黃新波， 楊璐雅， 張 燁， 曹 雯， 李立浧

(1. 西安工程大學(xué)電子信息學(xué)院, 陜西省西安市 710048； 2. 華南理工大學(xué)電力學(xué)院， 廣東省廣州市 510641)

0 引言

絕緣子是高壓輸電線路的重要組成部分，其工作狀態(tài)出現(xiàn)異常將會直接威脅到整個電力系統(tǒng)的安全穩(wěn)定運(yùn)行，但它卻是極易發(fā)生故障的一個部件[1-3]。近年來隨著中國工農(nóng)業(yè)的快速發(fā)展，大氣污染物日益增加，絕緣子長期暴露在外界環(huán)境中表面會形成污穢層，在大霧、雨等氣象條件下吸收水分會導(dǎo)致其電氣強(qiáng)度明顯下降，極易發(fā)生污閃，造成大面積停電、線路停運(yùn)等嚴(yán)重事故[4-5]。因此，為了保證輸電線路的正常運(yùn)行，定期對絕緣子進(jìn)行污穢檢測顯得尤為重要。

目前絕緣子污穢檢測方法主要有泄漏電流法[6-7]、等值鹽密法[8-9]和可見光圖像檢測法[10-11]等，由于泄漏電流法受濕度等環(huán)境因素影響大，等值鹽密法需要停電操作且流程復(fù)雜，現(xiàn)有的可見光圖像檢測法對霧天、光線較暗等惡劣氣象條件下拍攝到的絕緣子圖像不具備通用性，為此本文提出一種基于圖像增強(qiáng)的瓷質(zhì)絕緣子灰密程度檢測方法，先用通用性較強(qiáng)的增強(qiáng)算法對各種條件下的絕緣子圖像進(jìn)行增強(qiáng)，然后再根據(jù)其色彩差異來判斷絕緣子的灰密程度，可實現(xiàn)惡劣條件下的瓷質(zhì)絕緣子灰密程度的非接觸、在線高效檢測，具有良好的通用性，對提高電網(wǎng)的安全運(yùn)行具有重要的意義。

1 污穢對瓷質(zhì)絕緣子圖像的影響

絕緣子在圖像中的體現(xiàn)主要有形狀、大小、紋理、顏色等特征，但是絕緣子表面附著有灰塵等污穢物時，通過形狀、大小、紋理等特征都不能和干凈的絕緣子區(qū)分開來，且不同污穢程度的絕緣子圖像之間也沒有這些特征上的明顯差異，因此只能通過顏色差異來區(qū)分。污穢在瓷質(zhì)絕緣子圖像中表現(xiàn)為絕緣子盤面積污區(qū)域顏色會發(fā)生改變，瓷質(zhì)絕緣子表面本來呈現(xiàn)白色，但是當(dāng)表面附著有污穢時會覆蓋掉絕緣子原本的顏色，使其呈現(xiàn)淺灰白色或淺黃色，因此，瓷質(zhì)絕緣子和污穢物就可以根據(jù)其色彩差異來區(qū)分。本文根據(jù)灰密將污穢絕緣子劃分為非常輕(≤0.2 mg/cm2)、輕(0.2～0.4 mg/cm2)、中等(0.4～0.8 mg/cm2)、重(0.8～2.0 mg/cm2)、非常重(2.0～3.5 mg/cm2)5個程度，通過在不同的顏色空間中提取絕緣子圖像的顏色特征，將灰密程度的不同量化為絕緣子顏色特征值的不同，然后利用顏色特征值的差異來實現(xiàn)絕緣子灰密程度的檢測。

2 瓷質(zhì)污穢絕緣子圖像分析與圖像增強(qiáng)

2.1 算法總體流程

為了實現(xiàn)惡劣條件下瓷質(zhì)污穢絕緣子圖像的灰密程度檢測，本文先用改進(jìn)的帶顏色恢復(fù)的多尺度Retinex(multiple scale Retinex with color restoration，MSRCR)算法對采集到的一系列絕緣子圖像進(jìn)行增強(qiáng)得到清晰、可讀性高的絕緣子圖像，然后采用二維最小誤差法結(jié)合形態(tài)學(xué)濾波分割提取出絕緣子盤面區(qū)域，分別提取6個通道的均值、最大值、最小值等7個特征量，并用Fisher準(zhǔn)則函數(shù)篩選出分類能力強(qiáng)的特征作為灰密程度的判別特征，最后用思維進(jìn)化算法(mind evolutionary algorithm，MEA)優(yōu)化反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真測試，計算判別準(zhǔn)確率。具體流程如圖1所示。

