基于BP神經(jīng)網(wǎng)絡(luò)的GIS缺陷圖像識(shí)別系統(tǒng)的研究

萬書亭， 趙曉迪， 肖珊珊， 仝玎朔

(1.華北電力大學(xué) 能源動(dòng)力與機(jī)械工程學(xué)院，河北 保定 071003；2.長(zhǎng)安大學(xué) 公路學(xué)院，陜西 西安 710064)

基于BP神經(jīng)網(wǎng)絡(luò)的GIS缺陷圖像識(shí)別系統(tǒng)的研究

萬書亭1， 趙曉迪1， 肖珊珊1， 仝玎朔2

(1.華北電力大學(xué) 能源動(dòng)力與機(jī)械工程學(xué)院，河北 保定 071003；2.長(zhǎng)安大學(xué) 公路學(xué)院，陜西 西安 710064)

為了實(shí)現(xiàn)對(duì)氣體絕緣金屬封閉開關(guān)設(shè)備(GIS)的精確檢測(cè)，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的對(duì)GIS內(nèi)部典型缺陷圖像自動(dòng)識(shí)別的檢測(cè)方法。通過內(nèi)窺鏡獲得各種類型的異物缺陷圖像，建立缺陷類型樣本數(shù)據(jù)庫。對(duì)樣本數(shù)據(jù)庫中的圖像進(jìn)行特征分析和特征提取，采用圖像的有效特征對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，建立異物缺陷類型的識(shí)別模型，實(shí)現(xiàn)缺陷圖像的自動(dòng)識(shí)別。該系統(tǒng)的算法和界面均由MATLAB實(shí)現(xiàn)，系統(tǒng)測(cè)試表明，基于BP神經(jīng)網(wǎng)絡(luò)的GIS缺陷圖像自動(dòng)識(shí)別系統(tǒng)，能夠?qū)IS內(nèi)部異物缺陷類型進(jìn)行準(zhǔn)確監(jiān)測(cè)和識(shí)別。

氣體絕緣金屬封閉開關(guān)設(shè)備； 缺陷圖像； 神經(jīng)網(wǎng)絡(luò)； 自動(dòng)識(shí)別

0 引言

近年來，隨著電網(wǎng)規(guī)模日益擴(kuò)大，對(duì)高壓電器的要求也日益增高[1]。GIS設(shè)備由于具有安全可靠性高、檢修周期長(zhǎng)等優(yōu)點(diǎn)，在電力系統(tǒng)中得到了廣泛使用。雖然GIS的優(yōu)越性十分顯著，可一旦發(fā)生事故，對(duì)設(shè)備本身及周邊其他電力設(shè)備都會(huì)造成不可估量的損失，進(jìn)而嚴(yán)重影響電力系統(tǒng)的安全性和穩(wěn)定性，所以對(duì)GIS開關(guān)的典型缺陷進(jìn)行研究是十分必要的[2]。

當(dāng)GIS發(fā)生故障時(shí)，內(nèi)部絕緣出現(xiàn)問題的可能性比較大。當(dāng)GIS內(nèi)部絕緣部分發(fā)生故障時(shí)，要通過在線監(jiān)測(cè)和診斷進(jìn)行及時(shí)處理，便于快速采取有效措施排除故障，保證電網(wǎng)的安全穩(wěn)定運(yùn)行[3]。近年來，GIS的檢測(cè)方法有了很大的發(fā)展，包括脈沖電流法[4-6]、超高頻法[7-8]和超聲波法[9-10]等，然而這些檢測(cè)方法只能間接的反應(yīng)缺陷類型，并且大都不能實(shí)現(xiàn)在線檢測(cè)，存在著缺乏直觀性、操作復(fù)雜等缺點(diǎn)。

目前，許多超高壓、特高壓GIS設(shè)備都對(duì)內(nèi)部狀態(tài)進(jìn)行內(nèi)窺鏡觀測(cè)，通過內(nèi)窺鏡得到GIS內(nèi)部圖像，人工判斷存在何種缺陷[11-16]。但人工對(duì)缺陷圖像進(jìn)行分析效率低、主觀性強(qiáng)，并且不能把缺陷類型進(jìn)行系統(tǒng)的歸類?，F(xiàn)在基于計(jì)算機(jī)視覺的缺陷檢測(cè)已經(jīng)廣泛應(yīng)用于工業(yè)領(lǐng)域，因?yàn)槠渲庇^、便捷的優(yōu)勢(shì)，極大提高了檢測(cè)效率。因此本文將圖像處理技術(shù)應(yīng)用于GIS內(nèi)部典型缺陷的識(shí)別，利用MATLAB對(duì)拍攝到的缺陷圖像進(jìn)行預(yù)處理并提取缺陷特征，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)圖像的自動(dòng)識(shí)別歸類。

