電力線電暈放電紫外圖像精確分割方法

劉 赫，趙天成，劉俊博，矯立新，袁小翠，許志浩

電力線電暈放電紫外圖像精確分割方法

劉 赫1，趙天成1，劉俊博1，矯立新1，袁小翠2，許志浩2

（1. 國網(wǎng)吉林省電力有限公司電力科學研究院，吉林 長春 130021；2. 南昌工程學院 電氣工程學院，江西 南昌 330099）

受拍攝環(huán)境及局部放電程度影響，夜間型紫外相機拍攝電暈放電圖像不清晰、放電區(qū)域的顏色不僅接近背景顏色且與背景交叉重疊等導致難以自動分割局部放電，針對該問題提出一種新的電力線紫外圖像局部放電區(qū)域精確分割方法。首先，構(gòu)建基于Unet深度學習語義分割模型，利用已訓練Unet網(wǎng)絡對紫外圖像語義分割獲得電暈放電區(qū)域粗分割結(jié)果；其次，將放電區(qū)域紫外圖像轉(zhuǎn)換為灰度圖像，基于前景加權(quán)的Otsu閾值分割法對粗分割結(jié)果進行精確分割。對426個樣本進行測試，本文方法全部分割出了樣本圖像中的局部放電區(qū)域，且分割出的放電區(qū)域與真值之間的誤差接近0，所提出的電暈放電分割方法能為局部放電大小量化和評估提供準確的數(shù)據(jù)源。

電暈放電；紫外成像；語義分割；Otsu閾值

0 引言

電力線等輸電設(shè)施受各種內(nèi)外部因素影響，長期工作后會出現(xiàn)老化、斷股、散股、缺陷、污穢等問題，并產(chǎn)生局部放電現(xiàn)象。局部放電會進一步加速設(shè)備絕緣劣化，導致電氣設(shè)備故障。據(jù)統(tǒng)計，局部放電導致的絕緣故障約占總電力故障的80%，局部放電檢測已成為發(fā)現(xiàn)設(shè)備故障和潛在危險的最重要方法[1]。目前，針對放電的檢測方法有紅外、超聲波、脈沖電流、超高頻和紫外放電檢測，紫外放電檢測是一種光學檢測手段，與其他檢測方法相比，紫外成像法具有準確度更高、抗干擾能力強等優(yōu)勢，被廣泛應用于電力設(shè)備的局部放電檢測。

目前在電力系統(tǒng)中所應用的紫外成像儀類型主要有兩種：一類是夜間型紫外相機，這類相機利用全波段的紫外光成像拍攝局部放電，以前蘇聯(lián)的Filin-6型紫外探測儀為例，這類紫外探測相機在白天無法使用；另一類是“日盲”型紫外相機，對放電產(chǎn)生的240～280nm的“日盲”紫外光進行成像，如OFIL公司的Luminar紫外成像儀，這類相機不受太陽光的干擾，在白天也能使用[2]。

為了能夠?qū)﹄娏υO(shè)備的故障進行自動診斷，學者們研究將各類探測相機安裝在巡檢機器人或者無人機上拍攝變電站設(shè)備和高壓輸變電線路絕緣子及電力線圖像[3]，利用算法自動檢測及識別設(shè)備與電力線的局部放電?；谧贤鈭D像電力設(shè)備局部放電檢測方法一般包括3步[4]：①將紫外視頻流幀圖像進行變換，將RGB紫外圖像轉(zhuǎn)換為灰度圖像或者HSV圖像；②對紫外圖像進行分割獲取局部放電目標區(qū)域；③計算目標區(qū)域的面積，周長等參數(shù)對放電區(qū)域進行量化和修正，從而判斷放電嚴重程度[5-6]。其中，放電區(qū)域準確分割是關(guān)鍵環(huán)節(jié)，分割準確性直接影響放電區(qū)域量化及評價準確性。

