基于MST框架的PCNN輸電線路紅外熱故障區(qū)域提取方法

葛黃徐，鄭 雷，江 洪，郭一凡，周東國

基于MST框架的PCNN輸電線路紅外熱故障區(qū)域提取方法

葛黃徐1，鄭 雷2,3，江 洪1，郭一凡1，周東國4

（1. 國網(wǎng)浙江省電力有限公司嘉興供電公司，浙江 嘉興 314599；2. 國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司，湖北 武漢 430074；3. 南瑞集團(tuán)有限公司，江蘇 南京 211106；4. 武漢大學(xué) 電氣與自動(dòng)化學(xué)院，湖北 武漢 430072）

針對(duì)輸電線路電氣設(shè)備紅外熱故障檢測(cè)，提出采用一種基于最大相似度閾值（Maximum Similarity Thresholding, MST）的脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse-coupled neural Network, PCNN）紅外圖像熱故障區(qū)域提取方法。在該方法中，利用脈沖耦合神經(jīng)元對(duì)相似的鄰域神經(jīng)元同步點(diǎn)火特性，通過引入最大相似度閾值框架，簡(jiǎn)化了PCNN模型的閾值設(shè)置機(jī)制。同時(shí)，針對(duì)相似鄰域神經(jīng)元的同步點(diǎn)火特性，采用最小聚類方差設(shè)置連接系數(shù)，使得PCNN模型在自適應(yīng)迭代下最終獲取熱故障區(qū)域。最后通過真實(shí)輸電線路電氣設(shè)備紅外故障圖像測(cè)試，驗(yàn)證了文中所提方法的有效性和適用性，為PCNN模型的推廣應(yīng)用奠定了基礎(chǔ)。

MST框架；脈沖耦合神經(jīng)網(wǎng)絡(luò)；輸電線路；紅外圖像；聚類

0 引言

在電力輸電線路巡檢中，紅外成像技術(shù)作為探測(cè)設(shè)備故障的遠(yuǎn)距離檢測(cè)的重要工具，具有檢測(cè)非接觸式、安全性強(qiáng)、準(zhǔn)確率高以及操作簡(jiǎn)便等優(yōu)點(diǎn)[1]。然而，因巡檢人員針對(duì)現(xiàn)場(chǎng)環(huán)境，需要實(shí)時(shí)錄入檢測(cè)到的故障信息等，不僅加長其巡檢時(shí)間，且極易出現(xiàn)漏檢、誤錄入等情況[2-3]，使得巡檢效率受到了不同程度的影響。

目前，圖像處理技術(shù)作為輔助手段已經(jīng)成為提升巡檢自動(dòng)化水平的重要一環(huán)。隨著巡檢無人機(jī)以及無人車在電力公司、電網(wǎng)公司的大力推廣使用，紅外圖像處理技術(shù)越來越受到關(guān)注。眾所周知，紅外輻射能量的強(qiáng)弱是與物體表面溫度大小密切相關(guān)的，當(dāng)物體表面溫度越高，其紅外輻射強(qiáng)度越大，所體現(xiàn)在紅外圖像上的灰度值也越大。一般而言，輸電線巡檢中的電氣設(shè)備，其故障大多以高溫、高熱特性為主，為紅外圖像故障檢測(cè)提供了潛在的區(qū)分特性。早期，閾值劃定故障界限通常是研究人員最為關(guān)注的一種解決方法。例如，在文獻(xiàn)[4]中，提出一種采用經(jīng)典的最大類間方差法（Otsu）自適應(yīng)閾值圖像分割方法，顯然對(duì)于溫差比較大的區(qū)域而言，這種方式簡(jiǎn)單高效。文獻(xiàn)[5]提出了一種新型閾值的選擇方法，該方法對(duì)目標(biāo)圖像先擬合具有個(gè)相鄰點(diǎn)的線性模型計(jì)算斜率差的變化趨勢(shì)，通過在斜率差分布谷值中挑選適合不同類型故障區(qū)域的最佳閾值，以及利用形態(tài)學(xué)迭代腐蝕提取目標(biāo)區(qū)域。針對(duì)紅外圖像背景復(fù)雜、信噪比低，文獻(xiàn)[6]提出了一種基于Otsu和區(qū)域生長相結(jié)合的故障分割方法，較好地提取出故障區(qū)域。實(shí)際上，區(qū)域生長是一種類似聚類的方法。基于此，文獻(xiàn)[7]提出了采用基于加權(quán)切比雪夫距離的K-means算法對(duì)輸電線路上的變電站電氣設(shè)備紅外圖像進(jìn)行分割。進(jìn)一步地，文獻(xiàn)[8]中提出了基于PCNN分層聚類迭代的故障區(qū)域自動(dòng)提取方法，該方法需要通過設(shè)置PCNN模型內(nèi)在參數(shù)并引入聚類機(jī)理，從而獲得較高的故障區(qū)域提取性能。此外，針對(duì)不同的紅外場(chǎng)景圖像，也涌現(xiàn)出了一系列圖像處理算法[9-13]。

