基于改进图像分割算法的电气设备故障状态实时监测*

张传俊 张春芳 程 颖

(安徽工商职业学院 安徽合肥 231131)

电气设备运行系统由多个不同的运行设备构成，设备之间相互连通、相互影响，一旦隔壁电气设备发生故障很容易引起其他设备的不稳定运行，甚至扰乱整个电气设备管理系统的运行秩序[1]。为此，文章从图像分割角度提出一种智能化、自动化的电气设备故障状态监测方法，实时掌握电气设备场所的运行状态，及时处理电力系统运行故障[2]。文章方法的思路设计如下：首先采用最大类间方差法(OTSU)将电气设备故障图像的前景与背景信息分离；其次为提高两种灰度图像分割精度，基于改进粒子群优化算法获取最优的图像分割阈值，使得故障图像前景与背景的类间方差较大，降低故障错误分割的概率。

1基于改进图像分割算法的电气设备故障状态实时监测

1.1基于最大类间方差法的电气设备故障图像分割

电气设备故障状态监测的红外图像由电气设备故障自动巡检系统实时采集[3]，定义随机采集的红外故障图像为I(x，y)，该图随机像素点为第i个灰度级的可能性计算方法如下：

(1)

式(1)中，电气设备的红外图像像素总量为n，灰度级i对应的像素数量采用li表示；红外图像灰度级总量为R。定义最大类间方差阈值为λ，阈值分割出的前景部分和背景部分分别采用F1、F2表示，那么两部分信息均属于一组像素，两者的灰度级取值区间分别为[0，1，2，…]、[k+1，…，L-1]。最大类间方差在阈值λ划分作用下表示为：

(2)

式(2)中，H1(λ)、H2(λ)分别表示F1、F2产生的可能性，F1、F2灰度均值为ε1(λ)、ε2(λ)，εj表示整幅红外图像的灰度平均值。进一步将图像分割类间方差转化为公式(3)所示的形式：

(3)

基于上述表达式间的关系可知，由R中选取一个可能值求取方差，得到最优的λ*值，以获得类间距最大值，可以达到最好的图像分割效果，此时λ*值满足公式(4)条件：

(4)

最大类间方差法可以分割得到电气设备故障的感兴趣区域，将无关故障判断的背景信息有效剔除，该步骤提高了后期故障信息提取的效率、降低了故障识别的难度[4]。为了让最大类间方差法在电气设备图像分割中的效果更加精准，文章基于粒子群优化算法对最优阈值选取方法进行改进。

1.2基于改进粒子群的电气设备图像分割算法优化

采用粒子群算法快速搜索得到最优电气设备故障图像分割阈值，对OTSU图像分割算法进行优化。粒子群算法是目前群智优化领域使用频率较高的算法，获得了广大研究学者的关注与好评[5]。该算法将阈值可能性解视为一个粒子空间，每个粒子分配一个适应度值，粒子在解空间中以变化的速度变量进行动态移动，其位置也会发生相应变化，粒子群算法在这种环境中找到最优的最大类间方差的最优阈值。定义K维粒子空间中存在m个粒子，每个粒子的原始速度与位置信息为vi=(vi1，vi2，…，viK)、xi=(xi1，xi2，…，xiK)，粒子借助迭代操作持续修正自身速度与位置信息[6]。在第t次迭代过程中，采用公式(5)与公式(6)计算粒子的速度与位置信息：

(5)

(6)

式中，粒子的最优位置与种群最优位置采用Pi与Pg表示；r1、r2可在[0，1]区间内取值，为任意数。加速度常量用c1和c2描述，且为非负数，一般取值均为2；ω为惯性权重因子。

在粒子位置信息过程中，粒子先前速度对此刻速度的影响可以通过修正惯性因子来实现，改变惯性因子的做法对优化粒子群算法收敛性能大有裨益[7]。一般的粒子群算法使用递减式的惯性权重解决粒子寻优问题，其缺点是容易降低粒子初始阶段的局部搜索能力、削弱粒子后期阶段的全局搜索能力，往往得到的解不是全局最优。为此，利用公式(7)所示的非线性惯性递减函数对粒子的惯性权重因子进行改进：

(7)

