红外检测是输变电设备状态检测的一种常用手段。目前红外检测的设备多、任务重，但检测之后设备状态的判断主要依靠人工进行，主观因素影响大，效率低下。

本小节研究了利用图像处理技术对红外检测图像进行背景分割、结构划分的方法，研究了不同设备类型故障的判断方法，在此基础上开发了红外智能诊断程序，可实现对红外图像的批量化自动处理，以提高红外检测诊断的效率，减轻人员的工作压力。

1.基于改进区域生长法的红外图像分割

采用二维Otsu阈值法与区域生长法相结合的方法实现红外图像的分割，即以周围像素的高度相似性作为条件选取种子像素，以二维Otsu阈值法确定的阈值作为生长准则。

二维Otsu阈值法在考虑像素点灰度值f（x，y）的基础上引入平均灰度值g（x，y）构成二维属性直方图。在直方图中，图像背景像素点和目标像素点分别分布在对角线附近。选取二维向量（s，t）将二维直方图分成4个区域，即目标区域、背景区域和2个边缘噪声区域，如图7-20所示。

图7-20　二维直方图的区域划分

对于一幅灰度级为L的M×N的图像，其背景与目标两类区域的灰度均值矢量分别为μ0（s，t）和μ1（s，t），总均值矢量为Tμ。类间的离散度矩阵：

以SB的迹作为类间的离散度测度：

最佳阈值（S，T）满足：

区域生长法的基本步骤是：① 选择一个（组）种子像素作为生长点；② 把生长点周围满足生长准则的像素点纳入种子像素的所在区域，直到区域周围无满足条件的像素点存在。

1）种子像素的选取

在图像中心区域，采用图像灰度值f（x，y）与图像均值g（x，y）的绝对差值作为种子像素与周围像素高度的相似性条件。当绝对差值为最小时，认为该像素点与周围像素有高度相似性，据此可自动搜寻并准确确定红外图像中目标设备的种子像素。

2）生长准则的改进

以二维Otsu阈值（S，T）作为生长准则，即以S作为分割阈值，T作为灰度相似阈值。生长准则表达式如下：

为种子像素区域的灰度均值。因所选种子像素随图像而异，故为避免因固定均值而导致过分割或欠分割，在完成每次生长后，都须对该值做一次更新：

当种子像素周边不存在满足要求的像素点时，区域停止生长，图像背景分割完毕。

2.利用像素统计划分变电设备结构区域

在分割出目标设备后，应对设备的结构进行划分、识别，以便采用同类比较、相对温差等判断方法对被检测设备做出精细的诊断。由于电压互感器、电流互感器、避雷器等类柱形设备的外形结构特征明显，反映其外形的像素统计图也存在一定分布规律。故针对此类设备，可求取设备的像素统计，利用极值规律划分结构区域。考虑到图像分割后仍存在与设备连通的纤细导引线、支架等干扰像素统计分布特征的背景，需先对分割后的图像进行预处理。

为消除纤细导引线、支架等干扰，同时保证设备外形特征不被消除，应对分割图像进行形态学开闭运算。开、闭运算的定义式分别为

当结构元素B选取过小时开运算效果不明显，选取过大时会消除设备的外形特征。

对预处理后的设备图像，沿横向方向统计设备的各行像素点数，即求行像素和，由行像素和与其所在行组成像素统计图。设备结构的变化特别是外形的变化，将明显地体现在像素统计图的变化上：在设备不同结构的连接处，该处像素和比其前后的像素和明显要小；在统计图中某一结构的首尾两端对应为第一个及最后一个极大值点或极小值点。由此可划分出设备结构区域。然而，如何在统计图中将设备连接点识别出来是解决此问题的关键。

通过分析，设备红外图像和像素统计图就设备连接点有如下特点：

（1）设备连接点处有明显的极小值点，且该点与相邻极大值点的绝对差值大于各结构内部的绝对差值。

（2）设备外形呈现一定的规律性，采集的红外图像中设备功能主体均位于图像纵向的中部2/3范围内。

由上述特点作为依据可方便地将设备连接点识别出。但是，因设备运行状态及拍摄角度不同，与设备顶端连接的粗导线、杆塔等非设备主体并不能完全地被开闭运算消除，为使结构判断不受此影响，有必要将其删除，从而提高计算准确度和速度。