然而，針對(duì)輸電線上不同紅外對(duì)象以及不同場(chǎng)景的紅外圖像，現(xiàn)有的一些算法適應(yīng)性都在一定程度上具有局限，其主要體現(xiàn)在紅外圖像的特性上，例如故障區(qū)域的大小以及灰度分布范圍。通常，故障區(qū)域較小，閾值的選擇往往會(huì)偏向于低灰度值[14]；灰度分布范圍過大，則會(huì)將背景中的其他區(qū)域產(chǎn)生混疊，增加了閾值選擇難度。其次，故障區(qū)域與非故障區(qū)域存在一定的邊界，使得閾值機(jī)制得不到發(fā)揮。基于此，本文提出采用一種基于最大相似度閾值框架，并融合脈沖耦合神經(jīng)元同步點(diǎn)火機(jī)制，使得脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse-coupled neural network）閾值以及參數(shù)得到進(jìn)一步優(yōu)化，從而使PCNN模型具有更好的圖像處理能力。最后通過真實(shí)電力設(shè)備紅外圖像驗(yàn)證本文方法的有效性。

1 MST框架

針對(duì)紅外圖像，灰度閾值分割機(jī)制通常具有高效性，便于快速檢測(cè)，其中最大相似度閾值（Maximum Similarity Thresholding，MST）[15]機(jī)制起源于Otsu算法。不失一般性，可將Otsu算法規(guī)則定義為：

式中：(,())表示對(duì)原始圖像提取的圖像信息和在閾值下獲得的圖像信息()之間的相似度度量，即：

式中：x和w分別對(duì)應(yīng)圖像和中第個(gè)像素值；和表示圖像和的均值。從式中不難看出，當(dāng)＝1時(shí)表示當(dāng)圖像和相同；相反，其值越小，代表差異越大，即越不相似。

考慮到不同的相似度度量函數(shù)對(duì)圖像處理性能的差異性，例如Otsu方法，采用的類間方差最大或類內(nèi)方差最小的原則建立閾值選擇機(jī)制。然而，在式(1)直接度量下，極易發(fā)生閾值偏移引發(fā)欠分割或過分割。為了增強(qiáng)相似度度量的普適性，MST框架定義為：

式中：和表示轉(zhuǎn)換函數(shù)，通常在實(shí)際圖像處理中，轉(zhuǎn)換函數(shù)和需要做相應(yīng)的設(shè)置。不同的轉(zhuǎn)換函數(shù)，其處理的結(jié)果必然存在一定的差異性，這也使得模型變得更加靈活。

2 MST框架下PCNN紅外圖像分割模型

2.1 PCNN簡(jiǎn)化模型

脈沖耦合神經(jīng)網(wǎng)絡(luò)模型（PCNN）[16-17]作為第三代神經(jīng)網(wǎng)絡(luò)，其內(nèi)在的同步點(diǎn)火特性受到了國內(nèi)外學(xué)者的青睞，特別是在圖像分割、區(qū)域提取等領(lǐng)域，PCNN模型可以通過一定程度的簡(jiǎn)化，配合內(nèi)在參數(shù)的優(yōu)化，使得模型的有效性和適用性大大提升。圖1為一種經(jīng)典的簡(jiǎn)化PCNN模型[16]。

在圖1中，這種經(jīng)典的PCNN模型中輸入層、耦合層以及脈沖發(fā)放層是一個(gè)循環(huán)級(jí)聯(lián)的架構(gòu)，神經(jīng)元其內(nèi)在活動(dòng)激勵(lì)隨著迭代不斷調(diào)節(jié)，直到神經(jīng)元同步發(fā)放脈沖不再變化為止。因此，相比于其他神經(jīng)網(wǎng)絡(luò)圖像處理，其不再需要訓(xùn)練和學(xué)習(xí)，只需要內(nèi)在參數(shù)的調(diào)節(jié)，即可獲得最終的輸出。

