劉榮海 耿磊昭 楊迎春 鄭欣

摘要：GIS設(shè)備的安全運(yùn)行直接影響整個(gè)電網(wǎng)的安全穩(wěn)定運(yùn)行。隨著GIS設(shè)備數(shù)量的增多，面對(duì)日益突出的GIS典型缺陷，本文采用支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱(chēng)SVM）的機(jī)器學(xué)習(xí)方法，并結(jié)合圖像處理技術(shù)設(shè)計(jì)開(kāi)發(fā)了一套GIS典型缺陷的智能識(shí)別軟件?軟件首先對(duì)GIS圖像進(jìn)行預(yù)處理研究，然后通過(guò)對(duì)缺陷樣本的訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)對(duì)GIS典型缺陷的智能識(shí)別，從而提高對(duì)GIS設(shè)備的檢測(cè)效率。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；圖像處理；SVM；智能識(shí)別；GIS

中圖分類(lèi)號(hào)：TM930.1 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.l003-6970.2017.08.036

引言

GIS，即SF6氣體絕緣全封閉組合電器（GasInsulted Switchgear）。GIS設(shè)備運(yùn)行安全可靠、配置靈活和維護(hù)簡(jiǎn)便、檢修周期長(zhǎng)，加之在技術(shù)上的先進(jìn)性和經(jīng)濟(jì)上的優(yōu)越性，已得到廣泛應(yīng)用。但GIS設(shè)備一旦發(fā)生故障，特別是內(nèi)部放電故障，或者因?yàn)槿毕菪枰獧z修，由于檢修故障間隔的檢修時(shí)間相對(duì)較長(zhǎng)必然導(dǎo)致所需停電的時(shí)間長(zhǎng)，將會(huì)嚴(yán)重影響到整個(gè)電網(wǎng)的安全穩(wěn)定運(yùn)行。隨著GIS變電站的增多，面對(duì)日益突出的GIS設(shè)備缺陷，迫切需要對(duì)設(shè)備常見(jiàn)缺陷及其處理方法進(jìn)行分析研究，確保設(shè)備的可靠性以及電網(wǎng)的穩(wěn)定運(yùn)行。目前GIS內(nèi)部缺陷的檢測(cè)方法主要有脈沖電流法、化學(xué)檢測(cè)法、光學(xué)檢測(cè)法、超聲波法。但是這些方法不能實(shí)現(xiàn)對(duì)GIS典型缺陷的智能識(shí)別。目前基于計(jì)算機(jī)視覺(jué)的缺陷檢測(cè)已經(jīng)廣泛應(yīng)用于工業(yè)領(lǐng)域，本文將圖像處理技術(shù)應(yīng)用于GIS缺陷的智能識(shí)別，采用支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱(chēng)SVM的機(jī)器學(xué)習(xí)算法設(shè)計(jì)開(kāi)發(fā)了一套具有自動(dòng)識(shí)別功能的GIS典型缺陷的系統(tǒng)軟件。本文首先利用內(nèi)窺攝像頭對(duì)GIS設(shè)備內(nèi)部圖像進(jìn)行獲取，進(jìn)而對(duì)得到的圖像進(jìn)行預(yù)處理、特征提取與判別。系統(tǒng)軟件的識(shí)別流程圖如圖1所示：

1 圖像預(yù)處理技術(shù)

隨著現(xiàn)代半導(dǎo)體技術(shù)的不斷發(fā)展，計(jì)算機(jī)圖像處理也得到了快速的應(yīng)用，結(jié)合缺陷圖像的分析，能夠?qū)θ毕萏卣鬟M(jìn)行定量計(jì)算，彌補(bǔ)傳統(tǒng)檢測(cè)方法的不足，促進(jìn)GIS缺陷分析技術(shù)的智能化和自動(dòng)化。在弱光條件下的圖像，由于光照明暗程度，設(shè)備性能優(yōu)劣等因素的存在，圖像中往往存在各種各樣的噪點(diǎn)和畸變，對(duì)缺陷的識(shí)別準(zhǔn)確性產(chǎn)生干擾。因此需要對(duì)識(shí)別對(duì)象圖形進(jìn)行一些預(yù)處理研究，圖像的預(yù)處理技術(shù)主要包括了圖像灰度化、圖像增強(qiáng)和圖像分割等一些功能。如圖2所示為本文針對(duì)GIS典型缺陷圖像文件的預(yù)處理基本流程圖：

