Spectral Residual Transformation for Thermal Defect Detection of Power Equipment
-
摘要: 本文提出一种基于谱残差变换的电力设备热缺陷识别技术。首先，根据电力设备红外图像中自然背景的冗余特性和热缺陷目标的显著性特征来构建谱残差变换模型，对电力设备红外图像进行谱残差变换，生成具有显著性信息的热缺陷初始识别结图。然后，采用引导滤波技术对初始识别结果进行处理，联合利用红外图像中的温差信息和空间结构信息，提升热缺陷的识别率，生成最终识别结果图。实验结果表明：与其他传统热缺陷识别方法相比，本文所提出的方法在识别精度与识别效率上有显著优势，满足电力设备热缺陷带电检测的应用需求。Abstract: This study introduces a thermal defect detection technique for power equipment based on a spectral transformation model. First, the spectral residual transform model is constructed according to the redundancy of the natural background and significance of the thermal defect target in infrared images of power equipment. Then, the infrared image of the power equipment is transformed by spectral residuals to remove redundant image information of the natural background target, and a result map with significant information is generated. The experimental results show that compared with other traditional thermal defect detection methods, the proposed method has significant advantages in terms of recognition accuracy and efficiency and meets the application requirements of thermal fault detection of power equipment.
-
0. 引言
随着科学技术的发展，人脸识别在刷脸支付、刷脸打卡等信息领域中具有广泛的应用。人脸识别系统主要由CCD、摄像镜头组和滤光片构成，滤光片是过滤非成像光波段，提高人脸识别的精确度的一个核心光学元件，需要工作在特定的入射角范围下。当入射角超出特定角度范围时，滤光片滤波特性会发生质的改变，导致拍摄人脸图像模糊，人脸识别精确度下降。
滤光片的角度效应指入射角变化对滤波特性的影响[1-4]，为了降低入射角变化对滤波特性的影响，科研人员对低角度效应滤光片进行了相关研究。2013年，K. D. Hendrix等[1]研制出一种近红外波段的低角度效应滤光片，通带透射率大于90%，入射角为0°~30°，通带偏移量为12.2 nm，薄膜厚度超过5 μm；2016年，毛克宁[2]使用氧化硅作为间隔层材料制备出一种具有低角度效应的滤光片，当入射角为0°~60°时，透过率峰的位置基本保持不变；2019年，刘冬梅[3]等使用Si-H、Si3N4及SiO2三种材料研制出61层具有低角度效应的虹膜识别滤光片，入射角为0°~38°，通带偏移量为19.2 nm；2020年，魏博洋等[4]使用Si-H和SiO2材料设计出71层用于3D成像的945 nm窄带滤光片，入射角为0°~38°，通带偏移量为13 nm。虽然这些滤光片都有较低的角度效应，但是设计膜层数多，制备困难。在光学薄膜中通常使用TiO2和SiO2（高匹配度的材料组合）进行膜系设计，然而目前对于低膜层数及对低角度效应的TiO2/SiO2窄带滤光片研究较少。
通过对人脸识别系统的了解，本文对人脸识别中入射角小于22°的940 nm窄带滤光片进行设计及制备。选择高匹配度的TiO2和SiO2材料，以法布里珀罗干涉原理设计窄带滤光片。通过改变间隔层材料，增加间隔层厚度，解决传统滤光片膜层数多及角度效应高的问题。最后使用电子束热蒸发沉积技术制备滤光片，对制备的滤光片进行了角度效应和耐性测试。
1. 设计
1.1 膜系材料选择
综合考虑膜层材料对薄膜的光学性能、机械及化学稳定性等的影响，选用具有高匹配度的TiO2（n＝2.2~2.3）和SiO2（n＝1.46）作为膜层材料。TiO2具有很高的折射率，它与低折射率材料一起使用时，能够提高截止带的截止率并适当降低膜系层数，减小膜系厚度；SiO2膜层牢固高、化学性质稳定，蒸镀技术成熟，容易控制[5-6]。
1.2 膜系设计
本文以法布里-玻罗干涉滤光片原理为基础进行膜系设计，因为单腔法布里-玻罗窄带滤光片透射率曲线的通带宽度、透射率峰的矩形度、陡度、截止透射率等性能均不理想，达不到使用要求，所以将多个单腔窄带滤光片组合起来构成多腔窄带滤光片，最终设计的窄带滤光片具有更好的光学性能[7]。
采用Essential Macleod软件进行膜系设计，探索多腔法布里-玻罗干涉滤光片膜系的干涉的级次，反射层层数以及多腔串置腔的个数在对膜系的截止区、半宽度、矩形度和陡度等因素产生的影响[8-10]。综合考虑膜系在后期的镀制条件，以及设计指标要求，本文采用两腔设计，干涉级次为一，反射层数为二，间隔层使用高折射率材料。
首先，以石英玻璃为基底进行基础膜系设计，设计结构为：A(2、1、1)LA(2、1、1)，基础膜系不同入射的角透射率曲线如图 1所示。由图 1可以看出，入射角为0°时，通带峰值透射率大于95%，截止透射率小于5%，通带半峰宽度为35 nm；入射角为15°时，940 nm处透射率大于90%，通带偏移量为11 nm。入射角为22°时，940 nm处透射率小于90%，通带偏移量为20 nm。入射角变大，通带向短波方向偏移。
