基于機(jī)器視覺(jué)的光伏電站絕緣子機(jī)械故障檢測(cè)研究

朱 進(jìn), 張一新

(申能新能源(青海)有限公司,青海 西寧 810099)

光伏電站的絕緣子是傳輸系統(tǒng)中的關(guān)鍵部件,在自然環(huán)境下受到風(fēng)暴、地震和大雨等因素的影響會(huì)導(dǎo)致光伏電站出現(xiàn)故障,因此對(duì)絕緣子機(jī)械故障進(jìn)行檢測(cè)對(duì)于推進(jìn)智能電力巡檢有很大幫助。

近年來(lái)很多國(guó)內(nèi)外學(xué)者對(duì)絕緣子的機(jī)械故障檢測(cè)進(jìn)行了大量的研究,Yu等[1]為解決絕緣子樣本較少的問(wèn)題,提出了使用紋理特征增強(qiáng)結(jié)合SINet網(wǎng)絡(luò)對(duì)絕緣子機(jī)械故障進(jìn)行識(shí)別,準(zhǔn)確度達(dá)到了99.82%。吳濤等[2]提出了使用K-means算法結(jié)合YOLO(You Only Look Once)檢測(cè)框架對(duì)絕緣子機(jī)械故障進(jìn)行識(shí)別。王孝余等[3]為解決絕緣子裂縫故障的問(wèn)題,提出了使用YOLO結(jié)合注意力機(jī)制對(duì)絕緣子機(jī)械故障進(jìn)行檢測(cè)。Wei[4]提出使用霍夫橢圓檢測(cè)結(jié)合Canny邊緣檢測(cè)對(duì)復(fù)合絕緣子的機(jī)械故障進(jìn)行識(shí)別。謝黎等[5]為了解決傳統(tǒng)元器件缺陷檢測(cè)效率低的問(wèn)題,提出使用改進(jìn)的YOLOv4目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使用多尺度融合結(jié)合K-means算法進(jìn)行缺陷檢測(cè)。高小偉等[6]為提高多尺度目標(biāo)的檢測(cè)精度,提出了使用無(wú)錨框輸電線的檢測(cè)網(wǎng)絡(luò),精度可達(dá)78.31%。盧錦玲等[7]為了提高絕緣子機(jī)械故障檢測(cè)的實(shí)時(shí)性和準(zhǔn)確率,提出使用可分離卷積的輕量級(jí)神經(jīng)網(wǎng)絡(luò)對(duì)絕緣子機(jī)械故障進(jìn)行檢測(cè),在故障檢測(cè)的速度和精度方面有大幅度提高。劉東東[8]為了提高人工巡檢的效率和安全性,提出使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)絕緣子故障進(jìn)行檢測(cè)。顧桂梅等[9]提出了使用遺傳算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法對(duì)絕緣子機(jī)械故障進(jìn)行識(shí)別,與傳統(tǒng)的算法相比,改進(jìn)后的算法準(zhǔn)確率達(dá)到了85.5%。陳瀟等[10]為了解決絕緣子機(jī)械故障準(zhǔn)確率和效率低的問(wèn)題,提出了使用改進(jìn)的U-Net卷積網(wǎng)絡(luò),增加空洞卷積和全尺度跳躍的信息,實(shí)驗(yàn)表明算法的準(zhǔn)確率和精度都有所提高。姜浩然等[11]提出了一種航拍圖像的絕緣體故障診斷方法,首先使用大津法對(duì)絕緣子圖像進(jìn)行分割,然后利用Hough變換進(jìn)行橢圓檢測(cè),根據(jù)絕緣體的位置信息檢測(cè)是否掉串。