基于红外热成像的电子器件故障检测方法

谷天苓

（朝阳市人力资源和社会保障信息中心，辽宁朝阳，122000）

对于经济适用性要求的逐渐提高，电子器件的发展也呈现出以电能为主导的趋势。在方便传输的同时，清洁高效也成为了备受关注的重点[1]。在现代社会中，使用最为广泛的能源为电能，这种模式下，对于电子器件的生产管理不断迎来新的突破，自动化技术在电子器件中的应用程度越来越高，相应地其出现的质量问题也越来越复杂[2]。在多样的电气设备充斥于人们生产生活中的同时，电子器件故障对于人们生产生活的影响也越来越高。特别值得注意的是，电力系统在电磁干扰作用下，输出的电流影响电子器件的运行状态是不可避免的。电子器件内部各类敏感元件在负荷误操作、雷电冲击等因素的作用下极有可能出现异常故障，引发安全事故的发生，如果不能及时发现，甚至可能造成巨大的生命和财产损失。

针对于电子器件故障识别，其主要可分为三个阶段，分别为人工识别阶段、专家系统识别阶段和智能识别阶段，目前众多学者都在研究电子器件故障的智能识别，且已有部分研究成果。如赵锐[3]等人提出基于经验小波变换（EWT）和循环熵（CCE）的变流器IGBI 开路故障检测方法。该方法虽然可有效降低非高斯噪声对其电子器件故障诊断的影响，提高检测准确率，但其存在计算复杂、检测速率较慢等问题。高亚栋[4]等人提出基于相对温差法的智能组合开关电器故障检测方法，即通过获取智能组合开关电器测量点之间的温差比值进行故障判断，该方法运算简单，故障检测效率较高，但其故障检测精准度较差。为此，本文基于上述不足，基于红外热成像提出了一种电子器件故障检测方法。利用本文的研究，希望可为相关电子设备的故障检测工作提供有价值的参考。

所谓红外热成像技术就是利用物体会向外发射红外能量的特点，通过红外探测器探测物体发射的红外光线，利用红外光线的辐射强度对物体表面温度进行表示。通常物体的红外辐射强度越强，其内部分子运动越剧烈，可通过这一原理完成电子器件故障检测[5]。大部分电子器件发生故障都是由于长期高效、疲劳运行引起的，并非是突然发生的，故其在彻底损坏之前，会随着使用时长的增加，出现器件松动、开裂、生锈等问题，进而导致其接触电阻增加。电子器件在应用过程中，电流流动过程中会使得故障处出现热异常的现象，并且其异常可利用红外探测器探测出来，并直接完成其故障位置和严重程度的确定。利用红外探测器完成电子器件数据采集，会生成红外图像。由于人们主要利用红外图像完成电子器件故障的判断和识别，故需要对其红外图像进行处理。

2.1 红外热成像图像采集及处理

在对电子器件进行采集时，需要具备红外摄像机、监视器、录像机等设备，其图像采集流程如图1 所示。

图1 红外图像采集流程图

利用红外摄像机完成电子器件红外图像的采集后，先对其视频图像的转换，然后由录像机对其进行保存。待图像全部采集完毕后，对录像机内的内容进行回放，经过A/D 转换、图像板处理后送到微机处进行相关分析。由于在图像获取的过程中，自然界中如光线、环境等因素都会对其成像质量造成影响，出现亮度不足、对比度低等问题，所以应先对其预处理，加工已有的图像信息，使其满足人们视觉及实际应用的需要，便于电子器件的故障识别。本文选用频域法完成图像的预处理，即先对图像执行傅里叶变换，再对其变化结果进行滤波处理，最后将滤波处理后的频率域图像逆变换到空间域中，以实现增强图像的目的，使其更加清晰。

2.2 红外图像信息配准

在完成图像增强处理后，对红外图像信息进行配准，以消除空间误差。所谓配准是将可见光图像与红外图像进行校对配准，以保证其获取的电子器件红外图像采集位置和原始位置一致，其配准质量将直接影响后期故障检测的准确性。电子器件的红外图像可分为三个部分，分别为：元器件发热部分、热辐射部分和背景部分。这三部分中，元器件发热部分是故障识别过程中重点检测识别区域。本文提取发热部分的红外轮廓图像进行灰度压缩，然后将图像进行互信息配准。

提取发热区域的红外轮廓图像共分为五个步骤，如下：

步骤一：扫描红外图像L，从中找到温度的最高点，并将其设置为起始种子点Q;

步骤二：确定温度分布规律，设置自适应阈值q，在没有超过设定阈值时种子继续生长，待其超过阈值后，种子停止生长；

步骤三：重复迭代，直至没有种子产生为止，将此区域标记为A，该区域包括电子器件的发热区和热辐射区。从图像中去除A区域可得到新的图像，按照该规则持续类推，直至得到最佳区域An；

