劉子英， 肖建華， 鄧芳明

(華東交通大學 電氣與自動化工程學院，江西 南昌 330013)

0 引 言

為減少因絕緣子污穢[1,2]而造成的電網(wǎng)事故，對積污絕緣子及時有效的清潔有著重要意義。而清潔絕緣子的首要任務就是對絕緣子污穢程度的有效檢測。

文獻[3]直接在現(xiàn)場污穢絕緣子盤面嵌入金屬電極，通過絕緣子最大表面電導率的大小來檢測污穢等級，雖然檢測準確率高但需斷電操作且檢測效率低下；文獻[4]利用紫外成像技術，計算絕緣子放電光斑面積，分類器通過面積大小來判別絕緣子的污穢等級，但受環(huán)境的干擾較大，且需要人工仿真實驗；文獻[5]利用污穢絕緣子的紅外熱像圖，提取圖像的R分量特征，判別絕緣子的污穢等級，該方法受環(huán)境溫度的影響較大，且其研究少有對現(xiàn)場環(huán)境的積污絕緣子的分析；文獻[6]利用污穢絕緣子可見光圖像的飽和度分量圖像，計算飽和度均值和飽和度中值這兩個特征量來劃分絕緣子污穢等級，該方法對分類算法的分類精度要求高，流程較復雜，而且分類的準確率不穩(wěn)定；文獻[7]將絕緣子紅外圖像與可見光圖像信息進行融合，通過紅外熱圖像的溫度特征和可見光圖像的顏色特征綜合判斷絕緣子的污穢等級，該方法對檢測設備的要求高，并且對環(huán)境溫度和濕度也有特殊要求，然而融合的溫度特征量和顏色特征量信息并不都能對絕緣子污穢等級判別有利。

本文提出了基于天牛須搜索算法(beetle antennae search,BAS)優(yōu)化的最小二乘支持向量機(least square support vector machine,LS-SVM)絕緣子可見光圖像污穢等級判別方法。利用可見光圖像識別污穢狀態(tài)，具有不必停電、不易受電磁干擾等優(yōu)點，可實現(xiàn)實時、非接觸測量[6]，同時沒有對溫度、濕度、照度等環(huán)境因素的特別要求。本文采用最大類間方差雙閾值法分割出絕緣子區(qū)域，分別計算出R、G、B(red green blue)和H、S、I(hue saturation intensity)顏色空間的36種特征值，再利用Fisher準則函數(shù)對36種特征值進行篩選，并找出能顯著表征絕緣子盤面污穢情況的特征。

為了解決文獻[6]算法流程繁雜和分類準確率不穩(wěn)定的問題，本文利用BAS優(yōu)化的LS-SVM回歸模型構建分類器，大大簡化了算法流程，實現(xiàn)了絕緣子污穢等級的準確判別，并且分類準確率較穩(wěn)定。

1 絕緣子可見光圖像判別污穢等級的原理分析

1.1 絕緣子污穢等級與鹽密和灰密的關系

絕緣子污穢物的介電常數(shù)、兩端電壓的波動以及空氣濕度等影響了現(xiàn)場絕緣子的絕緣特性[8]，其表面的污物分為可溶性污物(用等值鹽密ESDD度量)和非可溶性污物(用灰密NSDD度量)。為了定量度量絕緣子的污穢狀態(tài)，GB/T 16434—1996、QGDW 152—2006規(guī)定了電力系統(tǒng)中絕緣子污穢程度與等值附鹽密度(ESDD)的對應關系，如表1。

表1 絕緣子污穢程度與ESDD

1.2 可見光圖像與污穢等級的關系

在自然積污情況下，變電站現(xiàn)場的不同污穢程度的紅褐色絕緣子可見光圖像，如圖1所示。當空氣中的顆粒(如細塵、鹽堿等污穢物)附著在絕緣子表盤時，絕緣子表面原本的顏色會發(fā)生改變，表現(xiàn)出污穢顆粒的視覺特點。因此，不同污穢程度的絕緣子的可見光圖像顏色特征有差異，且污穢程度越嚴重圖像的顏色與原顏色的差異越明顯。所以，絕緣子的污穢程度與可見光圖像的顏色特征有一定的對應關系。

圖1 不同污穢程度的紅褐色瓷質絕緣子

絕緣子的污穢等級與可見光圖像特征的映射關系并非線性對應關系，通常情況下都表現(xiàn)為非線性、高維度的復雜對應關系。為此，本文利用數(shù)字圖像處理技術，并采用BAS優(yōu)化的LS-SVM靈活、強大的分類能力和非線性映射處理特性，建立絕緣子不同污穢程度的可見光圖像的顏色特征與污穢等級的對應關系，從而達到由可見光圖像來判別絕緣子污穢等級的目的。

