本公开属于电力设备状态监测和故障诊断领域，具体涉及一种基于红外图像的电力设备故障诊断方法。
背景技术：
红外测温技术是利用红外热像仪探测物体发出的红外辐射，将不可见的辐射图像经由一系列转化处理得到设备直观的温度分布图谱，从而实现对变电设备异常温度点或异常温度分布的探查。近年来，红外测温诊断技术已十分成熟，并在各行业被广泛应用。运用该技术进行变电站巡检时，一般是先对被测设备进行大面积快速扫描，监测设备的整体发热状况，之后对快速检查中发现的疑点进行准确检测，从而实现对设备故障的准确排查。运用红外检测技术，能够实现带电作业，确保在电网运行状态下对其进行真实有效的检测，具有操作简便、可靠性和灵活性强、测量精度高、稳定性好的优点。然而，该技术的弊端也比较明显，即在巡检过程中，无论是疑点发现还是后续故障的诊断，受人为因素的影响比较大。利用热像仪在短时间内通过远距离大面积扫描生成大量连续的检测图片后，在筛查图片时仅依靠人力往往无法及时找出故障，巡检时间和计划安排也无法达到预想效果。
技术实现要素：
针对现有技术中的不足，本公开的目的在于提供一种基于红外图像的电力设备故障诊断方法，通过将基于maskr-cnn网络的目标检测技术与温度解析方法相结合，能够实现对电力设备故障的自动诊断。
为实现上述目的，本公开提供以下技术方案：
一种基于红外图像的电力设备故障诊断方法，包括如下步骤：
s100：采集电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；
s200：导入测试图像数据集对maskr-cnn网络进行训练；
s300：将所述红外图像数据集导入训练后的maskr-cnn网络，通过小样本迁移学习获得红外图像检测网络；
s400：将待测红外图像输入所述红外图像检测网络，通过对待测红外图像进行温度解析和目标检测获得待测红外图像的温度分布和区域位置，并与红外图像故障特征库进行比对，诊断电力设备是否存在故障。
优选的，步骤s100中，所述预处理包括对所采集的红外图像中的电力设备轮廓进行手动标注和插入文字标签。
优选的，步骤s100中，所述预处理在vgg图像注释器中进行。
优选的，步骤s400中，所述对待测红外图像进行温度解析获得待测红外图像的温度分布包括如下步骤：
s4011：提取待测红外图像中每个像素的灰度值和温度值；
s4012：对所述像素的灰度值和温度值分别进行归一化处理；
s4013：绘制温度值随灰度值变化的温度-灰度值曲线；
s4014：对所述温度-灰度值曲线进行函数拟合，获得待测红外图像的温度分布。
优选的，步骤s400中，所述对待测红外图像进行目标检测包括如下步骤：
s4021：将待测红外图像通过等比例缩放及填充0值调整为固定大小；
s4022：将调整后的待测红外图像输入红外图像检测网络进行检测，获得待测红外图像的特征图；
s4023：以所述待测红外图像的特征图上的像素作为输入，通过反卷积在原始待测红外图像上找到对应区域，为每个对应区域生成预先设置好长宽比与面积的感兴趣区域；
s4024：根据所述感兴趣区域生成rpn网络，并通过二值分类和边界框回归评估每个感兴趣区域，计算每个感兴趣区域的交并比并作为评估标准，采用非最大抑制对每个感兴趣区域与特征图的重叠度进行排序和过滤；
s4025：利用红外图像检测网络中的roialign层调整特征图的特征向量及目标框的尺寸，并提取特征向量与对应的感兴趣区域进行匹配；
s4026：将特征图的特征向量和感兴趣区域的坐标输入红外图像检测网络，实现感兴趣区域的类型分类、边界框预测和掩膜的可视化。
优选的，步骤s400中，对电力设备进行故障诊断包括如下步骤：
s4031：提取待测红外图像的温度分布中的发热点的温升和温度值；
s4032：将所述发热点的温升和温度值与正常相对应点的温升和温度值分别对比，获得相对温度差，根据所述温度差对电力设备故障进行诊断。