文獻[7]在實驗室環(huán)境下模擬電暈絕緣子放電實驗，拍攝其局部放電紫外圖像，直接對紫外圖像閾值分割，利用閾值濾波去除噪聲獲得局部放電區(qū)域精確分割結(jié)果。文獻[8]利用高斯函數(shù)對紫外圖像的光斑區(qū)域像素與非光斑區(qū)域圖像進行對比度增強，再利用閾值分割法分割放電區(qū)域。文獻[9]等引入Chan-Vese水平集模型對紫外圖像進行分割處理，根據(jù)放電區(qū)域的光斑面積、邊界周長、長軸、短軸等參數(shù)來評估放電狀態(tài)。文獻[10]基于泊松分布建立紫外放電目標檢測模型，構(gòu)建紫外圖像的泊松概率映射圖，基于概率映射圖利用改進Otsu閾值分割法分割圖像得到放電區(qū)域。如文獻[11]建立改進SSD模型對紫外放電視頻流進行訓練，自動識別紫外圖像中的放電區(qū)域，并對放電嚴重程度進行評估。以上基于紫外圖像的局部放電檢測方法對日盲型紫外相機拍攝的紫外圖像處理效果較好，但是不適用于夜間型紫外相機拍攝的紫外圖像。

“日盲”紫外相機拍攝的圖像與夜間型紫外相機拍攝的放電圖像完全不同，“日盲”紫外相機拍攝的局部放電區(qū)域光斑非常清晰，與背景的對比度明顯，如圖1所示，白色斑塊為局部放電區(qū)域，其顏色與其背景完全不同，將圖像轉(zhuǎn)換為灰度圖，利用閾值分割法可以直接準確分割出放電區(qū)域，或者將“日盲”紫外圖像轉(zhuǎn)HSV空間，無需經(jīng)過任何處理，利用顏色閾值能直接分割出放電區(qū)域，分割結(jié)果如圖1(b)所示，采用傳統(tǒng)的閾值分割法對“日盲”紫外圖像可以比較準確地分割出放電區(qū)域。然而，這些方法并不適合于夜間型紫外相機拍攝的圖像。夜間型紫外相機能拍攝到放電區(qū)域，成像質(zhì)量受相機參數(shù)和環(huán)境影響，局部放電區(qū)域圖像與其背景對比度不明顯，光斑圖像與電氣設(shè)備顏色或者亮度相接近，如圖2所示，圖2中紅色矩形框內(nèi)的灰度圖像放大如圖藍色和紅色矩形框所示，放電區(qū)域矩形框內(nèi)的灰度值與電力線的灰度值基本一致，兩個區(qū)域的灰度均值約197，因此通過閾值分割法難以直接將放電區(qū)域精確分割出來。

因此，本文提出了一種夜間型紫外圖像局部放電精確分割方法，先基于Unet深度學習語義分割模型對紫外圖像放電區(qū)域粗分割，得到大致放電區(qū)域，再利用前景方差加權(quán)Otsu閾值分割法對放電區(qū)域精確分割，從而實現(xiàn)對放電區(qū)域的精確分割。

1 算法理論

1.1 局部放電語義粗分割

圖像語義分割是對每一個像素點進行分類，根據(jù)每個點的所屬類別實現(xiàn)區(qū)域劃分。目前，語義分割已被廣泛應用于自動駕駛、醫(yī)學圖像等場景。近年來，卷積神經(jīng)網(wǎng)絡（convolutional neural networks, CNN）已經(jīng)在圖像語義分割中廣泛應用，比較經(jīng)典的網(wǎng)絡模型有全卷積神經(jīng)網(wǎng)絡（fully convolutional neural networks, FNN）、Segnet、DeepLab和UNet系列等。UNet網(wǎng)絡最早應用在醫(yī)學圖像分割中，相比于FCN，Segnet，Deeplab等系列的經(jīng)典圖像分割模型，UNet網(wǎng)絡在訓練樣本較少的情況下能獲得更準確的分割結(jié)果。對夜間型紫外圖像，局部放電區(qū)域呈電火花形態(tài)，其形態(tài)與電力設(shè)備完全不同，因此，可以通過語義分割方法將放電區(qū)域粗略分割出來。在紫外圖像電氣設(shè)備故障檢測中，缺少公開數(shù)據(jù)集，屬于小樣本的目標分割，因此，本文利用UNet網(wǎng)絡對電氣設(shè)備紫外放電圖進行特征分割。