圖1 改進(jìn)的MSRCR算法流程圖Fig.1 Flow chart of improved MSRCR algorithm

2.2 改進(jìn)的MSRCR算法

由于絕緣子的顏色特征會直接影響到灰密程度的檢測精度，對于霧天、光線暗等惡劣氣象條件下拍攝到的絕緣子圖像，如何在增強(qiáng)圖像的同時又能保證圖像的色彩保真度成為最關(guān)鍵的問題。一般的圖像增強(qiáng)算法色彩保真度低[12-15]，MSRCR算法[16]色彩保真度較高但亮度偏低，具有一定的局限性，因此本文對其進(jìn)行了改進(jìn)，基本原理是通過去除3個通道圖像的照射分量來保留反映原始圖像本質(zhì)的反射分量，然后分別對其進(jìn)行自適應(yīng)閾值分段線性變換后，合成一幅彩色圖像來復(fù)原其真實面貌，以達(dá)到圖像增強(qiáng)目的。

2.2.1提取圖像反射分量

由于RGB顏色空間數(shù)據(jù)量大，因此針對本文采集到的彩色圖片，先將其分解為3個單通道，分解公式為：

Y=Rr+Gg+Bb

(1)

式中：Y表示某個特定色；R，G，B表示紅、綠、藍(lán)3個基色；r，g，b為三基色的比例系數(shù)。對一幅霧天圖像進(jìn)行通道分解如附錄A圖A1所示。

然后利用MSRCR算法，根據(jù)原始圖像中各個顏色通道所占的比例(色彩恢復(fù)因子C)來提取圖像的反射分量。第i個顏色通道的色彩恢復(fù)系數(shù)為：

(2)

式中：Ci(x,y)為第i個通道的整數(shù)域色彩恢復(fù)系數(shù)；Si(x,y)為第i個通道的輸入圖像，本文RGB圖像一共有3個通道。

第i個顏色通道的輸出圖像為：

(3)

式中：Ri(x,y)為第i個顏色通道的整數(shù)域輸出圖像；K為尺度個數(shù)，K=3時增強(qiáng)效果和處理速度都比較理想;假設(shè)圖像尺寸為(m,n)，令h=min(m,n)，本文選取3個尺度分別為0.05h(小尺度)、0.15h(中尺度)和0.4h(大尺度)，Wk表示第k個尺度的權(quán)值，本文選取W1=W2=W3=1/3;Fk(x,y)表示第k個尺度的高斯卷積模板;*表示卷積。

第i個顏色通道帶顏色恢復(fù)系數(shù)的輸出圖像為：

RiCi(x,y)=exp(ri(x,y)+ci(x,y))

(4)

RiCi(x,y)即為反射分量，R，G，B這3個通道的反射分量及對應(yīng)直方圖如附錄A圖A2所示。

2.2.2自適應(yīng)閾值分段線性變換

為了克服傳統(tǒng)MSRCR算法圖像對比度低、亮度偏暗、灰度值集中、精確性差等缺點，本文提出一種自適應(yīng)閾值分段線性變換算法。由于最小誤差法受目標(biāo)值的影響小、精度高、速度快，二維直方圖可以充分利用圖像信息、受噪聲干擾小等優(yōu)點，因此用二維最小誤差法來自動獲得分段變換的兩個端點[17-19]。二維最小誤差法如下：

J(s,t)= 1-P0(s,t)lnP0(s,t)-

P1(s,t)lnP1(s,t)+

P0(s,t)lnδ00(s,t)δ01(s,t)+

P1(s,t)lnδ10(s,t)δ11(s,t)+

(5)

當(dāng)J(s,t)取最小值時獲得最佳閾值：

(6)

利用二維最小誤差法進(jìn)行2次閾值計算：第1次計算得到目標(biāo)段和過渡段的分界點x2，對過渡段進(jìn)行第2次計算得到過渡段和背景段的分界點x1(x1x2)，將其作為分段線性變換的2個分段點，公式如下：

g′(i,j)=

(7)

式中：g′(i,j)為輸出值；g(i,j)為輸入值；x1和x2為分段點橫坐標(biāo)；y1和y2為分段點縱坐標(biāo)；ran為灰度值的最大范圍。

對3個通道的反射分量分別進(jìn)行分段線性變換，其直方圖如附錄A圖A3所示，直方圖中灰度分布均勻，圖像對比度和亮度增強(qiáng)。

2.2.3通道合并

將R，G，B增強(qiáng)圖像合并得到改進(jìn)MSRCR算法處理后的增強(qiáng)圖，如附錄A圖A4所示，增強(qiáng)圖的清晰度有了較大的改善。