2 絕緣子污穢圖像預處理

2.1 絕緣子彩色圖像的分解

本文研究的絕緣子圖像是由可見光拍攝設備在現(xiàn)場拍攝的彩色圖像，利用顏色特征來分解彩色圖像并在此基礎上辨識絕緣子污穢等級，因此找到與污穢等級辨識關聯(lián)度高的圖像顏色模型是關鍵的一步?？梢姽獬上裨O備拍攝的彩色圖像由R,G,B三種顏色混合而成，但是R,G,B三分量之間的關聯(lián)度高，而且這三個分量的灰度差異小，因此使用彩圖的R,G,B三分量直接判別污穢等級會導致判別率差，判別效果不佳，絕緣子彩圖R,G,B分量如圖2(b)～(d)所示。為了更好地判別污穢等級，將RGB圖像轉換成HSI圖像，得到的轉換結果如圖2(e)～(g)所示。

圖2 污穢紅褐色瓷質絕緣子分解圖像

從圖2可以看出，H分量圖像只能看到一些模糊的概貌；而I分量雖然絕緣子盤面雖然較清晰，但干擾信息較多；S分量圖像則絕緣子區(qū)域凸顯出來，細節(jié)和文理保持較好。因而，將圖像的S分量提取出來進行圖像分割，大大減少了圖像所包含的信息，減少了信息處理量，加快了運算的速度。

2.2 圖像分割

最大類間方差法(Otsu) 是一種根據(jù)數(shù)字圖像的直方圖來選擇非參數(shù)化的全局最優(yōu)閾值的分割方法[9]，是選擇最佳閾值來處理一般數(shù)字圖像的一種好方法。對污穢絕緣子彩圖的S分量圖像采用Otsu算法進行分割，分割處理的結果如圖3所示。

圖3 最大類間方差處理得到的直方圖和類間方差

2.3 干擾信息濾除

圖像分割后，仍然會有許多干擾信號，其灰度值與絕緣子盤面比較接近，為保證后續(xù)的特征提取與污穢等級識別的準確性，需要去除這些干擾信息。通過對圖像的觀察，絕緣子盤面面積所占的比例大，干擾信息面積所占比例小，因此本文采用基于面積比例大小方法去除干擾信息，此處的面積比例是指每個非連通區(qū)域的像素個數(shù)占圖像像素總個數(shù)的比例。可以先設定μ值，當不連通區(qū)域的面積比例大于μ值時，這些區(qū)域即保存下來

Ap(i)={p(i)|ps(i)>μ}

(1)

式中Ps(i)為第i個不連通區(qū)域的像素個數(shù)與圖像總像素個數(shù)的比值；Ap(i)表示面積比例大于μ值的不連通區(qū)域。

根據(jù)經(jīng)驗和對圖像中絕緣子盤面區(qū)域面積與總面積比值分析，文中取μ=0.27，得到的結果如圖4所示?？梢钥闯?，最終去除干擾信息的絕緣子盤面清晰、完整，有效去除了絕緣子圖像中的干擾信息。

圖4 圖像去除干擾效果

3 污穢絕緣子等級檢測

3.1 顏色特征提取和選擇

從現(xiàn)場拍攝的圖庫中選取300張圖片進行分析，其中0級、Ⅰ級、Ⅱ級Ⅲ級和Ⅳ級污穢圖像各60張。本文對預處理后的彩色圖像的6個分量圖像進行處理，這6個分量圖分別為R、G、B、H、S和I。分別得到每張分量圖像的最小值Xmin,最大值Xmax,中值Xmid,均值Xave,極差Xren,方差Xvar。這里X代表R，G，B，H，S和I，因此共有36個特征量。

為從上述36個特征量中找到具有最明顯區(qū)分絕緣子污穢等級的特征，采用Fisher判別法。Fisher判別法中的特征分類效果J值越大，表明該特征的分類效果越好；相反，表明該特征的分類效果越差。分別計算出提取到的36個特征的分類效果值J，計算結果如表2所示。

Fisher 準則的函數(shù)值越大，說明對應特征之間的區(qū)分度越好，通常要求其值大于1[10]。從表2可以看出只有S的中值和均值的分類效果值J大于1，因此，將S分量的中值和均值這2個特征量組合成一個特征矢量輸入到LS-SVM分類器中。

表2 分類效果值J

3.2 最小二乘支持向量機

在解決高維非線性的小樣本模式識別的問題上，LS-SVM表現(xiàn)出了獨特的優(yōu)勢，本文采用LS-SVM理論分析絕緣子污穢等級的分類問題，計算支持向量yi

(2)

式中xi,xj分別為訓練樣本的數(shù)據(jù)；α=[α1,α2,…,αl]為Lagrange乘子；b為待定的偏置量；σ為懲罰系數(shù)。K(xi,xj)為核函數(shù)，本文選擇徑向基函數(shù)作為LS-SVM的核函數(shù)

