融合粒子群與極限學習機的輸電桿塔災害分類方法

陳炳煌，繆希仁，江 灝，吳俊鋼

(1.福州大學 電氣工程與自動化學院,福建 福州 350108；2.福建工程學院 電子電氣與物理學院,福建 福州 350118)

0 引言

自然災害對輸電線路的破壞嚴重影響電網(wǎng)運行的安全，快速精準定位輸電線路故障點是一大難題。近年來，無人機在災后應急響應方面的表現(xiàn)較為突出。巡檢人員根據(jù)無人機拍攝的照片和視頻檢測和定位故障桿塔[1]。但這種方法依賴經(jīng)驗，且比較耗時，效率較低，不能滿足快速評估的需求。

國內(nèi)外學者對輸電線路桿塔狀態(tài)圖像的檢測和分類方法進行了相關研究。Sampedro等[2]提出了一種將定向梯度直方圖與神經(jīng)網(wǎng)絡相結(jié)合的方法去識別桿塔。Steiger等[3]提出了一種包括訓練和檢測2個階段的隱式形狀模型對桿塔圖像進行檢測。Zeng等[4]基于四分量分解模型分析了4種散射特性的振幅，并采用多分辨率統(tǒng)計能量級方法對輸電桿塔進行檢測。但這種方法需要全偏振數(shù)據(jù)，在實際應用中易受限制。劉奕等[5]采用G0分布模型檢測目標，使用支持向量機(support vector machine,SVM)對輸電桿塔進行分類。Cern等[6]利用視覺特征和場景線性內(nèi)容結(jié)合SVM對輸電線路桿塔進行實時檢測。Zhang等[7]提出了一種基于深度學習的方法檢測桿塔，并采用方位線法定位桿塔。而上述方法均只考慮了桿塔目標的強度信息，對圖像中桿塔的幾何特征分析較少，而且也沒有對輸電線路桿塔的災害狀態(tài)進行分類。

本文根據(jù)無人機應急巡檢輸電線路桿塔圖像數(shù)據(jù)，提出一種融合粒子群優(yōu)化和極限學習機的桿塔災害狀態(tài)分類新方法。該方法運用直線檢測法(line segment detection,LSD)[8]和Harris角點檢測法(Harris corner detection,HCD)[9]進行圖像處理獲取桿塔圖像輪廓并提取特征參數(shù)，應用灰色關聯(lián)分析(grey relation analysis,GRA)獲得關鍵特征參數(shù)，并融合粒子群優(yōu)化(particle swarm optimization,PSO)對極限學習機(extreme learning machine,ELM)的輸入隱藏權(quán)值和隱藏偏差閾值進行優(yōu)化，對桿塔圖像數(shù)據(jù)進行訓練，建立PSO-ELM分類模型。最后通過實驗對比驗證了該方法的可行性和準確性。

1 融合分類方法

融合PSO和ELM的桿塔災害狀態(tài)分類方法的具體流程如圖1所示。首先，提取某電網(wǎng)應急巡檢輸電線路桿塔圖像數(shù)據(jù)集上的桿塔的圖像特征，結(jié)合LSD和HCD，在多種圖像背景下獲取桿塔輪廓特征參數(shù)。桿塔圖像特征參數(shù)的選取影響桿塔圖像分類的準確率，需要對參數(shù)進行篩選，找到主要影響因素。通過GRA分析桿塔圖像特征參數(shù)和桿塔狀態(tài)分類之間的關聯(lián)程度，找到主要參數(shù)，消除特征間的冗余性。在此基礎上，優(yōu)化ELM參數(shù)，提高ELM模型的分類準確率。結(jié)合PSO算法，對ELM的輸入隱藏權(quán)值和隱藏偏差閾值進行優(yōu)化，利用ELM訓練桿塔圖像分類模型，實現(xiàn)輸電線路桿塔災害狀態(tài)的檢測和分類。

圖1 融合PSO和ELM的輸電線路桿塔災害狀態(tài)分類流程圖Figure 1 Flow chart of disaster status classification of transmission line tower integrating PSO and ELM

