改進(jìn)U-Net網(wǎng)絡(luò)的接地網(wǎng)圖像超像素分割

翁宇游,鄭 州,郭 俊,趙志超,謝 煒,胡 雨

(1.國網(wǎng)福建省電力有限公司電力科學(xué)研究院,福建 福州 350007;2.北京國網(wǎng)信通埃森哲信息技術(shù)有限公司,北京 100052)

1 引 言

接地網(wǎng)與電力系統(tǒng)的穩(wěn)定運(yùn)行息息相關(guān)。接地網(wǎng)常年位于土壤內(nèi)部,易受土壤腐蝕[1],導(dǎo)致接電網(wǎng)出現(xiàn)不同程度的腐蝕情況,若無法及時(shí)發(fā)現(xiàn)腐蝕區(qū)域,則會導(dǎo)致接電網(wǎng)變細(xì)甚至斷裂,令電氣設(shè)備出現(xiàn)接地短路故障[2]。因?yàn)榻拥鼐W(wǎng)所處環(huán)境的特殊性,所以工作人員需要采集并分析接地網(wǎng)的紅外圖像,判斷接地網(wǎng)是否存在腐蝕現(xiàn)象[3-4]。通過精準(zhǔn)分割接地網(wǎng)腐蝕紅外圖像,可為工作人員提供精準(zhǔn)的腐蝕區(qū)域,工作人員可依據(jù)分割的腐蝕區(qū)域及時(shí)進(jìn)行維修,加快工作人員工作效率,提升電力系統(tǒng)運(yùn)行穩(wěn)定性。劉國華等人利用雙邊濾波修復(fù)圖像內(nèi)的小空洞,利用均值填充方式,修復(fù)圖像內(nèi)的大空洞,通過線性譜聚類超像素分割算法,分割空洞修補(bǔ)后的圖像,實(shí)現(xiàn)圖像分割;該方法分割圖像時(shí)的欠分割錯(cuò)誤率較低,邊界召回率較高[5]。王小芳等人通過線性譜聚類算法完成圖像超像素分割,將顏色與距離相似的像素聚類到一個(gè)中心,獲取不同類別的超像素聚類結(jié)果,通過最大相似度區(qū)域合并算法,融合全部超像素塊,完成圖像超像素分割;該方法可顯著降低過分割與欠分割率[6]。但上述兩種方法均無法較好地提取圖像特征,導(dǎo)致分割結(jié)果較為粗糙,分割目標(biāo)的邊界較為模糊。人工智能深度學(xué)習(xí)具備較優(yōu)的特征提取性能[7-9],在圖像分割中具備非常重要的作用,可有效提升圖像分割精度,人工智能深度學(xué)習(xí)包含深度卷積神經(jīng)網(wǎng)絡(luò)與全卷積神經(jīng)網(wǎng)絡(luò)等。為此研究基于人工智能深度學(xué)習(xí)的接地網(wǎng)腐蝕紅外圖像超像素分割方法,實(shí)現(xiàn)紅外圖像超像素分割,為維修人員提供精準(zhǔn)的接地網(wǎng)腐蝕區(qū)域,避免接地網(wǎng)出現(xiàn)故障,提升變電站運(yùn)行的穩(wěn)定性。

2 接地網(wǎng)腐蝕紅外圖像超像素分割方法

2.1 基于主成分分析的接地網(wǎng)腐蝕紅外圖像降維處理

接地網(wǎng)腐蝕圖像內(nèi)包含大量信息,會增加紅外圖像超像素分割難度,降低分割效率。通過降維處理紅外圖像,可有效剔除紅外圖像內(nèi)的冗余信息,凸顯圖像內(nèi)的重要信息,加快分割效率。

利用二維主成分分析法降低接地網(wǎng)腐蝕紅外圖像維度,降維思想為:利用二維主成分分析法對原始二維接地網(wǎng)腐蝕紅外圖像Y進(jìn)行線性變換,表征原始圖像的特征主成分,以乘上正交變換矩陣的形式,變更Y獲取一個(gè)新的接地網(wǎng)腐蝕紅外圖像Y′,將原始接地網(wǎng)腐蝕紅外圖像的信息變更成彼此無關(guān)的主成分,減少無關(guān)特征變化對主成分收斂性的影響。經(jīng)過正交變換后,第一主成分內(nèi)存在接地網(wǎng)腐蝕紅外圖像的信息量在80 %左右[10-11],前三個(gè)主成分存在的信息量在95 %以上,有效剔除無效的信息,實(shí)現(xiàn)接地網(wǎng)腐蝕紅外圖像的降維處理[12]。

