原创 局部区域电力设备故障检测方法

电力设备红外在线运行状态监测方法已经成为预防电力设备故障发生的一种有效手段。然而，传统的电力设备故障红外诊断时，通常需要运维人员对电力设备故障红外图像的认知以及人工方式采集、录入、上传等操作，使得整个检测过程效率低下，特别对于含有众多电力设备的变电站，人工诊断将变得异常繁琐。

近年来，随着人工智能的兴起，一些智能化的电力设备运检装置得到了国内外学者的广泛研究，例如智能巡检机器人、巡检无人机等，其通过携带红外热像仪等装置，在线捕获电力设备红外成像信息，并传至控制室再进行人工分析。尽管这种方式减少了人工采集图片的工作量，但是仍然需要依赖人工诊断与处理。随着图像处理技术的发展以及智能化、自动化诊断的迫切需求，研究者开始着手采用计算机视觉、模式识别等技术解决电力设备故障智能预防、检测等问题。

一般而言，智能化诊断包含了红外图像感兴趣区域的提取、分类、识别等主要过程，其中感兴趣区域(故障区域)的提取是整个系统中首要解决的关键内容，它在一定程度上决定了后续故障辨识的成败，也影响电力设备状态信息的分析。因此，红外图像感兴趣区域提取方法研究一直是图像智能化处理的一个重要方向，并曾现出了多种不同类型的处理方法。在目前现有的算法中，图像区域提取方法可以分为以下几个类：(1)阈值法；(2)聚类法；(3)神经网络法；(4)偏微分法；(5)图论法以及其他方法，其中最为经典的是阈值分割方法，即高于某一阈值时被认为设备存在潜在热故障，而低于某一阈值则被认为运行正常。

该方法具有较优的故障区域提取性能，进而为后续的故障辨识奠定了良好的基础。