1.1 桿塔圖像特征參數(shù)的提取

1.1.1 提取桿塔輪廓

針對野外架空輸電線路進行無人機應急巡檢，其圖像背景主要是森林和草地。無人機在巡檢拍攝桿塔圖像時，主要采用輸電線路上方和側(cè)方飛行拍攝。由于安全問題，無人機在輸電線路上方巡檢時，輸電線路桿塔在視角中其幾何尺寸較小，不利于災害狀態(tài)的分類。因此，本文桿塔圖像的獲取主要采用無人機在輸電線路側(cè)方飛行，在保持安全距離的前提下，使輸電線路桿塔在圖像中為側(cè)面直立狀態(tài)。而無人機在輸電線路側(cè)方飛行拍攝時，輸電線路桿塔在不同光照、不同季節(jié)下的環(huán)境背景各異。因此，本文結(jié)合LSD和HCD圖像增強的方法來提取不同背景圖像中輸電線路桿塔的輪廓特征。

LSD可以檢測輸電線路走廊上的桿塔和線路，但是也容易檢測到樹和樹枝等線性物體，結(jié)合HCD方法，可檢測到桿塔及其桁架結(jié)構(gòu)。這樣，LSD和HCD的結(jié)合可以完整地檢測出圖像中的輸電線路桿塔，如圖2所示。對圖像分別進行二值化閾值處理、圖像形態(tài)學閉運算處理和最大連通域求解。利用2張最大連通域圖像進行與運算，得到輸電線路桿塔的輪廓。

圖2 輸電線路桿塔輪廓提取流程圖Figure 2 Flow chart of transmission line tower contour extraction

1.1.2 特征參數(shù)計算

特征參數(shù)對應的數(shù)學模型會影響分類的準確性。無人機應急巡檢輸電線路桿塔圖像的輪廓有利于實現(xiàn)桿塔災害狀態(tài)的檢測和分類，因此，本文提取表征桿塔外觀輪廓的主要特征參數(shù)如下。

(1)面積S。桿塔輪廓面積S與區(qū)域內(nèi)部灰度級的變化無關，僅與輪廓邊界相關，通過對邊界及內(nèi)部像素點數(shù)目的計算求取。

(2)周長P。輪廓區(qū)域的邊界長度即為其周長，周長的確定有利于區(qū)分簡單及復雜的輪廓形狀。將像素點看作單位面積的方塊，用輪廓邊界所占面積表示區(qū)域的周長，利用邊界點總數(shù)計算輪廓周長，其數(shù)學模型為

P=n。

(1)

式中：n為邊界點總數(shù)。

(3)等效面積EA。等效面積是指單位長度所包圍的面積的大小，主要體現(xiàn)了桿塔外輪廓邊界的細長程度。其數(shù)學模型為

EA=S/P。

(2)

式中：EA為等效面積；S為桿塔外輪廓區(qū)域所占的面積；P為桿塔外輪廓邊界長度即周長。

(4)圓形度R。圓形度主要區(qū)分桿塔的形狀，其數(shù)學模型為

R=4πS/P2。

(3)

式中：R為桿塔外輪廓的圓形度。在圖像處理領域，圖像的面積指圖像像素的個數(shù)，周長是圍繞整個連通域的像素數(shù)。分析可知，當桿塔外輪廓的圓形度越接近于l時，桿塔外輪廓的形狀越接近圓形。

(5)長寬比RLW。長寬比是指桿塔外輪廓對應連通域的最小外接矩形的長寬比，其數(shù)學模型為

RLW=L1/L2。

(4)

式中：L1為圖像中桿塔的高度，L2為圖像中桿塔的寬度。一般情況下，無人機沿著線路某一距離飛行，所攝圖像RLW一旦發(fā)生變化，很容易被捕捉。正常運行狀態(tài)下的RLW一般大于1，倒伏狀態(tài)下一般小于1，而導線舞動下扭曲半倒狀態(tài)，其桿塔外輪廓長寬比可能大于1，也可能小于1。

(6)矩形度REC。反映桿塔輪廓區(qū)域?qū)ν馇芯匦蔚某錆M程度，因此矩形度為[0,1]。當輪廓區(qū)域呈細長、彎曲的形狀，矩形度值變??；當矩形度為最大值1時，輪廓區(qū)域充滿整個外切矩形，其數(shù)學模型為