与现有技术相比，本公开带来的有益效果为：引入了将像素级别的目标检测技术与温度解析方法相结合的红外测温故障自动诊断方法，直接实现了对电力设备故障的自动诊断，对实现智能化在线监测、为现场工作人员提供指导策略有显著的实际意义。
附图说明
图1是本公开一个实施例提供的一种基于红外图像的电力设备故障诊断方法流程图；
图2(a)至图2(b)是本公开一个实施例提供的温度-灰度值曲线拟合效果示意图；
图3是本公开一个实施例提供的红外图像目标检测示例图；
图4(a)至图4(c)是本公开一个实施例提供的红外图像中绝缘子的故障诊断示意图。
具体实施方式
下面将参照附图1至图4(c)详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
一个实施例中，如图1所示，本公开提供一种基于红外图像的电力设备故障诊断方法，包括如下步骤：
s100：采集电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；
s200：导入测试图像数据集对maskr-cnn网络进行训练；
s300：将所述红外图像数据集导入训练后的maskr-cnn网络，通过小样本迁移学习获得红外图像检测网络；
s400：将待测红外图像输入所述红外图像检测网络，通过对待测红外图像进行温度解析和目标检测获得待测红外图像的温度分布和区域位置，并与红外图像故障特征库进行比对，诊断电力设备是否存在故障。
本实施例通过对红外图像进行温度-灰度值函数拟合，实现基于色度的红外图像温度解析，获得红外图像的温度分布；通过将红外图像导入红外图像检测模型进行检测，能够判断电力设备的类型并获得设备的坐标，确定相应设备部位的致热效应，根据红外图像电力设备故障特征库匹配相应的致热类型，获得故障诊断结果。本实施例所提出的技术方案能够自动实现红外图像故障诊断，能够克服现有的依靠人力筛查图像而导致的故障诊断不准确的问题，能够为电力设备状态评估提供有力决策。
另一个实施例中，步骤s100中，所述预处理包括：对所采集的红外图像中的电力设备在vgg图像注释器中进行手动标注和插入文字标签。
本实施例中，用多边形勾勒红外图像中的电力设备并插入文字标签注释电力设备各区域位置，将图像中勾勒的区域位置和对应的名称标签生成json文件，该文件即为所采集的电力设备的红外图像数据集。
另一个实施例中，所述测试图像数据集包括如下任一：imagenet、pascalvoc和coco。
coco图像数据集是微软构建的一个公共数据集，含有生活中常见的目标图片，背景比较复杂，目标数量比较多，目标尺寸较小，包含了超过30万幅图像实例，200多万个物体实例以及80种对象类别。因此基于该数据集所训练出的coco权重已经包含了自然图像中的大量常见特征，在该权重的基础上进行训练能够加速网络的收敛速度，且能更快地得到预测精准度较高的适应新物体类别的权重。因此，本实施例优选coco图像数据集作为训练数据集。
另一个实施例中，步骤s400中，所述对待测红外图像进行温度解析获得待测红外图像的温度分布包括如下步骤：
s4011：提取待测红外图像中每个像素的灰度值和温度值；
s4012：对所述像素的灰度值和温度值分别进行归一化处理；
s4013：绘制温度值随灰度值变化的温度-灰度值曲线；
s4014：对所述温度-灰度值曲线进行函数拟合，获得待测红外图像的温度分布。
该步骤中，红外图像中的温度与灰度值一般呈非线性关系，但对于同一台摄像机，其红外图像的着色功能具有一定的规律性，可以通过函数拟合提取温度-灰度值函数。分析所得到的t-g曲线的特性，可以发现该热像仪的所有曲线基本都显示出相同的规律，即呈现由凸函数逐步过渡到线性函数最终到凹函数的规律，本文采用分段拟合的方法对三部分曲线进行拟合。随机选取一张红外图片，提取其每个像素点的灰度值及温度值。第一部分和第三部分分别采用4种凸函数及4种凹函数进行拟合。第二部分，温度与灰度值呈现良好的正相关关系，因此我们采用线性函数作为拟合函数。同时本文引入决定系数r2来评价拟合函数的效果，r2可表征两条线之间的相关程度，具体如下式：