式中，迭代次数上限为Tmax，原始惯性权重与迭代次数上限对应的惯性权重值分别用ω1、ω2表示。

基于改进惯性权重因子的粒子群算法更容易在R中求取最优类间方差值，获得理想的图像分割标准，节约电气设备故障图像实时分割的时间开销。

1.3电气设备故障自动巡检系统设计

电气设备故障实时监测主要依赖于电气设备故障自动巡检系统来实现，自动巡检系统主要功能是自主采集电气设备的红外图像、自动分割检测电气设备故障，进而进行故障预警通知，以维护工作场所中电气设备的正常运行与安全。系统框图与原理如图1所示。

图1 电气设备故障自动巡检系统框图

由图1可知，图像探测器、传输通信单元、监控主站、工作站是电气设备红外图像自动采集与处理的主要构成。图像探测器由红外摄像头与可见光摄像头联合构成，用于实时采集电气设备的运行图像，作为故障图像分割的基础数据[8]；传输通信单元主要包括视频服务器、光缆、交换机等设备，负责电气设备监控现场与监控主站间的信息传输工作；监控主站使用计算机网络进行信息处理，基于文章算法成功分割电气设备故障图像后，利用区域生长算法再次提取出电气的故障区域[9]，作为最终的电气设备故障监测结果，这些操作均在监控主站完成；设置多个工作站的目的是进行远程数据转发，为远程电气设备监控而服务。

此外，在系统界面端可以查询到电气设备的故障巡检结果，如历史故障信息记录、电气设备温度曲线等内容，为未来电气设备故障预测做好充足的准备。

2实验分析

为了验证文章方法在电气设备故障实时监测中的优势，借助Matlab R2015b仿真环境展开图像分割与电气设备故障监测测试。电气设备故障自动巡检系统现场采集红外图像后进行了灰度处理，图像采集尺寸为320×240，经过多次试验确定文章方法中最大类间方差法的分割阈值为0.65。选取最大熵图像分割故障监测方法、多阈值分割故障监测方法作为对比测试方法，以突出文章方法的故障监测优势。

2.1故障图像分割效果分析

在电气设备工作管理现场采集的原始灰度图像，如图2所示。图3为三种方法处理后的电气设备故障分割结果。

图2 变器套管的原始灰度图像

(a)最大熵图像分割故障监测方法

经分析可知，最大熵图像分割故障监测方法能够完整的将变压器套管与背景信息分割出来，但是目标对象故障分割不够明确，没有体现精准的故障分割结果。多阈值分割故障监测方法能够在识别前景信息与背景信息的前提下缩小故障所在范围，给出具体的故障所在像素区间，但是分割结果依然不够精确。相比之下，文章方法能够有效减少图像中无效的前景信息，再一次缩小变压器套管的故障区间，准确指出两个套管的故障所在位置，高精度的完成了电气设备的故障检测工作。

2.2故障监测平均用时分析

为了提高实验的可信度、降低测试结果随机性，依次在电气设备工作现场采集20幅不同的工作图像再次进行大规模的故障监测测试。每次测试分割4幅图像的故障区域，记录了5次实验过程中三种方法分割电气设备故障的平均用时，如表1所示。

表1 三种方法分割电气设备故障的时间响应统计/s

由表1可知，文章方法的时间响应最为平稳，且用时较短，展现了良好的故障图像分割效率。这是因为文章方法基于最大类间方差法的电气设备故障图像分割过程中，利用改进粒子群算法确定分割阈值，减少了不理想阈值对图像分割的干扰，无需重复进行阈值选取活动，一定程度上节约了电气设备故障图像分割的时间开销。相比之下，另外两种方法分割图像用时不稳定，且响应时长均超过文章方法，图像分割效率不理想。

3结论

文章从图像分割角度提出一种高性能的电气设备故障监测方法，由电气设备故障自动巡检系统实时采集现场的红外图像信息作为图像分割的基础，利用改进的最大类间方差法分割故障图像的前景信息与背景信息，取得了理想的电气设备故障实时监测效果。文章方法的高性能主要归功于对最大类间方差法阈值选取模式的改进，基于非线性递减函数修正粒子群算法的惯性权重，使得粒子群算法在较短的时间内获得全局最优解，得到理想的图像分割阈值，既减少了图像分割处理用时，又明确了图像前景信息与背景信息的界限，进一步优化图像分割准确度。