1 缺陷圖像的特征提取

1.1 圖像預(yù)處理

由內(nèi)窺鏡拍攝所得的圖像清晰度較低并且存在噪聲，需對(duì)缺陷圖像進(jìn)行預(yù)處理進(jìn)而提取相應(yīng)的特征。首先，通過MATLAB中的rgb2gray()函數(shù)把缺陷圖像轉(zhuǎn)換為灰度圖，再通過中值濾波函數(shù)medfilt2()對(duì)圖像進(jìn)行增強(qiáng)，最后利用Otsu閾值分割得到二值圖像。對(duì)散落在罐底的干燥劑圖像進(jìn)行預(yù)處理，結(jié)果如圖1所示?？梢钥闯鼋?jīng)過處理后的缺陷目標(biāo)被很好地分割出來，可以進(jìn)行進(jìn)一步的特征提取。

圖1 預(yù)處理前后效果圖

1.2 圖像的特征提取

本文提取圖像的紋理特征和形狀特征為典型特征。紋理特征用來描述物體表面灰度的變化，是圖像的固有特征之一，被廣泛應(yīng)用于圖像識(shí)別。提取的紋理特征為圖像的均值μi、方差σi和偏度ζi，其計(jì)算公式分別為：

(1)

(2)

(3)

式中：Pij是第j個(gè)像素的第i個(gè)顏色分量；N是像素?cái)?shù)量；均值μi反映了每個(gè)顏色分量的平均強(qiáng)度；方差σi反映了待測(cè)區(qū)域的顏色方差；偏度ζi定義了顏色分量的偏斜度。

圖像的形狀特征一般在物體從圖像中分割出來后進(jìn)行分析，常被作為區(qū)分不同物體的依據(jù)。本文圖像的形狀特征選取圖像的不變矩。Hu不變矩是一種高度濃縮的圖像特征，具有縮放、平移和旋轉(zhuǎn)不變性，被廣泛應(yīng)用于圖像的模式識(shí)別。不變矩的基本原理是：對(duì)于一幅M×N的數(shù)字圖像fi,j，其p+q階幾何矩mpq和中心矩μpq分別為：

(4)

(5)

(6)

利用二階和三階中心矩便可導(dǎo)出7個(gè)不變矩(φ1～φ7)：

φ1=η20+η02

(7)

(8)

φ3=(η30-3η12)2+3(η21-η03)2

(9)

φ4=(η30+η12)2+(η21+η03)2

(10)

φ5=(η30-3η12)(η30+η12)[(η30+η12)2-

3(η21+η03)]+(3η21-η03)(η21+η03)×

[3(η30+μ12)2-(η21+η03)2]

(11)

φ6=(η20-η02)[(η30+η12)2-

(η21+η03)2]+

4η11(η30+η12)(η21+η03)

(12)

φ7=(3η21-η03)(η30+η12)[(η30+μ12)2-

3(η21+η03)2]+(3η12-η30)(η21+η03)×

[3(η30+μ12)2-(η21+η03)2]

(13)

這7個(gè)不變矩變化范圍很大，還有可能出現(xiàn)負(fù)值，因此實(shí)際采用的不變矩為[17]：

Ik=log10|φk|k=1,2,…7

(14)

Hu不變矩只在連續(xù)的空間滿足圖像的縮放、平移和旋轉(zhuǎn)不變性。但是在離散的情況下，不變矩不滿足縮放不變性。對(duì)上述不變矩進(jìn)行組合運(yùn)算得到6個(gè)新的不變矩如下[18]：

(15)

β2=I3/I2I1

(16)

β3=I4/I3

(17)

(18)

β5=I6/I4I1

(19)

β6=I7/I5

(20)

經(jīng)文獻(xiàn)[18]驗(yàn)證，上述不變矩滿足縮放、平移、旋轉(zhuǎn)不變性，可作為特征向量來對(duì)缺陷圖像進(jìn)行識(shí)別分類研究。