接地網(wǎng)腐蝕紅外圖像降維具體步驟如下:

步驟1:求解接地網(wǎng)腐蝕紅外圖像數(shù)據(jù)的均值矢量u與協(xié)方差矩陣E,公式如下:

(1)

步驟2:計(jì)算E的特征值λ與特征向量O,E、λ與O間的關(guān)系如下:

(λI-E)O=0

(2)

其中,單位矩陣為I;E的N個(gè)特征根是λ1,λ2,…,λN,同時(shí)λ1≥λ2≥…≥λN,與λ1,λ2,…,λN相應(yīng)的特征向量是O1,O2,…,ON,獲取主成分分析的變換矩陣為W=[O1,O2,…,ON],W符合WWT′=I,其中,轉(zhuǎn)置符號是T′。

步驟3:經(jīng)過主成分分析降維后的接地網(wǎng)腐蝕紅外圖像為:

(3)

2.2 基于人工智能深度學(xué)習(xí)的接地網(wǎng)腐蝕紅外圖像超像素分割的實(shí)現(xiàn)

為提升接地網(wǎng)腐蝕紅外圖像超像素分割效果,先利用Turbopixel超像素分割法,初步分割降維處理后的接地網(wǎng)腐蝕紅外圖像,獲取數(shù)個(gè)超像素區(qū)域;再將分割獲取的數(shù)個(gè)超像素區(qū)域,輸入人工智能深度學(xué)習(xí)中的改進(jìn)全卷積U-Net網(wǎng)絡(luò)內(nèi),輸出接地網(wǎng)腐蝕紅外圖像超像素分割結(jié)果。

Turbopixel超像素分割法是先為降維后接地網(wǎng)腐蝕紅外圖像內(nèi)設(shè)置一定量的種子點(diǎn),再利用基于水平集的梯度幾何流的方法不斷放大種子點(diǎn)到超像素的邊緣,令其彼此重合,完成接地網(wǎng)腐蝕紅外圖像分割,獲取數(shù)個(gè)超像素區(qū)域,且各超像素區(qū)域的大小大致相同[15]。具體步驟如下:

1)初始化2.12小節(jié)降維后的接地網(wǎng)腐蝕紅外圖像內(nèi)的種子點(diǎn);

2)依據(jù)圖像梯度方向修正種子點(diǎn)位置,增加種子點(diǎn)與圖像邊緣間的距離;

3)標(biāo)記全部種子點(diǎn);

4)曲線演化全部種子點(diǎn);

5)估計(jì)未標(biāo)記區(qū)域的骨架;

6)修正接地網(wǎng)腐蝕紅外圖像邊界像素的演化速度;

7)反復(fù)操作步驟4)至步驟6),以邊界像素的演化速度降至0為止,完成接地網(wǎng)腐蝕紅外圖像的同質(zhì)性圖像塊信息提取,得到數(shù)個(gè)接地網(wǎng)腐蝕紅外圖像超像素區(qū)域。Turbopixel超像素分割法能夠很好地保留接地網(wǎng)腐蝕紅外圖像超像素分割過程中的邊界信息。

Turbopixel超像素分割法選擇的離散化水平集方程如下:

(4)

其中,控制邊界點(diǎn)演化速度的參數(shù)是AτAλ;二進(jìn)制停止項(xiàng)是Aτ;演化次數(shù)是t;水平集函數(shù)是ψ;曲率函數(shù)是Aλ。

在人工智能深度學(xué)習(xí)中的改進(jìn)全卷積U-Net網(wǎng)絡(luò)內(nèi),輸入分割獲取的紅外圖像超像素區(qū)域,自動完成接地網(wǎng)腐蝕紅外圖像超像素分割。改進(jìn)全卷積U-Net網(wǎng)絡(luò)將編碼器內(nèi)的卷積變更成可變形卷積,建立可變形編碼器,提升網(wǎng)絡(luò)學(xué)習(xí)幾何形變性能。將原始的雙線性插值上采樣方法變更成重構(gòu)上采樣卷積(Reshape Upsampling Convolution,RUC),通過可變形卷積與重構(gòu)上采樣卷積對全卷積U-Net網(wǎng)絡(luò)進(jìn)行改進(jìn),建立改進(jìn)的全卷積U-Net網(wǎng)絡(luò)結(jié)構(gòu),在改進(jìn)的全卷積U-Net網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)輸入分割獲取的紅外圖像超像素區(qū)域,輸出紅外圖像超像素自動分割結(jié)果。