1.1.1 UNet網(wǎng)絡

UNet網(wǎng)絡結(jié)構(gòu)簡單，整個網(wǎng)絡可以分為編碼和解碼，或者主干特征提取網(wǎng)絡和加強特征提取網(wǎng)絡[12]，網(wǎng)絡結(jié)構(gòu)如圖3所示，在主干特征提取網(wǎng)絡（編碼）中利用3×3卷積模板進行5層卷積，卷積模板數(shù)分別是64、128、256、512和1024，2×2最大池化對卷積后的特征圖下采樣，使圖像特征圖尺寸減小，且采用relu作為激活函數(shù)。

在加強特征提?。ń獯a）網(wǎng)絡中對特征圖逐步上采樣和卷積來恢復圖像尺寸和特征圖通道數(shù)，解碼器和編碼器之間通過跳躍連接進行特征圖融合，融合后繼續(xù)卷積，最后通過1×1×卷積輸出分割圖像結(jié)果，其中為通道數(shù)或圖像分割類別。

圖3 UNet網(wǎng)絡結(jié)構(gòu)

1.1.2 數(shù)據(jù)來源及標注

數(shù)據(jù)集來源于某網(wǎng)省公司利用FiLin-6夜間型紫外探測儀現(xiàn)場采集的高壓輸變電線路上的電力線紫外視頻圖像，視頻單幀圖像的大小是640×368。每一個紫外視頻圖像中包含了近1 000幀圖像，隨機選取2個視頻流作為訓練樣本，將視頻流轉(zhuǎn)換成圖像幀，對每一幀圖像進行樣本標記。

若電力線存在絕緣故障導致局部放電，其放電紫外圖像呈電火花形狀，跟電力線的形狀完全不一樣。但受拍攝角度及距離影響，有些電火花區(qū)域與電力線完全分離、電火花區(qū)域覆在電力線或者電力設(shè)備上、放電區(qū)域圖像大小不一，形態(tài)各異。為了精確量化放電量，需要分割出放電區(qū)域，建立統(tǒng)一的標注規(guī)范是保證訓練模型精度的基礎(chǔ)，標注時遵循以下3點原則：①標注時盡量全部標注出放電光子圖像，標注區(qū)域大于實際放電區(qū)域；②盡量不要將非放電區(qū)域的電力線或者電力設(shè)備標注在放電區(qū)域范圍內(nèi)；③多個電火花交叉時，盡量獨立標注每個放電區(qū)域。本文使用Labelme工具對放電區(qū)域進行標注，對放電區(qū)域形成分割圖像的標簽（真值），并生成json文件，標簽圖像示例如圖4所示。

圖4 樣本標簽

1.1.3 網(wǎng)絡訓練

模型訓練平臺操作系統(tǒng)Ubuntu 18.04，采用了tensorflow深度學習框架搭建UNet網(wǎng)絡。將已標注的1874張紅外圖片作為訓練樣本，以4:1的比例隨機分配訓練集與測試集，兩者的樣本圖數(shù)量分別是1406和468，UNet網(wǎng)絡采用交叉熵作為損失函數(shù)，損失函數(shù)定義如下：

式中：wc為類別c的損失權(quán)重；pc(zi)為像素zi屬于真實類別c的概率；C表示總的類別數(shù)，本文中C＝2。訓練得到的損失函數(shù)如圖5所示，模型在epoch為50左右達到收斂，且其損失值loss接近0。

將測試樣本輸入已訓練的Unet網(wǎng)絡中測試網(wǎng)絡分割效果，電力線放電區(qū)域語義分割結(jié)果如圖6所示，圖6第一行是高壓電力線拍攝的4段不同電力線視頻幀截圖，其中紅色橢圓圈內(nèi)存在局部放電，各圖對應的語義分割結(jié)果如圖6第二行所示，利用Unet模型能夠粗略地分割出放電區(qū)域，但是還包含了一些非放電背景區(qū)域。