針對(duì)自然環(huán)境下絕緣子光照不均的情況,黃新波等[12]提出了一種基于改進(jìn)的色差法圖像分割方法,首先進(jìn)行亮暗區(qū)域的劃分并進(jìn)行光照補(bǔ)償,采用自適應(yīng)閾值分割算法結(jié)合幾何形狀分析法進(jìn)行分割。為提高絕緣子的識(shí)別準(zhǔn)確率,翟永杰等[13]提出了使用形態(tài)學(xué)算法、連通域標(biāo)記和大津法進(jìn)行圖像分割,提取絕緣體骨架,最后應(yīng)用Ada Boost算法進(jìn)行粗定位區(qū)域遍歷識(shí)別。針對(duì)人工巡檢絕緣體效率差、安全性低等特點(diǎn),王淼等[14]率先使用圖像預(yù)處理技術(shù)進(jìn)行連通域標(biāo)記和形狀特征提取,從多個(gè)角度對(duì)絕緣子機(jī)械故障進(jìn)行檢測(cè),識(shí)別效果較好。嚴(yán)凱等[15]提出了不同背景下絕緣子圖像分割方法。為了提高玻璃絕緣體的診斷效率,林聚財(cái)?shù)萚16]使用顏色統(tǒng)計(jì)識(shí)別結(jié)合邊緣連碼的特性,能夠在不同的光照變化條件下根據(jù)滑動(dòng)窗口直方圖識(shí)別絕緣子機(jī)械故障區(qū)域。馬帥營(yíng)[17]對(duì)絕緣子的分割進(jìn)行研究,根據(jù)傾斜校正結(jié)合投影的方法,縮小包含絕緣子的分割區(qū)域,然后利用HSI(Hue,Saturation,Intensity)顏色空間和最大方差法進(jìn)行分割。Reddy等[18]提出了離散正交變換和智能分類算法判斷視頻中監(jiān)控的絕緣子狀態(tài)。廖圣龍[19]為解決人工巡檢效率和準(zhǔn)確率較低的問(wèn)題,提出了一種各類檢測(cè)方法結(jié)合故障診斷的集成算法對(duì)關(guān)鍵部件進(jìn)行缺陷檢測(cè)。針對(duì)絕緣子機(jī)械故障檢測(cè)問(wèn)題,韓正新等[20]使用最大熵值分割法結(jié)合絕緣子輪廓進(jìn)行檢測(cè)工作,然后再采用基于空間序列關(guān)系建立的特征檢測(cè)算法,從而對(duì)圖像中不重疊絕緣子的機(jī)械故障進(jìn)行檢測(cè)和識(shí)別工作。Wu等[21]設(shè)計(jì)了新的輪廓模型,根據(jù)輪廓內(nèi)外局部紋理分布的差異性將紋理不均的絕緣子進(jìn)行分割,提高了故障診斷的效率。王子昊[22]為解決傳統(tǒng)巡檢絕緣子的效率低、安全性差的問(wèn)題,提出了采用深度學(xué)習(xí)技術(shù)對(duì)絕緣子和銷釘故障進(jìn)行檢測(cè)的方法,絕緣子故障檢測(cè)準(zhǔn)確率達(dá)到了91.25%。陳景文等[23]針對(duì)無(wú)人機(jī)在復(fù)雜背景下拍攝分辨率低的絕緣子圖像,人工特征提取易丟失細(xì)節(jié)等信息問(wèn)題,提出了使用U-Net分割網(wǎng)絡(luò)對(duì)絕緣子進(jìn)行分割,通過(guò)將低維特征與高維特征融合,提高了絕緣子的定位精度,準(zhǔn)確率達(dá)到88.9%。陳慶等[24]提出了利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行絕緣子機(jī)械故障檢測(cè),根據(jù)提取的特征使用自組織特征映射網(wǎng)絡(luò)進(jìn)行檢測(cè),最后使用超分辨分割結(jié)合區(qū)域檢測(cè)對(duì)絕緣子進(jìn)行機(jī)械故障的檢測(cè)。