圖1 PCNN簡(jiǎn)化模型圖

其次，耦合層調(diào)節(jié)當(dāng)前點(diǎn)火神經(jīng)元的鄰域神經(jīng)元的活動(dòng)項(xiàng)，這種機(jī)制有助于將具有相同特性的神經(jīng)元進(jìn)行聚類，從而便于分割圖像區(qū)域。

此外，脈沖發(fā)放層是閾值分割機(jī)制的體現(xiàn)，是提升圖像處理效率較為關(guān)鍵的一個(gè)環(huán)節(jié)，在一定程度上最終奠定了圖像的分割結(jié)果。

為了更好地描述圖1的PCNN簡(jiǎn)化模型，輸入層由反饋輸入Y和外部激勵(lì)I組成，其中外部輸入I與圖像區(qū)域中第個(gè)像素的灰度值一一對(duì)應(yīng)，即：

而反饋輸入Y通過內(nèi)在的權(quán)重W，形成連接輸入L：

式中：代表迭代次數(shù)索引；為神經(jīng)元和之間的連接權(quán)系數(shù)矩陣。通常，相鄰神經(jīng)元?dú)W氏距離的倒數(shù)作為權(quán)重系數(shù)值[16]，即：

在耦合層，連接輸入和外部輸入通過線性耦合方式調(diào)節(jié)鄰域神經(jīng)元內(nèi)在活動(dòng)項(xiàng)U：

U[]＝F[]{1＋L[]} (7)

式中：為連接強(qiáng)度系數(shù)。

由于PCNN的迭代結(jié)果的輸出最終由閾值進(jìn)行控制。在閾值調(diào)節(jié)機(jī)制上，更多考慮區(qū)域特性以及熵等規(guī)則[8,16]。通常，可將閾值設(shè)置為：

連接系數(shù)，其主要作用是調(diào)節(jié)鄰域神經(jīng)元的內(nèi)部活動(dòng)激勵(lì)，如式(7)所示。為了能夠捕獲鄰域相似神經(jīng)元，本文采用聚類方差最小方式設(shè)置系數(shù)：

式中：0表示當(dāng)前點(diǎn)火區(qū)域的8鄰域像素，即為具備內(nèi)在激勵(lì)的神經(jīng)元；1表示未點(diǎn)火區(qū)域的8鄰域像素；0()和1()分別代表未點(diǎn)火區(qū)域和點(diǎn)火區(qū)域在當(dāng)前迭代時(shí)刻的均值。由此，通過搜素值，使得式(9)具有最小值，代表局部區(qū)域神經(jīng)元聚類方差最小。

然后，通過閾值機(jī)制，得到脈沖輸出：

即當(dāng)內(nèi)部活動(dòng)項(xiàng)U大于閾值時(shí)，神經(jīng)元點(diǎn)火，輸出脈沖；反之，輸出值Y[]為零。

此外，關(guān)于迭代次數(shù)的選擇，在現(xiàn)有的一些文獻(xiàn)中[16]，通常依賴于判斷規(guī)則，即在PCNN脈沖輸出序列中尋找判斷規(guī)則決定最佳的脈沖輸出。然而，這種規(guī)則的好壞，決定了最終的提取結(jié)果。

2.2 MST框架下的PCNN模型閾值的改進(jìn)

在閾值部分，PCNN模型通常采用式(8)所示的閾值估計(jì)，即采用區(qū)域的均值替代估計(jì)，從而使得PCNN模型在迭代過程中能夠合理地將鄰域相似的神經(jīng)元進(jìn)行聚類。然而，由于紅外圖像邊界的模糊性，容易引起低灰度值的像素進(jìn)行聚類，從而引起均值[]發(fā)生偏差，使得迭代過程變得冗長，并導(dǎo)致最終得不到較好的分割結(jié)果。