圖6 電暈放電圖像語義分割

1.2 局部放電精確分割

通過對紫外圖像進行語義分割可以粗略分割出放電區(qū)域，為了精確計算光子數(shù)，需要在粗分割的基礎(chǔ)上對放電區(qū)域精確分割。因此，本文對語義分割出的放電區(qū)域圖像進行灰度變換，將RGB圖像轉(zhuǎn)換成灰度圖像，再利用閾值分割法進一步精確分割。

常用的閾值分割方法有Otsu[13]、最大熵[14]和最小錯誤率[15]等，當圖像直方圖呈雙峰分布時許多閾值分割方法均能取得較好的分割結(jié)果。分析語義分割結(jié)果發(fā)現(xiàn)，放電區(qū)域中包含了全部的放電圖像，也包含了少部分的非放電圖像，紫外圖像中放電區(qū)域比非放電區(qū)域圖像更亮，即非放電區(qū)域的灰度圖像的像素值更低，放電區(qū)域?qū)幕叶葓D像的像素值更高，且非放電區(qū)域的像素點更少，放電區(qū)域的像素點數(shù)量更多。對放電區(qū)域統(tǒng)計其直方圖，分析放電區(qū)域直方圖，其圖像直方圖雙峰不明顯，如圖7所示。為了更好地描述，此處將低灰度區(qū)域的非放電區(qū)域當作前景，高灰度區(qū)域的放電區(qū)域圖像當作背景。文獻[16]指出，當?shù)突叶鹊那熬皡^(qū)域大小和高灰度背景區(qū)域的大小不一致時，Otsu閾值分割方法的分割閾值更靠近高灰度級，將部分背景圖像劃分為前景，使前景和背景的大小盡可能接近。如果直接用Otsu閾值分割法對放電區(qū)域圖像分割，會將部分放電區(qū)域分割成前景區(qū)域，分割結(jié)果不準確。因此，本文提出改進Otsu閾值分割方法對放電圖像精確分割。

圖7 放電區(qū)域灰度直方圖

改進的Otsu閾值分割方法如下：設(shè)圖像大小為×，圖像灰度級范圍為[0,－1]，n為圖像灰度級的像素點數(shù)，灰度級出現(xiàn)的概率為：P＝n(×)，設(shè)圖像中灰度級低于的像素點構(gòu)成0類，灰度級高于的像素點構(gòu)成1類，若0()，1()表示0類和1類的出現(xiàn)的概率；0()，1()表示0類和1類的平均灰度級[17]。則有：

圖像的類間方差b()表示為：

當內(nèi)間方差達到最大時該灰度級為最優(yōu)閾值，即Otsu閾值：

文獻[16]證明，Otsu閾值可通過公式(8)計算得到：

Ostu＝(0(Ostu)＋1(Ostu)/2 (8)

Otsu閾值偏向于方差較大的一類，將大部分的背景區(qū)域分割成目標，使得兩類圖像的大小相似[17]。由于前景區(qū)域比較小，背景區(qū)域比較大，需要使前景方差小，背景方差更大才能使分割結(jié)果接近理想閾值。為了使分割結(jié)果更接近最佳分割結(jié)果，對前景方差加權(quán)，使加權(quán)后的前景方差小于原始目標方差。因此，改進Otsu分割法表示為：

最優(yōu)閾值：

式中：為權(quán)重，其值范圍為[0,1]。本文令＝0()，0()表示前景出現(xiàn)的概率，當圖像中前景比較多，0()值較大，賦予前景方差的權(quán)重較大，當前景小，前景的方差應該更小，權(quán)重也更小，從而自適應實現(xiàn)對前景方差加權(quán)。

圖8(a)為電力線局部放電語義分割結(jié)果，對語義分割得到的放電區(qū)域計算圖像的類間方差，其類間方差曲線及得到的分割閾值如圖8(b)所示，分割結(jié)果如圖8(c)、(d)，可見本文方法分割結(jié)果更準確，誤分割像素少，幾乎完整的將放電區(qū)域精確分割。