结构识别划分步骤如下：

（1）求取像素矩阵。求图像的行像素和形成像素矩阵Q，矩阵维度为M×1。当Q（i）小于所设阈值H1时，可认为第i行对应为粗导线、杆塔等设备非主体部分，需将该行像素和值置0，形成新像素矩阵Q1，即

（2）识别连接点。取矩阵Q1的1～（5/6）M行，计算其极小值矩阵Umin、极大值矩阵Umax和绝对差值矩阵U，即有

矩阵U中的最大值和次最大值对应矩阵Umin的行是设备结构的两个连接点，即设备某结构的两个端点行il1、il2。

计算最大内接矩阵R1，即得到设备图像在il1至il2之间的最大区域。

（3）划分剩余矩阵。il1、il2将矩阵Q1分割为两个新矩阵，即矩阵Q2（1～min（il1，il2）行）、矩阵Q3（max（il1，il2）～M行），其极小值矩阵和极大值矩阵分别为U2min、U3min、U2max、U3max。利用矩阵Q2、Q3中极大值和极小值差对矩阵做进一步的划分。

对矩阵Q2，前一极大值与后一极小值的差值为最大时，该处极小值对应的行i2为连接点；对矩阵Q3，前一极小值与后一极大值的差值最大时，该处极小值对应的行i3为连接点。

根据i2、i3将矩阵分割为Q2-1、Q2-2、Q3-1、Q3-2，由此可得到设备结构的大致定位。

（4）识别结构区域首末端。对矩阵Q2-t，第1处极大值Q2-t·max1对应的i2-i·1行为结构Q2-t的首端，最后1处极小值Q2-t·min1对应的i2-i·2行为结构Q2-t的末端。

对矩阵Q3-t，第1处极大值Q3-t·max1对应的i3-i·1行为结构Q3-t的首端，最后1处极大值Q3-t·max2对应的i3-i·2行为结构Q3-t的末端。

（5）无效分割判断。对含有第1行和第M行的矩阵重复步骤（3）、（4）。当划分的矩阵极大值或极小值个数为0或1，或ik-t·2与ik-i·1差值小于某一阈值H2时，该矩阵为无效分割矩阵，设备结构识别划分完毕。随后计算各划分区域的最大内接矩阵Rk-t。

3.热故障诊断与定位

对设备进行结构区域划分后，计算各区域的最热点温度Treal·hot、温差Tr或相对温差δT并作为故障诊断依据，确定故障发生的区域。

根据红外测温原理，红外检测设备拍摄的图像是用伪彩色形式表示物体表面温度分布的图，故伪彩色与温度之间存在对应关系。其之间的换算关系需借助中间参数热值，关系式为

式中，I为红外图像的实际热值；X为伪彩色值；R为红外检测设备的热范围；L为红外检测设备的热平；τ为透射率；ξ为物体发射率；Treal为物体实际温度；A、B为红外检测设备标定曲线常数；对于短波系统，C＝1。(www.daowen.com)

变电设备热故障判断指标有最热点温度Treal·hot、温差Tr或相对温差δT，计算公式为

式中，Tnormal是与热点对应的正常点的温度；Tref是被测设备区域的环境温度（气温）。

因不同类型设备的材质、结构及功能不同，故障判断的方法和主要指标亦有所不同。电流致热型设备采用最热点温度Treal·hot、相对温差δT作为主要判断指标，电压致热型设备采用温差Tr作为主要判断指标，综合致热型设备则是结合3个指标来综合分析判断。各类设备诊断判据详见DL/T 644—2016《带电设备红外诊断应用规范》及GB/T 11022—2011《高压开关设备和控制设备标准的共用技术要求》。

