问题,可以得到更准确的结果。由此可知,在紫外放电检测中,光斑面积更适合作为紫外成像仪的输出量。

在紫外放电检测过程中,为了减少检测背景对紫外光斑识别的干扰,目前市场上大部分型号的紫外成像仪均具有设置光斑颜色的功能。但是将紫外图像的光斑区域设置成彩色后,利用传统阈值分割算法难以将光斑区域准确地分割[12-16]。近年来,基于深度学习的分割方法是实现彩色光斑准确分割的最先进的方法[17]。但是深度学习方法需要大量的图像来获取样本,计算复杂度高,若紫外图像样本较少则使用效果较差[18]。由于在复杂的背景下,紫外图像中的光斑区域也具有明显的颜色特征。因此,可利用光斑区域与非光斑区域的灰度差异,先对图像进行预处理,再使用灰度图像阈值分割算法进行光斑分割。该处理过程既能准确地分割出光斑区域,又充分利用了灰度图像阈值分割算法的运算速度快、计算复杂度低等优点。

综上所述,本文首先利用紫外成像仪,通过瓷绝缘子的人工污秽放电试验及变电站设备的紫外检测,采集了一系列紫外放电视频,视频中放电光斑区域的颜色包括蓝绿色、绿色、红色、黄色等多种色彩;其次,改进了紫外视频的处理方法,在对紫外检测图像的彩色光斑区域进行阈值分割之前,使用基于高斯函数的彩色图像映射识别算法对紫外图像进行预处理,有效实现了彩色光斑区域的分割。该方法不仅能够满足现场工作人员进行快速检测的需求,又可为后续的放电诊断提供可靠保障。

1 电气设备放电的紫外视频采集

本文通过瓷绝缘子人工污秽放电试验及变电站设备紫外检测,采集电气设备的紫外放电视频。

1.1 瓷绝缘子污秽放电试验

220 kV瓷绝缘子污秽放电试验平台原理图如图1(a)所示,在人工雾室中的试验平台实物图如图1(b)所示。根据DL/T 741-2001规范,系统标准电压220 kV线路绝缘子每串最少片数为13片,本文试验使用14片型号为U70BP/146 D的瓷质绝缘子,其基本技术参数见表1。试验中,绝缘子串最下端为高压端,最上端为接地端。图1中绝缘子串接地端上方增加了1片同一型号的绝缘子,起到连接绝缘子串并保护悬挂设施的作用。人工雾室长10米、宽10米、高12米,利用雾室中的喷淋架将雾室内的相对湿度分别控制在30%、50%、70%、90%,误差为±3%,并使用数字湿度计实时监测湿度。

表1 U70BP/146D绝缘子的基本技术参数Tab.1 Basic technical parameters of U70BP/146D

图1 试验平台示意图Fig. 1 Schematic diagram of test platform

试验之前,可按照固体层法进行绝缘子的人工涂污[19-21],用氯化钠模拟绝缘子表面污秽层中的盐密,用硅藻土模拟绝缘子表面污秽层中的灰密。参照国家电网公司企业标准Q/GDW 1 152.1-2014,本文将5种污秽等级简化为3种,即：低污秽度(a级和b级)、中污秽度(c级和d级)和高污秽度(e级)。因此,本试验将等值灰密固定为1 mg/cm2,等值盐密分别为0.01 mg/cm2、0.1 mg/cm2和0.4 mg/cm2。试验过程中,加压方法采用恒定电压法[9],根据前期对110 kV输电线路绝缘子人工污秽放电试验的研究[21],将在绝缘子串高压端施加的电压由工频127 kV调整为工频97 kV,使绝缘子串高压端附近的绝缘子表面电场强度更接近于实际工况。利用紫外成像仪检测绝缘子表面的放电情况,成像仪具体型号为北京瑞盈智拓科技发展有限公司生产的ZT203。

1.2 变电站电气设备紫外检测

利用ZT203紫外成像仪,对1 000 kV高乡变电站、1 000 kV微山湖变电站、500 kV益都变电站、220 kV招远变电站等10座220 kV及以上电压等级变电站设备进行紫外检测,部分紫外放电图像如图2所示。

图2 部分变电站设备紫外放电检测图Fig. 2 UV discharge detection diagrams of some substation equipment

2 紫外放电检测图像中彩色光斑的分割算法研究

2.1 紫外视频处理方法的改进

紫外成像仪拍摄的紫外视频通常需要先进行视频的帧提取,所得图像帧为RGB图像,然后将RGB图像转换为灰度图像后再进行图像分割,最后利用形态学滤波获得放电光斑区域的二值图像[9]。在紫外检测过程中,将光斑面积作为紫外检测的输出参量,为了减少检测背景对紫外光斑识别的干扰,可利用ZT203紫外成像仪将紫外光斑区域由常用的白色设置为其他颜色。