REC=S/Sn。

(5)

式中：Sn是圖像中桿塔輪廓外切最小矩形的面積。

(7)重心相對位置ε。反映桿塔對稱的狀態(tài)，桿塔為正常狀態(tài)時ε值很小，約等于0。桿塔倒伏后，其對稱性改變，ε值也發(fā)生變化，其數(shù)學模型為

(6)

式中：取桿塔寬向為x軸，取桿塔高向為y軸，x為重心處橫軸坐標，x0、x1分別為桿塔寬向兩側(cè)坐標，如圖2所示。

1.2 GRA法

無人機應急巡檢圖像中桿塔的7個特征參數(shù)提取出來后，通過GRA可以找出它們與桿塔狀態(tài)之間的關系，發(fā)現(xiàn)其主要矛盾，找到主要特性和主要影響因素[10]。GRA的步驟如下。

Step1在已知的因素中確定出比較數(shù)列和參考數(shù)列；

Step2計算每個參考數(shù)列中的每個元素與比較數(shù)列中相對應元素的關聯(lián)系數(shù)；

Step3將每列關聯(lián)系數(shù)求平均值即為每個參考數(shù)列與比較數(shù)列的關聯(lián)度；

Step4對關聯(lián)度進行比較并排序，其中關聯(lián)度最大的數(shù)列即與參考數(shù)列關聯(lián)度最緊密的數(shù)列。

設X0={X0(k)|k=1,2,…,n}為參考數(shù)列，即母數(shù)列；Xi={Xi(k)|k=1,2,…,n}為比較數(shù)列，即子數(shù)列。將桿塔圖像的7個特征參數(shù)作為比較數(shù)列，而桿塔狀態(tài)作為參考數(shù)列。則X0(k)和Xi(k)的關聯(lián)系數(shù)為

(7)

(8)

根據(jù)γi進行排序，選擇數(shù)據(jù)中主要影響因素用以實驗和分析。

1.3 PSO-ELM算法

為了能更準確地對災后應急巡檢中輸電線路桿塔圖像進行分類，本文采用ELM算法模型。ELM是謝國民等[11]提出的一種簡單的單隱層前饋神經(jīng)網(wǎng)絡學習算法。與傳統(tǒng)的基于梯度的算法和支持向量機等方法相比，該算法學習速度快、泛化性能高[12]。ELM已應用于電網(wǎng)故障預測、分類和負荷預測等領域[13]。隨機分配的ELM的輸入隱藏權(quán)值和隱藏偏差閾值會影響ELM的泛化能力，這就意味著需要使用優(yōu)化算法來獲得輸入層的最優(yōu)權(quán)值和隱含層的偏差。

PSO是一種著名的基于種群的優(yōu)化方法，其靈感來自于鳥類群體的社會行為。該算法通過對模型空間中的棱柱體進行智能采樣，尋找最接近全局最小值的最佳參數(shù)，從而使分類誤差最小[14]。PSO中，每個粒子被視為待優(yōu)化問題的一個潛在解，一組候選粒子同時在問題空間中搜索最優(yōu)解。每個粒子都有2個參數(shù)，包括表示可能解的位置向量和表示可能移動方向的速度向量。在進化過程中，每個粒子通過跟蹤自身最熟悉位置(PBest)和全局最熟悉位置(GBest)，動態(tài)改變其位置和速度。粒子種群將繼續(xù)迭代過程，直到滿足最大迭代次數(shù)或滿足終端精確率[15]。對于第k個周期的第i個粒子，其演化方程可表示為

vi,j(k+1)=vi,j(k)+c1r1[pi,j-xi,j(k)]+

c2r2[pg,j-xi,j(k)]；

(9)

xi,j(k+1)=xi,j(k)+vi,j(k+1)。

(10)

式中：vi,j是第i個粒子在第j維上的速度；xi,j是第i個粒子在第j維上的位置；c1和c2是加速常數(shù)；r1和r2是(0,1)上的隨機數(shù)；pi,j是粒子的自身的個體極值；pg,j是粒子群的全局極值。

