基于圖像分析和深度學(xué)習(xí)的復(fù)合絕緣子憎水性分級

汪然然，婁聯(lián)堂

中南民族大學(xué)數(shù)學(xué)與統(tǒng)計學(xué)學(xué)院，湖北 武漢430074

復(fù)合絕緣子是一種特殊的絕緣控件，由絕緣材料和金屬附件構(gòu)成［圖1（a）］。復(fù)合絕緣子表面的憎水性確保了這些絕緣子具有出色的閃絡(luò)性能。盡管如此，仍會有許多原因?qū)е略魉越档停缥廴疚锏姆e聚，老化和表面電弧。因此，必須定期檢查復(fù)合絕緣子的憎水性，以確保電網(wǎng)的安全可靠運行［1-2］。

一般有3 種測量復(fù)合絕緣子憎水性的方法，分別為接觸角法、表面張力法、噴水分級法［3-5］，前兩種方法需要特殊的設(shè)備和實驗室條件，不便用于現(xiàn)場測量，而噴水分級法操作簡單，被廣泛用于識別復(fù)合絕緣子憎水性等級。傳統(tǒng)的噴水分級法是由檢修人員按照一定的規(guī)范，將水噴灑到被測復(fù)合絕緣子表面，拍攝一張水珠照片［圖1（b）］，并將其與國際標準憎水性等級圖片（圖2）進行比較，得到復(fù)合絕緣子憎水性等級（HC1～HC7）。這種方法雖然成本低、易于操作，但主觀性強且效率低下。

圖1 復(fù)合絕緣子：（a）外形圖，（b）水珠圖像Fig. 1 Composite insulator：（a）outline drawing，（b）water droplets image

圖2 不同級別的憎水性水珠圖像對應(yīng)的水珠積聚狀態(tài)Fig. 2 Accumulation state of water droplets corresponding to images of different levels of hydrophobic droplets

近年來，研究人員將圖像分析技術(shù)［6］引入到復(fù)合絕緣子憎水性分級中，其中支持向量機（support vector machine，SVM）分級算法［7］的分級結(jié)果已滿足一定的工程應(yīng)用需求。但該方法也存在一定的不足，主要表現(xiàn)為兩個方面。其一，SVM預(yù)測憎水性等級比較耗時，提取的水珠輪廓圖像越多，耗時越長，主要是因為在識別水珠圖像的過程中，為保證分割效果，采用了圖像分塊、多閾值分割子圖及再融合子圖水珠輪廓等方法，這一過程相當耗時；其二，它需要人工選取特征，而選取特征的好壞就直接影響模型的實用性和準確性［8-9］。

本文采用圖像分析技術(shù)和深度學(xué)習(xí)方法對復(fù)合絕緣子憎水性分級。首先對復(fù)合絕緣子憎水性圖像進行灰度化和直方圖均衡化等預(yù)處理，以消除光照對圖像的影響，提高圖像的對比度；其次利用圖像分析技術(shù)和U-Net網(wǎng)絡(luò)提取水珠輪廓，得到水珠區(qū)域和背景區(qū)域分離的水珠輪廓圖像；最后引入神經(jīng)網(wǎng)絡(luò)模型，將輪廓圖像作為訓(xùn)練樣本，訓(xùn)練得到能表示憎水性圖像和憎水性等級之間關(guān)系的分級模型，以實現(xiàn)復(fù)合絕緣子憎水性分級。

1 復(fù)合絕緣子憎水性分級原理

本文提出方法流程圖如圖3 所示，主要包括提取水珠輪廓和憎水性分級兩部分。

圖3 本文提出方法流程圖Fig. 3 Flow chart of proposed method

首先為達到理想的分割效果，采用直方圖均衡化對憎水性圖像進行增強處理，然后將圖像分塊，基于子圖提取水珠輪廓，再合并，由此得到的完整的二值圖像作為U-Net網(wǎng)絡(luò)的標簽，接著訓(xùn)練U-Net 網(wǎng)絡(luò)得到分割模型，并用于識別絕緣子圖像，得到水珠輪廓圖，最后將水珠輪廓圖作為GoogLeNet 網(wǎng)絡(luò)的輸入，以相應(yīng)的憎水性等級作為輸出向量，訓(xùn)練得到基于GoogLeNet 網(wǎng)絡(luò)的分級模型，并將其用于憎水性分級。

2 基于U-Net網(wǎng)絡(luò)的圖像分割

水珠的透明性和光照等因素使復(fù)合絕緣子水珠圖像的分割變得困難。而U-Net 網(wǎng)絡(luò)結(jié)構(gòu)［10］下采樣得到的深層信息能夠反映目標和背景之間的關(guān)系特征，上采樣能夠為分割提供更加精細的特征，有助于圖像分割。U-Net 網(wǎng)絡(luò)還具有數(shù)據(jù)增強功能［11］，可使用少量的樣本進行訓(xùn)練，而且訓(xùn)練時間短?？紤]到U-Net 網(wǎng)絡(luò)的特性，本文基于U-Net網(wǎng)絡(luò)實現(xiàn)復(fù)合絕緣子水珠圖像水珠識別。