綜上所述,現(xiàn)有的絕緣子機(jī)械故障檢測(cè)算法主要采用圖像處理技術(shù),雖然取得了一些研究成果,但至今仍未能有效識(shí)別絕緣子的機(jī)械故障,使用深度學(xué)習(xí)模型檢測(cè)準(zhǔn)確率較高,但存在訓(xùn)練數(shù)據(jù)集樣本較少、模型泛化性較差等問(wèn)題。傳統(tǒng)圖像處理算法存在穩(wěn)定性差、易受到光照不均影響的問(wèn)題,對(duì)此,本文提出了一種改進(jìn)的絕緣子機(jī)械故障檢測(cè)算法,首先對(duì)絕緣子圖像進(jìn)行亮度修正,能夠?qū)⒉煌庹障碌牧炼冗M(jìn)行均勻化,適應(yīng)不同光照下的絕緣子檢測(cè),從而提高模型訓(xùn)練的泛化性,然后使用改進(jìn)的FCN(Full Convolutional Network,全卷積網(wǎng)絡(luò))進(jìn)行絕緣子分割、連通域標(biāo)記和質(zhì)心坐標(biāo)的計(jì)算,最后建立絕緣子機(jī)械故障定位模型,根據(jù)等距質(zhì)心定位絕緣子機(jī)械故障位置。

1 材料與方法

1.1 光伏電站絕緣子圖像采集

本研究以無(wú)人機(jī)采集的光伏電站絕緣子圖像作為試驗(yàn)對(duì)象,由于光伏電站絕緣子是在自然環(huán)境下進(jìn)行工作,因此無(wú)人機(jī)采集的圖像是在白天進(jìn)行的,將絕緣子圖像的分辨率調(diào)整為700像素×900像素。根據(jù)光伏電站絕緣子工作環(huán)境多變的情況,在多霧和受光不一致的環(huán)境中分別抓拍了光伏電站絕緣子200幅圖像作為試驗(yàn)對(duì)象。

1.2 光伏電站絕緣子機(jī)械故障檢測(cè)總體實(shí)現(xiàn)方案

光伏電站絕緣子機(jī)械故障檢測(cè)實(shí)現(xiàn)方案如圖1所示,主要分為4部分:① 對(duì)絕緣子圖像進(jìn)行濾波和U分量的提取(在1.3節(jié)做了詳細(xì)介紹);② 使用改進(jìn)的FCN網(wǎng)絡(luò)對(duì)絕緣子進(jìn)行分割,并進(jìn)行連通域標(biāo)記;③ 對(duì)連通域標(biāo)記后的圖像進(jìn)行顏色閾值和K-means聚類計(jì)算質(zhì)心坐標(biāo)(在1.4節(jié)和1.5節(jié)做了詳細(xì)介紹);④ 建立絕緣子機(jī)械故障檢測(cè)模型,使用等距質(zhì)心定位絕緣子機(jī)械故障位置(在1.6節(jié)做了詳細(xì)介紹)。

1.3 圖像預(yù)處理

1.3.1U分量提取

光伏電站絕緣子圖像是由無(wú)人機(jī)在自然環(huán)境下進(jìn)行采集所得,因此需要對(duì)圖像的噪聲進(jìn)行高斯濾波,然后對(duì)采集的圖像進(jìn)行U(亮度)分量的提取,如式(1)所示。

(1)

由式(1)可知,RGB顏色空間轉(zhuǎn)換到Y(jié)UV顏色空間能夠保持原有色彩結(jié)構(gòu)不變,呈線性關(guān)系,不影響原有圖像色彩的對(duì)應(yīng)關(guān)系。Y(亮度)、U(色度)和V(飽和度)能夠組成各不相同的顏色,UV表示色差,能夠?qū)D像的色彩以及飽和度進(jìn)行描述。YUV顏色空間的Y分量具有光照適應(yīng)性強(qiáng)的特點(diǎn),需要對(duì)Y分量進(jìn)行亮暗區(qū)域(0～255灰度值)的劃分。

1.3.2 圖像增強(qiáng)