其中，ti表示归一化后的温度值(0～1)，
上式中，决定系数r2越大表示函数拟合效果越好，曲线各部分的拟合结果如表1所示：
表1
依据表1中曲线各部分的决定系数，依次选择对数函数、线性函数和反比例函数作为拟合函数的组成部分，最终选取的拟合函数如下式所示，实际及拟合后的t-g曲线如附图2(a)至图2(b)所示。
其中，t表示归一化后的温度值，g表示归一化后的灰度值。
计算了拟合曲线与实际t-g曲线的误差，本实施例随机选取十张红外热图进行测试的平均相对误差为5.643％，说明该方法能在一定程度上准确提取红外热图上各像素点的温度，可满足初步的自动化诊断要求。
另一个实施例中，步骤s400中，如图3所示，所述对待测红外图像进行目标检测包括如下步骤：
s4021：将待测红外图像通过等比例缩放及填充0值调整为固定大小；
s4022：将调整后的待测红外图像输入红外图像检测网络进行检测，获得待测红外图像的特征图；
s4023：以所述待测红外图像的特征图上的像素作为输入，通过反卷积的方式在原始待测红外图像上找到对应区域，为每个对应区域生成预先设置好长宽比与面积的目标框，所述目标框为原始待测红外图像的感兴趣区域；
该步骤中，本实施例选取特征图上的2400个像素作为输入，通过反卷积的方式可在原图像上找到对应的区域，为每个对应区域生成15种预先设置好长宽比(1∶1，1∶2，2∶1)与面积(32×32，64×64，128×128，256×256，512×512)的目标框，每个目标框即为初始的感兴趣区域。
s4024：根据所述感兴趣区域生成rpn网络，并通过二值分类和边界框回归评估每个感兴趣区域，计算每个感兴趣区域的交并比并作为评估标准，采用非最大抑制对每个感兴趣区域的交并比进行排序，并根据阈值进行过滤；
该步骤中，阈值设为0.7，小于该阈值的交并比被过滤掉，只保留大于该阈值的交并比，本实施例通过过滤，最终保留2000个像素对应的感兴趣区域。
s4025：利用红外图像检测网络中的roialign层调整待测红外图像的特征图的特征向量及感兴趣区域的尺寸，并提取特征向量与对应的感兴趣区域进行匹配；
s4026：将特征图的特征向量和感兴趣区域的坐标输入红外图像检测网络，实现感兴趣区域的类型分类、边界框预测和掩膜的可视化。
另一个实施例中，步骤s400中，对电力设备进行故障诊断包括如下步骤：
s4031：根据对待测红外图像的温度解析确定电力设备相应部位的致热效应；
s4032：确定所述致热效应在红外图像故障特征库中对应的致热类型；
s4033：根据所述致热类型选取对应的诊断规则对待测红外图像进行诊断并确定电力设备的故障等级。
另一个实施例中，步骤s4033中，所述确定电力设备的故障等级包括以下方法：
s40331：提取待测红外图像的温度分布中的发热点的温升和温度值；
s40332：将所述发热点的温升和温度值与正常相对应点的温升和温度值分别对比，获得相对温度差，根据所述温度差对电力设备故障进行诊断。
该步骤中，设发热点的温升为，温度值为t1，设正常相对应点的温升为，温度值为t2，则相对温差表示为：
其中，t0为被测设备区域的环境温度。
根据温差可以诊断出电力设备中所存在的故障，具体如表2所示。
表2故障评估准则
为进一步理解本公开的技术方案，下面以电力设备中的绝缘子的红外图像故障诊断进行示例性说明，具体过程如下：
1、采集绝缘子1和绝缘子2的红外图像分别进行检测，如图4(a)至图4(b)所示。
2、提取绝缘子1和绝缘子2的灰度值和温度值并进行归一化处理；
3、对绝缘子1和绝缘子2的温度值和灰度值进行温度-灰度值函数拟合，提取绝缘子各部分的温度值，如图4(c)所示。
绝缘子1和绝缘子2的故障诊断结果如表3、表4所示。