2.1 獲取樣本

絕緣子表面的不均勻、光照等因素都會對識別水珠圖像產(chǎn)生一定的干擾，圖像灰度化可以使神經(jīng)網(wǎng)絡(luò)模型盡可能小地被這些因素影響，有助于U-Net 模型分割水珠圖像。原始的復(fù)合絕緣子水珠圖像大小不一，直接輸送到神經(jīng)網(wǎng)絡(luò)會浪費空間，將圖像設(shè)置為相同的大小，可以提高訓(xùn)練速率，節(jié)省內(nèi)存空間。

將原始的彩色圖像轉(zhuǎn)化為灰度圖像，并將所有灰度圖像的大小設(shè)置為512×512，作為U-Net 網(wǎng)絡(luò)的輸入，對應(yīng)的二值圖像作為訓(xùn)練圖像的標簽。實驗選取的樣本不包含HC6 和HC7 的圖像，主要是因為從嚴格意義上來講，HC6 和HC7 圖像中的水跡已經(jīng)不能算作水珠，將它們加入到樣本中會干擾神經(jīng)網(wǎng)絡(luò)訓(xùn)練的準確性，況且很容易通過提取到的水珠數(shù)量直接判定這兩個等級。因此為保證分割模型的準確性，U-Net 網(wǎng)絡(luò)分割的樣本只包含HC1～HC5 共5 個等級。

2.2 模型訓(xùn)練

實驗所用樣本共174 個，其中訓(xùn)練集包括HC1～HC5 的 圖 像，共123 個 樣 本，測 試 集 包 括HC1～HC5 的圖像，共51 個樣本（每個憎水性等級訓(xùn)練集和測試集的比例為7∶3）。訓(xùn)練過程中，將輸入圖像的所有像素值歸一化到0～1，壓縮圖像特征，每2 幅圖像作為一個批次輸入模型進行訓(xùn)練，迭代次數(shù)為100 次，迭代一次的訓(xùn)練步數(shù)為100，測試步數(shù)為40，梯度下降算法為Adam，學(xué)習(xí)速率為1 × 10-4，損失函數(shù)為二值交叉熵損失函數(shù)。迭代完成后，得到分割模型，并使用分割模型對測試集分割，得到語義分割結(jié)果。

2.3 損失函數(shù)

U-Net 分割相當于像素級的二分類，把背景區(qū)域像素值設(shè)置為0，目標區(qū)域像素值設(shè)置為1，確保每個像素能歸為某一類別，得到1 幅二值圖像，實現(xiàn)目標區(qū)域和背景區(qū)域的分離。該模型選用的損失函數(shù)為L= -ylogp- (1 -y)log (1 -p)，該損失函數(shù)檢查每個像素，將預(yù)測的像素向量與熱編碼目標向量進行比較。其中，y是one-hot 向量，元素只有0，1 兩種取值，如果該像素所屬類別和標簽類別相同，則取1，否則取0。p表示y取1 時的概率。

2.4 分割結(jié)果

利用U-Net 網(wǎng)絡(luò)實現(xiàn)復(fù)合絕緣子水珠圖像分割，經(jīng)過訓(xùn)練，模型的準確率和損失分別為92.96%、23.19%，分割一張水珠圖片平均耗時122 ms。圖4給出了部分復(fù)合絕緣子水珠圖像的分割結(jié)果，選取的圖像包含等級HC1-HC5，可以較為全面地檢測模型的分割能力，U-Net 網(wǎng)絡(luò)的準確率和損失如圖5 所示。由圖5 可知，對于等級為HC1～HC3的水珠圖像，大部分水珠已被識別出來；對于等級為HC4 的水珠圖像，只有少量水珠沒被識別出來；對于等級為HC5 的水珠圖像，只識別出了部分水珠，主要是因為HC5 的圖像只存在少量的水珠，大部分區(qū)域被水跡覆蓋。分割總體誤差較小，分割結(jié)果已達到分級的要求，可將此結(jié)果用作GoogLeNet網(wǎng)絡(luò)的輸入。

圖4 實驗結(jié)果：（a）彩色圖像，（b）灰度圖像，（c）直方圖均衡化結(jié)果，（d）U-Net分割結(jié)果，（e）U-Net分割標簽Fig. 4 Experimental results：（a）color images，（b）grayscale images，（c）histogram equalization results，（d）U-Net segmentation results，（e）U-Net segmentation labels

圖5 基于U-Net網(wǎng)絡(luò)識別的水珠輪廓：（a）準確率，（b）損失Fig. 5 Recognition of water droplet contour based on U-Net network：（a）accuracy，（b）loss

