基于图像识别技术的红外图像批量识别与归档方法

李欣,陈志明,周智明,郑安然,杜思骏,林志强

摘要：设备故障常常表现为发热，长时间的发热可能会导致设备故障的进一步加深，最终威胁电力系统的稳定。利用红外成像技术不受电磁干扰、无需停电、安全可靠、判断准确等特点，可以采用红外成像仪对设备运行情况进行监测，并观测设备是否存在故障。然而实际运行中，红外图像的拍摄与处理均由运维人员人工完成，过程较为繁琐，且耗费大量时间成本。因此，本文基于现有的红外成像仪以及红外图像拍摄特点，提出一种基于图像识别技术的红外图像批量识别与归档方法，自动识别红外图像关键数据，并对图像按照设备位置进行归档，节省红外图像人工处理成本，为设备运维工作提供便利。

关键词：红外成像，图像识别，图像归类

0引言

发热常常是电力设备故障的表征，设备长期处于发热状态可能会导致设备进一步故障，缩短设备的使用寿命，威胁电力系统的稳定。利用红外成像仪对电力设备进行测温，有助于对设备运行状态进行监测。红外测温法在电网中应用广泛，测温工作通常由运维人员人工拍摄图像并进行处理，然而，人工对红外图像进行分析及归档工作较为繁琐，且耗费大量的人工成本。本文基于人工采集红外图像的特点，提出一种利用图片识别技术的红外图像批量识别与归档方法，减少分析红外图像耗费的成本。

1研究背景及意义

电气设备的发热与设备故障密不可分。发热常常是设备损坏或故障的早期征兆[1]，很多电气设备故障都与发热有密切的关系[2]。设备常因接触不良、松动等原因造成异常过热，若不能尽早发现设备异常发热并进行处理，可能会造成设备进一步损坏，引发开关跳闸等事故，威胁电网稳定运行[3]。因此，对电气设备运行状态进行监测并对监测结果及时分析至关重要。

红外成像仪利用红外监测器和光学器件组成，根据设备辐射能量的高低形成热分布图像，即对温度灵敏的图像[3,4]。红外检测是非接触式测量，不受电磁干扰[5]，且检测时无需停电[1]。将红外成像技术应用于电气设备故障诊断时，具有效率高、判断准确、图像直观、安全可靠、无损伤等优点[6,7,8,9,10]。利用红外成像技术可以监测设备异常发热点，发现设备外部故障与内部缺陷[5,11,12]，并且可以依据红外成像仪测得的设备表面温度值对设备进行缺陷定级，为缺陷深度的定量评估提供依据[4,13]。如今红外成像技术被广泛用于设备温度监测[9]。

目前，红外技术在系统中的应用形式通常为运维人员手持红外成像仪人工拍摄图片，并人工对图片进行分析以及归档管理[1]。采用这种模式需要耗费大量的人工成本。文献[1]提出，可采用巡检机器人进行图像采集，并利用红外与可见光图像信息互补方法提取红外图像中的目标区域。这种方法减少了部分人工成本，且充分利用了红外图像与可见光图像，但并未完全对图像进行识别。文献[14]则利用图像识别算法，计算红外图像中的最高温度值，并设置超值告警。文献[15]仅对绝缘子红外图像进行识别，文献[16,17,18,19]对红外图像进行降噪处理，并对原有图像识别方法进行改进，识别红外图像内设备与其温度。现有的研究大多基于红外图像以及图像识别技术，根据图像灰度识别设备温度，并识别设备具体部位。但现有的红外成像仪不仅能同时拍摄可见光图以及红外图像，且能够自动计算选定区域内的最高温度，为红外图像的识别提供了便利。基于现有红外成像仪的特点，本文提出一种红外图像批量识别与归档方法，减少图像处理分析的人工成本。

2红外图像识别与归档处理

红外图像识别与归档的目的是智能提取出红外图像中的设备与温度信息，节省人工分析红外图像的时间与精力，并为后续进一步研究设备与进行缺陷分析提供依据。现有的红外图像大多由运维人员人工进行拍摄，且红外成像仪在拍摄时可以人工选定区域并显示区域内的最高温度。本文利用红外图像、可见光图像、图像自身数据以及人工拍摄的灵活性，基于市面上较为成熟的图像识别算法，提出一种基于图像识别技术的红外图像批量识别与归档方法。其主要的步骤如下文。

图2-1 红外图像批量识别与归档基本步骤

2.1建立设备红外图像识别对比库

本文应用的图像识别算法的基本原理为将现场设备红外图像特征点与已有图库中的各个设备各个部位的红外图像特征点进行对比，因此需要建立基本设备及其各个部位的红外图像图库。为了减少计算的复杂性，提高识别的精确性，建立图库时，将不同设备的红外图像进行归档，其中部分归类如图2-2。由于现场设备双编与设备类型并非一一对应关系，因此建立双编与设备类型对应表格，如图2-3，为后续图像识别算法定位提供依据。

图2-2 部分红外图像归档文件

图2-3 部分双编与设备类型对应关系

2.2 提取设备双编

由于红外图像无法显示设备铭牌上双编相关文字，因此在进行任意设备正常红外图像拍摄前，需拍摄一张设备双编可见光图像。利用现有图像识别算法，提取图像中的文字，并自动将两张双编图像之间的可见光图像进行归档，归档文件名命名为设备双编名称，方便后续红外图像特征识别时将现场拍摄照片与红外图库中设备库进行对应，缩小识别对比范围，减小识别难度。