光伏電站絕緣子的工作條件多為自然環(huán)境,圖像采集過(guò)程中會(huì)受到來(lái)自不同角度光照的影響,因此需要對(duì)圖像不同區(qū)域的光照強(qiáng)度進(jìn)行均衡化。

傳統(tǒng)的圖像亮度均衡化方法采用線性變換的方式,會(huì)導(dǎo)致圖像的部分區(qū)域出現(xiàn)過(guò)亮或過(guò)暗的情況,因此使用了非線性變換的圖像增強(qiáng)方式,將提取出的U分量的像素灰度值通過(guò)非線性運(yùn)算轉(zhuǎn)換為與原像素相對(duì)應(yīng)的灰度值,如式(2)所示。

(2)

式中:O為圖像亮度均衡化后的像素值;I為圖像亮度均衡化之前的像素值;γ為圖像亮度的修正系數(shù)。當(dāng)γ<1時(shí),圖像部分區(qū)域的亮度會(huì)增加;當(dāng)γ<1時(shí),圖像部分區(qū)域的亮度會(huì)降低。

γ=0.6時(shí)的亮度均勻化前后的效果如圖2 所示,能夠看出地面的物體和輸電設(shè)施的亮度得到了均勻化。

圖2 γ=0.6時(shí)的亮度均勻化前后效果圖

1.4 改進(jìn)的FCN網(wǎng)絡(luò)絕緣子目標(biāo)分割

光伏電站絕緣子輪廓的精確分割會(huì)影響絕緣子機(jī)械故障檢測(cè)的準(zhǔn)確率,同時(shí)由于光伏電站的絕緣子干擾信息比較多,比如電線、空中的丟棄物和鳥(niǎo)糞等干擾物,在感受野較小的情況下容易降低絕緣子機(jī)械故障檢測(cè)的準(zhǔn)確性,故不僅需要對(duì)淺層網(wǎng)絡(luò)進(jìn)行幾何信息的提取,還需要感受野較大的全局信息,使用跳躍結(jié)構(gòu)進(jìn)行多尺度特征融合解決該問(wèn)題。

本研究在Shelhamer等[25]提出的傳統(tǒng)FCN全卷積網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了改進(jìn),如圖3所示。本文所使用的絕緣子分割模型通過(guò)增加卷積運(yùn)算進(jìn)行了改進(jìn),首先對(duì)傳統(tǒng)的FCN網(wǎng)絡(luò)的第2個(gè)池化層和第4個(gè)池化層增加卷積運(yùn)算,提高網(wǎng)絡(luò)對(duì)絕緣子邊緣的分割精度,然后將網(wǎng)絡(luò)輸出的特征圖進(jìn)行2倍上采樣,并與第4個(gè)池化層增加卷積運(yùn)算后的特征圖進(jìn)行融合,從而得到特征圖-16。最后將特征圖進(jìn)行2倍上采樣得到特征圖-8,然后將pool2進(jìn)行卷積運(yùn)算后的特征圖進(jìn)行融合得到特征圖-8,并進(jìn)行上采樣得到絕緣子分割圖。