2 評價指標

為了評價本文方法對紫外圖像電力線放電局部區(qū)域檢測及分割效果，從兩個層次對算法進行評價，一是在粗分割層面，通過對放電區(qū)域語義分割評價分割準確性；二是精分割層面，通過錯誤分類誤差評價本文方法對放電區(qū)域分割的精確性。

對紫外圖像語義分割是電暈放電分割的粗分割，語義分割中通常采用平均交并比（mean intersection over union，MIoU）來評價分割的準確性，MIoU是語義分割效果的度量標準之一，通過計算兩個集合的交集和并集的比例來反映分割結(jié)果與真實值之間的重合程度，在圖像語義分割中，這兩個集合分別是標簽和預測值[18]。MIoU的值范圍為[0,1]，其值越大表示分割效果越好。對二分類，MIOU的定義如下：

式中：參數(shù)TP（真正例像素個數(shù)）；TN（真反例像素個數(shù)）；FP（偽正例像素個數(shù)）；FN（偽反例像素個數(shù)）為混淆矩陣參數(shù)[19]。

錯誤分類誤差（mis-classification error，MCE）來評價實際分割結(jié)果與真值（真是放電區(qū)域）之間的誤差。MCE表示前景像素錯分為背景，背景像素錯分為前景的比例，用MCE值來評價單幀紫外圖像的局部放電區(qū)域分割準確性[17]。

MCE定義為：

3 實驗結(jié)果分析

粗分割結(jié)果：語義分割是像素級別的分類任務，樣本數(shù)即為該類別樣本的像素點個數(shù)之和。對246張大小為640×368樣本進行測試，樣本集總像素點為57937920，其中放電區(qū)域像素點個數(shù)為148408，背景像素點個數(shù)是57789512，且包含的局部放電區(qū)域個數(shù)為518個，全部分割出放電區(qū)域，部分測試圖像語義分割結(jié)果如圖9所示，對測試圖像的語義分割得到的混淆矩陣如表1所示。

表1 全部測試圖像語義分割混淆矩陣

Unet網(wǎng)絡分割出放電區(qū)域像素為147864個，背景像素為57790056個，各類別平均真實標簽和預測結(jié)果的交并比MIOU為0.834590，可見，根據(jù)樣本標簽，Unet網(wǎng)絡能夠比較準確地從整個紫外圖像中分割出放電區(qū)域，從每張圖像中分割出所有的放電區(qū)域。

精確分割：為了準確評價放電區(qū)域放電情況，需要精確獲得放電光子數(shù)，因此需要對放電區(qū)域進行精確分割。利用MCE來定量衡量本文方法精確分割結(jié)果，對測試樣本人工手動分割獲得放電真值圖像。將Unet語義粗分割出來的放電區(qū)域用本文改進的Otsu和原始的Otus閾值分割方法對放電區(qū)域精分割，并對兩種方法的放電精確分割效果進行比較，本文改進Otsu和Otsu閾值分割方法對測試樣本的平均MCE值分別是0.0223，0.2194。圖9是4個不同樣本電力線電暈放電情況放電區(qū)域分割情況，其中圖11(a)～(e)分別是紫外放電原圖、放電區(qū)域真值、Unet分割結(jié)果、Otsu和本文改進Otsu方法精確分割結(jié)果。Unet網(wǎng)絡粗分割、Otsu和本文改進Otsu方法精確分割與真值圖像之間的差異用MCE量化，量化結(jié)果見表2所示。從圖9及表2數(shù)據(jù)可知，本文精確分割得到的放電區(qū)域與真值幾乎完全相同，MCE值接近0，遠小于其他兩種分割結(jié)果。

圖9 不同方法對電暈放電分割結(jié)果比較：(a) 原圖；(b) 放電區(qū)域真值；(c) Unet分割結(jié)果；(d) Otsu分割結(jié)果；(e) 本文分割結(jié)果

