《武汉工程大学学报》  2021年05期 580-585   出版日期：2021-10-31   ISSN:1674-2869   CN:42-1779/TQ

---

基于图像分析和深度学习的复合绝缘子憎水性分级


复合绝缘子是一种特殊的绝缘控件，由绝缘材料和金属附件构成［图1（a）］。复合绝缘子表面的憎水性确保了这些绝缘子具有出色的闪络性能。尽管如此，仍会有许多原因导致憎水性降低，例如污染物的积聚，老化和表面电弧。因此，必须定期检查复合绝缘子的憎水性，以确保电网的安全可靠运行［1-2］。一般有3种测量复合绝缘子憎水性的方法，分别为接触角法、表面张力法、喷水分级法［3-5］，前两种方法需要特殊的设备和实验室条件，不便用于现场测量，而喷水分级法操作简单，被广泛用于识别复合绝缘子憎水性等级。传统的喷水分级法是由检修人员按照一定的规范，将水喷洒到被测复合绝缘子表面，拍摄一张水珠照片［图1（b）］，并将其与国际标准憎水性等级图片（图2）进行比较，得到复合绝缘子憎水性等级（HC1~HC7）。这种方法虽然成本低、易于操作，但主观性强且效率低下。[ b ][ a ]图1　复合绝缘子：（a）外形图，（b）水珠图像Fig. 1　Composite insulator：（a） outline drawing， （b） water droplets image[HC1 HC2 HC3][HC4 HC5 HC6][HC7]图2　不同级别的憎水性水珠图像对应的水珠积聚状态Fig. 2　Accumulation state of water droplets corresponding to images of different levels of hydrophobic droplets近年来，研究人员将图像分析技术［6］引入到复合绝缘子憎水性分级中，其中支持向量机（support?vector?machine，SVM）分级算法［7］的分级结果已满足一定的工程应用需求。但该方法也存在一定的不足，主要表现为两个方面。其一，SVM预测憎水性等级比较耗时，提取的水珠轮廓图像越多，耗时越长，主要是因为在识别水珠图像的过程中，为保证分割效果，采用了图像分块、多阈值分割子图及再融合子图水珠轮廓等方法，这一过程相当耗时；其二，它需要人工选取特征，而选取特征的好坏就直接影响模型的实用性和准确性［8-9］ 。本文采用图像分析技术和深度学习方法对复合绝缘子憎水性分级。首先对复合绝缘子憎水性图像进行灰度化和直方图均衡化等预处理，以消除光照对图像的影响，提高图像的对比度；其次利用图像分析技术和U-Net网络提取水珠轮廓，得到水珠区域和背景区域分离的水珠轮廓图像；最后引入神经网络模型，将轮廓图像作为训练样本，训练得到能表示憎水性图像和憎水性等级之间关系的分级模型，以实现复合绝缘子憎水性分级。1　复合绝缘子憎水性分级原理本文提出方法流程图如图3所示，主要包括提取水珠轮廓和憎水性分级两部分。首先为达到理想的分割效果，采用直方图均衡化对憎水性图像进行增强处理，然后将图像分块，基于子图提取水珠轮廓，再合并，由此得到的完整的二值图像作为U-Net网络的标签，接着训练U-Net网络得到分割模型，并用于识别绝缘子图像，得到水珠轮廓图，最后将水珠轮廓图作为GoogLeNet网络的输入，以相应的憎水性等级作为输出向量，训练得到基于GoogLeNet网络的分级模型，并将其用于憎水性分级。2　基于U-Net网络的图像分割水珠的透明性和光照等因素使复合绝缘子水珠图像的分割变得困难。而U-Net网络结构［10］下采样得到的深层信息能够反映目标和背景之间的关系特征，上采样能够为分割提供更加精细的特征，有助于图像分割。U-Net 网络还具有数据增强功能［11］，可使用少量的样本进行训练，而且训练时间短。考虑到U-Net 网络的特性，本文基于U-Net 网络实现复合绝缘子水珠图像水珠识别。2.1　获取样本绝缘子表面的不均匀、光照等因素都会对识别水珠图像产生一定的干扰，图像灰度化可以使神经网络模型尽可能小地被这些因素影响，有助于U-Net模型分割水珠图像。原始的复合绝缘子水珠图像大小不一，直接输送到神经网络会浪费空间，将图像设置为相同的大小，可以提高训练速率，节省内存空间。将原始的彩色图像转化为灰度图像，并将所有灰度图像的大小设置为512[×]512，作为U-Net网络的输入，对应的二值图像作为训练图像的标签。实验选取的样本不包含HC6和HC7的图像，主要是因为从严格意义上来讲，HC6和HC7图像中的水迹已经不能算作水珠，将它们加入到样本中会干扰神经网络训练的准确性，况且很容易通过提取到的水珠数量直接判定这两个等级。因此为保证分割模型的准确性，U-Net网络分割的样本只包含HC1~HC5共5个等级。2.2　模型训练实验所用样本共174个，其中训练集包括HC1~HC5的图像，共123个样本，测试集包括HC1~HC5的图像，共51个样本（每个憎水性等级训练集和测试集的比例为7∶3）。训练过程中，将输入图像的所有像素值归一化到0~1，压缩图像特征，每2幅图像作为一个批次输入模型进行训练，迭代次数为100次，迭代一次的训练步数为100，测试步数为40，梯度下降算法为Adam，学习速率为[1×10-4]，损失函数为二值交叉熵损失函数。迭代完成后，得到分割模型，并使用分割模型对测试集分割，得到语义分割结果。2.3　损失函数U-Net分割相当于像素级的二分类，把背景区域像素值设置为0，目标区域像素值设置为1，确保每个像素能归为某一类别，得到1幅二值图像，实现目标区域和背景区域的分离。