2 GIS典型缺陷的智能識(shí)別

2.1 特征提取

在完成缺陷圖像提取之后，GIS內(nèi)部圖像中的缺陷區(qū)域被分割出來(lái)。但是相對(duì)于原始圖像而言，經(jīng)過(guò)處理的缺陷圖像在數(shù)據(jù)量上已經(jīng)有了很大的降低。但是對(duì)于分類(lèi)器而言，需要分析的數(shù)據(jù)量依然比較大。因此需要進(jìn)行更多的特征提取從而更好地分類(lèi)樣本數(shù)據(jù)。比較常用的特征包括，紋理特征、灰度特征和幾何特征。因?yàn)樘崛〉娜毕菰趲缀涡螒B(tài)上往往具有不確定性，同一種類(lèi)型的特征也許在幾何形態(tài)上差異較大。因此，本文選取灰度特征和紋理特征作為初始特征。

2.1.1 提取紋理特征

紋理是指存在于圖像中某個(gè)范圍內(nèi)較小形狀或半規(guī)律性排列圖案，在圖像判定中使用紋理特征來(lái)表示粗糙程度、均勻程度等變化，常使用圖像灰度等級(jí)變化來(lái)表示。對(duì)于拉傷、碰傷等缺陷類(lèi)型，一般具有比較明顯的紋理信息，因此紋理特征在區(qū)分這些缺陷類(lèi)型時(shí)具有很好的效果。

灰度共生矩陣可以考慮到圖像像素間的相關(guān)性，它建立在圖像一階組合條件概率密度函數(shù)基礎(chǔ)上，通過(guò)計(jì)算特定距離和特定方向上的兩點(diǎn)間的灰度相關(guān)性來(lái)反映圖像在方向、間隔、變化幅度及快慢上的綜合信息，計(jì)算0°、45°、90°和135°四個(gè)方向上的灰度共生矩，本文采用最常用的四個(gè)灰度共生矩特征作為紋理特征。計(jì)算公式分別為：

通過(guò)上述公式的計(jì)算，在對(duì)分割圖像進(jìn)行提取紋理特征時(shí)，在圖像的每一個(gè)方向上可以分別獲得能量、對(duì)比度、熵和相關(guān)度四個(gè)四個(gè)紋理特征，從而四個(gè)方向上總共可以獲得16個(gè)紋理特征作為圖像特征提取的條件。

2.1.2 提取灰度特征

對(duì)于其他類(lèi)型特殊的故障圖像，提取灰度特征可以更準(zhǔn)確的判別其特征信息。一些故障缺陷信息會(huì)在圖像上呈現(xiàn)較高的亮度，并且其灰度頻度主要集中在較高的數(shù)值范圍內(nèi)，一些內(nèi)含雜質(zhì)類(lèi)的缺陷，其在圖像中上亮度往往比較暗淡，灰度頻度集中在較小的數(shù)值范圍。因此選用灰度特征作為判別特征可以有效的識(shí)別此類(lèi)缺陷。根據(jù)灰度直方圖的定義內(nèi)容，可以提取提取以下六個(gè)特征：

均值：

方差：

歪度：

峭度：

能量：

2.2 分類(lèi)器的設(shè)計(jì)

選擇合適的分類(lèi)方法對(duì)圖像數(shù)字化處理后的GIS圖像進(jìn)行模式識(shí)別是本系統(tǒng)軟件需要解決的關(guān)鍵技術(shù)。支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱(chēng)SVM）是是由Vapnik領(lǐng)導(dǎo)的AT&TBell;實(shí)驗(yàn)室研究小組在1963年提出的一種新的非常有潛力的分類(lèi)技術(shù)，SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，主要應(yīng)用于模式識(shí)別領(lǐng)域。它具有的優(yōu)點(diǎn)是可以更好地解決小樣本、非線(xiàn)性及髙維模式識(shí)別。因此，針對(duì)實(shí)驗(yàn)室以及現(xiàn)場(chǎng)應(yīng)用中存在的GIS典型缺陷圖像樣本數(shù)量比較少，軟件采用了以現(xiàn)代統(tǒng)計(jì)學(xué)理論為基礎(chǔ)的支持向量機(jī)實(shí)現(xiàn)對(duì)圖像數(shù)字化處理后的GIS圖像進(jìn)行模式識(shí)別。