![]()
图 1 基础膜系中不同入射角的透射率曲线Figure 1. Transmittance curves of different incident angles in the basic film system为使膜层数更少，膜系具有更低的角度效应，所以采用高折射率膜料替换膜系间隔层中的低折射率膜料，构成高折射率间隔腔层，提升腔层的等效折射率n∗[11]。在不影响中心波长透射率、通带半宽度、透射率峰的矩形度、陡度、峰值透射率和截止区的截止率等性能的条件下，大大减少膜层数，降低入射角灵敏度。优化后的膜系为：HL(6H)LHLHL(6H)LH，膜层数为11层。相对基础膜系，膜层数减少8层。
优化后的膜系在入射角为0°、15°和22°时透射率曲线如图 2所示。由图 2可以看出，在入射光垂直入射时中心波长的峰值透射率大于95%，截止区的截止透射率小于5%，半波宽为44 nm。当入射角为22°时通带的偏移量为14 nm，940 nm处透射率大于90%，满足设计要求。结合优化后的透射率曲线，使用HGLP-850颜色玻璃抑制可见光波段杂散光干扰[12]，将所设计的膜系基底换为HGLP-850颜色玻璃，完成最终的膜系设计。
![]()
图 2 优化后的膜系中不同入射角的透射率曲线Figure 2. Transmittance curves of the optimized film system at different incident angles2. 薄膜制备
本实验采用电子束热蒸发技术制备TiO2和SiO2薄膜[13-14]，所使用的设备是成都南光机器有限公司生产的型号为ZZS-800电子束蒸发镀膜机。在镀膜之前，将HGLP-850颜色玻璃基片放在无水乙醇中超声波清洗20 min。蒸发的膜料为高纯度TiO2和SiO2颗粒，电子枪预熔膜料前，腔体的本底真空度抽至7×10－4 Pa。电子束蒸发镀膜过程中，真空度为5.7×10－3 Pa，电子枪电压为8 kV，TiO2和SiO2的电子束流分别是95 mA与65 mA。TiO2和SiO2的电子束流大小与预熔时相同，沉积速率为0.1 nm/s。第3和第9层TiO2薄膜的物理厚度为626.67 nm，其余TiO2膜层物理厚度均为104.44 nm，SiO2膜层厚度均为104.44 nm。整个镀制过程由上海英福康公司生产的SQC310膜厚控制仪自动完成。镀制完成的滤光片如图 3所示。
3. 测试及分析
根据GJB 2485-95对光学薄膜附着力的测试标准，对TiO2/SiO2膜层，采用3M胶带进行测试，用胶带反复粘连膜面，对膜面撕扯20次，膜层未出现脱落、损伤现象。将样本放入沸水中煮30 min，煮后的样本无颜色变化、无脱膜现象，该滤光片在水汽和湿热环境下有很好的防水汽性能。
光谱测试设备使用日本岛津公司生产的IRPrestige-21型傅里叶变换红外光谱仪，制备的940 nm窄带滤光片的透射率光谱曲线如图 4所示。入射角为0°，窄带滤光片工作中心波长为940 nm，在截止区间（200~1100 nm）内，通带峰值透射率为83.4%，通带半宽度为45 nm，平均截止透射率小于1%。入射角为22°，通带向短波方向偏移量为14 nm，透射率大于80%。综上分析可得，940 nm窄带滤光片在入射角为0°~22°时，通带偏移量为14 nm，940 nm透射率大于80%，平均截止透射率小于1%。图 5为在800~1100 nm局部放大的透射率光谱曲线。
![]()
图 4 入射角为0°和22°时透射率光谱曲线Figure 4. The transmittance spectrum curves when the incident angle is 0° and 22°![]()
图 5 局部放大的通带区间透射率光谱曲线Figure 5. Partially amplified passband transmittance spectrum curves4. 结论
本文以法布里-珀罗干涉滤光片原理为基础，利用Essential Macleod软件设计低角度效应的人脸识别窄带滤光片，并使用电子束热蒸发沉积技术制备了低角度效应的人脸识别窄带滤光片。通过实验分析，使用TiO2作为膜系间隔层材料，提升膜系等效折射率n*，使滤光片的膜层数降低，改善角度效应。光在0°~22°入射时，滤光片通带透过率大于80%，偏移量为14 nm，截止率小于1%，数据能满足人脸识别窄带滤光片的技术指标。采用TiO2和SiO2进行设计和制备，使膜层附着力良好，不仅极大减少了膜层数量，降低了膜层厚度，而且还降低了薄膜制备的工艺要求。人脸识别系统中，低角度效应窄带滤光片不仅能缓解人脸识别系统角度受限的问题，而且还能增强系统对杂散光的抗干扰能力，提升人脸识别系统的识别准确性。
-
![]()
图 8 有无引导滤波处理对诊断精度的影响
Figure 8. Diagnosis accuracy with and without the guided filtering step
表 1 不同识别方法的AUC指标
Table 1 AUC values of different diagnosis methods
Test images RX LDP LRR SRT 1 0.9707 0.8312 0.8574 0.9969 2 0.9901 0. 9132 0. 9324 0.9990 3 0.9893 0. 9253 0. 9486 0.9993 
下载: 导出CSV
表 2 不同识别方法的运行时间
Table 2 Running time of different detection methods
s Test images RX LDP LRR SRT 1 0.59 0.75 0.47 0.63 2 0.53 0.61 0.34 0.55 3 0.84 0.98 0.56 0.91
下载: 导出CSV
-