改進(jìn)全卷積U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 改進(jìn)全卷積U-Net網(wǎng)絡(luò)結(jié)構(gòu)

由圖1可知,改進(jìn)全卷積U-Net網(wǎng)絡(luò)結(jié)構(gòu)左邊是編碼器,包含可變形卷積層與最大池化層,右邊是解碼器,包含RUC與普通卷積層。左右兩邊的連接方式是拼接方式,既能恢復(fù)接地網(wǎng)腐蝕紅外圖像分辨率,又能融合卷積層提取的細(xì)節(jié)特征。

令接地網(wǎng)腐蝕紅外圖像各超像素區(qū)域的分辨率均是h×w;通道數(shù)是c;RUC的具體步驟如下:

1)利用2c個(gè)1×1卷積,擴(kuò)展通道數(shù)量,擴(kuò)展倍數(shù)是2倍;

2)通過ReLU激活函數(shù),獲取h×w×2c的接地網(wǎng)腐蝕紅外圖像特征圖;

(5)

其中,權(quán)重是ω;可調(diào)節(jié)因子是η;偏置是β;位置編號是n。

可變形卷積是在R內(nèi)引入偏移量Δdn,可變形卷積表達(dá)公式如下:

(6)

(7)

以集中性損失函數(shù)為損失函數(shù),公式如下:

(8)

通過L解決正負(fù)樣本不平衡問題,提升接地網(wǎng)腐蝕紅外圖像超像素分割精度。

通過反向傳播算法迭代優(yōu)化改進(jìn)全卷積U-Net網(wǎng)絡(luò)權(quán)重ω,提升網(wǎng)絡(luò)訓(xùn)練時(shí)的收斂效果,利用反向傳播算法迭代優(yōu)化ω前,需設(shè)計(jì)一個(gè)迭代優(yōu)化的代價(jià)函數(shù),公式如下:

(9)

利用梯度下降算法尋找ξ(ω,β)的全局最小值,該算法是以搜索令式(9)獲取最小值的方式,更新ω與β,公式如下:

(10)

其中,更新后的ω與β是ω′、β′;學(xué)習(xí)率是τ。

3 實(shí)驗(yàn)分析

以某區(qū)域的接地網(wǎng)為實(shí)驗(yàn)對象,利用本文方法對該區(qū)域接電網(wǎng)腐蝕紅外圖像進(jìn)行超像素分割,驗(yàn)證本文方法超像素分割的可信性。該區(qū)域接地網(wǎng)的截面積是60 mm×5 mm左右,主要結(jié)構(gòu)是扁鋼,各段接地網(wǎng)的長度是15 m。該接地網(wǎng)內(nèi)共包含56個(gè)節(jié)點(diǎn),97條支路,規(guī)模接近中型地網(wǎng),整體拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 接地網(wǎng)拓?fù)浣Y(jié)構(gòu)

利用本文方法降維處理該區(qū)域接地網(wǎng)腐蝕紅外圖像,各主成分的特征值與累積貢獻(xiàn)率如表1所示,部分接地網(wǎng)腐蝕紅外圖像的各主成分如圖3所示,以前4個(gè)主成分、第6個(gè)與第11個(gè)主成分的部分接地網(wǎng)腐蝕紅外圖像為例。

表1 各主成分的特征值與累積貢獻(xiàn)率

圖3 各主成分的部分接地網(wǎng)腐蝕紅外圖像

綜合分析表1與圖3可知,當(dāng)主成分是5時(shí),累積貢獻(xiàn)率是0.982,達(dá)到0.98,說明前五個(gè)主成分包含了大部分的接地網(wǎng)腐蝕紅外圖像的信息,之后的主成分內(nèi)所包含的接地網(wǎng)腐蝕紅外圖像信息較少,為此以前5個(gè)主成分包含的信息為后續(xù)接地網(wǎng)腐蝕紅外圖像超像素分割的輸入圖像信息,結(jié)合圖3可知,從第6主成分開始,接地網(wǎng)腐蝕紅外圖像內(nèi)開始出現(xiàn)噪聲點(diǎn),當(dāng)主成分為11時(shí),紅外圖像內(nèi)包含了大量噪聲點(diǎn),無法為后續(xù)接地網(wǎng)腐蝕紅外圖像超像素分割提供有效的圖像信息。實(shí)驗(yàn)證明:以前5個(gè)主成分的紅外圖像信息代表整個(gè)接地網(wǎng)腐蝕紅外圖像信息,達(dá)到紅外圖像降維的目的。