2.2.1 多類(lèi)分類(lèi)器的選擇

在GIS缺陷圖像分類(lèi)識(shí)別應(yīng)用中，支持向量機(jī)是一種二分類(lèi)分類(lèi)器。因此，如何通過(guò)二分類(lèi)的支持向量機(jī)構(gòu)造有效的多類(lèi)分類(lèi)器，是選擇分類(lèi)器需要解決的一個(gè)關(guān)鍵問(wèn)題。通常兩類(lèi)分類(lèi)器構(gòu)造多類(lèi)分類(lèi)器的方法大致可以分為一對(duì)一方法和一對(duì)多方法兩種途徑。

（1）一對(duì)多方法

一對(duì)多方法是最早被提出的基于兩類(lèi)分類(lèi)器構(gòu)造多類(lèi)分類(lèi)器的方法。假如樣本共有k個(gè)類(lèi)型，那么一共構(gòu)造k個(gè)SVM模型。在訓(xùn)練第i個(gè)模型時(shí)，將第i個(gè)類(lèi)型作為一類(lèi)，其他所有類(lèi)型單獨(dú)作為一類(lèi)。從而能夠得到1份數(shù)據(jù)，乃；），其中：C 且乃{(lán)l，."，/}表示xi的類(lèi)型。

第i個(gè)SVM模型通過(guò)以下方法求得：

其中訓(xùn)練xi通過(guò)核函數(shù)O和懲罰因子C映射到高維空間。最小化是為了使得^最大化，它描述了數(shù)據(jù)集與分類(lèi)超平面的幾何間隔。如果數(shù)據(jù)集線(xiàn)性不可分，那么懲罰項(xiàng)cfg可以盡可能的抑制噪聲的影響。經(jīng)過(guò)以上計(jì)算能夠得到k個(gè)決策函數(shù)。

對(duì)于未知樣本X，將X帶入各個(gè)決策函數(shù)中，在哪個(gè)決策函數(shù)中獲得最大值，就判定X屬于哪一個(gè)類(lèi)型：

（2）—對(duì)一方法

一對(duì)一方法是構(gòu)造k（k-l）/2個(gè)分類(lèi)器，每個(gè)分類(lèi)器的訓(xùn)練集分別來(lái)自樣本集的兩個(gè)類(lèi)型數(shù)據(jù)。對(duì)于第i個(gè)類(lèi)型和第j個(gè)類(lèi)型的訓(xùn)練集，構(gòu)造以下二次

規(guī)劃方程：

在完成個(gè)分類(lèi)器的訓(xùn)練后，對(duì)于未知x數(shù)據(jù)的判別有多種不同的方法。比較常用的方法是

投票法如果決策函數(shù)+瀘顯示是屬于第類(lèi)的，那么在第x類(lèi)中的票數(shù)加一。在所有決策函數(shù)給出判別結(jié)果之后，選取獲得票數(shù)最多的類(lèi)型作為對(duì)x的判別結(jié)果。假如在兩種類(lèi)型中獲得了相同的票數(shù)，那么簡(jiǎn)單的選取具有較小編號(hào)的類(lèi)型作為判別結(jié)果。

基于上述討論，結(jié)合對(duì)GIS典型缺陷圖像分類(lèi)實(shí)際需求和識(shí)別系統(tǒng)軟件要求的考量，最終選擇通過(guò)一對(duì)多的方法構(gòu)造GIS典型缺陷圖像分類(lèi)器。