1.3 特征向量的歸一化

特征向量提取完成之后可能存在奇異樣本數(shù)據(jù)，所謂奇異樣本數(shù)據(jù)指的是相對(duì)于其他輸入樣本特別大或特別小的樣本矢量。特征向量中如果存在奇異樣本數(shù)據(jù)，會(huì)增加網(wǎng)絡(luò)訓(xùn)練的時(shí)間，并可能引起網(wǎng)絡(luò)無法收斂。因此，在對(duì)特征向量訓(xùn)練之前，要對(duì)數(shù)據(jù)集進(jìn)行歸一化處理。

本文用MATLAB中premnmx函數(shù)對(duì)所用的樣本數(shù)據(jù)，包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，先進(jìn)行歸一化處理，然后利用歸一化的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。在進(jìn)行仿真前對(duì)進(jìn)行預(yù)測(cè)的樣本數(shù)據(jù)，用MATLAB中的ramnmx函數(shù)進(jìn)行歸一化處理用于預(yù)測(cè)。最后的仿真結(jié)果用postmnmx進(jìn)行反歸一，輸出數(shù)據(jù)即為預(yù)測(cè)結(jié)果。

2 基于BP神經(jīng)網(wǎng)絡(luò)的缺陷圖像識(shí)別模型

據(jù)經(jīng)驗(yàn)可知，絕緣部分產(chǎn)生故障的原因可以分為：(1)突出物引發(fā)電暈放電；(2)自由移動(dòng)的金屬微粒引發(fā)放電現(xiàn)象；(3)澆鑄件內(nèi)部缺陷損傷[19-20]。因此把GIS的缺陷圖像分為正常設(shè)備、突出物缺陷、自由金屬微粒缺陷和表面裂紋4種類型。在實(shí)際中模擬了突出物、表面裂紋、自由金屬微粒三種缺陷，4種原始圖形如圖2所示。

圖2 GIS缺陷圖像

本文選取tansig函數(shù)為隱含層的激勵(lì)函數(shù)，purelin函數(shù)為輸出層的激勵(lì)函數(shù)，traingdx函數(shù)為訓(xùn)練函數(shù)，隨機(jī)初始化網(wǎng)絡(luò)權(quán)值和閾值，設(shè)置最大迭代次數(shù)為2 000次，迭代誤差為0.000 5，學(xué)習(xí)率為0.05。神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)設(shè)置為9，分別代表提取的特征向量的9個(gè)值，輸出層神經(jīng)元個(gè)數(shù)設(shè)置為4，分別代表突出物缺陷、表面裂紋、自由金屬微粒缺陷和正常設(shè)備4種類型，理想輸出向量分別為[1，0，0，0]、[0，1，0，0]、[0，0，1，0]、[0，0，0，1]。

根據(jù)經(jīng)驗(yàn)，本文采用試探方法對(duì)隱含層神經(jīng)元個(gè)數(shù)進(jìn)行選擇確定，選取不同的神經(jīng)元個(gè)數(shù)，以表1樣本為訓(xùn)練樣本進(jìn)行重復(fù)訓(xùn)練5次，并計(jì)算5次訓(xùn)練結(jié)果的均方差MSE的平均值，結(jié)果如表2所示[14]?？芍?dāng)隱含層神經(jīng)元個(gè)數(shù)為9時(shí)，均方差平均值最小，故選擇隱含層神經(jīng)元個(gè)數(shù)為9，故3層BP神經(jīng)網(wǎng)絡(luò)為9-9-4。

網(wǎng)絡(luò)訓(xùn)練結(jié)束后以表1中的實(shí)際采集樣本5.1、5.2、5.3、5.4、5.5為測(cè)試樣本進(jìn)行測(cè)試，測(cè)試結(jié)果如表3所示。

可以看出，樣本5.1的輸出向量最接近突出物缺陷的理想輸出向量為[1，0，0，0]；樣本5.2的輸出向量最接近表面裂紋的理想輸出向量為[0，1，0，0]；樣本5.3的輸出向量最接近自由金屬微粒缺陷的理想輸出向量為[0，0，1，0]；樣本5.4的輸出向量最接近正常設(shè)備的理想輸出向量為[0，0，0，1]；樣本5.5的輸出向量最接近突出物和表面裂紋混合缺陷的輸出向量為[1，1，0，0]，分別診斷為突出物缺陷、表面裂紋、自由金屬微粒缺陷、正常設(shè)備、突出物和表面裂紋混合缺陷，與實(shí)際情況吻合。

表1 GIS缺陷圖像特征樣本

表2 不同隱含層神經(jīng)元個(gè)數(shù)

