基于SAM-ED光譜匹配的絕緣子污穢類型檢測方法研究

劉益岑,劉曦,楊琳,林柯心,郭裕鈞,張血琴

(1. 國網(wǎng)四川省電力公司電力科學(xué)研究院,四川 成都 600072;2.西南交通大學(xué) 電氣工程學(xué)院,四川 成都 611756)

0 引言

絕緣子對保證輸電線路安全具有重要的作用,由于長期在大氣環(huán)境中運行,污穢易在其外部積累,并在空氣濕度大的天氣下與水分相互融合,在絕緣子表面形成導(dǎo)電水膜,使得絕緣子的絕緣性能逐漸減弱,情況更嚴重時會發(fā)生污閃,其導(dǎo)致的后果要比雷電等其他事故造成的后果嚴重的多[1-2]。污閃的發(fā)生受多種因素的綜合影響,其中污穢成分與污穢量是主要影響因素。有研究表明,即使是在相同污穢程度下,污穢成分的差異將造成污閃電壓的不同[3-5]。而現(xiàn)如今隨著氣候環(huán)境的變化,生產(chǎn)工業(yè)的進步,外絕緣污穢成分日益趨于多樣化,若能及時掌握絕緣子污穢成分信息,便可根據(jù)不同污穢成分的特點,在電網(wǎng)運行的外絕緣設(shè)計中加以考慮,對預(yù)防污閃有重要作用。

目前,常用的污穢成分測量方法主要有:X-射線能譜儀、原子吸收分光光度法[6]、等離子體發(fā)射光譜法[7]、離子色譜法(IC)[8]等,具有操作難度大、繁瑣程度高等缺點,并且無法適用于現(xiàn)場檢測。因此,迫切需要一種高效、準(zhǔn)確、非接觸式的檢測方法對絕緣子污穢進行在線檢測。

高光譜技術(shù)是通過對成像技術(shù)與光譜技術(shù)融合后,對目標(biāo)物體進行多維數(shù)據(jù)獲取的技術(shù),能獲取從紫外-可見光-近紅外,再到短波近紅外范圍內(nèi)連續(xù)、波段很窄的光譜數(shù)據(jù)[9-10],具有實現(xiàn)對地表物質(zhì)類型及物質(zhì)含量的有效識別,在農(nóng)業(yè)、醫(yī)學(xué)等領(lǐng)域具有廣泛應(yīng)用[11-12]。高光譜曲線主要是根據(jù)電磁波反射差異決定的,因此高光譜曲線具有“同物同譜”的特點。光譜匹配法正是基于該特點,通過對不同光譜曲線進行相似度度量來實現(xiàn)分類。

文獻[13]通過采集植被光譜數(shù)據(jù),去噪,并采用最小距離法(ED)和光譜相似角度(SAM)等光譜特征匹配算法,在760 nm～900 nm的近紅外波段,可以準(zhǔn)確的對沙丘植被進行分類識別;文獻[14]利用高光譜對生活垃圾進行了信息提取,并采用光譜相似角度的算法對采集到的數(shù)據(jù)分類處理,對生活垃圾的分類準(zhǔn)確度均達99.0%以上,徐隆鑫用機載高光譜設(shè)備采集建筑垃圾,并利用二值編碼、光譜信息散度和光譜角的算法對高光譜數(shù)據(jù)進行分類處理,最終可以實現(xiàn)88%的識別準(zhǔn)確率[15]。然而,單一的光譜匹配法通常只根據(jù)曲線某方面的單一特征進行計算,相似性測度往往存在缺陷,容易導(dǎo)致物質(zhì)類別的錯誤判斷。文獻[16]考慮了具有多種特征的光譜信息,提出了一種具有多光譜特征的相似性測度,通過綜合考慮光譜特征信息,對礦物光譜庫的物種等數(shù)據(jù)進行試驗,結(jié)果表明利用多特征融合的相似性測度方法可以產(chǎn)生更好的識別效果。

