基于混合高斯背景模型的SF6泄漏自动检测

蔺丽华，吴冬梅，李 杰，刘 健，2

(1．西安科技大学 通信与信息工程学院，陕西西安 710054;2．陕西电力科学研究院，陕西西安 710054)

六氟化硫(SF6)气体是一种无毒、无色、无味，化学性能极稳定的物质，具有良好的电气绝缘性能及优异的灭弧性能。采用SF6气体绝缘的电力设备已大量投入电网运行［1］。SF6充气设备一旦发生漏气，将造成严重的不良后果:SF6气体与水分子在电弧的高温作用下，会生成大量有毒物质，其形成的氢氟酸会降低设备内部绝缘性能，导致设备故障，影响电网安全运行;毒气也对维护人员的人身安全造成威胁;另外，SF6属于《京都议定书》规定减排的6种温室气体之一，其引起的温室效应是等量二氧化碳(CO2)的23 900倍。从采购运维成本出发，SF6气体频繁泄漏，会给电力系统造成极大经济压力。因此，寻找高效、快速、安全的SF6的泄漏检测方法具有非常积极而深远的意义。

目前已投入使用的SF6检测仪器在目前业界可分为主动式SF6检测仪器、被动式SF6检测仪器。通过对比SF6检测的各种方法，红外辐射成像检测是目前SF6检漏的一种较好的技术［2］，具有无需断电、能在安全距离进行检漏且结果较为精确等优越性。

当前使用红外成像技术进行SF6检漏时，主要采用设置观察点人工完成的方式。由于泄漏存在突发性和间歇性，在正常情况下一台设备的检漏一般需要 1 ～2 h［3］。

本文探讨基于红外视频图像的气体泄漏检测方法，充分利用气体泄漏时的动态特征，采用混合高斯背景模型提取疑似泄漏区域，并用数学形态学方法实现定位，实现了红外视频下SF6泄漏的自动检测，能有效节约人力，并能解决突发性泄漏快速报警与定位问题。

1 SF6泄漏在红外视频中的特性分析

由于红外光谱可吸收、检测并成像出不可见的SF6气体泄漏，因此，六氟化硫气体泄漏红外成像检测装置的工作是基于此种原理。SF6具有较强的红外吸收特性，其吸收光谱集中在10.56μm左右。红外成像方法就是在光学元件成像和色散的基础上，将滤波器波段调到SF6气体吸收的波长(10～11μm)，从而使不可见的SF6气体与背景区别开来，在设备上看到SF6气体［1］。

红外成像检测装置的对背景条件无要求的SF6气体(有效距离0～40 m)的泄漏情况进行检测，可准确、有效、方便地检测出充气设备的泄漏点并判断泄漏情况。图1(1)为红外成像检测装置拍摄到的SF6泄漏原始视频的示例。

从图1(1)中可以看出，红外成像技术能够将电气设备泄漏的SF6气体在检漏仪显示屏上以可见的动态烟云形式显示出来。通过对大量视频的观察，气体泄漏过程均呈现出烟雾状漏气，其动态特性与普通的烟雾有相似之处。利用智能视频分析技术，可提取出动态的烟雾，由此可以自动、快速地发现气体泄漏，并准确地定位SF6气体泄漏点。

2 泄漏区域检测

2．1 混合高斯背景建模原理

在一个相对静止的环境中长时间观察没有运动物体出现，就可以通过高斯分布方法对这个像素进行建模，其视频序列图像中同一坐标像素的值一般满足单高斯分布。但如果所在的环境中有外界动态因素(如光照、风力等)的影响，则得到的视频序列中同一坐标像素的值则满足多个单高斯分布。这种情况单高斯分布已不能满足建模要求，针对这种情况，Friedman 等人［6］和 Chris Stauffer等人［7］在1998年提出了基于混合高斯模型的背景建模方法，该方法采用多个高斯分布的加权组合的高斯混合分布，对复杂场景中得到的视频序列图像的某一像素值进行建模，并且在不需要缓存视频帧的情况下对模型的参数进行自适应的更新，混合高斯模型在运动图像分析中被越来越多的应用。