為此，本文采用MST框架，對(duì)PCNN閾值設(shè)置進(jìn)行優(yōu)化，利用式(3)的優(yōu)化方式替代式(8)的閾值，即：

考慮到紅外圖像中故障區(qū)域與非故障區(qū)域存在邊界，因此將轉(zhuǎn)換函數(shù)選擇為梯度邊界函數(shù)：

式中：*表示卷積；?為梯度算子；表示尺度大小；為高斯函數(shù)：

由此可以看出，當(dāng)圖像經(jīng)T變換后，得到的結(jié)果與圖像中梯度信息密切相關(guān)。顯然，區(qū)域分割結(jié)果的變換函數(shù)要求具備邊界信息。本文采用形態(tài)學(xué)算子對(duì)分割后的二值圖像進(jìn)行處理，則得到：

()＝－(Q) (14)

式中：為閾值下的二值圖像；為形態(tài)學(xué)算子（4鄰域）；Q表示腐蝕算子。

為了便于實(shí)現(xiàn)，圖2給出了整個(gè)算法的處理流程，最終通過選擇最大相似度的PCNN時(shí)間序列輸出作為故障區(qū)域提取結(jié)果。

圖2 算法流程框圖

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證文中方法的圖像處理性能，圖3給出了5幅在輸電線路巡檢中獲取的具有代表性的紅外圖像及其梯度圖像，并與經(jīng)典的Otsu，MST[15]以及現(xiàn)有的PCNN模型[8]進(jìn)行比較，所有算法均在Intel(R) Core(TM) i5 CPU 4GB內(nèi)存PC機(jī)Matlab (2010b)上編程實(shí)現(xiàn)。

圖4～圖10分別給出了Otsu、MST、現(xiàn)有的PCNN模型以及本文PCNN模型得到的結(jié)果圖。由于經(jīng)典的Otsu算法閾值的選取依賴于類內(nèi)方差最小或類間方差最大原則，因此，得到的閾值并不與圖像邊界等特征信息有關(guān)聯(lián)，使得其分割結(jié)果與期望結(jié)果產(chǎn)生偏差，如圖4所示。而MST方法在此基礎(chǔ)上融入了相似度法則，經(jīng)過T變換和H變換，再通過相似度來選擇閾值，使得閾值的選擇融合了圖像的邊界以及區(qū)域特性，相對(duì)來講，這種方式有利于提取具有邊界的目標(biāo)區(qū)域。然而，對(duì)于紅外圖像，得到的結(jié)果更傾向于分離背景，而實(shí)際的故障區(qū)域被目標(biāo)區(qū)域所覆蓋，引起故障區(qū)域得不到分離，如圖5中圖像2，圖像4和圖像5的結(jié)果。另外，從圖6所得到的閾值相似度曲線不難發(fā)現(xiàn)，圖6(b)，(d)和(e)所得到的曲線存在兩個(gè)峰值，這代表故障區(qū)域和非故障區(qū)域也存在邊界，表明采用最佳的閾值相似度并不能較好地分割故障區(qū)域。

圖7為文獻(xiàn)[8]中PCNN分層聚類方法分割結(jié)果，其得到的分層結(jié)果均較為理想。然而，從第3幅圖像的分割結(jié)果中，連接端子部分因PCNN閾值和連接系數(shù)的相關(guān)性，使得閾值設(shè)置發(fā)生了一定的偏移，導(dǎo)致該區(qū)域未被分割出來，如圖8所示。而本文方法融入了MST框架，在PCNN自適應(yīng)迭代獲得分割結(jié)果后（如圖9），再根據(jù)閾值相似度原則設(shè)置PCNN閾值，重新再迭代后得到最終的結(jié)果，從而避免了閾值設(shè)置的不當(dāng)，最終結(jié)果如圖10所示。進(jìn)一步地，從表1中不難發(fā)現(xiàn)，重新迭代后的相似度結(jié)果在很大程度上要優(yōu)于最先的PCNN迭代后的結(jié)果，進(jìn)而表明本文方法參數(shù)設(shè)置的有效性，具有較好分離故障區(qū)域與非故障區(qū)域的能力。

圖3 紅外檢測(cè)圖像（第一行為原始圖像，第二行為梯度圖像）

圖4 OTSU方法分割結(jié)果

Fig.4 Segmentation results of OTSU method

圖5 MST方法分割結(jié)果

圖6 MST下相似度結(jié)果

圖7 文獻(xiàn)[8]PCNN方法迭代聚類分割結(jié)果

Fig.7 The segmentation results of PCNN method with reference [8]