2.3 设备部件识别

基于2.2已经对设备类型进行归档处理，因此设备识别部分，只需利用现有的成熟的图像识别技术，将拍摄的红外图像与对应设备库中的图像进行对比分析。由于归档名称为设备双编，因此需要将设备双编与设备类型进行对应，即使用设备双编与设备类型对应表格，找到对应设备库。利用图像识别技术，提取实际红外图像中运维人员框选区域内的特征点，与该设备各部件红外图像特征点进行对比，找到相似度最高的部件名称，并将红外图像命名为该设备名称，便于后续运维人员的分析。

图2-4 设备部件识别基本步骤

2.4 设备温度识别

基于市面上的红外成像仪能够自动计算出运维人员框选区域内的最高温度，因此只需利用图像识别技术，读取出红外图像中的文字信息，即可得到该设备部件的最高温度。编写程序自动将读取出的设备部件最高温度添加至已有的红外图像名称中，即可将红外图像的关键信息均表示在图像名称中，为后续运维人员的定点查看提供方便。最后编写程序将所有识别出的信息，即红外图像的名称整理进表格进行汇总，方便后续运维人员进行查看分析。

经过上述步骤，即可将运维人员人工拍摄的红外图像按照设备位置进行归档，并将红外图像的关键信息，即红外图像框选区域内的设备部件名称及其最高温度进行整理，方便后续运维人员对设备进行状态评估以及缺陷定级分析。

3结语

利用红外成像仪，能够监测设备的运行状态，发现设备的外部故障与内部缺陷。然而实际工作中，红外成像图片的处理需要耗费大量的人力成本，因此，本文基于市面上成熟的图像识别技术，利用红外成像仪的特点以及实际运维人员拍摄图片的灵活性，提出一种红外图像识别与归档方法，自动将图像按照设备位置进行归档，并读取红外图像中运维人员关注的关键信息，将信息进行整理归纳，节省运维人员人工处理红外图像的时间，为后续的工作提供便利，也为设备状态评估和缺陷定级分析提供数据支持。

参考文献

[1]邹辉,黄福珍.基于FAsT-Match算法的电力设备红外图像分割[J].红外技术,2016,38(01):21-27.

[2]门洪,于加学,秦蕾.基于CA和OTSU的电气设备红外图像分割方法[J].电力自动化设备,2011,31(09):92-95.

[3]张健. 红外热成像技术在变电站发热点检测中的应用[C]//中国金属学会.第十三届中国钢铁年会论文集——10.冶金设备与工程技术.冶金工业出版社（Metallurgical Industry Press）,2022:5.

[4]吴继平,李跃年.红外热成像仪应用于电力设备故障诊断[J].电力设备,2006(09):38-41.

[5]王永琪,吴广宁,刘凯等.变压器套管的发展历程与挑战[J].四川电力技术,2022,45(06):59-67.DOI:10.16527/j.issn.1003-6954.20220609.

[6]杨宝东,杨立.电气设备红外诊断相对温差判别法影响因素分析[J].激光与红外,2007(04):341-343.

[7]江礓,张富刚,樊越甫,刘方,刘凯.110kV变电站电压互感器故障原因分析[J].电力自动化设备,2010,30(10):139-140+144.

[8]陈建明,梁德成.红外LED在温度监控中的应用[J].电力自动化设备,2009,29(05):139-141.

[9]刘齐,王茂军,高强,李晓明,石林.基于红外成像技术的电气设备故障检测[J].电测与仪表,2019,56(10):122-126+152.

[10]李伟峰,付占威.红外成像测温技术在500kV变电站设备巡视中的应用[J].内蒙古石油化工,2008,No.139(15):65.

[11]邵进,胡武炎,贾风鸣等.红外热成像技术在电力设备状态检修中的应用[J].高压电器,2013,49(01):126-129+133.

[12]杨智勇.红外线成像技术在电气设备维护中的运用[J].电工技术,2021,No.542(08):150-151.

[13]朱峻锋,张耀,姜成彬等. 一种变压器故障监测及分析系统设计[C]//吉林省电机工程学会.吉林省电机工程学会2022年学术年会获奖论文集.吉林大学出版社,2022:7.

[14]李文璞,谢可,廖逍等.基于Faster RCNN变电设备红外图像缺陷识别方法[J].南方电网技术,2019,13(12):79-84.

[15]黄新宇,张洋,王黎明等.基于Mask-RCNN算法的复合绝缘子串红外图像分割与温度读取[J].高压电器,2021,57(09):87-94.

[16]陈海兵. 基于红外图像的电力设备热故障自动诊断算法研究[D].黑龙江大学,2022.DOI:10.27123/d.cnki.ghlju.2022.001435.

[17]杨高坤. 基于改进YOLOv4的电力设备红外图像故障诊断[D].安徽理工大学,2021.DOI:10.26918/d.cnki.ghngc.2021.000878.

[18]陈同凡. 基于深度学习的变电设备红外诊断技术研究[D].华北电力大学,2021.DOI:10.27139/d.cnki.ghbdu.2021.000627.

[19]张明. 基于红外图像的变电设备分类及在故障诊断中的应用[D].合肥工业大学,2012.