[1] 刘嵘, 刘辉, 贾然, 等. 一种智能型电网设备红外识别系统的设计[J]. 红外技术, 2020, 42(12): 198-1202. http://hwjs.nvir.cn/article/id/a00b6f68-052d-40c0-a00f-1f0ff120ce69 LIU Rong, LIU Hui, JIA Ran, et al. Design of intelligent infrared di-agnosis system for power grid equipment[J]. Infrared Technology, 2020, 42(12): 1198-1202. http://hwjs.nvir.cn/article/id/a00b6f68-052d-40c0-a00f-1f0ff120ce69
[2] 张文峰, 彭向阳, 陈锐民, 等. 基于无人机红外视频的输电线路发热缺陷智能识别技术[J]. 电网技术, 2014, 38(5): 1334-1338. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201405034.htm ZHANG Wenfeng, PENG Xiangyang, CHEN Ruiming, et al. Intelligent diagnostic techniques of abnormal heat defect in transmission lines based on unmanned helicopter infrared video[J]. Power System Technology, 2014, 38(5): 1334-1338. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201405034.htm
[3] 王淼, 杜伟, 孙鸿博, 等. 基于红外图像识别的输电线路故障识别方法[J]. 红外技术, 2017, 39(4): 383-386. http://hwjs.nvir.cn/article/id/hwjs201704015 WANG Miao, DU Wei, SUN Hongbo, et al. Transmission line fault diagnosis method based on infrared image recognition[J]. Infrared Technology, 2017, 39(4): 383-386. http://hwjs.nvir.cn/article/id/hwjs201704015
[4] 胡洛娜, 彭云竹, 石林鑫. 核猫群红外图像异常检测方法在电力智能巡检中的应用[J]. 红外技术, 2018, 40(9): 323-328. http://hwjs.nvir.cn/article/id/hwjs201809013 HU Luona, PENG Yunzhu, SHI Linxin. Anomaly detection method of infrared images based on kernel cat swarm optimization clustering with application in intelligent electrical power inspection[J]. Infrared Technology, 2018, 40(9): 323-328. http://hwjs.nvir.cn/article/id/hwjs201809013
[5] 魏钢, 冯中正, 唐跃林, 等. 输变电设备红外故障识别技术与试验研究[J]. 电气技术, 2013, 14(6): 75-78. https://www.cnki.com.cn/Article/CJFDTOTAL-DQJS201306030.htm WEI Gang, FENG Zhongzheng, TANG Yuelin, et al. The infrared diagnostic technology of power transmission devices and experimental study[J]. Electrical Technology, 2013, 14(6): 75-78. https://www.cnki.com.cn/Article/CJFDTOTAL-DQJS201306030.htm
[6] 李鑫, 崔昊杨, 霍思佳, 等. 基于粒子群优化法的Niblack电力设备红外图像分割[J]. 红外技术, 2018, 40(8): 780-785. http://hwjs.nvir.cn/article/id/hwjs201808010 LI Xin, CUI Wuyang, HUO Siyang. Niblack's method for infrared image segmentation of electrical equipment improved by particle swarm optimization[J]. Infrared Technology, 2018, 40(8): 780-785. http://hwjs.nvir.cn/article/id/hwjs201808010
[7] 黄志鸿, 吴晟, 肖剑, 等. 基于引导滤波的电力设备热缺陷识别方法研究[J]. 红外技术, 2021, 43(9): 910-915. http://hwjs.nvir.cn/article/id/cb2a71f1-cd7c-4e76-977b-b6f7472b905d HUANG Zhihong, WU Sheng, XIAO Jian, et al. Thermal fault diagnosis of power equipments based on guided filter[J]. Infrared Technology, 2021, 43(9): 910-915. http://hwjs.nvir.cn/article/id/cb2a71f1-cd7c-4e76-977b-b6f7472b905d
