Anomaly detection of underground transmission-line connectors through multiscale mask DCNN and statistical image enhancement

Abstract

This study proposes an integrated framework to automatically detect anomalies and faults in underground transmission-line connectors (UTLCs) using thermal images measured from an infrared (IR) camera. The framework features three key characteristics. First, the measured thermal images were preprocessed through z-score normalization and image enhancement. Z-score normalization improves the robustness of feature extraction for UTLCs, even though noise exists in a thermal image, and image enhancement improves the accuracy of segmentation for UTLCs. Second, a preprocessed thermal image is segmented to detect UTLCs by addressing a multiscale mask deep convolutional neural network (MS mask DCNN). The MS mask DCNN effectively detects UTLCs, enabling anomaly detection only for pixels of UTLCs. Specifically, the multiscale feature extraction module enables the extraction of distinct features of UTLCs and environments, and the skip-layer fusion module concatenates distinct features from the feature extraction module. Furthermore, a half tensor is used to reduce computational resources but maintain the same segmentation accuracy, enhancing the feasibility of the proposed framework in field applications. Third, anomaly detection is performed by addressing the contour method and unsupervised clustering method of DBSCAN. The contour method compensates for the limits of the MS mask DCNN for real-world applications because the neural networks cannot secure perfect accuracy of 100 % owing to a lack of sufficient training images with low computational resources. DBSCAN improves the accuracy of diagnosis and ensures robustness to eliminate noise from thermal reflection caused by low-emissivity objects. Moreover, field experiments with high-voltage UTLCs demonstrated the effectiveness of the proposed framework, and ablation studies confirmed that the methods addressed in this study outperform other methods. The proposed framework with a novel automatic non-destructive patrol inspection system would decrease the risks of human casualties during the periodic operation and maintenance of UTLCs, which are currently the most critical concerns. |본 연구는 적외선(IR) 카메라에서 측정한 열화상 데이터를 이용하여 지중송전선로 접속함 (UTLC)의 이상 및 결함을 자동으로 감지하는 통합 고장진단 기법을 제안한다. 이 기법에는 세가지 주요 특징이 있다. 먼저 측정된 열화상 데이터를 z-score 정규화 및 이미지 강화 기법을 통해 전처리를 수행한다. Z-score 정규화는 열화상 데이터에 노이즈가 존재하더라도 UTLC에 대한 특징 추출의 강건성을 향상시키며 이미지 강화 기법은 UTLC에 대한 검출 정확도를 향상시킨다. 둘째, 전처리된 열화상 이미지는 마스크기반 다중심층신경망 (MS mask DCNN)을 통하여 UTLC를 검출합니다. MS mask DCNN은 UTLC를 효과적으로 감지하여 UTLC의 픽셀에 대한 온도를 분석하여 이상 감지를 가능하게 합니다. 구체적으로, 다중심층 특징 추출 모듈은 UTLC 및 이미지 내 환경의 고유 특징 추출을 가능하게 하고 스킵 레이어 융합 모듈은 특징 추출 모듈에서 고유 특징을 연결한다. 또한 half tensor를 통해 추론속도를 향상시킴과 동시에 검출 정확도를 유지하여 제안된 기법의 현장 적용 가능성을 향상시킵니다. 셋째, 비지도 학습 클러스터링 방식인 DBSCAN과 윤곽선 검출 기법을 통해 이상탐지를 수행한다. 윤곽선 검출 방식은 충분한 훈련 이미지가 부족하여 100%의 완벽한 정확도를 보장할 수 없는 신경망의 한계를 보완합니다. DBSCAN은 방사율이 낮은 물체로 인해 열반사와 같은 노이즈를 제거하여 고장진단의 정확도를 높이고 강건성을 향상시킨다. 또한 현장 실험을 통해 제안된 기법의 적용 타당성을 입증하였으며, 본 연구에서 제안된 기의 성능이 우수함을 보였다. 본 연구에서 제안한 자동 비파괴 순찰 고장진단 시스템은 현재 가장 중요한 관심사인 UTLC의 주기적인 운영 및 유지 관리 뿐만 아니라 인명 피해의 위험을 줄일 것이다.