依据变电设备热故障诊断结果，将温度异常的结构区域标志出来，并生成诊断结果报表，为设备运维提供依据。

4.变电设备热故障诊断实例分析

为验证本文方法的实用性，以图库中某变电站220 kV耦合电容器C相为例进行实验。红外检测设备为FLIR公司的T630热像仪，其相关参数为：波长范围为7.8～13；热灵敏度为0.04 ℃@30 ℃；测量范围为－40 ℃～+150 ℃。本文首先利用改进区域生长法分割图像得到设备主体，然后对其进行预处理。

采用基于二维Otsu阈值的改进区域生长算法分割图像，图7-21（a）为电容器热像图，图7-21（b）为分割后的灰度图。

图7-21　图像分割及预处理

通过大量的试验，对纤细的导引线、支架等干扰可采用4×4的结构元素B消除，以达到较为理想的预处理效果。预处理效果如图7-21（c）所示。

1）连接点识别

计算像素矩阵Q1中1～（5/6）M的极小值矩阵Umin、极大值矩阵Umax和绝对差值矩阵U，识别连接点所在行。连接点识别如图7-22所示，判定矩阵如表7-4所示。

图7-22　像素统计

表7-4　设备连接点的判定矩阵

由表7-4得出，图像第230行和第263行为电容器的屏蔽罩上下两侧的端点，即为连接点。

2）区域划分

识别出屏蔽罩后，根据前面步骤（5）的判断依据，矩阵Q1可分割为4个子矩阵。通过观察大量像素统计图及试验，当矩阵Qk-t设置阈值H2为0.05length（～Q1）时，可准确判断识别划分的合理性。

根据矩阵的极大值、极小值判定结构的端点，并计算各自的最大内接矩形。各分割矩阵的像素统计如图7-23所示，结构识别划分效果如图7-24所示。

图7-23　各结构分区像素统计

图7-24　结构识别划分示意

由图7-23可知，矩阵Q2-1的长度为4，远小于阈值H2，将其舍去，故仅将耦合电容器划分为4个结构，这与设备的实际情况是一致的。

将获得的内接矩阵对应至背景分割前的灰度图像中，分别计算各内接矩阵的最热点温度，如表7-5所示。

表7-5　各结构故障诊断结果

由于耦合电容器属电压致热型设备，诊断判据采用温差值Tr。依据规范，耦合电容器发热呈现自上而下逐步递减的规律，且当温差大于2～3 ℃时为故障状态。表7-5中最大温差为4 ℃，设备为故障状态，且故障区域为R2-2，经对比，此结果与检测人员的诊断结果基本一致。

5.红外检测图像的批量自动处理

采用.net framework 4.0、C#开发的红外图像智能诊断程序可用于批量处理红外图。该程序为绿色免安装版本，将程序文件夹解压到计算机任意磁盘上并双击“红外智能诊断程序.exe”图标即可运行，程序主界面如图7-25所示。

图7-25　红外智能诊断程序主界面

点击“设置”进入设置界面，如图7-26所示。

定时检测：可按设定的时间定时获取指定文件夹的红外图，如有新增则进行批量处理。

接口地址：获取设备信息的接口地址。

检测路径：检测处理红外图的文件夹。

备份路径：处理红外图之前的备份文件夹。

图片路径：处理的红外图保存路径。

自动分析配置：根据设备类型和电压等级进行自动区域划分的配置文件。

图7-26　设置页面及内容

点击“启动”，则软件会根据设置的时间定时检测红外图文件夹，如图7-27所示。

图7-27　启动处理

除了自动处理以外，“增加矩形”“设置矩形高度”“获取分析及矩形温度”等按钮还保留了手动添加矩形框及人工分析处理的功能，此部分功能同传统红外诊断方法一致，不再赘述。

红外检测智能处理程序可自动对设定文件夹的内容进行监视，有新增加红外图像时可自动读取，按文件名中设备类型和电压等级通过读取事先设定的结构模板对设备进行结构划分，然后自动提取不同部分的结构温度，按导则的判断标准进行自动判断，可有效提高红外检测图像的处理效率。