圖3 改進(jìn)的FCN網(wǎng)絡(luò)運(yùn)算示意圖

1.5 單個(gè)絕緣子質(zhì)心位置求解

連通域標(biāo)記能夠?qū)⒚總€(gè)絕緣子單獨(dú)作為一個(gè)對(duì)象進(jìn)行標(biāo)記,然后對(duì)標(biāo)記后的單個(gè)絕緣子進(jìn)行顏色閾值分割,如圖4(a)所示。顏色閾值是對(duì)圖像的3個(gè)通道分別設(shè)定上限閾值和下限閾值進(jìn)行分割,然后再對(duì)分割后的單個(gè)絕緣子進(jìn)行尺度不變特征變換(Scale-Invariant Feature Transform,SIFT)角點(diǎn)檢測(cè)。SIFT角點(diǎn)檢測(cè)主要是對(duì)圖像的局部明顯特征進(jìn)行描述,具有尺度不變的特征,該算法的特點(diǎn)主要有以下4個(gè)方面:① 具有較強(qiáng)的穩(wěn)定性和適應(yīng)性,角點(diǎn)檢測(cè)的效果不受圖像大小、亮度和視角的變化;② 具有區(qū)分性強(qiáng)的特點(diǎn),能夠在大量數(shù)據(jù)特征點(diǎn)匹配到區(qū)分性強(qiáng)的特定數(shù)據(jù);③ 具有匹配速度快的特點(diǎn);④ 擴(kuò)展性強(qiáng),能夠結(jié)合其他特征向量。本研究中選擇單個(gè)絕緣子檢測(cè)的特征點(diǎn)數(shù)量為20,在進(jìn)行SIFT角點(diǎn)檢測(cè)后,對(duì)單個(gè)絕緣子圖像使用K-means聚類算法求解質(zhì)心坐標(biāo)。K-means聚類的原理是:給定一系列數(shù)據(jù)樣本X={X1,X2,…,Xn},樣本每個(gè)元素具有N個(gè)維度的特征,其核心是將N個(gè)元素根據(jù)元素間的相似度歸類到某個(gè)質(zhì)心。具體步驟為:先對(duì)聚類簇心進(jìn)行初始化C={C1,C2,…,Ck},1≤k≤n;然后通過(guò)歐氏距離計(jì)算每個(gè)元素到每個(gè)質(zhì)心的距離,如式(3)所示。K-means聚類算法處理后的效果如圖4(b)所示。

圖4 絕緣子質(zhì)心求解效果圖

(3)

式中:Xi為第i個(gè)元素,1≤i≤n;Cj為第j個(gè)質(zhì)心,1≤j≤k;Xit為第i個(gè)元素的第t個(gè)屬性,1≤t≤m;Cjt為第j個(gè)質(zhì)心的第t個(gè)屬性。接下來(lái)對(duì)比每一個(gè)元素與簇心的距離,從而得到K個(gè)質(zhì)心{S1,S2,…,Sk}。K-means質(zhì)心表示簇心內(nèi)的元素在某個(gè)維度的均值,計(jì)算公式如下:

(4)

1.6 絕緣子機(jī)械故障定位模型建立

為了對(duì)光伏電站絕緣子機(jī)械故障位置進(jìn)行定位,根據(jù)光伏電站絕緣子的輪廓特征建立絕緣子機(jī)械故障定位模型,如圖5 所示。首先使用改進(jìn)的全卷積網(wǎng)絡(luò)對(duì)絕緣子目標(biāo)進(jìn)行識(shí)別,并進(jìn)行連通域標(biāo)記,再進(jìn)行顏色閾值分割和SIFT角點(diǎn)檢測(cè),最后將SIFT角點(diǎn)檢測(cè)后的數(shù)據(jù)進(jìn)行K-means聚類得到簇心位置坐標(biāo),設(shè)第1排第1個(gè)絕緣子的質(zhì)心坐標(biāo)為(X1,Y1),因此第1排第3個(gè)絕緣子的質(zhì)心為[X1+2×D,W(X1+2×D)+b],其中D為相鄰絕緣子的間距,最后根據(jù)等距質(zhì)心定位絕緣子機(jī)械故障位置。

圖5 絕緣子幾何故障定位模型

2 結(jié)果與分析

2.1 模型訓(xùn)練結(jié)果與分析

2.1.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

改進(jìn)的FCN網(wǎng)絡(luò)模型在操作系統(tǒng)Linux下搭建的PyTorch1.7環(huán)境下運(yùn)行,硬件環(huán)境為AMD Athlon(tm) X2 Dual Core Processor LS-5810,GPU內(nèi)存為24 GB。將采集的400幅光伏電站絕緣子圖像按照1∶4的比例進(jìn)行驗(yàn)證集和訓(xùn)練集的劃分,320幅作為訓(xùn)練集,80幅作為驗(yàn)證集。本文的實(shí)驗(yàn)圖像受到來(lái)自不同的光照角度的影響,為了提高改進(jìn)的FCN網(wǎng)絡(luò)對(duì)光伏電站絕緣子圖像細(xì)節(jié)特征分割的準(zhǔn)確性,在模型訓(xùn)練前對(duì)光伏電站絕緣子圖像的干擾顆粒噪聲進(jìn)行處理,然后采用非線性運(yùn)算對(duì)圖像的亮度進(jìn)行均勻化。

