基于全卷積神經(jīng)網(wǎng)絡(luò)的絕緣設(shè)備紫外圖像評(píng)估算法研究

王小超，張 勇

（巢湖學(xué)院 信息工程學(xué)院，安徽 合肥238000）

0 引言

隨著大氣污染的加劇，電網(wǎng)輸變電的絕緣子表面容易積聚污穢，在不利天氣條件下容易發(fā)生污穢閃絡(luò)，甚至可能造成停電事故［1-3］.污穢度等級(jí)是衡量絕緣子表面污穢沉積程度的重要指標(biāo)，對(duì)于輸電運(yùn)行維護(hù)、防范污穢閃絡(luò)具有重要意義［4-6］.

紫外成像檢測(cè)技術(shù)在電力檢測(cè)方面已有大量研究，在高壓輸電線路、變電站的絕緣、導(dǎo)線等電力設(shè)備的檢測(cè)及狀態(tài)評(píng)估方面應(yīng)用廣泛.絕緣子發(fā)生電暈放電的紫外圖像中蘊(yùn)含著絕緣子污穢程度的信息，是實(shí)現(xiàn)絕緣子污穢度評(píng)估和污穢閃絡(luò)預(yù)防的重要數(shù)據(jù)［7-10］.如何結(jié)合人工智能技術(shù)充分挖掘絕緣子電暈放電紫外圖像信息，實(shí)現(xiàn)智能化的污穢度評(píng)估是有待解決的重要問題.

因此本文基于絕緣子紫外圖像開展絕緣子污穢度評(píng)估算法研究，提出基于全卷積神經(jīng)網(wǎng)絡(luò)的絕緣子紫外圖像污穢度評(píng)估算法，并通過仿真算例驗(yàn)證文中所提方法的正確性.

1 全卷積神經(jīng)網(wǎng)絡(luò)

1.1 理論原理

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是當(dāng)前人工智能技術(shù)的重要發(fā)展方向.人工神經(jīng)網(wǎng)絡(luò)核心思想是模擬人類腦神經(jīng)元網(wǎng)絡(luò)處理信息的機(jī)制，其結(jié)構(gòu)由大量的神經(jīng)單元經(jīng)過權(quán)值相互連接形成.人工神經(jīng)網(wǎng)絡(luò)在智能化控制、醫(yī)學(xué)、經(jīng)濟(jì)等領(lǐng)域的應(yīng)用已取得較大的突破，但由于人工神經(jīng)網(wǎng)絡(luò)存在著大量的參數(shù)，容易發(fā)生過度擬合、訓(xùn)練時(shí)間長(zhǎng)等問題［11］.

卷積神經(jīng)網(wǎng)絡(luò)由傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)發(fā)展而來，屬于多層感知機(jī)的變種.卷積神經(jīng)網(wǎng)絡(luò)通過神經(jīng)單元的局部連接和權(quán)值共享能夠有效減小模型參數(shù)規(guī)模，使得模型易于優(yōu)化，同時(shí)能夠防止模型過度擬合.其在處理圖像數(shù)據(jù)時(shí)，該優(yōu)點(diǎn)表現(xiàn)得更為顯著，能夠避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中復(fù)雜的特征提取、數(shù)據(jù)重建的過程；能夠自動(dòng)提取圖像的顏色、紋理等特征，具有良好的穩(wěn)定性和計(jì)算效率，在圖像分類、檢測(cè)領(lǐng)域應(yīng)用效果明顯.雖然卷積神經(jīng)網(wǎng)絡(luò)對(duì)于圖像級(jí)別的識(shí)別分類有效，但難以做到更加精細(xì)的、像素級(jí)別的分割，不能準(zhǔn)確地確定物體的具體輪廓［12］.因此，有學(xué)者提出了全卷積神經(jīng)網(wǎng)絡(luò)模型.

全卷積神經(jīng)網(wǎng)絡(luò)在卷積神經(jīng)網(wǎng)絡(luò)末端將全連接層替換成反卷積層，由此實(shí)現(xiàn)增大圖像分辨率的目的［13-16］.全卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)，如圖1所示.

圖1 全卷積神經(jīng)網(wǎng)絡(luò)結(jié)果圖

（1）卷積層

卷積層由多個(gè)卷積單元組成，通過卷積運(yùn)算實(shí)現(xiàn)圖像抽象特征的提取.第一層卷積層提取的是一些簡(jiǎn)單的圖像特征，如邊界、輪廓、形狀等.通過多層卷積層的疊加，實(shí)現(xiàn)更加復(fù)雜的圖像特征提取；通過滑動(dòng)卷積核實(shí)現(xiàn)圖像不同局部特征的提取.

