基于彩色可見光圖像的絕緣子污穢等級判別

田治仁，金立軍

(1．同濟大學電氣與電子工程學院，上海201804;2．西安交通大學電力設備電氣絕緣國家重點實驗室，陜西西安710049)

基于彩色可見光圖像的絕緣子污穢等級判別

田治仁1，2，金立軍1

(1．同濟大學電氣與電子工程學院，上海201804;2．西安交通大學電力設備電氣絕緣國家重點實驗室，陜西西安710049)

提出一種新的基于彩色可見光圖像的高壓絕緣子污穢等級判別方法。對深圳變電局所屬多個變電站進行現(xiàn)場拍攝獲取污穢絕緣子可見光圖像，并實驗獲取其對應等值附鹽密度，經(jīng)圖像灰度化、圖像增強、濾波后，用兩次最大類間方差法進行分割，得到盤面積污區(qū)域。提取積污區(qū)域的RGB、HSV空間共36個特征分量，并運用Fisher判別法進行特征量篩選。用篩選的特征量訓練BP神經(jīng)網(wǎng)絡，建立可見光圖像污穢等級判別網(wǎng)絡。試驗結(jié)果表明可見光污穢等級判別法具有較高準確率，是一種檢驗高壓絕緣子污穢等級的可行方法。

絕緣子;污穢等級;可見光圖像;OTSU法;Fisher判別法;BP神經(jīng)網(wǎng)絡

1 引言

絕緣子在輸電線路中占有重要地位。隨著我國經(jīng)濟的發(fā)展、大氣環(huán)境的惡化以及空氣污染的加劇，使得絕緣設備積污加快。污穢物使得絕緣子的電氣強度大大降低，易使輸電線路和變電站的絕緣子發(fā)生污穢閃絡，引起電力系統(tǒng)事故，造成巨大經(jīng)濟損失［1］。實現(xiàn)絕緣子污穢程度的安全、準確檢測，為絕緣子清掃及污閃防治提供技術保障，是輸配電線路安全運行迫切需要解決的問題。

目前，國內(nèi)外涌現(xiàn)出大量的輸電線路絕緣子污穢檢測方法，主要包括電壓分布檢測法［2］、泄露電流法［3］、脈沖電流法、光譜法、紫外成像法和紅外熱像法［4］等。各種方法都得到了一定的發(fā)展，但各有缺陷，目前為止均未能大范圍應用于工程實際。

當絕緣子表面有沙塵、鹽堿等污穢時，會覆蓋絕緣子原本的顏色特征，表現(xiàn)出沙塵的視覺特性，在視覺及可見光彩色圖像中表現(xiàn)的特征即表面積污區(qū)域顏色發(fā)生改變［5］。本文提出一種基于可見光圖像的絕緣子污穢等級判別方法，結(jié)合BP神經(jīng)網(wǎng)絡實現(xiàn)絕緣子污穢等級判別。該方法對圖像進行濾波、增強后，分割得到絕緣子盤面積污區(qū)域，用Fisher判別法對積污區(qū)域顏色特征分量進行篩選，得到最能區(qū)分絕緣子污穢等級的分量作為BP神經(jīng)網(wǎng)絡的輸入，污穢等級作為神經(jīng)網(wǎng)絡輸出。該方法具有成本低、不必拆解、不必停電、不必安裝復雜裝置、不易受電磁干擾、遠距離非接觸測量等優(yōu)點。

2 實驗設計及研究方案

2.1 實驗設計

為研究絕緣子表面污穢顏色特征，本文通過現(xiàn)場拍攝的方法獲取可見光圖像樣本。拍攝工具選用SONY a550數(shù)碼相機，拍攝地點為深圳供電局所屬的新安站、灣廈站、大芬站等11座110kV變電站。照度計采用AR 813A，本文拍攝環(huán)境照度范圍為110～30000lux。顏色和材料對其有很大的影響，本文主要研究對象為棕色陶瓷支柱絕緣子。在每次可見光圖像拍攝完畢之后，對絕緣子進行鹽密灰密采樣，操作按照 GB/T 4585-2004要求進行，并根據(jù)GB/T 5582-1993記錄每個絕緣子的污穢等級。