表3 樣本測(cè)試結(jié)果

3 GIS缺陷圖像自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

3.1 系統(tǒng)的流程設(shè)計(jì)

系統(tǒng)的流程如圖3所示。

圖3 圖像識(shí)別流程圖

本文設(shè)計(jì)的檢測(cè)系統(tǒng)由MATLAB開發(fā)，系統(tǒng)根據(jù)工業(yè)相機(jī)提供的API函數(shù)來實(shí)時(shí)采集GIS內(nèi)部的圖片，通過USB傳輸至計(jì)算機(jī)，計(jì)算機(jī)根據(jù)圖像處理算法實(shí)現(xiàn)對(duì)缺陷的檢測(cè)。同時(shí)，為了便于用戶進(jìn)行管理，利用MATLAB編寫了系統(tǒng)上位機(jī)界面。由圖3可知，首先利用內(nèi)窺攝像頭對(duì)GIS內(nèi)圖像進(jìn)行獲取，進(jìn)而對(duì)得到的圖像進(jìn)行預(yù)處理和特征提取，最后通過神經(jīng)網(wǎng)絡(luò)進(jìn)行判別。

3.2 系統(tǒng)的主界面設(shè)計(jì)

系統(tǒng)主界面設(shè)計(jì)如圖4所示。

圖4 軟件界面圖

主界面上方有下拉菜單，內(nèi)容分別為上傳圖像、更新神經(jīng)網(wǎng)絡(luò)和清空界面。點(diǎn)擊上傳圖像選擇需要進(jìn)行識(shí)別的文件或文件夾，上傳后在主界面顯示識(shí)別的結(jié)果。點(diǎn)擊更新神經(jīng)網(wǎng)絡(luò)按鈕打開更新神經(jīng)網(wǎng)絡(luò)子窗體，如圖5所示，界面的左側(cè)顯示目前的缺陷類型，右側(cè)顯示對(duì)應(yīng)的缺陷圖像。用戶可根據(jù)需要添加新缺陷類型或刪除已有缺陷類型，再對(duì)該類型下的圖像進(jìn)行添加或刪除，然后點(diǎn)擊更新神經(jīng)網(wǎng)絡(luò)按鈕，完成更新。

圖5 更新神經(jīng)網(wǎng)絡(luò)界面

4 結(jié)論

對(duì)工業(yè)相機(jī)采集的GIS內(nèi)部的圖像進(jìn)行預(yù)處理，提取相應(yīng)的圖像特征，得到圖像訓(xùn)練樣本。利用BP神經(jīng)網(wǎng)絡(luò)對(duì)不同GIS缺陷類型的圖像樣本進(jìn)行學(xué)習(xí)和訓(xùn)練，從而實(shí)現(xiàn)缺陷圖像的識(shí)別和分類。系統(tǒng)的算法和軟件均由MATLAB編寫，在軟件中直接上傳圖像即可得到識(shí)別結(jié)果。

對(duì)不同類型的測(cè)試樣本進(jìn)行實(shí)驗(yàn)，結(jié)果表明，系統(tǒng)操作簡(jiǎn)單、方便、運(yùn)算速度較快，能夠準(zhǔn)確識(shí)別各種類型的缺陷圖像，并且可以識(shí)別混合缺陷圖像，具有實(shí)際的應(yīng)用價(jià)值。

[1]趙毅鋒，劉晴巖，嚴(yán)曉東,等. 電站氣體絕緣金屬封閉開關(guān)閘刀位置遠(yuǎn)程目視監(jiān)控系統(tǒng)設(shè)計(jì)與應(yīng)用[J]. 無損檢測(cè)，2016，38(7): 53-55.

[2]曲文韜，黃銳，呂俊濤. 220kV GIS設(shè)備漏氣原因分析及預(yù)防措施[J]. 電力科學(xué)與工程，2013，29(8): 21-26.

[3]卞超，陳少波. 基于脈沖電流波形的GIS局部放電檢測(cè)抗干擾技術(shù)研究[J]. 高壓電器，2010，46(5): 30-33.

[4]劉少輝.GIS局放脈沖電流和UHF信號(hào)的聯(lián)合定位[J]. 高壓電器，2015，51(12): 126-129,135.

[5]張明，鄧兵華,萬玉超,等. GIS局部放電在線監(jiān)測(cè)數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)[J]. 電力科學(xué)與工程，2014，30(5): 46-49.