卷積運(yùn)算方法如下：

（2）池化層

池化層處于連續(xù)的卷積層中間，通過池化操作達(dá)到縮小圖像分辨率的目的，同時(shí)能夠防止圖像特征的過渡擬合.池化層在圖像壓縮過程中去除的只是無關(guān)緊要的冗余信息，仍然保留了最能表達(dá)圖像的特征，即在實(shí)現(xiàn)特征降維的過程中，能夠保持特征的不變性.

池化運(yùn)算方法如下：

通常池化運(yùn)算的方法有最大池化、均值池化等，前者輸出池化濾波器覆蓋卷積單元的最大值；后者輸出池化濾波器覆蓋卷積單元的均值.常見池化濾波器規(guī)模為2×2，即N l=4.

（3）全連接層

“全連接”表征該神經(jīng)網(wǎng)絡(luò)各層之間的所有神經(jīng)單元均通過權(quán)值相互連接，即是與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的連接結(jié)構(gòu)相同.全連接層通常出現(xiàn)在卷積神經(jīng)網(wǎng)絡(luò)的尾端部分.

（4）反卷積層

輸入圖像經(jīng)過卷積層、池化層和全連接層的計(jì)算，輸出圖像的尺寸變小.為了便于后續(xù)進(jìn)一步的處理，需要將圖像擴(kuò)大恢復(fù)為原始尺寸，這種實(shí)現(xiàn)圖像由小分辨率映射到大分辨率的操作稱為上采樣.上采樣操作通常采用的方法有雙線性差值、反卷積和反池化等方法.本文選取的是反卷積方法，反卷積層即是經(jīng)過反卷積運(yùn)算后得到的神經(jīng)單元構(gòu)成的圖像層.反卷積運(yùn)算并不是卷積運(yùn)算的逆過程，而是一種通過填充實(shí)現(xiàn)圖像擴(kuò)大的特殊正向卷積操作.卷積操作輸出圖像尺寸為：

式中，i為輸入圖像尺寸；k為卷積核的大??；s為滑動(dòng)步長(zhǎng)；p為邊界擴(kuò)充尺寸；o為輸出圖像尺寸；[·]為向下取整運(yùn)算.

反卷積操作過程如下：

1）對(duì)輸入圖像進(jìn)行擴(kuò)充變化

在輸入圖像的相鄰元素之間添加（s-1）個(gè)零元素，經(jīng)過擴(kuò)充后，輸入圖像尺寸由i變?yōu)椋?/p>

2）計(jì)算擴(kuò)充變換后圖像

對(duì)擴(kuò)充變換后的圖像按照卷積操作計(jì)算輸出圖像尺寸：

3）計(jì)算反卷積輸出圖像尺寸

將式（4）代入式（3），化簡(jiǎn)得：

由式（3）和式（5）可知，當(dāng)s=1時(shí)，卷積與反卷積輸出圖像尺寸相同.也進(jìn)一步說明了反卷積是一種特殊的卷積，而非卷積的逆操作.

1.2 訓(xùn)練方法

全卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練包括兩個(gè)階段：前向傳播階段和后向傳播階段.前者將訓(xùn)練組中的圖像樣本作為網(wǎng)絡(luò)的輸入，經(jīng)過卷積層、池化層、全連接層和反卷積層的逐層計(jì)算，輸出計(jì)算結(jié)果；后者根據(jù)實(shí)際輸出與理想輸出的誤差，按最小化誤差的方法調(diào)整卷積核權(quán)值參數(shù).全卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練流程，如圖2所示.

圖2 全卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

2 絕緣設(shè)備紫外圖像評(píng)估算法

目前紫外圖像量化的參數(shù)包括光斑面積、光斑周長(zhǎng)、光斑直徑等，采用的相關(guān)處理方法包括二值化分割、濾波、小光斑消除等.但在實(shí)際應(yīng)用過程中，無放電區(qū)域也會(huì)出現(xiàn)形狀各異的小光斑，同時(shí)天空、樹木等背景也會(huì)對(duì)主光斑的提取分割造成干擾.因此本文首先采用全卷積神經(jīng)網(wǎng)絡(luò)對(duì)絕緣子紫外圖像主光斑進(jìn)行提取分割，然后將提取的絕緣子紫外光斑圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)，對(duì)絕緣子的污穢度進(jìn)行評(píng)估.文中所提的絕緣設(shè)備紫外圖像評(píng)估方法結(jié)構(gòu)，如圖3所示.

圖3 絕緣設(shè)備紫外圖像評(píng)估方法結(jié)構(gòu)

絕緣子紫外圖像主光斑的分割提取效果對(duì)于污穢度評(píng)估的準(zhǔn)確度至關(guān)重要，若紫外圖像主光斑分割提取能夠準(zhǔn)確分割放電主光斑、消除其他干擾的影響，則一定程度上提高污穢度評(píng)估的準(zhǔn)確性.