由于光照的關系，支柱絕緣子下盤面通常存在陰影，宜用上盤面進行污穢等級判別。若拍攝角度的水平夾角過大，會造成上方盤面對下方盤面的遮擋;若水平夾角過小，會導致獲取的各盤面積污區(qū)域面積不足。本文采用與上盤面水平夾角呈15°～45°進行拍攝。應順光拍攝，以減少盤面上的陰影面積。若拍攝距離過大，受背景干擾大，絕緣子不易提取，且測光不準，引起偏色;拍攝距離過小，不能反映絕緣子整體污穢程度。本文通過試驗，選用0.5～4m作為拍攝距離，既能反映整體污穢程度，又不影響圖像處理。根據(jù)上述方法，采集到5個污穢等級下的絕緣子可見光圖像共300張，每個污穢等級60張。圖1為各污穢等級絕緣子可見光圖像舉例。

圖1 樣本圖片F(xiàn)ig．1 Samples images

2.2 研究方案

本文首先對絕緣子可見光圖像進行預處理得到盤面積污區(qū)域，提取積污區(qū)域顏色特征并選擇合適的特征分量，利用BP神經(jīng)網(wǎng)絡進行判別，輸出污穢等級判別結(jié)果。研究方案如圖2所示。

圖2 污穢等級識別流程Fig．2 Diagram of detection system

3 圖像預處理與特征提取

3.1 圖像預處理

對絕緣子可見光圖像的處理步驟如下。

(1)灰度化

可見光圖像即彩色圖像擁有多種色彩模式，且每種色彩模式下均有不止一個顏色分量，為便于圖像處理，首先對可見光圖像按式(1)進行灰度化:

(2)圖像去噪

數(shù)碼相機圖像的噪聲主要是指CCD(CMOS)將光線作為接收信號接收并輸出的過程中所產(chǎn)生的圖像中的粗糙部分，也指圖像中不該出現(xiàn)的外來像素，通常由電子干擾產(chǎn)生。噪聲對圖像處理效果及污穢等級判別的準確率均有影響，因而需對灰度化后的可見光圖進行去噪。本文先采用改進的中值濾波法［6］濾除脈沖噪聲，再用平穩(wěn)小波變換［7］去噪，濾除圖像的高頻分量。得到的濾波后圖像如圖3(a)所示。

圖3 可見光圖像預處理Fig．3 Preprocessing results

(3)灰度線性變換

為了增強絕緣子與背景圖像的差異，以便于提取目標區(qū)域，對灰度圖進行灰度變換。在線性變換、對數(shù)變換、指數(shù)變換等方法中，線性變換能同時增加積污區(qū)域與背景及盤間陰影的灰度差異，因此本文采用灰度線性變換。令原圖像f(i，j)的灰度范圍為［a，b］，線性變換后圖像g(i，j)的灰度范圍為［a'，b'］，則:

灰度線性變換結(jié)果如圖3(b)所示。

(4)盤面積污區(qū)域分割提取

可見光判別法直接關心絕緣子盤面的污穢區(qū)域，而非整個盤面，因此希望在去除背景的同時也能去除絕緣子上的陰影、邊緣反光部分和未積污部分。本文采用最大類間方差法［8］(OTSU算法)對灰度圖進行分割，該方法方程為:

式中，T為目標區(qū)域A與背景區(qū)域B的分割閾值，取值范圍0～255;μA為區(qū)域A平均灰度;WA為區(qū)域A像素點數(shù)占圖像的比例;μB為區(qū)域B平均灰度; WB為區(qū)域B像素點數(shù)占圖像的比例;μ為圖像的總平均灰度;σ2(T)為區(qū)域A和B的方差。當T的取值使得σ2(T)最大時，區(qū)域A與區(qū)域B差別最大，用該灰度值作為閾值對灰度圖進行分割，獲取目標區(qū)域A。

一次分割去除灰度較大的絕緣子邊緣反光區(qū)域以及背景中淺色的部分，如圖3(c)所示;對保留的圖像再進行一次OTSU分割，去除灰度較深的盤間陰影部分及邊緣清潔部分，最終獲取盤面積污區(qū)域及背景中與積污區(qū)域顏色特征相似的背景，如圖3 (d)所示。