2.1.2 參數(shù)設(shè)置和評(píng)價(jià)標(biāo)準(zhǔn)

本研究采用均勻分布方式對(duì)權(quán)重系數(shù)進(jìn)行初始化,權(quán)重參數(shù)的優(yōu)化方式采用隨機(jī)梯度下降法。學(xué)習(xí)率值為2×10-3,指數(shù)衰減的速度為0.94。網(wǎng)絡(luò)模型每次迭代的樣本數(shù)batch_size為24,訓(xùn)練epoch取值100。

光伏電站絕緣子分割模型的訓(xùn)練效果使用精確率、召回率和F1 Score值進(jìn)行描述,如式(5)所示。

(5)

式中:TP為模型預(yù)測(cè)正類的正樣本;FP為模型預(yù)測(cè)正類的負(fù)樣本;P為精確率;R為召回率;F1為綜合評(píng)價(jià)指標(biāo)。

F1 Score區(qū)間為[0,1],用來(lái)評(píng)估光伏電站絕緣子模型的綜合性能,F1 Score越大,分割效果越精確。光伏電站絕緣子分割的準(zhǔn)確率越低,絕緣子像素分割的效果越差,如果召回率越小,表示光伏電站絕緣子部分像素區(qū)域未被正確分割,絕緣子分割模型訓(xùn)練過(guò)程的損失率和準(zhǔn)確率如圖6所示。

圖6 損失率和準(zhǔn)確率曲線

2.1.3 實(shí)驗(yàn)對(duì)比

為了對(duì)本研究中改進(jìn)后的FCN模型的分割性能進(jìn)行有效性驗(yàn)證,與傳統(tǒng)FCN網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對(duì)比,部分實(shí)驗(yàn)效果如圖7所示。從圖7中能夠看出光伏電站絕緣子分割存在誤分割現(xiàn)象,絕緣子分割的輪廓邊界效果較差。改進(jìn)后FCN網(wǎng)絡(luò)對(duì)光伏電站絕緣子分割的效果良好,分割后的絕緣子輪廓較光滑。改進(jìn)前后的分割模型指標(biāo)對(duì)比如表1所示,能夠看出在精確率、召回率和F1 Score模型指標(biāo)方面,改進(jìn)后的FCN網(wǎng)絡(luò)均優(yōu)于傳統(tǒng)FCN網(wǎng)絡(luò)。

表1 改進(jìn)前后的分割模型指標(biāo)對(duì)比

圖7 傳統(tǒng)FCN與改進(jìn)后FCN分割效果對(duì)比圖

2.2 絕緣子機(jī)械故障定位結(jié)果與分析

為了對(duì)本研究的機(jī)械故障定位算法進(jìn)行有效性驗(yàn)證,通過(guò)人工測(cè)量的方式對(duì)無(wú)人機(jī)抓拍的光伏電站絕緣子圖像進(jìn)行缺陷機(jī)械故障定位坐標(biāo)的獲取,在本次實(shí)驗(yàn)中,分別對(duì)大霧天氣和光照不均的條件下采集的絕緣子圖像進(jìn)行故障定位,并對(duì)絕緣子圖像進(jìn)行亮度的修正,以適應(yīng)不同的光照?qǐng)D像,提高模型訓(xùn)練的泛化性,然后將絕緣子圖像壓縮成700像素×900像素,經(jīng)人工計(jì)算采集的每幅圖像中絕緣子像素范圍為2 500～3 500,然后計(jì)算每幅圖像中絕緣子聚類的簇心坐標(biāo),并計(jì)算出相鄰絕緣子簇心的距離,最后將相鄰的絕緣子簇心距離相加并去掉計(jì)算得到的最短距離和最長(zhǎng)距離,如式(6)所示。根據(jù)相鄰絕緣子簇心的平均距離計(jì)算出絕緣子故障位置,在1.6節(jié)中進(jìn)行了詳細(xì)介紹。