附錄A表A1為圖像特征對比，增強(qiáng)圖的灰度均值和灰度方差比原圖大，說明其整體亮度和對比度較高，信息熵比原圖大說明其內(nèi)部灰度分布更均勻。將本文提出的增強(qiáng)算法與其他幾種增強(qiáng)算法進(jìn)行對比，增強(qiáng)效果對比和增強(qiáng)處理時間對比如附錄A表A2和表A3所示，其他增強(qiáng)算法都只對部分圖片處理效果好，而本文增強(qiáng)算法適用于各種惡劣條件下的絕緣子圖像，合成后的彩色圖像清晰度和色彩保真度更高。與處理效果相對較好的模糊法相比，本文算法的處理時間更短，具有實時性。

3 瓷質(zhì)污穢絕緣子顏色特征提取及篩選

3.1 圖像分割及特征提取

RGB顏色空間將色調(diào)、飽和度和亮度放在一起表示，光線、陰影等外界因素對3個通道分量的影響都較大，難以實現(xiàn)目標(biāo)的分割提取。而HSI顏色空間由色調(diào)(H)、飽和度(S)和亮度(I)單獨組成，H分量受外界因素影響較小且性能相對穩(wěn)定[20-21]，因此本文選取H分量進(jìn)行分割。

由于采集到的瓷質(zhì)污穢絕緣子圖像亮度偏低、對比度不明顯，難以分割出絕緣子盤面區(qū)域及其顏色特征，因此要先用上文中提到的改進(jìn)MSRCR算法進(jìn)行圖像增強(qiáng)，然后再用上文中提到的二維最小誤差法分割H分量得到大致的絕緣子盤面區(qū)域，結(jié)合形態(tài)學(xué)濾波去除一些干擾小區(qū)域及消除絕緣子之間的孔洞，得到完整的絕緣子盤面區(qū)域。過程如圖2所示。

圖2 圖像分割過程Fig.2 Segmentation process of image

接著分別提取絕緣子盤面區(qū)域6個通道(R，G，B，H，S，I)的7個特征值(均值、最大值、最小值、極差、方差、灰度熵、灰度各向異性)作為原始特征量(共42個特征)，部分特征計算公式如下。

均值：

(8)

式中：gi為灰度值；pi為該灰度值出現(xiàn)的概率。

最大值：

(9)

方差：

(10)

灰度熵：

(11)

3.2 特征篩選

為了提高灰密程度檢測的實時性和準(zhǔn)確性，采用Fisher準(zhǔn)則對上面得到的特征量進(jìn)行篩選[22-24]。定義數(shù)據(jù)集Ω中一共有N個樣本分別屬于n個類L1,L2,…,Ln，每類包含Ni個樣本，樣本第j維特征的類間方差和類內(nèi)方差表達(dá)式如下：

(12)

(13)

故單個特征的Fisher準(zhǔn)則函數(shù)為：

(14)

經(jīng)過計算，F(xiàn)值最大的3個特征量依次為樣本均值Smean、樣本最大值Smax和樣本方差Svar，因此選取這3個特征量作為灰密程度判別特征。不同灰密程度絕緣子圖像的Smean,Smax,Svar及三維特征灰密程度分布如附錄A圖A5所示，Smean和Smax的5個灰密程度的折線之間沒有交叉，Svar的非常輕和輕灰密程度的折線之間有部分交叉，三維特征灰密程度分布圖中5個程度的散點之間沒有交集，達(dá)到了較好的分離效果。

4 絕緣子灰密程度檢測模型

同一灰密程度下絕緣子圖像的色彩特征也會存在一定差異，也就是說每一灰密程度絕緣子的顏色特征沒有一個固定的范圍，所以不能直接根據(jù)線性方法對灰密程度進(jìn)行分類，需要建立一個通用且穩(wěn)定的模型[25-28]。本文采用MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[29-30]模型，MEA的原理是把群體分為優(yōu)勝子群體和臨時子群體兩大類，采用趨同算子和異化算子搜索全局最優(yōu)解，不斷迭代直到輸出最優(yōu)解作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。總體流程如圖3所示，具體步驟如下。

步驟1：編碼長度S=S1S2+S2S3+S2+S3，S1為輸入層節(jié)點數(shù)，S2為隱含層節(jié)點數(shù)，S3為輸出層節(jié)點數(shù)。將訓(xùn)練數(shù)據(jù)的解空間映射到編碼空間，然后設(shè)置迭代次數(shù)、種群大小等參數(shù)。

步驟2：定義得分函數(shù)Vval=1/mse(T-Tout)，T為期望輸出，Tout為實際輸出，mse(T-Tout)為均方誤差。篩選出得分最高的若干優(yōu)勝個體和臨時個體并以此為中心產(chǎn)生若干優(yōu)勝子種群和臨時子種群。

步驟3：在各個子種群內(nèi)部執(zhí)行趨同操作直至該子種群成熟(得分不再增加)，以該子種群內(nèi)最優(yōu)個體的得分作為該子種群的得分，子種群之間執(zhí)行異化操作，計算出全局最優(yōu)個體及其得分。