圖8 文獻(xiàn)[8]PCNN方法最終分割結(jié)果

圖9 本文PCNN方法第一次迭代結(jié)果

Fig.9 Segmentation results of our PCNN model at first PCNN iteration

圖10 本文PCNN方法最終結(jié)果

Fig.10 Final Segmentation results of our PCNN model

表1 閾值相似度評(píng)價(jià)

此外，表2給出了各個(gè)方法在時(shí)間復(fù)雜度上的對(duì)比。Otsu方法時(shí)間消耗最小，而當(dāng)融合相似度計(jì)算時(shí)，即采用MST方法時(shí)，其時(shí)間消耗就會(huì)有所增加。而文獻(xiàn)[8]PCNN方法中，需要對(duì)整幅圖像進(jìn)行分層聚類，最后再通過合并等操作，因此，其時(shí)間復(fù)雜度最高。相比于文獻(xiàn)[8]的方法，本文PCNN方法在融合MST框架后，其時(shí)間復(fù)雜度明顯得到了降低。

表2 時(shí)間復(fù)雜度度量

4 結(jié)語

本文提出了一種基于MST框架的PCNN模型輸電線路紅外圖像熱故障區(qū)域提取方法。該方法融合了MST框架技術(shù)，為PCNN閾值最優(yōu)設(shè)置提供了理論基礎(chǔ)。同時(shí)，在鄰域像素同步點(diǎn)火參數(shù)的設(shè)置上，采用最小聚類方差，使得PCNN模型的參數(shù)能夠進(jìn)一步優(yōu)化，最終獲取紅外圖像中熱故障區(qū)域。最后針對(duì)電氣設(shè)備紅外圖像，且與一些常用的算法以及現(xiàn)有的PCNN模型相比，本文方法能較好地提取故障區(qū)域。此外，本文方法在圖像處理時(shí)間上，要優(yōu)于現(xiàn)有的PCNN方法。在下一步工作中，我們也將繼續(xù)對(duì)此進(jìn)行優(yōu)化，使得本文方法能夠更好地應(yīng)用于現(xiàn)場(chǎng)。

[1] Jadin M S, Taib S. Recent progress in diagnosing the reliability of electrical equipment by using infrared thermography[J]., 2012, 55(4): 236-245.

[2] 楊先明, 葉玉堂, 方亮, 等. 紅外電路故障檢測(cè)系統(tǒng)[J]. 紅外與激光工程, 2006, 35(3): 262-266.

YANG Xianming, YE Yutang, FANG Liang, et al. Infrared detection tester for electronic circuit fault[J]., 2006, 35(3): 262-266.

[3] 周正欽, 馮振新, 周東國, 等. 基于擴(kuò)展Meanshift電氣設(shè)備發(fā)熱故障區(qū)域提取方法[J]. 紅外技術(shù), 2019, 41(1):78-83.

ZHOU Zhengqin, FENG Zhenxin, ZHOU Dongguo, et al. Fault region extraction of electrical equipment in infrared image by using an extended Mean Shift method[J]., 2019, 41(1):78-83.

[4] 井金劍, 翟春艷, 李書臣, 等. 基于紅外圖像識(shí)別的電氣設(shè)備故障診斷[J].電子設(shè)計(jì)工程, 2014, 22(12): 171-173.

JING Jinjian, ZHAI Chunyan, LI Shuchen, et al. Fault diagnosis of electrical equipment based on infrared image recognition[J]., 2014, 22(12): 171-173.

[5] 趙慶生, 王雨瀅, 王旭平, 等. 基于新型閾值選擇方法的變電站紅外圖像分割[J]. 光學(xué)學(xué)報(bào), 2019, 39(8): 101-108.

ZHAO Qingsheng, WANG Yuying, WANG Xuping. Substation infrared image segmentation based on novel threshold selection method[J]., 2019, 39(8): 101-108.

[6] 余成波, 曾亮, 張林. 基于OTSU和區(qū)域生長的電氣設(shè)備多點(diǎn)故障分割[J]. 紅外技術(shù), 2018, 40(10): 1008-1012.

YU Chengbo, ZENG Liang, ZHANG Lin. Multi point fault segmentation of electrical equipment based on OTSU and region growth[J]., 2018, 40(10): 1008-1012.

[7] 王啟銀, 薛建東, 任新輝. 一種自適應(yīng)的變電站設(shè)備紅外圖像分割方法[J]. 紅外技術(shù), 2016, 38(9): 770-773.

