Page 44 - 电力与能源2024年第一期

38 颜楠楠，等：高压电缆隧道内广域极差异常故障检测方法

面积大小时，会受到环境照明亮度以及摄像头成 素点的梯度值，以判断该点是否为边缘。梯度值
像分辨率的影响，难以准确辨别出隧道内的积水 反映了图像灰度值变化的速度，其大小和方向可
状态，容易出现漏判，成误判。 用偏微分方程来表示 ［1-3］ ：
为此，本文提出一种基于广域极差跟踪成像 ( ) ( ) 2
∂f
∂f
2
（WAEDTI）的电缆隧道内异常故障在线检测方 G [ f ( x，y ) ]= ∂x + ∂y （1）
法。首先，对环境灰度化、均衡化预处理图像进行 ∂f ∂f
式中 ∂f——梯度向量； 、 ——图像函数 f（x，y）
广域极差变换，以提取目标边缘信息，增强与背景 ∂x ∂y
之间的对比度，并基于设备区域之间的相对温差 在 x 和 y 方向上的偏导数。
引入广域极差方法进一步提升算法识别能力；然 图像是离散数据，不能直接对其求偏导数。
后对变换后的图像进行二值化处理和形态学处 一种常用的方法是使用卷积运算来近似求解偏导
理 ，以 滤 除 噪 声 和 填 补 孔 洞 ；最 后 基 于 Mask- 数。卷积运算是指将一个滤波器（也称为内核或

RCNN 对形态学处理后的二值化图像进行连通区 模板）与图像进行逐像素的乘加运算，得到一个新
域分析，从而以非接触、无损、高分辨率的在线检 的图像。滤波器的大小和形状可以根据不同的目
测方式实现电缆通道内异常区域的智能识别，准 的而选择，一般为奇数阶的正方形矩阵。
确定位故障区域。在此基础上，通过算例分析验 卷积运算的公式如下：
j
k
k
证了所提方法的有效性和准确性。 g ( x，y )= sum i =-k sum j =-k f ( x - i，y - j ) h ( i，)
（2）
1 基于机器视觉的故障检测构图技术
式中 g（x，y） ——卷积后得到的新图像中坐标为
f
1.1 图像采集 （x，y）的像素值；（x，y） ——原图像中坐标为（x，
j
为了检测电缆隧道内的异常情况，需要包括 y）的像素值；h（i，） ——滤波器中坐标为（i，j）的元
k
选择图像传感器、安装摄像机、采集图像预处理图 素值；——滤波器的半径。
像、传输和存储图像等步骤。选择图像传感器要 卷积运算可以看作是将滤波器在原图像上滑
考虑故障特征、成本、性能、环境等因素，如可见光 动，每次与原图像的一个区域进行乘加运算，得到

摄像机、红外相机等。调整安装摄像机到合适的 新图像的一个像素值。滤波器的元素值决定了卷
位置和角度，保证图像的清晰、完整和稳定，避免 积运算的效果，不同的滤波器可以实现不同的功
干扰。预处理图像包括去噪、增强、校正和压缩等 能，例如平滑、锐化、边缘检测等。Sobel 滤波器就
操作，以提高图像的质量和可用性。传输和存储 是一种用于边缘检测的滤波器，它可以近似计算
图像要通过有线或无线方式将图像传输到计算机 图像在 x 和 y 方向上的一阶偏导数。
或其他设备上，进行后续分析和处理。 Sobel滤波器的形式如下：

ê
1.2 图像预处理 é-1 0 ù 1 ú ú ú
ê
图像预处理和分割是基于机器视觉的积水异 G x = ê ê-2 0 ú 2 ú ú （3）
ê ê
ë-1 0 û 1
常故障检测技术的重要步骤，其目的是将环境中
é 1 2 1 ù ú ú
ê ê
积水的图像分为背景和前景，去除无关信息，突出 ú
G y = ê ê 0 0 0 ú ú ú （4）
ê ê
故障特征。常用的图像预处理和分割方法有阈值 ë-1 -2 - û 1
法、边缘检测法、区域生长法、聚类法、形态学法 式中 G x——水平方向的梯度；G y——垂直方向
等。本文采用边缘检测法进行图像预处理，其具 的梯度。
体过程如下。 这两个卷积核可以看作是一次差分和一次平
边缘检测法是一种根据图像灰度值变化提取 滑的组合，其中[ 1 0 -1 ]和[ 1 2 1 ]分别表
边缘信息的方法，其基本原理是计算图像每个像 示水平差分和水平平滑，它们的转置表示垂直差