利用本文方法對該區(qū)域接地網(wǎng)腐蝕紅外圖像展開超像素分割,部分接地網(wǎng)腐蝕紅外圖像超像素分割結(jié)果如圖4所示。

圖4 部分接地網(wǎng)腐蝕紅外圖像超像素分割結(jié)果

根據(jù)圖4可知,本文方法可有效利用Turbopixel超像素分割法分割接地網(wǎng)腐蝕紅外圖像,獲取大小基本一致的數(shù)個(gè)超像素區(qū)域;以獲取的數(shù)個(gè)超像素區(qū)域?yàn)楸疚姆椒ㄖ懈倪M(jìn)全卷積U-Net網(wǎng)絡(luò)的輸入,對其進(jìn)行分割,得到最終的紅外圖像超像素分割結(jié)果,且分割結(jié)果的邊界非常清晰,可清晰呈現(xiàn)接地網(wǎng)腐蝕紅外圖像的各個(gè)區(qū)域。實(shí)驗(yàn)證明:本文方法具備接地網(wǎng)腐蝕紅外圖像超像素分割的有效性。

利用Dice相似性系數(shù)(DSC)與Hausdorff距離(HD),衡量本文方法的接地網(wǎng)腐蝕紅外圖像超像素分割效果,計(jì)算公式如下:

(11)

(12)

其中,A和B分別是集合A和B的點(diǎn);d(a,b)是這些點(diǎn)之間的任何度量。

DSC越高,說明實(shí)際分割結(jié)果與標(biāo)準(zhǔn)分割結(jié)果越相似,即分割精度越高,HD代表實(shí)際分割結(jié)果與標(biāo)準(zhǔn)分割結(jié)果間的最大差異,其值越小,分割精度越高,在不同接地網(wǎng)腐蝕紅外圖像分辨率時(shí),不同方法分割效果的測試結(jié)果如圖5所示。

圖5 接地網(wǎng)腐蝕紅外圖像超像素分割效果的測試結(jié)果

根據(jù)圖5可知,隨著接地網(wǎng)腐蝕紅外圖像分辨率的增長,本文方法進(jìn)行接地網(wǎng)腐蝕紅外圖像超像素分割時(shí)的DSC呈逐漸上升的趨勢,HD呈逐漸下降的趨勢;當(dāng)分辨率達(dá)到112×112 ppi時(shí),DSC趨于穩(wěn)定,最高DSC高達(dá)98 %左右;當(dāng)分辨率達(dá)到56×56 ppi時(shí),HD趨于穩(wěn)定,最低HD低至0.5 mm左右;在不同分辨率時(shí),本文方法的DSC均顯著高于DSC閾值,HD均顯著低于HD閾值,文獻(xiàn)[5]方法和文獻(xiàn)[6]方法的DSC均低于本文方法,HD值均高于本文方法;當(dāng)分辨率達(dá)到112×112 ppi時(shí),HD趨于穩(wěn)定,說明不同分辨率時(shí),本文方法展開接地網(wǎng)腐蝕紅外圖像超像素分割時(shí)的DSC值均較高,HD值均較低,具備較高的分割精度。

4 結(jié) 論

接地網(wǎng)所處環(huán)境較為惡劣,導(dǎo)致其易受環(huán)境影響出現(xiàn)不同程度的腐蝕情況,出現(xiàn)接地網(wǎng)故障,令電力系統(tǒng)的運(yùn)行會受到影響,為此需及時(shí)發(fā)現(xiàn)并精準(zhǔn)分割接地網(wǎng)腐蝕區(qū)域,為維修人員檢修接地網(wǎng)時(shí),提供精準(zhǔn)的數(shù)據(jù)支持,避免接地網(wǎng)故障發(fā)生。為此研究基于人工智能深度學(xué)習(xí)的接地網(wǎng)腐蝕紅外圖像超像素分割方法,精準(zhǔn)分割接地網(wǎng)腐蝕紅外圖像超像素。