2．1．1 模型函数 在混合高斯模型中，图像中每个像素点取值用变量Xi，t表示，则其概率密度函数可用K个高斯函数描述［6］

式中，下标表示在t时刻的第i个高斯分布。

即可以用K个高斯分布的混合高斯模型来描述图像中的每个像素值，上式中，K为高斯分布的个数，K越大，系统越能表征复杂的场景，但计算量也随之大幅增加，考虑到计算的复杂性，一般取值在3到5之间，其中每个高斯分布称为一个分支。ωi，t，μi，t和分别是 t时刻的第 i个分布的权值、均值和协方差矩阵，n为颜色通道数，p ( Xi，t，μi，t，)为在t时刻的第i个高斯分布。2．1．2 背景与前景的划分 ωi，t表示第i个高斯分布的权值，其含义是单个像素值在第i个高斯分布产生的概率占整个混合高斯分布产生概率P(Xi，t)的比例，ωi，t越大，说明第 i个高斯分支的近似程度越高，若按权值 ωi，t与标准差 σi，t的比值λi，t(λi，t= ωi，t/σi，t)把每个混合模型中的 K 个高斯分布由高到低进行排列，取前B个高斯分布联合生成背景［8］

通常采用权重较小的高斯分布来描述运动目标，选用高斯分布的权重之和刚好大于阈值T的前B个高斯分布作为背景子集，剩下的K－B个高斯分布即为前景运动子集。在视频帧图像中阈值T被定义为背景像素的高斯分支数占总高斯个数K的最小比例，如T选取较大，背景是由多个高斯分布组成的混合高斯模型，能够描述复杂的背景。如阈值T选取过小，则背景模型可能会为单个高斯分布。

2．1．3 背景更新 随着时间的变化，背景图像会发生缓慢的变化，这时就需要不断更新每个像素点。为了降低计算量，假设协方差=I，I为在t时刻的视频帧，即红绿蓝颜色通道相互独立，同时具有相同的方差。如果 |Xi，t－ μi，t| ＜2.5σi，t，那么当前像素值就与第 i个高斯模型匹配，其高斯分布的权重、均值和方差按照下式进行更新［9－10］

其中，Mi，t当模型匹配时取 1，不匹配时取 0。α 为权重的更新速率，ρ为均值和方差的更新速率，α通过式(5)决定ρ的大小，它们决定着背景模型的更新速度，因此对高斯混合模型背景更新的研究，就是在背景变化情况不断调整更新速率α和ρ的大小。

2．2 混合高斯背景建模实验

以某型号SF6断路器泄漏视频为例，采用混合高斯背景建模方法，通过期望最大值EM(expectation maximization)算法［7］来进行参数的估计运算，部分参数的初始取值为K=5，T=0.7，α=0.005，n=3，提取出的泄漏区域如图1(2)所示。

3 基于数学形态学的泄漏定位

从混合高斯模型下提取的SF6疑似区域效果来看，除泄漏区域外，图中仍存在着毛刺、斑点等噪声，容易造成误检，也无法精确定位泄漏点。需设法去除斑点等噪声，只保留SF6泄漏区域。

在图像处理中，有4种数学形态学的基本运算:膨胀、腐蚀、开运算和闭运算。其中，腐蚀和膨胀分别定义为［11］

上式中，X为图像集合，S为结构元素，x表示集合平移的位移量。小于结构元素的物体(例如毛刺、小凸起等)被腐蚀去除。如果在原始图像中去掉不同大小的物体，可选取不同大小的结构元素。膨胀可以将图像变大，可以填补边缘的小凹陷。但在采用腐蚀运算时，目标区域也会缩小，必须采用膨胀然后再恢复目标区域，即开运算，描述为

开运算采用的恢复不是信息无损的，即先对图像进行腐蚀然后膨胀其结果，它们通常不等于原始图像X。为了使目标边界平滑，消除尖峰、凸缘、切断狭细连接等，我们可以采用开运算删除图像中的小分支的方法。

采用将结构元素进行灵活组合分解结合数学形态学的基本算法，就可以达到分析图像的目标。本文利用形态学运算的良好特性，对混合高斯模型下提取的SF6疑似区域进行了进一步处理。

从图1可以看出，图除泄漏区域外，其他地方存在斑点等噪声干扰;采用腐蚀处理后可将斑点完全消除，但泄漏区域缩小;在进行膨胀图基本上恢复了泄漏区域，且无噪声。说明采用该方法可以准确检测出SF6，并能定位泄漏点。