[8] 黄志鸿, 洪峰, 黄伟. 形状自适应低秩表示的电力设备热故障诊断方法研究[J]. 红外技术, 2022, 44(8): 870-874. http://hwjs.nvir.cn/article/id/8f0f8a69-4b47-46b4-bcdf-ea623287093f HUANG Zhihong, HONG Feng, HUANG Wei. Shape adaptation low rank representation for thermal fault diagnosis of power equipments[J]. Infrared Technology, 2022, 44(8): 870-874. http://hwjs.nvir.cn/article/id/8f0f8a69-4b47-46b4-bcdf-ea623287093f
[9] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网[J]. 自动化学报, 2016, 42(9): 1300-1312. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201609002.htm CHANG Liang, DENG Xiaoming, ZHOU Mingquan, et al. Convolu-tional neural networks in image understanding[J]. Acta Automatica Sinica, 2016, 42(9): 1300-1312. https://www.cnki.com.cn/Article/CJFDTOTAL-MOTO201609002.htm
[10] 魏东, 龚庆武, 来文青, 等. 基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]. 中国电机工程学报, 2016, 36(5): 21-28. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC2016S1003.htm WEI Dong, LONG Qinwu, LAI Wenqing, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]. Proceedings of the CSEE, 2016, 36(5): 21-28. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC2016S1003.htm
[11] 周可慧, 廖志伟, 肖异瑶, 等. 基于改进CNN的电力设备红外图像分类模型构建研究[J]. 红外技术, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm ZHOU Kehui, LIAO Zhiwei, XIAO Yiyao, et al. Construction of infrared image classification model for power equipments based on improved CNN[J]. Infrared Technology, 2019, 41(11): 1033-1038. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201911007.htm
[12] HOU Xiaodi, ZHANG Liqing. Salient detection: a spectral residual approach[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2007: 18-23.
[13] HE Kaiming, SUN Jian, TANG Xiao'ou. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.
[14] GAGLIARDI Robert, REED Irving S. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Transactions on Acoustic Speech Signal Processing, 1990, 38(10): 1760-1770.
[15] KANG Xudong, ZHANG Xiangping, LI Shutao, et al. Hyperspectral anomaly detection with attribute and edge-preserving filters[J]. IEEE Trans. Geosci. Remote Sens. , 2017, 55(10): 5600-5611.
[16] XU Yu, LI Jun, WU Zebin, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]. IEEE Trans. Geosci. Remote Sens. , 2016, 54(4): 1287-1293.
[17] 蒋昀宸, 樊绍胜, 陈骏星溆. 带电作业智能新技术及其应用现状[J]. 湖南电力, 2018, 38(5): 1-4. https://www.cnki.com.cn/Article/CJFDTOTAL-HNDL201805001.htm JIANG Yunchen, FAN Zhaosheng, CHEN Junxingxu. Smart new-technologies and applications for live work[J]. Hunan Electric Power, 2018, 38(5): 1-4. https://www.cnki.com.cn/Article/CJFDTOTAL-HNDL201805001.htm
计量
- 文章访问数: 140
- HTML全文浏览量: 56
- PDF下载量: 30