表3绝缘子1的故障诊断结果
表4绝缘子2的故障诊断结果
由表3、表4可知，绝缘子1有横向裂缝，与实际情况相符。
1.一种基于红外图像的电力设备故障诊断方法，包括如下步骤：
s100：采集电力设备红外图像，对所述红外图像进行预处理，建立红外图像数据集；
s200：导入测试图像数据集对maskr-cnn网络进行训练；
s300：将所述红外图像数据集导入训练后的maskr-cnn网络，通过小样本迁移学习获得红外图像检测网络；
s400：将待测红外图像输入所述红外图像检测网络，通过对待测红外图像进行温度解析和目标检测获得待测红外图像的温度分布和区域位置，并与红外图像故障特征库进行比对，诊断电力设备是否存在故障。
2.根据权利要求1所述的方法，其中，优选的，步骤s100中，所述预处理包括：对所采集的红外图像中的电力设备轮廓进行手动标注和插入文字标签。
3.根据权利要求1或2所述的方法，其中，步骤s100中，所述预处理在vgg图像注释器中进行。
4.根据权利要求1所述的方法，其中，步骤s400中，所述对待测红外图像进行温度解析获得待测红外图像的温度分布包括如下步骤：
s4011：提取待测红外图像中每个像素的灰度值和温度值；
s4012：对所述像素的灰度值和温度值分别进行归一化处理；
s4013：绘制温度值随灰度值变化的温度-灰度值曲线；
s4014：对所述温度-灰度值曲线进行函数拟合，获得待测红外图像的温度分布。
5.根据权利要求4所述的方法，其中，步骤s4014中，通过采用分段拟合的方式对所述温度-灰度值曲线进行函数拟合。
6.根据权利要求1所述的方法，其中，步骤s400中，所述对待测红外图像进行目标检测包括如下步骤：
s4021：将待测红外图像通过等比例缩放及填充0值调整为固定大小；
s4022：将调整后的待测红外图像输入红外图像检测网络进行检测，获得待测红外图像的特征图；
s4023：以所述待测红外图像的特征图上的像素作为输入，通过反卷积的方式在原始待测红外图像上找到对应区域，为每个对应区域生成预先设置好长宽比与面积的目标框，所述目标框为原始待测红外图像的感兴趣区域；
s4024：根据所述感兴趣区域生成rpn网络，并通过二值分类和边界框回归评估每个感兴趣区域，计算每个感兴趣区域的交并比并作为评估标准，采用非最大抑制对每个感兴趣区域的交并比进行排序，并根据阈值进行过滤；
s4025：利用红外图像检测网络中的roialign层调整待测红外图像的特征图的特征向量及感兴趣区域的尺寸，并提取特征向量与对应的感兴趣区域进行匹配；
s4026：将特征图的特征向量和感兴趣区域的坐标输入红外图像检测网络，实现感兴趣区域的类型分类、边界框预测和掩膜的可视化。
7.根据权利要求1所述的方法，其中，步骤s400中，对电力设备进行故障诊断包括如下步骤：
s4031：根据对待测红外图像的温度解析确定电力设备相应部位的致热效应；
s4032：确定所述致热效应在红外图像故障特征库中对应的致热类型；
s4033：根据所述致热类型选取对应的诊断规则对待测红外图像进行诊断并确定电力设备的故障等级。
8.根据权利要求1所述的方法，其中，步骤s4033中，所述确定电力设备的故障等级包括以下方法：
s40331：提取待测红外图像的温度分布中的发热点的温升和温度值；
s40332：将所述发热点的温升和温度值与正常相对应点的温升和温度值分别对比，获得相对温度差，根据所述温度差对电力设备故障进行诊断。
9.根据权利要求8所述的方法，其中，步骤s40332中，所述温度差表示为：
其中，δ表示温度差，表示发热点的温升，t1表示发热点的温度值，表示正常相对应点的温升，t2表示正常相对应点的温度值，t0为被测设备区域的环境温度。
10.根据权利要求1所述的方法，其中，所述红外图像故障特征库包括：不同电力设备的典型故障特征及典型红外图像、不同故障的温度分布特点和故障危险等级划分。
技术总结