基于红外图像分析的电力测温以诊断电气设备可靠性

      为了确保持续供电，必须定期检查电力设备的可靠性。当设备内部温度超过正常工作极限时，设备内会发生异常。因此，设备过热可能导致随后的故障，并有可能导致计划外的停机，伤害和火灾危险。另外，电网的效率在停电之前会降低。因此，能量被浪费在产生热量上，从而造成不必要的损失。红外成像技术可进行电力测温以识别并暴露电气设备中的各种问题，例如电气连接不良，短路，过载，负载不平衡以及电气组件安装不当。它可以通过检测电气设备表面的热辐射来显示温度分布。
      与传统的温度测量技术相比，红外热成像具有许多优势，包括响应时间快，温度范围宽，二维数据采集，空间分辨率高，安全，可靠且非常具有成本效益。使用此技术的最重要特征是可以在不中断或关闭电源系统运行的情况下进行电力测温。使用常规方法，通常只能由合格且经验丰富的人员对电热状况进行评估。另外，分析红外图像的完整过程也是费时且昂贵的。因此，为了克服这些限制，采用了一种自动红外图像分析技术，通过该技术可以快速准确地检测和评估电气设备内的热异常。

图为红外热成像中的电力测温

      基于红外图像分析的电力测温以诊断电气设备可靠性的自动化系统的研究已经进行了很多年。识别电气设备热图像中热点区域的最简单方法是使用阈值技术，其中通过使用某个阈值对图像进行滤波来检测热点区域。可以使用形态分割来提取热区域，其中最大的灰色像素值确定了热区域的最高温度。参考温度是从高温区域外类似设备的平均灰度值得出的。通过比较热点和参考温度之间的差异来评估电气设备的状况。
      在其他尝试中，提出了一种智能系统，该系统通过使用红外图像的RGB颜色数据来检测电气设备中的热异常，并使用神经网络对图像进行分类。尽管该方法非常简单，但是由于要由神经网络计算的特征向量较大，因此存在处理时间较长的问题。
      红外成像是用于监视和评估电气设备的热状况以确保可靠供电的常用工具。因此，提出了一种基于定性红外图像分析的快速热异常检测与分类方法。首先，通过使用归一化互相关（NCC）在图像中查找相似对象，半自动选择感兴趣区域（ROI）。从每个检测到的区域提取统计特征，并使用多层感知器（MLP）神经网络对其进行分类，以确定电气设备的热状况。通过提出的方法获得的总体精度约为95％，这非常令人鼓舞。