步驟4：判斷迭代結(jié)束條件，若不滿足則返回步驟3繼續(xù)執(zhí)行，直到迭代結(jié)束后輸出最優(yōu)個體并進(jìn)行解碼，產(chǎn)生BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

步驟5：創(chuàng)建一個BP神經(jīng)網(wǎng)絡(luò)并設(shè)置其訓(xùn)練參數(shù)，將步驟4中優(yōu)化得到的初始權(quán)值和閾值賦值給網(wǎng)絡(luò)，用訓(xùn)練數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后得到灰密程度判別神經(jīng)網(wǎng)絡(luò)。

步驟6：利用測試數(shù)據(jù)對步驟5中得到的灰密程度判別神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真測試，將判別輸出和目標(biāo)輸出進(jìn)行對比，計算本文算法的準(zhǔn)確率。

圖3 MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程Fig.3 Flow chart of optimization of BP neural network by MEA

5 實驗結(jié)果與分析

本文選取實驗環(huán)境下拍攝到的絕緣子圖像，選取每個灰密程度各40個樣本作為訓(xùn)練樣本，神經(jīng)網(wǎng)絡(luò)的輸入層為3(Smean,Smax,Svar)，輸出層為5(非常輕、輕、中等、重、非常重)。提取200個訓(xùn)練樣本的Smean,Smax,Svar作為神經(jīng)網(wǎng)絡(luò)的輸入，灰密程度作為輸出，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后選取每個灰密程度各20個樣本作為測試樣本對判別神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真測試，輸出相應(yīng)的判別灰密程度。

部分測試樣本結(jié)果如附錄A表A4所示，不同灰密程度絕緣子的Smean,Smax,Svar存在明顯的差異。100個測試樣本的實際輸出與目標(biāo)輸出如附錄A圖A6所示，重和非常重灰密程度的絕緣子圖像全部判別正確，非常輕和輕灰密程度的絕緣子圖像判別錯誤率較高，是因為非常輕程度的絕緣子表面幾乎沒有污穢，輕程度的絕緣子表面也只附著了極少的污穢，其色彩特征極為相似，所以容易誤判別。

本文也對概率神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化(PSO)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了仿真測試，如表1所示，本文神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為95.00%，明顯高于概率神經(jīng)網(wǎng)絡(luò)和PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了絕緣子灰密程度的準(zhǔn)確判別。

表1 灰密程度判別結(jié)果對比Table 1 Comparison of recognition result of non-soluble deposit density levels

6 現(xiàn)場運(yùn)行測試

本文提出的瓷質(zhì)絕緣子灰密程度檢測方法初步應(yīng)用于不同電壓的輸電線路圖像監(jiān)測與智能化分析技術(shù)中。圖像監(jiān)測裝置安裝在現(xiàn)場輸電線路桿塔上，絕緣子灰密程度分析軟件安裝在監(jiān)控中心[31-32]，由于攝像機(jī)必須捕獲包含有完整絕緣子區(qū)域的現(xiàn)場圖像，因此需要根據(jù)要求適當(dāng)?shù)卦O(shè)置安裝位置、平臺和局域網(wǎng)。

針對圖2中的5幅現(xiàn)場圖像，分析其絕緣子的灰密程度并與現(xiàn)場人工測試灰密值進(jìn)行對比，結(jié)果如附錄A表A5所示，表明本文方法可以檢測并判別絕緣子的實際灰密程度，結(jié)果一致性較好。且本文另選取了不同現(xiàn)場下的100幅運(yùn)行絕緣子圖像進(jìn)行分析和對比，準(zhǔn)確率為92%，可以較準(zhǔn)確地判別運(yùn)行絕緣子表面的灰密程度，充分驗證了本文提出的瓷質(zhì)絕緣子灰密程度檢測方法的可行性和實用性。

7 結(jié)語

本文提出一種改進(jìn)的MSRCR圖像增強(qiáng)算法并將其用于現(xiàn)場環(huán)境下運(yùn)行絕緣子灰密程度檢測，MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型在實驗室環(huán)境和現(xiàn)場環(huán)境下的識別準(zhǔn)確率分別為95.00%和92.00%，比傳統(tǒng)方法準(zhǔn)確度高，為復(fù)雜環(huán)境下的電網(wǎng)故障診斷奠定了基礎(chǔ)。

然而本文方法只是針對瓷質(zhì)絕緣子的污穢情況進(jìn)行了分析研究，且由于攝像機(jī)、外界條件等因素的限制導(dǎo)致采集到的絕緣子圖像質(zhì)量有一定的局限性。因此下一步將繼續(xù)改進(jìn)圖像增強(qiáng)算法并進(jìn)一步研究玻璃、復(fù)合等其他材質(zhì)絕緣子的污穢情況。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。