(3)

式中δ為核參數(shù)。

3.3 懲罰系數(shù)σ和核參數(shù)δ的確定

確定最優(yōu)的懲罰系數(shù)和核參數(shù)(σ,δ)，可使LS-SVM分類器更準確地劃分絕緣子的污穢等級。本文采用BAS對σ和δ進行優(yōu)化，以避免依靠反復試驗來盲目地選擇(σ,δ)，并且可以有效提高LS-SVM分類器的分類準確性。

BAS是2017年提出的一種高效的智能優(yōu)化算法，不需要知道函數(shù)的具體形式，不需要梯度信息，相比于粒子群算法，只需要一個個體，即一只天牛就可以實現(xiàn)參數(shù)的高效尋優(yōu)，使運算得到大大簡化[11]。因為天牛每一步的方向都是隨機的，所以右觸須指向左觸須的方向向量是隨機的，并定義如下

(4)

式中 rnd(·)為隨機函數(shù)，k為空間的維度。獲得方向向量后，定義左右觸須

(5)

式中xl和xr分別為左觸手和右觸手的位置；xt為天牛在時間t的質心位置；dt代表兩條觸須之間的距離；然后可以確定天牛的方向和距離，則下一刻

(6)

式中f(·)為等待優(yōu)化的函數(shù)；δt為搜索步長。初始步長較大，便于全局搜索。隨著迭代次數(shù)的增加，為了搜索更精細的搜索，步長減小

δt=k·δt-1

(7)

式中k為步長的衰減系數(shù)。

BAS算法步驟如下：1)初始化個體，即初始化天牛。根據(jù)式(4)設定天牛的觸須方向，根據(jù)式(6)設定以天牛為中心的坐標;2)設定目標函數(shù)，即設定個體的適應度;3)根據(jù)式(5)計算出天牛左右兩須的值并根據(jù)適應度進行優(yōu)劣對比，將較優(yōu)的方向定位當前方向，并且根據(jù)式(7)調整步長;4)根據(jù)確定的方向和步長及時更新個體的位置;5)判斷是否滿足終止條件，若滿足就結束搜索，否則跳轉到步驟(2)繼續(xù)搜索。

3.4 實驗驗證

在南昌電網(wǎng)所屬多個變電站，對絕緣子進行可見光圖像拍攝。選取包含不同污穢度的紅褐色瓷質絕緣子圖像 300 張，其中 0 級、Ⅰ 級、Ⅱ 級、Ⅲ 級、Ⅳ級污穢樣本各60張，構建LS-SVM分類器。LS-SVM分類器的輸入為S 分量均值和S分量中值構成的特征矢量，LS-SVM分類器的輸出為污穢等級。

相對于基于遺傳算法優(yōu)化的最小二乘支持向量機分類器(GA-LSSVM)和基于粒子群算法優(yōu)化的最小二乘支持向量機分類器(PSO-LSSVM)，BAS-LSSVM分類器的算法程序得到了大大簡化，而且訓練樣本的時間縮短了，分類準確率得到了進一步的提升，相應分類器的計算結果對比如表3所示?？紤]到訓練樣本的規(guī)模大小可能會對絕緣子的污穢等級識別準確率產生影響，此次對比實驗中，選取的實驗樣本規(guī)模均為150份。

表3 幾種分類器的計算結果

為了檢驗訓練的效果，剩下的150份作為測試集樣本。BAS優(yōu)化的 LS-SVM 分類器參數(shù)確定時，繪出的準確率等高線和對應的分類結果如圖5。

圖5 參數(shù)優(yōu)化后的分類

通過BAS搜索找到使準確率最高的最優(yōu)參數(shù)值如表3所示為σ=7.21，δ=109.847 1。通過反復的實驗驗證，如果改變(σ,δ)的值，使σ≠7.21，δ≠109.847 1，則分類準確率都會降低。

4 結 論

1)本文以變電所內分布較廣的紅褐色瓷質絕緣子為研究對象，利用絕緣子因各類粉塵、鹽堿顆粒等污穢物遮蔽了原本顏色特征而表現(xiàn)出了污穢物的視覺特性進行檢測，能有效識別絕緣子污穢等級，分類準確率高達96.92 %。

2)結合HSI顏色空間，提出基于區(qū)域信息的最大類間方差(Otsu)分割算法，分割得到了清晰、完整和沒有背景干擾的絕緣子盤面。

3)通過引入Fisher準則函數(shù)，篩選出了能較顯著地表征絕緣子的污穢狀態(tài)的特征量S均值和S中值。

4)為了提高污穢等級分類準確性，本文選擇了LS-SVM分類器，并使用最近提出BAS算法優(yōu)化了該分類器關鍵的兩個參數(shù)，使其分類功能得到了進一步的提升。