將桿塔狀態(tài)的分類準確率作為PSO的適應度。粒子群中每個粒子由輸入隱藏權(quán)值和隱藏偏差閾值構(gòu)成，將每個粒子放入ELM算法中對輸電線路桿塔圖像訓練集進行訓練，得到輸出桿塔狀態(tài)的分類值，并比較當前粒子的適應度和個體最優(yōu)適應度，根據(jù)適應度極大值更新PBest和GBest。根據(jù)式(9)、(10)進行迭代，找到滿足適應度條件的最優(yōu)輸入隱藏權(quán)值和隱藏偏差閾值，進而由PSO-ELM模型得到分類結(jié)果。

1.4 評價指標

由于從無人機獲取的是輸電線路桿塔的圖像，對于圖像的分類一般使用準確率、精確率P、召回率R和F值作為評價指標[16]。在圖像分類中，根據(jù)預測樣本的正確與否，將預測樣本定義為真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)。準確率是預測樣本數(shù)(TP+TN)與總樣本數(shù)的比值。精確率是預測的真實正樣本數(shù)(TP)與所有預測的正樣本數(shù)(TP+FP)之比。召回率是預測的真陽性樣本數(shù)(TP)與預測的總樣本數(shù)(TP+FN)的比值。精確率和召回率是相互影響的，在兩者都要求較高的情況下，F(xiàn)值作為精確率和召回率的加權(quán)調(diào)和平均值可以來衡量算法性能，如式(11)所示。

(11)

式中：P為精確率；R為召回率。

2 實驗與分析

2.1 數(shù)據(jù)集

實驗選擇無人機針對某電網(wǎng)應急巡檢輸電線路建立圖像集，共180幅圖像。將輸電線路桿塔分為正常、半倒塌和完全倒塌3種狀態(tài)。選擇其中120幅圖像進行訓練，60幅圖像進行測試，數(shù)據(jù)集的分布情況如表1所示。

表1 輸電線路桿塔圖像數(shù)據(jù)集Table 1 Image data set of transmission line tower

180張桿塔的圖像經(jīng)過LSD和HCD方法進行處理計算，得到7個特征參數(shù)，并采用Min-Max、Z-score和均值3種方法對數(shù)據(jù)進行歸一化，以消除維數(shù)對預測效果的影響。

以桿塔狀態(tài)作為參考數(shù)列，用3種歸一化方法的平均值得到最終的關聯(lián)度排序，如表2所示。從表2可以看出，桿塔圖像特征參數(shù)與桿塔狀態(tài)的關聯(lián)度排序為：p4>p5>p7>p6>p3>p2>p1。因此，選擇關聯(lián)度最高的4個特征參數(shù)(R、REC、ε、RLW)作為PSO-ELM模型訓練的輸入數(shù)據(jù)。

表2 輸電線路桿塔特征參數(shù)采用不同歸一化法的關聯(lián)度Table 2 Correlation degree of characteristic parameters of transmission line tower using different normalization methods

2.2 模型訓練和分類

模型訓練的實驗環(huán)境為MATLAB 2014b，CPU 2.5 GHz。設置PSO算法迭代次數(shù)為100次，粒子數(shù)為200，慣性量權(quán)值為0.9，激活函數(shù)為s型函數(shù)。

特征參數(shù)數(shù)據(jù)歸一化方法可以加快梯度下降求最優(yōu)解的速度。分別對數(shù)據(jù)集進行訓練和測試，研究Z-score、均值和Min-Max方法對PSO-ELM模型分類指標的影響，如表3所示。采用均值法進行分類的各項評價指標均是最低的，而采用Min-Max的分類準確率和F值分別比Z-score高1.92%和2.48%，說明Min-Max歸一化法較適用于該算法模型。

表3 不同方法對PSO-ELM分類模型的影響Table 3 Effects of different methods on the PSO-ELM model %

同時，研究3組PSO粒子數(shù)對PSO-ELM模型迭代過程的影響，如圖3所示。3組PSO的粒子數(shù)分別為50、100和200。由圖3可知，當粒子數(shù)為200時，隨著迭代次數(shù)的增加，適應度能比另外2條曲線更快趨于穩(wěn)定。