步骤四：设置阈值E和周围环境温度D,扫描图像。当器件温度与设定阈值之差小于周围环境温度时，即可视为图像中全部发热区域和热辐射区域提取完成；

步骤五：将生长完成的区域最外层元素集合设为GVF-Snake模型初始轮廓，求解完成电子器件区域红外轮廓图像识别。其提取流程如图2 所示。

图2 红外轮廓提取流程

对提取到的红外轮廓图像设置像素点温度最高值和最低值，其分别为Qmax、Qmin，用T(x,y)表示该图像中像素点的温度值，其中x和y分别表示其在红外图像中的坐标，则灰度压缩公式为：

将其进行灰度压缩后，通过不断改变变化参数来完成区域配准，使得不同图像的互信息达到最大化。

2.3 电子器件故障识别

本次研究先利用差分检测法完成电子器件故障的初步判断，然后利用热序列检测法根据元件的温度变化曲线判断故障元件。

所谓差分检测法就是将待检测的电子器件红外图像和标准红外图像进行差分运算，根据其显示的温度差值确定故障元件或故障区域。设M(x,y)为待检测元件红外图像，N(x,y)为标准红外图像，其差值图像可表示为：

由此可得到差分后的图像，完成故障元件的初步判断。然后利用热序列检测法完成最终的故障识别，即在相同工作环境下，分别对正常工作状态下的电子器件和故障状态下的电子器件进行通电激励，每间隔一段时间就完成一次红外热图像序列采集，提取元件温度信息，将其绘制为温度变化曲线和温度速率变化曲线。每个元器件都有自身的正常工作温度变化范围，设其范围为[T0,T1]，元器件温度在该范围内波动属于正常情况，但如若超过该温度即可认为其存在故障，由此完成故障识别。

为更加直观地分析本文提出故障检测方法的实际应用效果，采用文献[3]提出的以IEWT-CCE 为基础的故障检测方法，文献[4]提出的以开关模态频率特征为基础的故障在线检测方法作为测试的对比方法，测试在不同故障参数设置下3 种方法的检测效果。

3.1 测试参数设置

本实验在Windows 10 系统的电脑中运行，采用红外热像仪完成标准电子器件和故障电子器件红外图像的获取，采用ThermoX 软件完成红外图像的保存及回放。其热像仪选用巨哥电子MAG32 系列热像仪，其镜头为15mm,像素为384×288，空间分辨率更好，能对电子器件的更多细节进行观测。为红外摄像头提供12V 直流电源，让其与计算机进行网络连接，将待检测的电子器件固定在平台中，将红外摄像头固定在电子器件的正上方，且距其40cm。整个实验在恒温环境中运行，确保外界温度不会对其造成较大影响。以此为基础，进行对比实验，统计3 种方法对故障的检测结果。

3.2 实用性验证

先对经过图像增加及图像配准的红外图像进行差分检测，完成故障的初步判断，获得的图像对比如图3 所示。

图3 电子器件图像对比

由图3 所示，图3(a)为故障元件的红外图像，整体偏暗；
图3(b)为正常元件的红外图像，两者相对比可知，A 和B的温度存在明显差异，经过差分后的图像如图图3(c)所示，由此图可知，点A 和B 亮度并不一致。点A 的温差为1℃，点B 的温差为5.1℃，元器件A 的正常工作温度变化范围在0.5～1.2 之间，由此可知A 正常工作，元件B 的正常工作温度变化范围在2.1～3.4 之间，其目前温差大于该区间，证明其无法正常工作，存在故障。

利用热序列检测法，绘制温度曲线，由此获得图4。

图4 通电后电子器件温度及温度变化率对比

根据图4 可知，通电后A 元件与标准A 元件性能差别不大，且其温度变化在正常范围，所以可判断其未发生故障；
元件B 温度变化与标准电路元件温度变化存在较大差异，且其温度变化超过正常范围，故判断其存在故障。由此证明，本文方法可完成电子器件的故障检测。

3.3 对比验证

利用4 种方法对电子器件的故障进行检测结果，以故障检测精度和故障检测效率为指标，获得实验结果。

选择不同数量的样本进行检测，记录其检测时间，其对比如图5 所示。

如图5 所示，本文方法的检测时间低于0.4s，而其余对比方法的检测时间均高于0.5s，由此可证明本文方法的检测效率更高。

图5 检测时间对比

统计其检测准确率，对比其检测精度，结果如图6 所示。

图6 检测准确率对比

如图6 所示，本文方法的检测准确率位于96%以上，且故障检测较为稳定，文献[3]方法的检测准确率最高为94%，但其存在识别不稳定的问题，而文献[4]方法的故障检测稳定，但其检测准确率不高。由此可证明，本文方法优于对比方法，检测精度较高。

红外检测技术与传统检测方法并不相同，其不需要接触被检测物，可直接通过温度变化完成物体的故障检测。本文将该技术引入电子器件故障识别之中，通过对电子器件的热成像图像进行增强、配准处理，提升故障识别精度和识别效率，并采用差分检测法和热序列检测法共同完成其故障检测，大大提升了其故障检测精度。经实验对比可知，本文方法具有更短的检测时间和更高的检测精度，优于对比方法。希望通过本文的研究，为相关故障检测工作的开展提供有价值的参考。