3.2 特征分量提取和選擇

圖像中存在顏色、形狀和邊緣等多種特征，提取并選擇合適的特征分量有利于體現(xiàn)圖像積污程度的不同特點，便于識別。本文對預處理后的可見光圖像考察RGB色彩空間的紅(Red)、綠(Green)、藍(Blue)以及HSV色彩空間的色調(diào)(Hue)、飽和度(Saturation)、亮度(Value)共6個特征，提取每個特征的均值 Xave、最大值Xmax、最小值 Xmin、極差 Xrange(Xrange=Xmax－Xmin)、中值Xmid、方差Xvar等6維特征分量，共36維特征分量，其中X代表H、S、V、R、G、B。

進而需從上述特征分量中找到不同污穢等級間具有最明顯差異的量來作為污穢等級判別依據(jù)。Fisher判別法是常用的特征選擇方法，其主要思想是分類性能較強的特征表現(xiàn)為類內(nèi)距離盡可能小，類間距離盡可能大。污穢等級為k的樣本第i維特征的類內(nèi)方差、類間方差Sb(i)的計算公式為:

式中，i(i=1，2，．．．，36)為特征向量維數(shù);k為污穢等級;為污穢等級k的單個樣本的第i維特征;為污穢等級k的樣本第i維特征值的均值;wk>為污穢等級為k的樣本總體;mi為所有污穢等級樣本的第i維特征值的均值;nik為污穢等級k的樣本的第i維特征值個數(shù);ni為所有樣本的第i維特征的總個數(shù)。類間方差Sb(i)與類內(nèi)方差之比為J值，即:

第i維特征的J值越大，表明該維特征分類效果越好。J=9表示使用該特征分類的錯分率為0.25%，J=1表示錯分率為30%。對噪聲特征而言，J趨近于0［9］。對300張、共5類絕緣子可見光圖像求取其36維特征分量的J值。若以J≥3為特征分量選擇標準，則S分量最大值Smax和S分量方差Svar滿足條件。二維污穢特征分布如圖4所示。圖中可見，S分量最大值Smax和S分量方差Svar可以較有效地區(qū)分5類不同的污穢等級，其中0、I和II級分類較好，III和IV級有部分重疊但總體可分。隨著污穢等級增加，Smax與Svar均減小，且分布趨于集中。本文選擇Smax和Svar作為污穢等級判別特征。

圖4 二維污穢特征分布Fig．4 Two-dimensional map of contamination features

4 污穢等級判別BP神經(jīng)網(wǎng)絡的建立

4.1 BP神經(jīng)網(wǎng)絡模型及L-M訓練算法

人工神經(jīng)網(wǎng)絡是一種能夠模仿生物大腦神經(jīng)元活動機理的具有良好結(jié)構(gòu)的數(shù)學模型［10］，其中比較常見的BP神經(jīng)網(wǎng)絡是一種多層的前向型神經(jīng)網(wǎng)絡。在BP網(wǎng)絡中信號是前向傳播的，而誤差是反向傳播的［11］。其學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP學習算法在理論上具有逼近任意非線性連續(xù)映射的能力，在非線性系統(tǒng)的建模及控制領域里有著廣泛的應用。

然而BP算法存在一些不足，主要是收斂速度很慢，往往收斂于局部極小點;數(shù)值穩(wěn)定性差，學習率、動量項系數(shù)和初始權值等參數(shù)難以調(diào)整。L-M算法［12］是介于牛頓法與梯度下降法之間的一種非線性優(yōu)化方法，對于過參數(shù)化問題不敏感，能有效地處理冗余參數(shù)問題，使誤差函數(shù)陷入局部極小點的機會大大減小。本文采用L-M算法對網(wǎng)絡進行訓練。

4.2 污穢等級識別BP神經(jīng)網(wǎng)絡模型

對一個三層的BP神經(jīng)網(wǎng)絡，若隱層神經(jīng)元數(shù)充分大，就可以對定義在非無界區(qū)域上的任何連續(xù)函數(shù)做逼近［13］。本文采用三層網(wǎng)絡結(jié)構(gòu)，神經(jīng)網(wǎng)絡激活函數(shù)采用Sigmoid函數(shù)fx=1/(1+e－x)，為了加快訓練速度，平衡輸入量，防止輸出飽和，需對樣本數(shù)據(jù)首先歸一化。歸一化后，用Smax和Svar作為輸入，即該網(wǎng)絡為二維輸入;輸出為鹽密并換算至對應的污穢等級，訓練得到可見光污穢等級判別神經(jīng)網(wǎng)絡。隱層神經(jīng)元個數(shù)太少則非線性映射能力不足，過多則浪費訓練時間且易導致過擬合，需采用試驗獲取最佳值。本文所采用的神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖5所示。