传统的紫外图像处理方法是对经过灰度化处理的紫外图像,进行阈值分割后得到其光斑二值图像。然而,以蓝绿色、绿色、红色和白色光斑为例,使用传统阈值分割算法分割这4种颜色光斑区域的结果如图3所示,可知除白色光斑外,其它颜色光斑的分割效果并不理想。因此,需要对常用的紫外图像处理方法进行改进。

图3 使用传统阈值分割算法的光斑区域分割效果Fig. 3 The effect of spot region segmentation using traditional threshold segmentation algorithm

之所以传统阈值分割算法更适用于白色光斑的紫外图像却不适合彩色光斑,是因为经灰度处理后的紫外图像中白色光斑区域与非光斑区域的对比度较高;但对于彩色光斑的紫外图像则情况相反,在将紫外图像进行灰度处理后,其光斑区域灰度值与非光斑区域灰度值差别较小,光斑分割时更容易受到非光斑区域的干扰。因此,需要改进传统的紫外视频处理流程。本文在灰度处理前对RGB图像进行颜色映射处理,使彩色光斑在灰度处理后能够被准确分割。传统的及改进的紫外视频处理方法示意图如图4所示。

图4 紫外视频处理方法示意图Fig. 4 Schematic diagram of UV video processing methods

2.2 基于高斯函数的紫外彩色光斑图像映射算法

2.2.1 映射模型

如图4所示,虽然阈值分割方法不适用于彩色光斑的紫外图像,但是可以先对图像进行预处理,将彩色光斑转换为白色光斑之后再进行阈值分割。

以蓝绿色光斑、绿色光斑和红色光斑为例,原始紫外图像及其R、G、B通道分离后的图像如图5所示。由图5可知,对于彩色光斑的紫外图像,总能在R、G、B这3个颜色通道中的一个或多个通道上,发现其光斑区域与非光斑区域之间较明显的灰度差异。因此,在图像分割之前可充分利用R、G、B这3种颜色通道信息来增强光斑区域像素与非光斑区域像素的灰度差异,在排除非光斑区域的干扰之后将光斑区域的颜色转换为白色,进而在后续处理过程中可有效地利用阈值分割算法对光斑区域进行分割。

图5 彩色光斑紫外图像的RGB通道分离效果图Fig. 5 RGB channel separation effect of color spot in UV images

以蓝绿色、红色和黄色光斑为例,紫外图像中不同像素点的RGB值如图6所示,光斑区域的RGB灰度值虽然不固定但变化范围有限,光斑区域内的RGB灰度值最大相差12.2%。同时,考虑到一维高斯分布的曲线特征,可通过定义高斯函数的峰值和平均值,将彩色光斑区域的颜色映射至白色,即利用高斯函数将彩色光斑区域的R、G、B值分别映射至255。基于高斯函数分布的连续性以及光斑区域RGB灰度值范围的有限性,映射图像可以在很大程度上保留原始图像的色域,并提高图像的对比度。采用高斯函数的紫外彩色光斑图像映射模型如式(1)和式(2)所示,映射模型示意图如图7所示。其中,A表示映射强度,在不同应用场景下,可通过设置A的值(0≤A≤ 255)将光斑区域的颜色映射至其它颜色,由于本文需将彩色光斑映射为白色光斑,所以A=255;μ表示光斑区域中R、G、B三个通道的灰度值;σ2为常数,表示映射函数的方差,本文将其定义为映射方差;F={fr,fg,fb}表示输入图像,G={gr,gg,gb}表示映射图像;M(x)表示高斯映射公式。

图6 紫外图像中不同像素点的RGB值Fig. 6 RGB values of different pixels in the UV image

图7 紫外彩色光斑图像的映射模型示意图Fig. 7 Schematic diagram of mapping model of color spot in UV images

(1)

M(x)=Aexp[-(x-μ)2/2σ2]

(2)

2.2.2 映射方差

映射方差σ2的值越小,映射图像经灰度化处理之后的图像中光斑区域与非光斑区域的对比度越高。因此,可根据紫外灰度图像中光斑区域与非光斑区域的灰度差异,适当改变σ2的大小。以红色光斑为例,其紫外图像大小为206×181像素,本文设置σ= 3,原始紫外图像及其映射图像在经过灰度化处理之后均可得到1个206×181的图像灰度矩阵。由于灰度矩阵的第172行包含光斑区域及检测背景,可分别画出2个灰度矩阵中第172行的灰度变化曲线并进行对比分析,曲线见图8。如图8(a)所示,在没有经过映射处理的紫外灰度图像中,光斑区域的灰度值范围为100～112,与部分非光斑区域的灰度值范围几乎无差别,因此不适合直接使用阈值分割算法。如图8(b)所示,在经过映射处理的紫外灰度图像中,光斑区域的灰度值范围为230～250,与图8(a)相比,光斑区域灰度值平均增加了2.18倍。由此可知,图像映射算法极大地增强了光斑区域灰度值与非光斑区域灰度值的对比度,可轻易地排除非光斑区域的干扰并将光斑区域的颜色转换为白色,进而更有效地利用阈值分割算法对光斑区域进行分割。此外,瓷质绝缘子在图8(b)中显示得更加清晰,因此可认为基于高斯函数的紫外彩色光斑图像映射算法不仅有利于紫外图像彩色光斑区域的分割,而且有利于图像中电气设备的识别。