3 GIS典型缺陷自動(dòng)識(shí)別軟件的設(shè)計(jì)與實(shí)現(xiàn)

由于GIS圖像典型缺陷檢測(cè)系統(tǒng)的核心是檢測(cè)算法，所以本系統(tǒng)選擇Visual Studio2010的開(kāi)發(fā)平臺(tái)，開(kāi)發(fā)方便快捷，同時(shí)其中NET框架也縮短了上位機(jī)的開(kāi)發(fā)周期。本系統(tǒng)使用了OpenCV（Open Source Computer Vision Library，簡(jiǎn)稱(chēng)Open CV）計(jì)算機(jī)圖形庫(kù)與NET Framework相結(jié)合的方式實(shí)現(xiàn)檢測(cè)算法的軟件實(shí)現(xiàn)，從而使軟件開(kāi)發(fā)變得更加方便快捷，使用方便，使得圖像處理速度加快。

識(shí)別軟件是本自動(dòng)識(shí)別系統(tǒng)的重要組成部分，軟件設(shè)計(jì)的內(nèi)容主要包括了GIS圖像預(yù)處理、圖像分割、特征參數(shù)計(jì)算和模式識(shí)別等幾個(gè)功能模塊，如圖3所示為自動(dòng)識(shí)別軟件的功能框圖。

3.1 基于SVM的GIS缺陷分類(lèi)器的訓(xùn)練和測(cè)試應(yīng)用SVM建立的GIS典型缺陷自動(dòng)識(shí)別軟件系統(tǒng)的主要工作內(nèi)容包括了兩個(gè)方面，第一就是選擇合適的特征值作為輸入向量，隨機(jī)抽取數(shù)量相近的缺陷類(lèi)別作為訓(xùn)練樣木；設(shè)置的主要參數(shù)，構(gòu)造合適的核函數(shù)（參數(shù)主要有懲罰系-數(shù)C，核函數(shù)核寬度0。如圖4所示為GIS典型缺陷圖像自動(dòng)識(shí)別的流程框圖，由圖4可知，基于SVM的GIS識(shí)別分類(lèi)器的設(shè)計(jì)主要包括了訓(xùn)練和測(cè)試兩部分。

3.1.1 軟件的訓(xùn)練研究

選擇GIS圖像訓(xùn)練的數(shù)據(jù)中每種缺陷類(lèi)型樣本數(shù)為1000組，并劃分3類(lèi)GIS缺陷類(lèi)別。樣本訓(xùn)練的步驟如下：

（1）將所有內(nèi)部缺陷的缺陷樣本，識(shí)別結(jié)果標(biāo)為+1；其他所有樣本歸為-1，將多分類(lèi)轉(zhuǎn)換為二分類(lèi)問(wèn)題。將標(biāo)序好的樣本數(shù)據(jù)輸入到SVM中，并對(duì)其進(jìn)行訓(xùn)練，得到相應(yīng)1號(hào)缺陷分類(lèi)器和最優(yōu)分類(lèi)面。該分類(lèi)器用來(lái)識(shí)別1號(hào)缺陷類(lèi)型；

（2）取所有工具異物的磨粒樣本，識(shí)別結(jié)果標(biāo)為+2重復(fù)（1）中的步驟，對(duì)2號(hào)分類(lèi)器進(jìn)行訓(xùn)練，用來(lái)識(shí)別工具異物缺陷；

（3）完成SVM分類(lèi)器的訓(xùn)練。

利用OpenCV實(shí)現(xiàn)SVM缺陷分類(lèi)器的訓(xùn)練主要使用^11（：?：：（>8?]＼4類(lèi)，具體步驟如圖5所示：

3.1.2 軟件的測(cè)試研究

系統(tǒng)檢測(cè)過(guò)程中對(duì)4個(gè)SVM分類(lèi)器完成了訓(xùn)練，利用軟件對(duì)它們進(jìn)行相應(yīng)的測(cè)試，從而評(píng)價(jià)SVM的識(shí)別能力是否能夠達(dá)到識(shí)別系統(tǒng)的預(yù)期和要求。測(cè)試的樣本為每個(gè)類(lèi)型選取50組，在已知缺陷類(lèi)型的情況下對(duì)完成訓(xùn)練的進(jìn)行測(cè)試。