表2 部分圖像分割的MCE值

綜上實驗結(jié)果可知，通過對放電區(qū)域語義分割可以將全部放電區(qū)域標記出來，但是標記的放電區(qū)域包含許多背景，與真實放電區(qū)域存在較大差異；通過對語義分割結(jié)果進一步利用閾值分割可以去除部分背景，本文提出的精確分割方法比Otsu閾值分割結(jié)果更準確，分割出的放電區(qū)域與真實值之間的誤差小，誤差接近0。

4 結(jié)論

本文研究了一種夜間型紫外圖像局部放電檢測方法，深度學習語義分割模型對紫外圖像粗分割得到大致放電區(qū)域，再利用前景加權(quán)Otsu閾值分割方法對粗分割結(jié)果進行閾值分割得到放電區(qū)域精確分割結(jié)果。本文方法全部準確檢測出測試樣本中的每一個局部放電區(qū)域，無誤檢測，且分割出的放電區(qū)域與真實值之間的誤差接近0，分割出的放電區(qū)域為放電大小量化和評估提供精確的數(shù)據(jù)源。限于篇幅，本文沒有對放電大小進行量化和修正，后續(xù)將在次基礎(chǔ)上展開局部放電量化及評估方法研究。

[1] 王勝輝. 基于紫外成像的污穢懸式絕緣子放電檢測及評估[D]. 北京: 華北電力大學, 2011.

WANG Shenghui. Detection and Assessment of Contaminated Suspension Insulator Discharge Based on Ultraviolet Imaging[D]. Beijing: North China Electric Power University, 2021.

[2] 張顯. 基于紫外檢測技術(shù)的絕緣子電暈放電特性研究[D]. 長沙: 長沙理工大學, 2016.

ZHANG Xian. Research the Characteristics of Insulator Corona Discharge based on UV Imaging Technology[D]. Changsha: Changsha University of Science & Technology, 2016.

[3] 趙太飛, 李晗辰, 張港, 等. 無人機巡線的紫外放電檢測研究[J]. 電子測量與儀器學報, 2020, 34(12): 36-42.

ZHAO Taifei, LI Hanchen, ZHANG Gang, et al. Ultraviolet discharge detection research for UAV patrol[J]., 2020, 34(12): 36-42 .

[4] WANG S, LV F, LIU Y. Estimation of discharge magnitude of composite insulator surface corona discharge based on ultraviolet imaging method[J]., 2014, 21(4): 1697-1704.

[5] ZHANG Z, WEI Z, ZHANG D, et al. Comparison of different characteristic parameters acquired by UV imager in detecting corona discharge[J]., 2016, 23(3): 1597-1604.

[6] LIN Y, CHEN Y, ZHOU J, et al. Gray Standard deviation based ultraviolet image segmentation for electrical equipment[C]//:, 2019, 1169(1): 012051.

[7] 艾建勇, 金立軍. 基于紫外圖像的接觸網(wǎng)棒瓷絕緣子污穢狀態(tài)檢測[J]. 電工技術(shù)學報, 2016, 31(10): 112-118.

AI Jianyong, JIN Lijun. Rod porcelain insulator filth state detection of catenary based on ultraviolet image[J]., 2016, 31(10): 112-118.

[8] 劉云鵬, 李泳霖, 裴少通, 等. 基于紫外成像技術(shù)的彩色光斑映射識別算法研究[J].華北電力大學學報: 自然科學版, 2022(4): 1-9 .

LIU Yunpeng, LI Yonglin, PEI Shaotong, et al. Research on color spot mapping recognition algorithm based on ultraviolet imaging technology[J].:, 2022(4): 1-9.

[9] 李勛, 張宏釗, 胡元潮, 等. 基于C-V模型的電暈放電紫外成像分割及特征量研究[J]. 高壓電器, 2017, 53(8): 123-128.

LI Xun, ZHANG Hongzhao, HU Yuanchao, et al. Ultraviolet image segmentation and characteristic quantities of corona discharge based on C-V model[J]., 2017, 53(8): 123-128.

[10] 閔超波, 顧燕, 楊鋒. 基于泊松分布的日盲紫外電暈檢測[J]. 紅外技術(shù), 2020, 42(8): 715-721.