(6)

式中:A為絕緣子簇心間的平均距離;xi,yi為絕緣子聚類中心坐標(biāo);n為連通域標(biāo)記的絕緣子個(gè)數(shù);maxd和mind分別為相鄰絕緣子簇心的最長(zhǎng)和最短距離。

部分測(cè)試圖像結(jié)果數(shù)據(jù)如圖8所示,能夠得出在大霧天氣條件下人工測(cè)得的實(shí)際機(jī)械故障位置與算法檢測(cè)到的故障位置距離范圍為14像素～27像素。在光照不均的條件下測(cè)得的實(shí)際故障位置與算法檢測(cè)到的故障位置距離范圍為12像素～22像素。經(jīng)過(guò)分析,光照不均條件下故障位置定位效果最佳,機(jī)械故障位置定位成功。

圖8 分割算法的有效性分析

將絕緣子做最小外接橢圓,算法定位機(jī)械故障位置與人工定位的故障位置X坐標(biāo)相差不超過(guò)橢圓的短軸像素距離、Y坐標(biāo)相差不超過(guò)橢圓的長(zhǎng)軸像素距離定義為定位成功,反之定義為定位失敗,測(cè)試圖像如圖9所示。對(duì)大霧天氣和光照不均的條件下采集的共400幅圖像進(jìn)行了時(shí)間復(fù)雜度分析,平均定位時(shí)間為0.071 s,具體情況如表2所示。定位失敗的原因主要是由于絕緣子輪廓受到復(fù)雜背景的遮擋,比如線纜和電塔鋼架等,聚類的簇心位置偏移造成了相鄰絕緣子平均距離存在誤差,如圖10所示。

表2 不同采集條件下機(jī)械故障定位情況

圖9 背景單一的絕緣子測(cè)試圖像

圖10 背景復(fù)雜的絕緣子測(cè)試圖像

3 結(jié)束語(yǔ)

本文提出了基于機(jī)器視覺(jué)的光伏電站絕緣子機(jī)械故障檢測(cè)方法,實(shí)現(xiàn)了絕緣子機(jī)械故障檢測(cè)的準(zhǔn)確定位。試驗(yàn)數(shù)據(jù)表明:

① 基于改進(jìn)的FCN網(wǎng)絡(luò)對(duì)絕緣子圖像進(jìn)行分割,與傳統(tǒng)FCN網(wǎng)絡(luò)進(jìn)行對(duì)比研究,可知改進(jìn)FCN網(wǎng)絡(luò)對(duì)絕緣子圖像分割效果最佳,F1 Score值為96.86%,算法消耗時(shí)間為0.056 s。

② 本文提出了基于機(jī)器視覺(jué)的光伏電站絕緣子機(jī)械故障檢測(cè)的方法,然后對(duì)400幅測(cè)試圖像進(jìn)行驗(yàn)證,平均定位誤差為18像素,大霧天氣和光照不均情況下檢測(cè)成功率分別為82.5%、96%,算法運(yùn)行時(shí)間為0.066～0.076 s,可以滿足光伏電站絕緣子機(jī)械故障定位的準(zhǔn)確性和實(shí)時(shí)性要求。

在光伏電站絕緣子機(jī)械故障定位的研究過(guò)程中,存在大霧天氣條件下部分絕緣子輪廓被遮擋的情況,在今后的絕緣子機(jī)械故障定位研究中,將對(duì)以上情況進(jìn)行深入研究。