WANG Qiyin, XUE Jiandong, REN Xinhui. An Adaptive Segmentation Method of Substation Equipment Infrared Image[J]., 2016, 38(9): 770-773.

[8] 許曉路, 周文, 周東國, 等. 基于PCNN分層聚類迭代的故障區(qū)域自動(dòng)提取方法[J]. 紅外技術(shù), 2020, 42(8): 809-814.

XU Xiaolu, ZHOU Wen, ZHOU Dongguo. Automatic Fault region extraction using PCNN hierarchical clustering[J]., 2020, 42(8): 809-814.

[9] 王旭紅, 李浩, 樊紹勝, 等. 基于改進(jìn)SSD的電力設(shè)備紅外圖像異常自動(dòng)檢測(cè)方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(z1): 302-310.

WANG Xuhong, LI Hao, FAN Shaosheng. Infrared image anomaly automatic detection method for power equipment based on improved single shot multi box detection[J]., 2020, 35(z1): 302-310.

[10] 馮振新, 許曉路, 周東國, 等. 基于局部區(qū)域聚類的電力設(shè)備故障區(qū)域提取方法[J]. 電測(cè)與儀表, 2020, 57(8): 45-50.

FENG Zhenxin, XU Xiaolu, ZHOU Dongguo. Extraction method of power device fault region based on local clustering algorithm[J]., 2020, 57(8): 45-50.

[11] 王曉飛, 胡凡奎, 黃碩. 基于分布信息直覺模糊c均值聚類的紅外圖像分割算法[J].通信學(xué)報(bào), 2020, 41(5): 120-129.

WANG Xiaofei, HU Fankui, HUANG Shuo. Infrared image segmentation algorithm based on distribution information intuitionistic fuzzy c-means clustering[J]., 2020, 41(5): 120-129.

[12] GUO Zhengkun, SONG Yong, ZHAO Yufei, et al. An adaptive infrared image segmentation method based on fusion SPCNN[J]., 2020, 87(115905): 1-9.

[13] TANG Qingju, GAO Shuaishuai, LIU Yongjie, et al. Infrared image segmentation algorithm for defect detection based on FODPSO[J]., 2020, DOI: 10.1016/j.image. 2020.115905.

[14] ZHOU Dongguo, ZHOU Hong. Minimisation of local within-class variance for image segmentation[J]., 2016, 10(8): 608-615.

[15] ZOU Yaobin, DONG Fangmin, LEI Bangjun. Maximum similarity thresholding[J]., 2014, 28: 120-135

[16] 馬義德.脈沖耦合神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2006.

MA Yide.[M]. Beijing: Science Press, 2006

[17] Kuntimad G, Ranganath H S. Perfect image segmentation using pulse coupled neural networks.[J]., 1999, 10(3): 591-598.

PCNN Infrared Fault Region Detection Along Transmission Lines Based on the MST Framework

GE Huangxu1，ZHENG Lei2,3，JIANG Hong1，GUO Yifan1，ZHOU Dongguo4

(1.,314599,;2.,430074,;3.,211106,;4.,,430072,)

This paper presents a pulse-coupled neural network (PCNN) method for infrared fault region extraction based on maximum similarity thresholding to detect the fault region from the infrared image of a transmission line. In this method, the synchronous pulse characteristics of the PCNN model are used to cluster pixels via inner iteration, and the model is simplified by incorporating the maximum similarity thresholding method, enabling the PCNN model to simplify the thresholding setting. Meanwhile, the minimum clustering variance is introduced to set the linking coefficient. Thus, the PCNN model can efficiently segment an infrared image and obtain the effective thermal fault region in the image. The experimental results show that the proposed method exhibits good performance in region extraction and may be suitable for increasing the efficiency of automatic fault detection along transmission lines.

MST framework, PCNN, transmission line, infrared image; clustering

TP391

A

1001-8891(2022)07-0709-07

2019-01-02；

2019-05-06.

葛黃徐（1983-），男，浙江嘉興人，碩士，高級(jí)工程師，研究方向?yàn)檩斪冸娫O(shè)備遠(yuǎn)程運(yùn)維與管理。E-mail：329101854@qq.com。

周東國（1985-），男，浙江上虞人，講師，博士，主要研究方向?yàn)榧t外圖像處理、模式識(shí)別及電力信息處理等方向。E-mail：dgzhou1985@whu.edu.cn。

國家電網(wǎng)公司總部科技項(xiàng)目（521104180025）。