MIN Chaobo, GU Yan, YANG Feng. Corona detection of solar-blind ultraviolet via Poisson distribution[J]., 2020, 42(8): 715-721.

[11] 王勝輝, 董興浩, 王璽銘, 等. 基于改進SSD算法和紫外成像的懸式絕緣子放電嚴重程度評估[J]. 華北電力大學學報: 自然科學版, 2022(4): 1-10.

WANG Shenghui, DONG Xinghao, WANG Xuming et.al. Suspension insulator based on improved SSD algorithm and UV imaging discharge severity assessment[J].(), 2022(4): 1-10.

[12] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//–MICCAI , 2015: 234-241

[13] Otsu N. A threshold selection method from gray-level Histograms[J]., 2007, 9(1): 62-66.

[14] Kapur J, Sahoo P K, Wong A. A new method for gray-level picture thresholding using the entropy of the histogram[J].,, 1985, 29(3): 273-285.

[15] Kittler J, Illingworth J. Minimum error thresholding[J]., 1986, 19(1): 41-47.

[16] XU X, XU S, JIN L, et.al. Characteristic analysis of Otsu threshold and its applications[J]., 2011, 32(7): 956-961.

[17] 袁小翠, 吳祿慎, 陳華偉. 基于Otsu方法的鋼軌圖像分割[J]. 光學精密工程, 2016, 24(7): 1772-1781.

YUAN Xiaocui, WU Lushen, CHEN Huawei. Rail image segmentation based on Otsu threshold method[J]., 2006, 24(7): 1772-1781.

[18] 袁剛, 許志浩, 康兵, 等. 基于DeepLabv3+網(wǎng)絡的電流互感器紅外圖像分割方法[J]. 紅外技術(shù), 2021, 43(11): 1127-1134.

YUAN Gang, XU Zhihao, KANG Bing. Deep Labv3+ network-based infrared image segmentation method for current transformer[J]., 2021, 43(11): 1127-1134.

[19] 張開放, 蘇華友, 竇勇. 一種基于混淆矩陣的多分類任務準確率評估新方法[J]. 計算機工程與科學, 2021, 43(11): 1910-1919.

ZHANG Kaifang, SU Huayou, DOU Yong. A new multi-classification task accuracy evaluation method based on confusion matrix[J]., 2021, 43(11): 1910-1919.

New Corona Discharge Segmentation Method for Power Line Based on Ultraviolet Image

LIU He1，ZHAO Tiancheng1，LIU Junbo1，QIAO Lixin1，YUAN Xiaocui2，XU Zhihao2

(1.,,130021,;2.,,330099,)

Corona discharge images collected with night-type ultraviolet cameras are affected by the photographer’s environment and the degree of partial discharge, and the color of the discharge area is not only close to the background but also overlaps with the background, which makes it difficult to automatically segment corona discharge. This paper proposes a coarse-to-fine corona discharge ultraviolet (UV) image segmentation method. First, a deep-learning semantic segmentation model was constructed, and rough segmentation results of the corona discharge were obtained using a trained Unet network. Second, the UV image of the discharge region was converted into a gray image, and the rough segmentation result was accurately segmented based on the Otsu threshold segmentation method with foreground weighting. A total of 426 samples were tested, and all the corona discharge regions in the sample images were segmented using the proposed method. The error between the segmented discharge regions and the true value was close to 0. The proposed corona discharge segmentation method provides accurate data sources for the quantification and evaluation of corona discharges.

corona discharge，ultraviolet imaging，semantic segmentation，Otsu threshold

TN219；TM452

A

1001-8891(2023)12-1322-08

2022-05-11；

2022-05-17.

劉赫（1984-），男，吉林長春人，工程師，碩士，研究方向為電力設(shè)備故障檢測與診斷。E-mail：liuhehe1984@163.com。

袁小翠（1988-），女，博士，副教授，研究方向為圖像處理及視覺檢測。E-mail：yuanxc2012@163.com.

國網(wǎng)吉林省電力有限公司2022年揭榜掛帥項目（JL2237874846）。