3 基于GoogLeNet 網(wǎng)絡(luò)的復(fù)合絕緣子憎水性分級

SVM［7］實現(xiàn)憎水性分級需要人為設(shè)計周長、形狀因子［12］等圖像特征并進行提取，但這些特征值并不能涵蓋所有的絕緣子，且選取特征的好壞會直接影響到分級的結(jié)果?？紤]到GoogLeNet 網(wǎng)絡(luò)［13］不需要手動提取圖像特征，就可直接用于圖像分類。此外，GoogLeNet 網(wǎng)絡(luò)具有的全局均值池化特性，解決了傳統(tǒng)CNN 網(wǎng)絡(luò)中最后全連接層參數(shù)過于復(fù)雜且泛化能力差的特點［14］。因此，采用GoogLeNet 網(wǎng)絡(luò)來建立憎水性水珠圖像和憎水性等級之間的關(guān)系。

3.1 獲取樣本

為驗證GoogLeNet 網(wǎng)絡(luò)對復(fù)合絕緣子憎水性分級的有效性，使用兩組樣本來訓(xùn)練GoogLeNet網(wǎng)絡(luò)，一組樣本以灰度圖像作為輸入，相應(yīng)的憎水性等級作為標簽；另一組樣本以U-Net模型分割得到的水珠輪廓圖像作為輸入，相應(yīng)的憎水性等級作為標簽，兩組樣本所用圖像大小均為512×512。

3.2 模型訓(xùn)練

本實驗所用兩組樣本的個數(shù)和比例與第2.2節(jié)模型訓(xùn)練中所用樣本比例一致。訓(xùn)練過程中，每4 張圖像作為一個批次輸入模型進行訓(xùn)練，迭代次數(shù)為150 次，迭代一次的訓(xùn)練步數(shù)為30，測試步數(shù)為10，梯度下降算法為Adam，學(xué)習(xí)速率為3 ×10-4，損失函數(shù)為多分類交叉熵損失函數(shù)。迭代完成后，得到分級模型，并使用分級模型對測試集分級，得到分級結(jié)果。

3.3 損失函數(shù)

復(fù)合絕緣子憎水性分級是一個多分類任務(wù)，分類實驗選用的損失函數(shù)為多分類交叉熵損失函數(shù)，如式（1）所示：

其中，K表示分類的類別，文中實驗K取5，yi是one-hot 向量，元素只有0 和1 兩種取值，表示預(yù)測標簽和真實標簽相同取1，不相同取0，pi表示預(yù)測樣本屬于類別i的概率。GoogLeNet 網(wǎng)絡(luò)有3 個輸出層，其中2 個是輔助分類層，總體損失等于2個輔助分類器的損失乘以權(quán)重0.3 加上最后一個輸出層的損失。實際在測試過程中，去掉了這2 個輔助分類器的損失。

3.4 分級結(jié)果

在IEC TS 62073 的噴水分級法中提到“人工判斷復(fù)合絕緣子憎水性等級時，視覺評價中的不確定性通常不大于±1 憎水性級”［15］，因此，實驗中預(yù)測的等級為相鄰等級可算作預(yù)測正確。對51 個測試樣本，利用SVM 分級耗時105 s，而本文方法僅耗時6.4 s，平均一幅圖像僅耗時0.1 s。圖6 給出了GoogLeNet 網(wǎng)絡(luò)訓(xùn)練圖像的準確率和損失，表1、表2 和表3 分別給出了3 種不同方法的分級結(jié)果。 這3 種方法總的平均正確率分別為80.39%、84.31%、90.2%。實驗結(jié)果表明：本文方法對憎水性分級的平均準確率最高，并且在相同的實驗條件下，基于水珠輪廓圖像的分級準確率比基于灰度圖像的分級準確率要高。

圖6 GoogLeNet網(wǎng)絡(luò)的分級結(jié)果：（a）灰度圖像，（b）水珠輪廓圖Fig.6 Training results of GoogLeNet network：（a）gray images，（b）water droplet contour images

表1 基于SVM 分級算法的分級結(jié)果Tab. 1 Classification results based on SVM classification algorithm

表2 基于灰度圖像的分級結(jié)果Tab. 2 Classification results based on gray images

4 結(jié) 論

以上利用圖像分析方法和深度學(xué)習(xí)模型實現(xiàn)憎水性分級。實驗結(jié)果表明，采用本文提出的方法，水珠識別精度和分級準確率分別達到92.96%和90.2%，克服了手動提取水珠輪廓速度慢的缺點，實現(xiàn)了水珠紋理特征和神經(jīng)網(wǎng)絡(luò)模型的深度融合。但還存在沒有涵蓋不同類型的復(fù)合絕緣子的局限性，后續(xù)將在不同實驗條件下采集不同類型的絕緣子圖像，以豐富訓(xùn)練樣本庫，提高模型的魯棒性，為在線檢測絕緣子憎水性做準備。