Page 46 - 电力与能源2024年第一期
P. 46
40 颜楠楠，等：高压电缆隧道内广域极差异常故障检测方法
（5）对 ROI 进行多类别分类和候选框回归， 下目标识别问题，可以有效地提高目标检出率，实
引入掩膜分支生成掩膜，完成特征提取和特征匹 现目标的有效识别和变化情况的动态实时跟踪。
配任务。
2 基于广域极差的机器视觉跟踪识别与
为了训练 Mask RCNN 算法，需要定义一个多
检测方法
任务损失函数，将每个分支的损失情况都考虑进去。
具体来说，多任务损失函数由以下 4部分组成： 2.1 基于广域极差的机器视觉跟踪成像方法识
（9） 别算法的总体框架
L = L rpn + L cls + L box + L mask
式中 L rpn——RPN 的损失函数，由候选框的分 广域极差特性主要是指将环境中不同设备、
类损失和回归损失组成； L cls——分类分支的损失 不同区域边界的相对温差法作为目标识别依据，
函数，由候选区域的类别分类交叉熵损失组成； 提取两个对应测点之间的温升与较高温度点温升
L box——边界框回归分支的损失函数，由候选区域 之比，通过相对温差来反映目标区域的边界，进而
的边界框回归平滑 L 1 损失组成；L mask ——掩码预 实现机器视觉跟踪成像系统对异常积水目标与背
测分支的损失函数，由候选区域的掩码预测二元 景的有效区分 ［7-8］ 。
交叉熵损失组成。 在广域极差机器视觉跟踪成像构图方法中：
通 过 优 化 多 任 务 损 失 函 数 ，可 以 使 Mask 首先，利用广域极差算子对图像进行基于温差的
RCNN 同时完成异常积水故障识别和目标图像分 目标识别增强，突出目标和背景的对比度；然后，
割任务。掩膜分支是一个全卷积网络，其输入是 根据增强后图像的灰度直方图，选择合适的阈值
ROI 的特征图，输出是每个类别的二值掩膜。掩 对图像进行二值化分割，得到目标区域的初步轮
膜分支的目标是生成与真实掩膜尽可能接近的预 廓；接着，对二值化图像进行形态学开运算和闭运
测掩膜，因此需要定义一个掩膜误差损失函数来 算，消除噪声和孔洞，填充目标内部空隙，平滑目
衡量预测掩膜和真实掩膜之间的差异。本文选用 标边缘；最后，利用形态学细化算法对目标区域进
二元交叉熵损失函数作为掩膜误差损失函数，其 行骨架化处理，得到目标区域的精确轮廓。这样
计算公式如下： 就完成了广域极差机器视觉跟踪成像构图方法中
1 N K 的阈值分割和形态学处理，进而完成基于广域极
L mask =- ∑ ∑ [ y ij log y ̂ +
ij
N i = 1 j = 1 差的机器视觉跟踪成像构图过程。
(1 - y ij ) lg (1 - y ̂ ) ] （10） 2.2 基于广域极差的目标检测和跟踪算法
ij
式中 N——ROI 的个数；K——每个 ROI 的像素 广域极差变换 （WRET）是一种基于相对温
个数； y ij——第 i 个 ROI 第 j 个像素的真实掩膜值 差法的红外图像处理方法，其目的是提取红外图
（0 或 1）； y ̂ ——第 i 个 ROI 第 j 个像素的预测掩膜 像中的高温区域，并消除背景干扰。WRET 的原
ij
值（0 到 1 之间的实数）。当预测掩膜与真实掩膜 理是：当存在积水时，有积水的区域和没有积水的
越接近时，二元交叉熵损失函数越小。 区域存在温差，通过红外热像装置可以检测在积
基于以上过程可以实现基于机器视觉的目标 水边界上形成的温度梯度。通过比较同一积水区
故障检测以及故障特征的识别提取过程。然而在 域内不同位置的温度值，不仅能进一步判断是否
实际应用过程中由于电缆隧道内的环境会更加复 存在积水，还能精确地推断出积水区域的面积、边
杂，存在各种设备、线路、障碍物等影响因素，这些 界，以及积水程度。
均会影响机器视觉跟踪成像的效果，降低目标检 基于广域极差变换的目标检测和跟踪过程实
测和跟踪的准确性和稳定性。针对这一问题，本 现步骤如下。
文提出了一种广域极差目标检测和跟踪算法，基 （1）对输入的红外图像进行灰度化处理，得到
于目标温差进行检测，进一步提高复杂环境条件 灰度图像 I。