圖5 污穢判別神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig．5 Structure of BP neural network

5 實驗結(jié)果及分析

選取250組可見光圖像數(shù)據(jù)，每個污穢等級50組，對 BP神經(jīng)網(wǎng)絡進行訓練，網(wǎng)絡誤差設為0.01%，訓練次數(shù)1000。經(jīng)試驗，隱層元數(shù)為12時網(wǎng)絡滿足精度要求的同時收斂較快且映射能力較強。在此基礎上訓練神經(jīng)網(wǎng)絡，經(jīng)792次迭代網(wǎng)絡誤差達到0.0097%。該網(wǎng)絡對250個訓練樣本的判別準確率100%，對50個測試樣本的判別準確率為88%。表1為部分測試樣本數(shù)據(jù)及判別結(jié)果，其中1～15為訓練樣本，16～20為測試樣本，Smax為絕緣子盤面積污區(qū)域S分量最大值，Svar為S分量方差，判別污穢等級為網(wǎng)絡輸出的鹽密值對應的污穢等級，實際污穢等級為按照GB/T 4585-2004所測得的污穢等級。

表1 部分訓練樣本、測試樣本數(shù)據(jù)及其結(jié)果Tab．1 Part of training and test data and results

從表1數(shù)據(jù)可見，不同污穢等級間的盤面污穢S分量最大值Smax及S分量方差Svar存在明顯的差異，說明絕緣子表面污穢的顏色特征能夠表征絕緣子污穢等級。隨著污穢等級的增加，Smax和Svar均呈下降趨勢。

筆者認為影響測試準確率的主要原因如下:

(1)可見光法要求污穢絕緣子樣本的污穢成分盡可能相近，而同處于深圳的各變電站由于所處自然環(huán)境并非完全相同，污穢成分也存在差異，最終體現(xiàn)在同一鹽密下污穢顏色的差異。

(2)本文實驗照明為自然光，照度 110～30000lux不等，若要進一步提高實驗精確性應將照度納入考慮。

6 結(jié)論

(1)本文針對污穢絕緣子可見光圖像的特點，提出一種兩次OTSU圖像分割法，能夠從復雜背景中提取出絕緣子盤面積污區(qū)域。

(2)通過對大量圖像樣本的分析，發(fā)現(xiàn)絕緣子污穢等級越大，其表面污穢顏色的S分量最大值Smax及S分量方差Svar越小，并將此作為污穢等級判別依據(jù)。

(3)建立了以S分量最大值和S分量方差為輸入、污穢等級為輸出的絕緣子污穢等級判別系統(tǒng)，測試準確率達88%，表明該方法可對絕緣子污穢狀態(tài)進行有效識別，具有良好的應用前景和借鑒作用。

［1］黃新波，陳榮貴，王孝敬，等 (Huang Xinbo，Chen Ronggui，Wang Xiaojing，et al．)．輸電線路在線監(jiān)測與故障診斷 (Transmission line on-line monitoring and fault diagnosis)［M］．北京:中國電力出版社 (Beijing:China Electric Power Press)，2008.60-65．

［2］Vainancourt G H，Bellerive J P，St-Jean M，et al．New live 1ine tester for porcelain suspension insulators on highvoltage power lines［J］．IEEE Transactions on Power Delivery，1994，9(1):208-219．

［3］關志成，毛穎科，王黎明 (Guan Zhicheng，Mao Yingke，Wang Liming)．污穢絕緣子泄漏電流特性研究(Review on leakage current characteristics of contamination insulators)［J］．高電壓技術(High Voltage Engineering)，2008，34(1):1-6．

［4］何洪英，姚建剛，蔣正龍，等(He Hongying，Yao Jiangang，Jiang Zhenglong，et al．)．基于支持向量機的高壓絕緣子污穢等級紅外熱像檢測 (Infrared thermal image detecting of high voltage insulator contamination grades based on SVM)［J］．電力系統(tǒng)自動化(Automation of Electric Power Systems)，2005，29(24):70-74．