4 检测结果与分析

本文检测算法是在Visual C++6.0环境下，结合OpenCV1.0实现的。测试视频来自FLIR公司GF306型红外气体检漏测温成像仪拍摄的电气设备SF6泄漏视频。

图1(3)中，泄漏区域的矩形标记采用的是图1(2)中前景目标确定的最大矩形框，即通过对角线上的两个顶点绘制矩形。

为了测试算法的准确率，本文对已获得的所有SF6泄漏视频共32组进行实验测试，包括SF6断路器、气体绝缘开关设备GIS，SF6负荷开关等多种设备。32组视频均是通过手持式红外检测设备拍摄。经过测试，结果如表1所示。

表1 检测结果Tab．1 Detection result

图1 某断路器SF6泄漏检测Fig．1 A circuit breaker SF6 leak detection

由表1可知，检测效果较好的占到了总视频数的78.1%，效果一般的占21.9%，总体检测结果良好。存在的部分误检主要由视频抖动干扰造成，手持式拍摄时，不可避免的会存在人为抖动，使整个背景晃动，从而使得该视频高斯背景建模受到影响，将部分背景当作运动前景提取，形成对SF6气体烟雾的干扰，进而影响了检测的正确性。因此，只要在拍摄时采用固定检测设备的方法，如使用三脚架或其他固定基座，就可以获得很好的静态背景，从而极大地提高检测的准确率。

5 结语

本文提出了基于混合高斯建模的电气设备中SF6泄漏检测算法，通过混合高斯背景建模，对SF6气体视频进行了前景和背景提取，并采用形态学运算对干扰和噪声进行了处理，最后对SF6气体出现的区域进行了标记。实验结果表明，达到了较好的检测效果。本文方法可实现红外视频下SF6泄漏的自动检测，可节约人力，并能解决突发性泄漏问题。为后期开展红外视频条件下的实时、主动、远程检测SF6泄漏提供了基础。

由于本文针对手持式红外检测设备拍摄的泄漏视频进行的检测实验分析，由于拍摄晃动等因素，造成一定误差，如若采用固定摄像将取得更好的检测效果。本文的方法也适用于其他有烟雾扩散特性的气体泄漏检测。

［1］ 王骏．SF6气体绝缘设备红外检漏技术的应用［EB/OL］．［2011-10-12］．http:∥www．doc88．com/p-5718899005779．html．

［2］ 袁仕奇，代洲，陈芳．高压电气设备 SF6气体泄漏检测方法比较［J］．南方电网技术，2013，7(2):54-58．

［3］ 刘卫东，李哲文，赵栋，等．红外成像技术在SF6气体检漏中的应用［C］∥2010年全国输变电设备状态检修技术交流研讨会论文集，夏门:中国电力企业联合会，2010:813-815．

［4］ 吴爱国，杜春燕，李明．基于混合高斯模型与小波变换的火灾烟雾探测［J］．仪器仪表学报，2008，29(8):1622-1626．

［5］ 王娜娜．基于视频的火灾烟雾检测算法研究［D］．西安科技大学，2012．

［6］ FRIEDMAN N，RUSSELL S．Image segmentation in video sequences:A probabilistic approach［C］//Proceedings of the 13th Annual Conference on Uncertainty in Artificial Intelligence，San Francisco:Morgan Kaufmann Publishers，1997:175-181．

［7］ STAUFFER C，GRIMSON W E L．Adaptive background mixture models for real-time tracking［C］//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，Washington:IEEE Computer Society，1999:246-252．

［8］ 李明之，马志强，单勇，等．复杂条件下高斯混合模型的自适应背景更新［J］．计算机应用，2011，31(7):1831-1834．

［9］ LIU Gang，YOU Yu-gan，ZHENG Si-guo，et al．Moving Target Detection Based on Improved Mixture Gauss Model［C］//CMSP 2012，［S．I．］:CCIS，2012:261-266．

［10］金广智，石林锁，白向峰，等．基于混合高斯模型的新型目标检测系统［J］．计算机应用，2011，31(12):3360-3365．

［11］王慧锋，战桂礼，罗晓明．基于数学形态学的边缘检测算法研究及应用［J］．计算机工程与应用，2009，45(9):223-226