圖3 不同PSO粒子數(shù)對PSO-ELM迭代過程的影響Figure 3 The influence of different PSO particle numbers on the PSO-ELM iteration process

經(jīng)過對比，本文選擇F值最優(yōu)的參數(shù)，即加速常數(shù)c1=2.0，c2=2.0，Min-Max歸一化法，隱含層節(jié)點數(shù)為20，使用GRA-PSO-ELM模型對測試集進行分類測試，將測試集的分類數(shù)據(jù)與真實數(shù)據(jù)對比，如圖4所示。由圖4可以得出，GRA-PSO-ELM模型對于正常、半倒塌和完全倒塌狀態(tài)的桿塔圖像的分類準確率分別是100%、36.36%和100%。分類誤差出現(xiàn)在半倒塌的桿塔狀態(tài)，主要是由于無人機拍攝角度導致桿塔從圖像中表征的特性趨向于正常狀態(tài)，可以調(diào)整無人機拍攝角度來獲取正確的圖像。

圖4 多個算法模型測試分類結(jié)果比較Figure 4 Comparison of classification results of multiple algorithm models

2.3 模型對比分析

用GRA-ELM、PSO-ELM和ELM模型研究輸電線路桿塔狀態(tài)的圖像分類，并與GRA-PSO-ELM模型分類結(jié)果和評價指標進行比較，如表4所示。通過GRA得到的數(shù)據(jù)進行訓練和測試有較好的效果，訓練準確率都達到100%，測試準確率在86%以上，精確率達到90%以上。采用PSO算法優(yōu)化的ELM模型的表現(xiàn)更為優(yōu)秀，其精確率比GRA-ELM模型的精確率高2.01%。其中PSO-ELM和ELM的精確率和F值為0，主要是因為分類結(jié)果有一類目標沒有正確分類識別出來造成的。

表4 不同ELM模型訓練和測試結(jié)果Table 4 Training and test results for different ELM Models %

本文也用反向傳播神經(jīng)網(wǎng)絡(back propagation,BP)及SVM算法分別對測試集進行分類測試，并將分類結(jié)果和評價指標與GRA-PSO-ELM模型進行對比，如表5和圖4所示。其中BP和SVM模型未采用GRA算法對桿塔圖像的特征參數(shù)進行選擇，而是直接使用7個特征參數(shù)進行訓練測試；GRA-BP和GRA-SVM模型則采用GRA算法得到關聯(lián)度最高的4個特征參數(shù)進行相應訓練測試。從表5可看出，GRA-BP和GRA-SVM算法模型對測試集的評價指標都有較大提高，說明選擇關聯(lián)度最高的4個特征參數(shù)的GRA算法可以提高桿塔圖像狀態(tài)的分類準確率。而GRA-PSO-ELM模型與GRA-BP模型的準確率相差不多，但是在精確率上,GRA-PSO-ELM模型比GRA-BP模型高12.93%，說明經(jīng)過PSO對輸入隱藏權(quán)值和隱藏偏差閾值的優(yōu)化可以使得GRA-PSO-ELM模型具有良好的分類特性。

表5 不同算法模型測試的結(jié)果Table 5 Test results of different algorithm models %

3 結(jié)論

針對無人機在應急巡檢中對輸電線路桿塔災害狀態(tài)分類的準確評估問題，提出一種融合粒子群優(yōu)化與極限學習機的輸電線路桿塔災害狀態(tài)分類方法。該方法先結(jié)合LSD和HCD圖像處理方法提取輸電線路桿塔圖像的特征參數(shù)，再應用GRA獲取影響分類預測結(jié)果的最重要的4個特征參數(shù)，對這4個特征參數(shù)和桿塔狀態(tài)組成的數(shù)據(jù)集采用PSO優(yōu)化ELM模型的輸入隱藏權(quán)值和隱藏偏差閾值。與4種經(jīng)典算法模型進行了比較，結(jié)果表明，GRA-PSO-ELM模型的分類準確率為88.33%，精確率為92.68%，表明本文提出的方法可提高輸電線路桿塔狀態(tài)的分類準確率和精確率，為電力部門災后快速檢測輸電線路桿塔和故障點提供了有價值的參考。