本文采用全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行主光斑分割提取，但若直接將全卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果作為實(shí)現(xiàn)污穢度評(píng)估的卷積神經(jīng)網(wǎng)絡(luò)的輸入，則會(huì)丟失較多紫外圖像細(xì)節(jié)特征，影響污穢度評(píng)估的準(zhǔn)確性.因此文中提出基于全卷積神經(jīng)網(wǎng)絡(luò)的紫外放電光斑分割模型，如圖4所示.除了典型的全卷積神經(jīng)網(wǎng)絡(luò)FCN-32s模型外，還包括融合更多淺層細(xì)節(jié)特征的FCN-16s和FCN-8s模型.

圖4 基于全卷積神經(jīng)網(wǎng)絡(luò)的紫外圖像放電光斑分割模型

基于全卷積神經(jīng)網(wǎng)絡(luò)的紫外放電光斑分割模型的訓(xùn)練步驟，如圖5所示.將絕緣子放電紫外圖像按一定比例劃分為：訓(xùn)練組、測(cè)試組和驗(yàn)證組.訓(xùn)練組用于FCN模型的訓(xùn)練過程，實(shí)現(xiàn)權(quán)值參數(shù)的更新；測(cè)試組用于訓(xùn)練過程中測(cè)試網(wǎng)絡(luò)的性能，測(cè)試結(jié)果進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整或增加訓(xùn)練迭代次數(shù)；驗(yàn)證組用于驗(yàn)證衡量訓(xùn)練完成后的網(wǎng)絡(luò)性能.

圖5 紫外圖像放電光斑分割模型訓(xùn)練步驟

3 算例分析

為驗(yàn)證本文所提方法的正確性和有效性，采用某電網(wǎng)公司絕緣子放電紫外圖像作為數(shù)據(jù)集.總樣本數(shù)為200張，按130∶50∶20的比例分為訓(xùn)練組、測(cè)試組和驗(yàn)證組.

3.1 紫外放電光斑提取效果分析

三種全卷積神經(jīng)網(wǎng)絡(luò)用于絕緣子紫外放電光斑提取效果的對(duì)比，如圖6所示.由圖可知，F(xiàn)CN-8s模型融合更多淺層細(xì)節(jié)特征，對(duì)于紫外放電光斑的分割更為精細(xì)，但對(duì)于大面積的主光斑如圖6（a）不能保持主光斑中央像素點(diǎn)的準(zhǔn)確分割；而FCN-32s模型直接采用反卷積層輸出作為分割結(jié)果，對(duì)于紫外放電光斑的輪廓分割不明顯，但對(duì)于小光斑容易出現(xiàn)漏分割如圖6（b）；而FCN-16s模型則兼具二者的優(yōu)點(diǎn)，融合淺層細(xì)節(jié)特征適度，不會(huì)因融合過多細(xì)節(jié)特征而出現(xiàn)大面積光斑中央的漏分割，也不會(huì)因?yàn)榧?xì)節(jié)特征的遺失而遺漏小面積光斑，具有良好的光斑分割效果.

圖6 紫外放電光斑分割效果的對(duì)比

3.2 污穢度評(píng)估準(zhǔn)確性分析

絕緣子污穢度等級(jí)依據(jù)鹽度和灰度進(jìn)行劃分，如表1所示.

表1 污穢度等級(jí)劃分

將本文所提方法與直接將紫外圖像作為卷積神經(jīng)網(wǎng)絡(luò)輸入的方法進(jìn)行對(duì)比，結(jié)果見表2所示.由結(jié)果可知，文中所提算法的污穢度評(píng)估準(zhǔn)確度均在90%以上，最大評(píng)估準(zhǔn)確度達(dá)到96.6%；而傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)評(píng)估算法準(zhǔn)確度均在85%以下.本文所提算法經(jīng)過全卷積神經(jīng)網(wǎng)絡(luò)的紫外放電光斑分割，能夠?qū)崿F(xiàn)光斑面積、形狀等特征的提取，消除背景、反光等干擾因素的影響，具有更優(yōu)的污穢度評(píng)估準(zhǔn)確度.

表2 污穢度評(píng)估結(jié)果對(duì)比

4 結(jié)束語

本文開展了基于絕緣子紫外圖像的污穢度評(píng)估算法研究，結(jié)果表明：FCN-16s模型相比于FCN-8s和FCN-32s模型，融合紫外圖像淺層細(xì)節(jié)特征程度適中，更加適用于紫外放電光斑的分割.基于FCN-CNN算法的絕緣子污穢度評(píng)估相比于CNN算法，經(jīng)過紫外放電光斑的分割提取，能夠消除背景等干擾，具有更高的污穢度評(píng)估準(zhǔn)確度.但文中所提算法僅實(shí)現(xiàn)絕緣子污穢度的評(píng)估，對(duì)于絕緣子故障狀態(tài)、剩余壽命等無法實(shí)現(xiàn)預(yù)測(cè)評(píng)估，這有待下一步開展其相關(guān)研究.