该模型选用的损失函数为[L=-ylogp-(1-y)log(1-p)]，该损失函数检查每个像素，将预测的像素向量与热编码目标向量进行比较。其中，[y]是one-hot向量，元素只有0，1两种取值，如果该像素所属类别和标签类别相同，则取1，否则取0。[p]表示[y]取1时的概率。2.4　分割结果利用U-Net网络实现复合绝缘子水珠图像分割，经过训练，模型的准确率和损失分别为92.96%、23.19%，分割一张水珠图片平均耗时122 ms。图4给出了部分复合绝缘子水珠图像的分割结果，选取的图像包含等级HC1-HC5，可以较为全面地检测模型的分割能力， U-Net网络的准确率和损失如图5所示。由图5可知，对于等级为HC1~HC3的水珠图像，大部分水珠已被识别出来；对于等级为HC4的水珠图像，只有少量水珠没被识别出来；对于等级为HC5的水珠图像，只识别出了部分水珠，主要是因为HC5的图像只存在少量的水珠，大部分区域被水迹覆盖。分割总体误差较小，分割结果已达到分级的要求，可将此结果用作GoogLeNet网络的输入。3　基于GoogLeNet网络的复合绝缘子憎水性分级SVM［7］实现憎水性分级需要人为设计周长、形状因子［12］等图像特征并进行提取，但这些特征值并不能涵盖所有的绝缘子，且选取特征的好坏会直接影响到分级的结果。考虑到GoogLeNet网络［13］不需要手动提取图像特征，就可直接用于图像分类。此外，GoogLeNet网络具有的全局均值池化特性，解决了传统CNN网络中最后全连接层参数过于复杂且泛化能力差的特点［14］。因此，采用GoogLeNet网络来建立憎水性水珠图像和憎水性等级之间的关系。3.1　获取样本为验证GoogLeNet网络对复合绝缘子憎水性分级的有效性，使用两组样本来训练GoogLeNet网络，一组样本以灰度图像作为输入，相应的憎水性等级作为标签；另一组样本以U-Net模型分割得到的水珠轮廓图像作为输入，相应的憎水性等级作为标签，两组样本所用图像大小均为512[×]512。3.2　模型训练本实验所用两组样本的个数和比例与第2.2节模型训练中所用样本比例一致。训练过程中，每4张图像作为一个批次输入模型进行训练，迭代次数为150次，迭代一次的训练步数为30，测试步数为10，梯度下降算法为Adam，学习速率为[3×10-4]，损失函数为多分类交叉熵损失函数。迭代完成后，得到分级模型，并使用分级模型对测试集分级，得到分级结果。3.3　损失函数复合绝缘子憎水性分级是一个多分类任务，分类实验选用的损失函数为多分类交叉熵损失函数，如式（1）所示：[J=-i=1Kyilog(pi)] （1）其中，[K]表示分类的类别，文中实验[K]取5，[yi]是one-hot向量，元素只有0和1两种取值，表示预测标签和真实标签相同取1，不相同取0，[pi]表示预测样本属于类别[i]的概率。GoogLeNet网络有3个输出层，其中2个是辅助分类层，总体损失等于2个辅助分类器的损失乘以权重0.3加上最后一个输出层的损失。实际在测试过程中，去掉了这2个辅助分类器的损失。3.4　分级结果在IEC TS 62073的喷水分级法中提到“人工判断复合绝缘子憎水性等级时，视觉评价中的不确定性通常不大于[±]1憎水性级”［15］，因此，实验中预测的等级为相邻等级可算作预测正确。对51个测试样本，利用SVM分级耗时105 s，而本文方法仅耗时6.4 s，平均一幅图像仅耗时0.1 s。图6给出了GoogLeNet网络训练图像的准确率和损失，表1、表2和表3分别给出了3种不同方法的分级结果。这3种方法总的平均正确率分别为80.39%、84.31%、90.2%。实验结果表明：本文方法对憎水性分级的平均准确率最高，并且在相同的实验条件下，基于水珠轮廓图像的分级准确率比基于灰度图像的分级准确率要高。表1　基于SVM分级算法的分级结果Tab. 1　Classification results based on SVM classification algorithm[等级 误判个数 总样本数 准确率 / % HC1 3 10 70 HC2 2 9 77.78 HC3 2 10 80 HC4 3 12 75 HC5 0 10 100 ]表2　基于灰度图像的分级结果Tab. 2　Classification results based on gray images[等级 误判个数 总样本数 准确率 / % HC1 0 10 100 HC2 3 9 66.67 HC3 0 10 100 HC4 3 12 75 HC5 2 10 80 ]表3　基于水珠轮廓图的分级结果Tab. 3　Classification results based on water droplet images[等级 误判个数 总样本数 准确率 / % HC1 2 10 80 HC2 1 9 88.89 HC3 2 10 80 HC4 0 12 100 HC5 0 10 100 ]4　结　论以上利用图像分析方法和深度学习模型实现憎水性分级。实验结果表明，采用本文提出的方法，水珠识别精度和分级准确率分别达到92.96%和90.2%，克服了手动提取水珠轮廓速度慢的缺点，实现了水珠纹理特征和神经网络模型的深度融合。但还存在没有涵盖不同类型的复合绝缘子的局限性，后续将在不同实验条件下采集不同类型的绝缘子图像，以丰富训练样本库，提高模型的鲁棒性，为在线检测绝缘子憎水性做准备。