［5］夏晶，胡娟(Xia Jing，Hu Juan)．基于彩色可見光圖像的外絕緣污穢等級檢測 (Detection of pollution level of insulators based on image processing)［J］．大眾科技(Popular Science＆Technology)，2014，16(2):19-21．

［6］李文杰，姚建剛，毛李帆，等(Li Wenjie，Yao Jiangang，Mao Lifan，et al．)．基于中值濾波法及小波自適應擴散法的絕緣子紅外熱像去噪 (Insulator infrared image denoising based on median filtering and wavelet adaptive diffusion)［J］．電網(wǎng)技術 (Power System Technology)，2010，34(8):160-164．

［7］高清維，李斌，解光軍，等(Gao Qingwei，Li Bin，Xie Guangjun，et al．)．基于平穩(wěn)小波變換的圖像去噪方法 (An image de-noising method based on stationary wavelet transform)［J］．計算機研究與發(fā)展 (Journal of Computer Research and Development)，2002，39(12): 1689-1694．

［8］齊麗娜，張博，王戰(zhàn)凱 (Qi Lina，Zhang Bo，Wang Zhankai)．最大類間方差法在圖像處理中的應用(Application of the OTSU method in image processing)［J］．無線電工程 (Radio Engineering)，2006，36 (7):25-27．

［9］李佐勝，姚建剛，楊迎建，等(Li Zuosheng，Yao Jiangang，Yang Yingjian，et al．)．絕緣子污穢等級紅外熱像檢測的視角影響分析 (Analysis of visual angle influence on infrared thermal image detecting of insulator contamination grades)［J］．高電壓技術 (High Voltage Engineering)，2008，34(11):2327-2331．

［10］Zhang Y，Wang J，Xia Y．A dual neural network for redundancy resolution of kinematically redundant manipulators subject to joint limits and joint velocity limits［J］．IEEE Transactions on Neural Networks，2003，14(3): 658-667．

［11］羅新，牛海清，林浩然，等(Luo Xin，Niu Haiqing，Lin Haoran，et al．)．BP和RBF神經(jīng)網(wǎng)絡在氣隙擊穿電壓預測中的應用和對比研究 (Application and contrast analysis of BP and RBF neural network in prediction of breakdown voltage of air gap)［J］．電工電能新技術(Advanced Technology of Electrical Engineering and Energy)，2013，32(3):110-114．

［12］吳福朝 (Wu Fuzhao)．計算機視覺中的數(shù)學方法(Mathematical methods in computer vision)［M］．北京:高等教育出版社 (Beijing:Higher Education Press)，2008．

［13］Ito Y．Representation of functions by superposition of a step or sigmoidal function and their application to neural network theory［J］．Neural Networks，1991，(4):385-394

(，cont．on p.80)(，cont．from p.74)

Detection of insulator contamination grades based on digital image processing

TIAN Zhi-ren1，2，JIN Li-jun1
(1．College of Electric and Information Engineering，Tongji University，Shanghai 201804，China; 2．State Key Laboratory of Electrical Insulation and Power Equipment，Xi’an Jiaotong University，Xi’an 710049，China)

A new method is presented，using digital images of high voltage insulators to detect the contamination grades．Firstly，we obtain the sample digital images from the transformer substations in Shenzhen City by taking photos of insulators with different contamination grades and their ESDD(equivalent salt deposit density)respectively．Secondly，after graying，enhancing and denoising，we obtain the polluted area of an insulator with two times of OTSU image threshold segmentation method．Thirdly，we visit 36 characteristics from RGB and HSV space，and with the help of Fisher criterion，we extract the features that can reflect the characteristics of insulator contamination grades．Finally，we train a BP neural network with the extracted features，whose accuracy rate is 88%in detecting the contamination grades of sample images．The experimental results show that this method is feasible for detecting the contamination grades of high voltage insulators，which may provide some engineering significance for insulator cleaning and flashover prevention．

insulators;contamination grades;digital image;OTSU;Fisher criterion;BP neural network

TP391.4

A

1003-3076(2015)09-0070-05

2014-09-17

國家自然科學基金(51177109)、電力設備電氣絕緣國家重點實驗室(EIPE14211)資助項目

田治仁(1991-)，男(土家族)，貴州籍，碩士研究生，研究方向為檢測技術與自動化裝置;金立軍(1965-)，男，浙江籍，教授，博導，博士，研究方向為檢測技術與自動化裝置。