因此,文中將光譜匹配法引入絕緣子污穢類型檢測中,并根據(jù)光譜角匹配法和最小距離匹配二者檢測具有相同識別原則即“值越小,曲線相似度越高,物質(zhì)類別相似度越高”的特點,提出SAM-ED光譜匹配法,綜合考慮光譜曲線的相似性和譜線空間距離,實現(xiàn)絕緣子污穢類型的準(zhǔn)確檢測。

1 樣本制備及高光譜數(shù)據(jù)采集

1.1 實驗樣本制備

標(biāo)準(zhǔn)IEC60815根據(jù)環(huán)境特性和污穢種類將輸電線路絕緣子污穢類型分為沿海型、沙漠型、工業(yè)型、農(nóng)業(yè)型、內(nèi)陸型[17]。其中,典型污穢成分對絕緣子閃絡(luò)起關(guān)鍵作用,故選擇各污穢類型中典型污穢成分制備人工樣本,以獲取不同污穢成分樣本的高光譜數(shù)據(jù)集,各污穢類型的典型污穢成分如表1所示。

表1 不同污穢類型的典型污穢成分

根據(jù)標(biāo)準(zhǔn)[18]將污穢程度定義為四個等級:Ⅰ級(0.03 mg/cm2-0.06 mg/cm2)、Ⅱ級(0.06 mg/cm2-0.1 mg/cm2)、Ⅲ級(0.1 mg/cm2-0.25 mg/cm2)、Ⅳ級(>0.25 mg/cm2),灰密恒定為0.1 mg/cm2。根據(jù)污穢類型將樣本分為五組,每組包括四片絕緣片,用來制備不同污穢類型下四種污穢程度的樣本。制備每種污穢類型的不同污穢程度電導(dǎo)率溶液,采用浸污法使混合物均勻附著于絕緣片上。待樣本自然陰干后采集高光譜圖像。不同污穢類型人工樣品如圖1所示。

圖1 不同污穢類型人工樣品

1.2 高光譜數(shù)據(jù)采集

高光譜采集平臺如圖2所示,其中,高光譜成像儀具體參數(shù)見表2;校正白板的數(shù)據(jù)用來對樣本的高光譜數(shù)據(jù)做黑白校正處理;拍攝時為防止環(huán)境光干擾需保證室內(nèi)環(huán)境黑暗封閉,補光燈用于在室內(nèi)模擬自然光。高光譜儀鏡頭與樣品成45°夾角,與樣品距離設(shè)置為60 cm,在對樣品進行高光譜信息采集后傳輸?shù)接嬎銠C內(nèi)處理。

圖2 高光譜采集平臺示意圖

圖3 原始高光譜數(shù)據(jù)

表2 高光譜成像儀各項參數(shù)

2 高光譜數(shù)據(jù)處理及分析

在進行圖像采集時,光源的光線分布不均勻、光強分布弱是常見的問題,這會造成采集的高光譜數(shù)據(jù)中某些波段存在噪聲等干擾信息。針對這一問題,需要對高光譜數(shù)據(jù)進行預(yù)處理。

2.1 黑白圖像校正

原始高光譜數(shù)據(jù)是樣品對光的絕對反射DN值,如圖所示3,通過黑白校正將其轉(zhuǎn)換為能反映物質(zhì)特征的反射率值。在采集每個樣本的高光譜圖像時,將校正白板與樣本放在一起同時采集以此得到全白標(biāo)定圖像;等待采集完所有樣本的高光譜圖像之后,將高光譜儀器的鏡頭蓋上后重復(fù)采集圖像的操作以此得到全黑標(biāo)定圖像。黑白校正公式如下:

(1)

式中,T為完成校正后的圖像數(shù)據(jù),TR為原始圖像數(shù)據(jù),Tw為全白標(biāo)定圖像數(shù)據(jù),Td為全黑標(biāo)定圖像數(shù)據(jù)。

2.2 多元散射校正(MSC)

為盡可能減少散射的影響,增大光譜有效數(shù)據(jù)的獲取,還要對進行黑白校正后的高光譜圖像數(shù)據(jù)再次進行多元散射校正。具體操作如下:

計算平均光譜:

(2)

一元線性回歸:

(3)

多元散射校正:

(4)

3 基于SAM-ED光譜匹配的絕緣子污穢類型檢測

3.1 SAM- ED光譜匹配原理

光譜角匹配(SAM)是一種用于分析評估光譜曲線間相似度的技術(shù),基本思想將每一條n維光譜曲線記為一個n維空間矢量,以空間矢量間廣義夾角來評估曲線間相似程度[19],來確定檢測光譜類別,計算公式如下:

(5)

其中,Ti和Ri分別代表測試光譜和參考光譜中第i波段對應(yīng)的反射值,n為光譜曲線波段數(shù),θ為光譜向量之間的廣義夾角即光譜角,θ

最小距離法(ED)通過計算曲線間空間距離來評估曲線間相似程度[20],D值越小代表曲線相似程度越高計算公式如下:

(6)

其中,D為待測光譜和參考光譜間的最小距離;R1i為待測光譜在i波長下的反射率值;R2i為參考光譜在R2i波長下的反射率值。

單一的光譜匹配法通常只根據(jù)曲線某方面的單一特征進行計算,相似性測度往往存在缺陷,容易導(dǎo)致物質(zhì)類別的錯誤判斷。因此,文中提出SAM-ED光譜匹配法,根據(jù)SAM和ED二者檢測具有相同識別原則即“值越小,曲線相似度越高,物質(zhì)類別相似度越高”的特點,分別對二者賦予相同的權(quán)重,通過算術(shù)平均法將二者結(jié)合起來進行綜合識別,提高相似性度量可靠性,光譜角和最小距離的融合值記為Q,得到的矩陣記為標(biāo)準(zhǔn)矩陣。SAM-ED光譜匹配法具體流程如圖4,將標(biāo)簽組和測試組中光譜數(shù)據(jù)兩兩匹配得到一個n×m維的光譜角矩陣和一個n×m維的最小距離矩陣,進而通過SAM-ED光譜匹配法得到標(biāo)準(zhǔn)矩陣,將融合值Q最小時所對應(yīng)的標(biāo)準(zhǔn)光譜類別記為該待測曲線類別,并將測試組匹配結(jié)果放入匹配集中。SAM-ED光譜匹配法計算公式如下:

圖4 SAM-ED光譜匹配流程圖

(7)

3.2 基于全波段SAM-ED光譜匹配的污穢類型檢測

將沿海型、沙漠型、工業(yè)型、農(nóng)業(yè)型、內(nèi)陸型污穢分別記為A型、B型、C型、D型、E型。采用整塊樣本作為感興趣區(qū)域,提取感興趣區(qū)域內(nèi)所有光譜曲線平均值作為該類型污穢的參考譜線,如圖5所示。從每組污穢類型樣本的感興趣區(qū)域中各提取10組光譜數(shù)據(jù),同時提取10組基材數(shù)據(jù),共60條光譜作為測試組,將不同污穢類型參考譜線及基材光譜作為標(biāo)準(zhǔn)組。

圖5 不同污穢類型及基材參考譜線

從圖5可看出,不同污穢類型的譜線之間差異較大,農(nóng)業(yè)型、沙漠型、沿海型三種譜線較為平緩;內(nèi)陸型、工業(yè)型和基材的高光譜響應(yīng)較為相似,但是在波峰和波谷處的響應(yīng)差異較大。不同污穢類型間差異在反射峰谷反射率以及波形上均有不同程度的體現(xiàn),污穢成分光響應(yīng)特性可以作為污穢成分識別本征特性依據(jù)。

根據(jù)不同污穢類型譜線的差異性,通過SAM-ED光譜匹配法將待測譜線與標(biāo)準(zhǔn)譜線進行匹配從而識別出譜線類型,具體流程如圖6所示:

圖6 污穢類型檢測流程圖

分別計算測試集譜線與標(biāo)準(zhǔn)組譜線的光譜角θ、最小距離D及融合值Q,并根據(jù)計算結(jié)果對污穢類別進行分類?；谌ǘ螖?shù)據(jù)SAM光譜匹配的準(zhǔn)確率為80%,從表3中可以看出,A型、B型和D型光譜容易被誤分,而C型、E型和基材光譜更容易誤分,這是因為SAM法利用了光譜曲線之間的形狀度量,而ED法主要是利用了光譜曲線之間的距離度量,從表4中可以看出,ED法對形狀相似的光譜可分性更好,而對于反射率相近的光譜更易誤分,檢測準(zhǔn)確率為85%。而基于全波段數(shù)據(jù)的SAM-ED光譜匹配法由于對光譜間的形狀和距離進行了綜合度量,使不同角度光譜特征的信息優(yōu)勢互補,不僅降低了信息的不確定性,同時檢測準(zhǔn)確度有所增加,準(zhǔn)確率達到95%。

表3 基于全波段SAM光譜匹配結(jié)果

表4 基于全波段ED光譜匹配結(jié)果

表5 基于全波段SAM-ED光譜匹配結(jié)果

3.3 基于特征波段SAM-ED光譜匹配的污穢類型檢測

3.3.1競爭自適應(yīng)重加權(quán)采樣法 (CARS)

利用競爭自適應(yīng)重加權(quán)采樣法(CARS)對光譜數(shù)據(jù)進行特征選取,以降低信息冗余問題帶來的影響,剔除干擾信息,降低計算的復(fù)雜程度。CARS算法通過結(jié)合蒙特卡洛采樣與PLS模型回歸系數(shù)對變量進行逐步保留和剔除,經(jīng)過多次計算后選擇使交叉驗證均方根誤差(RMSECV)達到最小值時子集中的變量作為特征波長。

特征選取具體過程如圖7所示,本實驗設(shè)置采樣次數(shù)為50次,變量數(shù)在前10次采樣過程中迅速下降,后逐漸趨于平緩。隨著采樣次數(shù)的增加,無關(guān)變量逐漸被剔除,RMSECV值最終在第36次采樣時達到最小值,而在此后RMSECV值逐漸上升,說明在第36次采樣之后一些關(guān)鍵的特征變量被剔除,導(dǎo)致PLS模型精度下降。因此選擇第36次采樣時獲得的變量子集中的10個波長作為本研究的特征波長。提取出的特征波長值如表6所示。

圖7 CARS特征波長選擇過程圖

表6 特征波長表

3.3.2主成分分析法 (PCA)

對不同污穢類型在特征波長下的光譜數(shù)據(jù)做主成分分析,將主成分得分轉(zhuǎn)化為空間分布圖,如圖8所示,可以看出不同污穢類型間的特征光譜數(shù)據(jù)表現(xiàn)出良好的可分性和聚類性。

圖8 不同污穢類型主成分得分空間分布

將特征波長下待測組光譜與標(biāo)準(zhǔn)組參考光譜進行SAM-ED光譜匹配結(jié)果如表7所示,只有一處發(fā)生了誤分。準(zhǔn)確率高達98.33%,特征提取能有效消除冗余信息的干擾提高檢測準(zhǔn)確性,同時降低處理數(shù)據(jù)量,提高檢測效率。

表7 基于特征波段SAM-ED光譜匹配結(jié)果

4 結(jié)論

(1)不同污穢類型間的差異在高光譜譜線波形和空間位置上均有不同程度的體現(xiàn),這些差異能夠作為污穢類型識別的特征依據(jù);

(2)SAM-ED光譜匹配法通過光譜相似性分析后,對光譜距離量等光譜特征信息進行綜合考慮,使不同角度光譜特征的信息優(yōu)勢互補,減少了信息的不確定性,相對于單一的光譜特征信息可以提高識別效果,準(zhǔn)確率高達98.33%;

(3)特征提取能有效消除冗余信息的干擾,增強不同污穢類型數(shù)據(jù)間的可分性,有效提高檢測的準(zhǔn)確性和效率。