如圖6所示為本系統(tǒng)SVM識(shí)別結(jié)果界面，系統(tǒng)對(duì)輸入的圖像進(jìn)行預(yù)處理、分割、特征值提取，最后得到識(shí)別結(jié)果。

如下在表格1中列出了SVM分類(lèi)器的測(cè)試結(jié)果，包括了測(cè)試樣本數(shù)量，識(shí)別個(gè)數(shù)以及缺陷的識(shí)別率。

實(shí)驗(yàn)結(jié)果表明：SVM分類(lèi)器存在一定的誤識(shí)率，但其整體的識(shí)別率仍然能夠滿(mǎn)足GIS典型缺陷圖像檢測(cè)的需要。并且支持向量機(jī)SVM對(duì)小樣本分類(lèi)的優(yōu)越性和基于OpenCV實(shí)現(xiàn)分類(lèi)器訓(xùn)練的簡(jiǎn)捷性，實(shí)現(xiàn)了3種狀態(tài)的識(shí)別，并且具有良好的推廣性。

3.1.3 識(shí)別軟件的模塊化功能

（1）用戶(hù)管理模塊

根據(jù)系統(tǒng)功能模塊的劃分，在用戶(hù)管理模塊里面，管理員可以添加、刪除其他的用戶(hù)。因此管理員可以對(duì)用戶(hù)數(shù)據(jù)表和檢測(cè)結(jié)果數(shù)據(jù)表進(jìn)行操作，如圖7所示可以對(duì)用戶(hù)信息進(jìn)行查詢(xún)。

（2）用戶(hù)登錄界面

由于本系統(tǒng)軟件的主要目的是針對(duì)GIS內(nèi)部圖像進(jìn)行圖像識(shí)別檢測(cè)，所以在設(shè)計(jì)登錄界面時(shí)，沒(méi)有太多的權(quán)限要求，所以本系統(tǒng)軟件的登錄界面設(shè)計(jì)采用了固定的用戶(hù)信息和密碼信息來(lái)進(jìn)行登錄。登錄界面如圖8所示。

（3）系統(tǒng)主體界面

當(dāng)用戶(hù)正確登錄之后，進(jìn)入系統(tǒng)主界面，可進(jìn)行歷史記錄查詢(xún)、圖像上傳檢測(cè)、刪除等操作，主界面如圖9所示：

主界面可以顯示上傳的原始圖像，經(jīng)過(guò)預(yù)處理的圖像以及對(duì)應(yīng)的分析結(jié)果、上傳人和上傳時(shí)間。在線(xiàn)上傳的圖片經(jīng)過(guò)預(yù)處理，特征提取，分類(lèi)器判別即可完成分析。

4 結(jié)論與展望

本文采用圖像處理技術(shù)對(duì)GIS圖像進(jìn)行預(yù)處理，利用機(jī)器智能學(xué)習(xí)的方法開(kāi)發(fā)了一套智能識(shí)別軟件。通過(guò)研究支持向量機(jī)（SVM）的原理和數(shù)學(xué)模型，建立了GIS工具異物類(lèi)和金屬異物類(lèi)的缺陷樣本，通過(guò)OpenCV完成了基于SVM的GIS典型缺陷分類(lèi)器的設(shè)計(jì)。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的GIS典型缺陷自動(dòng)識(shí)別軟件能夠有效地識(shí)別GIS的典型缺陷。

本文同時(shí)體現(xiàn)了機(jī)器學(xué)習(xí)在GIS設(shè)備缺陷診斷和檢測(cè)中的應(yīng)用價(jià)值，可以為GIS設(shè)備的診斷和檢測(cè)提供一條新的技術(shù)途徑。

同時(shí)，由于訓(xùn)練成本的限制不能實(shí)現(xiàn)百分之百的識(shí)別率，為了更加優(yōu)化缺陷識(shí)別的自動(dòng)化和智能化以及提高識(shí)別的準(zhǔn)確率。未來(lái)可以選取其他機(jī)器學(xué)習(xí)的方法，增加缺陷樣本的數(shù)據(jù)，實(shí)現(xiàn)更簡(jiǎn)捷、更高效的智能識(shí)別技術(shù)。