[6]路俊勇，張婷，司剛?cè)?等. GIS懸浮電極缺陷局部放電測(cè)量與分析[J]. 高壓電器，2015，51(5): 151-156.

[7]李德軍，沈威，郭志強(qiáng). GIS局部放電常規(guī)檢測(cè)和超聲波檢測(cè)方法的應(yīng)用比較[J]. 高壓電器，2009，45(3): 99-103.

[8]HOSHINO T，KATO K，HAYAKAWA N，et al. A novel technique for detecting elect romagnetic wave caused by partial discharge in GIS[J]. IEEE Transactions on Power Delivery，2001，16(4): 545-551.

[9]陳敏，陳雋，劉常穎,等. GIS超聲波、超高頻局部放電檢測(cè)方法適用性研究與現(xiàn)場(chǎng)應(yīng)用[J]. 高壓電器，2015，51(8): 186-191.

[10]胡泉偉，吳磊，季盛強(qiáng),等. 利用局部放電評(píng)價(jià)GIS典型缺陷危險(xiǎn)性的研究[J]. 高壓電器，2012，48(2): 19-22.

[11]李秀廣，韓四滿，萬華，等. 寧夏電網(wǎng)GIS設(shè)備缺陷分析及預(yù)防措施[J]. 電氣技術(shù)，2015(3):107-110.

[12]李娟，李明，金子惠. GIS設(shè)備局部放電缺陷診斷分析[J]. 高壓電器，2014，50(10):85-90.

[13]閆斌，何喜梅，吳童生，等. GIS設(shè)備X射線可視化檢測(cè)技術(shù)[J]. 中國電力，2010，43(7):44-47.

[14]李繼勝，趙學(xué)風(fēng)，楊景剛，等. GIS典型缺陷局部放電測(cè)量與分析[J]. 高電壓技術(shù)，2009，5(10):2440-2445.

[15]李超，陶蓉. 一起126kV GIS設(shè)備故障后的檢測(cè)實(shí)例分析[J]. 高壓電器，2015，51(1):145-149.

[16]齊波，李成榕，耿弼博，等. GIS設(shè)備絕緣子高壓電極故障局部放電嚴(yán)重程度的診斷與評(píng)估[J]. 高電壓技術(shù)，2011，37(7):1719-1727.

[17]田秋紅，孫政榮. 基于Hu不變矩和BP網(wǎng)絡(luò)的條形碼圖像識(shí)別方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2012，33(4): 1563-1568.

[18]徐勝,彭啟琮. 基于組合不變矩和神經(jīng)網(wǎng)絡(luò)的三維物體識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用，2008，44(31): 78-80.

[19]邱翠婷. GIS絕緣故障的監(jiān)測(cè)與診斷[J]. 山東工業(yè)技術(shù)，2017(2): 10.

[20]鄒包產(chǎn)，趙宇，李云,等. 基于BP神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)調(diào)閥流量特性校正[J]. 電力科學(xué)與工程，2017，33(5):60-64.

Research of GIS Defect Image Recognition System Based on BP Neural Network

WAN Shuting1， ZHAO Xiaodi1， XIAO Shanshan1， TONG Dingshuo2

(1. School of Energy Power and Mechanical Engineering, North China Electric Power University,Baoding 071003, China; 2. School of Highway Engineering, Chang’an University, Xi’an 71006,China)

In order to realize the accurate detection of gas insulated switchgear (GIS), a method based on BP neural network for automatic recognition of typical defects in GIS is proposed. Through an endoscope to obtain various types of foreign body defects images, the sample database was established. This paper analyzes and extracts the features of the images in the sample database. The BP neural network is trained by the effective features of the images, and the recognition model of the foreign body defect type is established to realize the automatic recognition of the defect images. The algorithm and interface of the system are implemented in MATLAB. The system test shows that the automatic recognition system of GIS defect images based on BP neural network can accurately monitor and identify the types of foreign internal defects in GIS.

gas insulated switchgear; defect image; neural network; automatic recognition

2017-07-17。

國家自然科學(xué)基金(51777075)；中央高?；究蒲袠I(yè)務(wù)費(fèi)(2017XS133)。

10.3969/j.ISSN.1672-0792.2017.11.013

TM855

A

1672-0792(2017)11-0073-06

萬書亭(1970-)，男，博士，教授，博士生導(dǎo)師，研究方向?yàn)殡娏υO(shè)備狀態(tài)監(jiān)測(cè)與故障診斷。