图8 紫外图像灰度矩阵中第172行的灰度值曲线Fig. 8 The gray value curve of the 172nd row in the gray matrix of the UV image

2.2.3 阈值分割算法

紫外图像经过映射处理并转换为灰度图像后,可利用现有的传统阈值分割算法将白色光斑区域分割出来。算法的关键在于阈值的选择,通常阈值在200～250范围内时可取得较好效果[9]。

经上述图像处理后,放电光斑区域可有效地从紫外图像中分割出来,但变换后的图像中可能仍然存在一些噪声点。对噪声区域和光斑区域进行分析可知,噪声区域的几何尺寸要远小于光斑区域,根据上述特点,本文采用数学形态学(Mathematical Morphology)的方法对图像进行滤波处理。以红色、黄色和绿色光斑紫外图像为例,经算法处理的结果如图9所示。对比图9中的原始图像和最终处理图像,可知无论是人工雾室试验还是实际进站检测,本文所提紫外彩色光斑映射识别算法均可较好地排除非光斑区域的干扰,将光斑区域较为准确地分割出来。

图9 紫外彩色光斑图像分割结果Fig. 9 Result of UV color spot image segmentation

3 紫外彩色光斑映射识别算法效果评价

3.1 算法评价指标

为了验证本文所提算法分割紫外图像彩色光斑的能力,将其处理结果与人工标记光斑区域的图像进行对比。如图10所示,以蓝绿色光斑为例,人工标记光斑区域的二值化图像中光斑面积为808,经算法处理后的二值化图像中光斑面积为776,可知两图像中的光斑区域重叠程度为96%,算法的处理效果较好。因此,可基于Jaccard相似系数的概念,提出精度P和召回率R两个指标用于评估算法的性能,P和R的定义如式(3)所示。

图10 人工标记光斑与算法处理结果图像对比Fig. 10 Comparison of artificially marked spot with algorithmically processed images

(3)

其中,A表示人工标记的光斑区域,B表示经算法处理后提取的光斑区域。

3.2 算法应用效果评价

根据采集的电气设备放电紫外视频,从中截取了1 000张紫外图像帧,并人工标记出放电光斑区域。

部分图片的对比如图11所示。对紫外图像进行彩色光斑映射识别处理后,与人工标记光斑区域的二值化图像进行对比,由式(3)可得精度P平均值为0.963 2,召回率R平均值为0.972 6,均达到了95%以上,证明了本文提出的彩色光斑映射识别算法具有良好的紫外图像彩色光斑分割能力,能够满足后续对紫外放电图像进行可靠诊断的要求。同时,该算法复杂度较低,可以在紫外成像仪上直接进行紫外图像的处理,满足了现场工作人员对于快速检测的需求。

图11 算法应用效果示例图Fig. 11 Example image of algorithm application effect

4 结 论

(1)建立了电气设备紫外放电图像样本库。其中,利用瓷绝缘子人工污秽放电试验,获得了不同湿度和污秽等级下瓷绝缘子的紫外放电视频;通过对1 000 kV高乡变电站、1 000 kV微山湖变电站、500 kV益都变电站、220 kV招远变电站等10座220 kV及以上电压等级变电站设备进行紫外检测,采集了不同电气设备的紫外放电视频。

(2)考虑到一维高斯函数分布的连续性以及紫外放电图像中光斑区域RGB灰度值范围的有限性,映射图像可以在很大程度上保留原始图像的色域,并提高图像的对比度。采用了基于高斯函数的彩色图像映射识别算法,对紫外放电图像进行了预处理,将光斑区域像素与非光斑区域像素的灰度差异平均提高了2.18倍,可有效避免非光斑区域的影响并准确实现光斑区域的阈值分割。

(3)基于Jaccard相似系数的概念,将精度P和召回率R作为算法应用效果评价指标。从电气设备紫外放电图像样本库中抽取1 000张紫外放电图像,对其使用彩色图像映射识别算法进行光斑区域分割后,与人工标记的光斑区域进行对比,可得P和R的平均值分别为0.963 2和0.972 6,表明该算法应用效果良好。紫外光斑的准确识别分割不仅能够满足现场快速检测的需求,也是后续对放电结果进行准确诊断的重要前提。